Escolar Documentos
Profissional Documentos
Cultura Documentos
GEOESTATÍSTICA
conceitos e aplicações
I
+
+
-ofscjr1to
Cálculo e Modelagem
de Varigramas 2
Experimentais
Como definir e preverocomportamento espacial de uma variável regionalizada (Z (X).
i=1,n} coletada em n pontos distnbuidos em uma determinada região? Pretende-se
respondera essa questão neste e no próximo capitulo por meio da metodologia geoestatística,
com exemplos ilustrando aplicações.
Para entender a variação espacial do processo aleatório subjacente, deve-se levar em
consideração a possibilidade de que o valor de cada ponto no espaço estárelacionado, de
aloum modo, com valores obtidos de pontos situados a certa distância, sendo razoável supor
aue a influência étanto maior quanto menor for a distância entre os pontos, conformne
interpretação de Soares (2006, p. 18). Isso significa que a inferência da continuidade espacial
de uma variável regionalizada pode ser feita com valores amostrais tendo comobase
a estatística de dois pontos. Aplicando-se as definições da função covariância e função
variograma, verifca-se que elas dependem apenas de dois pontos X1eX2, situados a uma
distância h= X1-X2, então cada par de pontos éconsiderado uma realização diferente, o
que torna possível ainferência estatística dessas funções (Journel, Huijbregts, 1978, p. 32).
Para determinação do modelo de corelação espacial da variável regionalizada, calcula-se
experimentalmente essa correlação usando os pontos amostrais e, em seguida, ajusta-se
um modelo teórico. Esse modelo teórico permite determinar o valor da correlação espacial
para qualquer distância dentro do espaço amnostrado. Neste capítulo seráapresentado como
se calculaomodelo de correlação espacial, que éa ferramenta básica da Geoestatística para
estimativas e simulações estocásticas.
Julgar, porém, que essa hipótese esteja correta significa supor que a média das amostras
seja representativa da área estudada, isto é, que os valores são homogêneos (Soares, 2006,
verificacâo
p. 18). A homogeneidade espacial raramente ocorre, sendo necessária a
distribuição e variabilidade espaciais da função aleatória, como serávisto neste capítulo
A variância associada àmédia écalculada como:
N-S
A Var [Z(X)] =E{(Z (x) - m]
N45°
Ahipótese de estacionaridade de 2 ordem, além de definir
N315°
Yx+h,X
1 1
nZX+h) -z(x))² = -XZx+h)-Z
2n i=1
(0)2
i=1
2.2 CÁLCULO DE
Ocálculo de VARIOGRAMAS EXPERIMENTAIS
variogramas
é bastante sensível à experimentais
não éalgo simples e direto. Na verdade,, ovariograma
distribuição dos pontos amostrais, bem como ao tipo de distribuição
estatística associada. Com relação ela podeser
à
regular ou iregular. distribuição espacial dos pontos amostrais,
36
Geoestatística: conceitos e aplicações
Comparando-se os variogramas calculados usando diferentes procedimentos, verifica-se
que aaplicação do dispositivo de pesquisa (Tab. 2.3) resulta em variogramas com um
número
muito maior de pares, por causa da largura máxima igual a 2, considerada grande. Os
variogra
mas resultantes (Figs. 2.7e 2.9) são bastante
semelhantes, mas o variograma calculado com
maior número de pares é mais suavizado, facilitando
otrabalho de ajuste do modelo teórico. O variograma 0,23-
+ 0°/0°
experimental representado por um maior número de P0,18
90°/0°
pares éestatisticamente mais significativo.
0,14
mente, a variância aumenta. Muitas vezes, a variância Fig. 2.9 Variogramas experimentais para as direções leste-oeste e
se estabiliza em torno de uma variância máxima, a norte-sul para os dados de espessura usando parâmetros do dispositivo
partir de certa distância. Isso significa que, mesmo de pesquisa da Tab. 2.3
com oaumento da distância, a função variogranma irá
Variggrama
oscilar em torno da variância máxima, denominada
Patamar = 25
patamar. Esses casos definem os variogramas com pa ß24
tamar. Entretanto, hácasos em que a variância con
tinua aumentando indefinidamente com a distância, 18
Grau de aleatoriedade
12
E<0,15
Componente
Pequena
aleatória
30 A0 50
Distância
0,15 < E<0,30
Significativa
10
20
E>0,30 Muito significativa
B Ef. furo Fonte: Guerra (1988).
ama30 -Cúbico
Pentaesférico
24
o extremo dessa situaÇao e o modelo efeito penita
18 Duro, em que não ocore corelaçao entre os valores
e, portanto, a análise semivariográfica não se anlica
12
sugerindoouso de outros métodos de interpolação.
6 Embora existam vários modelos de variogramas teór.
cos com patamar, apenas alguns são considerados como
30 40 50
10 20
Distância os mais comuns que podem explicar a variabilidade da
grande maioria dos fenômenos espaciais (Fig. 2.11).
Fig. 2.11 Modelos de variogramas com patamar: A) esférico, expo A Tab. 2.6. apresenta as equações dos modelos teó
nencial e gaussiano; B) cúbico, pentaesférico e efeito furo, conforme
equações disponíveis em Olea (1999, p. 76-79) ricos de variogramas ilustrados na Fig. 2.12.
Modelo Equação
Nesse caso, a representa uma constante positiva que multiplica a distância elevada a uma
potênciaß. Para ß =1, 0corre omodelo variograma linear. Ocaso extremo da potência Bigual
a 0corresponde ao modelo de variograma efeito pepita puro. Os modelos de variogramas de
potência que podem ser obtidos conforme os valores possíveis de B encontram-se na Fig. 2.12.
2.4 ANISOTROPIAS
Os fenômenos espaciais podem apresentar anisotropias quando a função variograma muda
conforme a direção (Fig. 2.1B). Quando a função variograma não se altera com a direção,
diz-se que o fenômeno éisotrópico (Fig. 2.1A).
A Fig. 2.13 ilustra os tipos de anisotropias mais comuns encontrados na natureza.
Aanisotropia geométrica (Fig. 2.13A) caracteriza-se pela existência de um único patamar
e duas amplitudes diferentes. AFig. 2.1B ilustra um caso de anisotropia geométrica, na qual
a direção N30° apresenta maior continuidade que a N300°.
A anisotropia zonal (Fig. 2.13B) apresenta patamares diferentes conforme a direção
analisada, mas todos sob um mesmoalcance.
Na anisotropia mista, tanto a amnplitude como o patamar variam conforme a direção
(Fig. 2.13C).
Ao detectar a presença de anisotropias, elas devem ser modeladas, ou seja, ajustadas a
um modelo teórico de variograma. Na fase de modelagem, bem como na sua utilização para
finsde estimativa e simulação, deve-se considerar a correção da anisotropia.
Oobjetivo da correção da anisotropiaéa obtenção de um variograma isotrópico para o
modelo de correlação espacial, ou seja, um modelo com parâmetros comuns (efeito pepita,
variância espacial e amplitude) em todas as direções.
()
Variograma
Distância Supondo patamares diferentes nas duas direcões
20
podem ocorrer no máximo duas estruturas imbricadas
16 Para cada estrutura imbricada que foi verificada de
acordo com uma direção do variograma, fazem-se a
> 12 rotacão eo redimensionamento de coordenadas. de
8
acordo com o que foi feito para a correção da anisotropia
geométrica. Para a primeira estrutura imbicada usa
4 se o variograma de menor patamar, com o qual se
calcula a componente Y1 (h1). Para a segunda estrutura
10
imbricada, é usado o modelo de variograma dessa es
20 30 40 50
(O)
Distância trutura, mas com patamar correspondente àvarnância
Variograma
20
espacial entre o primeiro e o segundo variograma, e
assim por diante.
16
Para ilustrar o procedimento de correção de aniso
S12 tropia zonal, suponha o modelo de variograma com
anisotropia zonal da Fig. 2.15A, Na realidade, trata-se
8
de um variograma com anisotropia mista, pois hà dos
patamares e as amplitudes são diferentes nas duas dire
ções (45° e135°). Esse variograma com anisotropia misia
pode ser decomposto em duas estruturas imbricadas
10 20 30 40 50
Distância
em cada uma das direções (45° e 135°,respectivameie
Figs. 2.15Be 2.15C).
Fig. 2.13 Tipos de anisotropias em fenômen0s espaciais: A) geomé mista
Os parâmetros do variograma com anisotropia
trica; B) zonal; e C) mista encontram-se na Tab. 2.7,
Malha de
2 Esférico 60 45° 9.9e+30 15 amostragem
60
Variograma
150. 40
A
8120
88 20
90 5 10 15 20
Distância
60 Variograma
80
30
60
5 10 15 20
40
Distância
20
5 10 15 20
Distância
Fig. 2.15 A) Variograma com anisotropia mista (direção 45° - vermelho;direção 135° -verde) e sua decomposição
em duas estruturas imbricadas: B) direção 45°; e C) direção 135°
0
coluna correspon-
dente a esse tipo recebe o 1 e, as demais, o
1
1
ponto 2,otipo é A, então essa coluna
zero;, no
2 1
demais, o zero, e assim por diante. £
recebe o1e,as
3
1
1 importante
car que a função indicadora resultante émutuamente
verif.
4
1
exclusiva e completa (x,k) = 1.
foi proposta
Essa codificação binária
originalmente
por Koike e Matsuda(2005). Soares (2006), Teng e Koike (2007) e Leuangthong, Khan e Deutsch
codifcação binária para a interpolação de tipos de 11e
(2008) também propuseramn a
amostrados.
categórica em pontos não
Essa constante é adicionada a todos os pesos que, em seguida, são normalizados para
retornar àsoma dos pesos igual a 1:
Wi+c
W= para i =1,n
(Wjt)
Após a correção, o peso negativo, que corresponde ao maior peso em módulo, ee
minado, e os demais, preservados. Trata-se de um algoritmo bastante simples e une
nal. Evidentemente, existem outros algoritmos disponíveis, tais como os proposto05 Po
Froidevaux (1993) e Deutsch (1996).
Zks (Xo)=mo+A[Z(x)-m]
i=1
em que mË= E[Z (x)]são as médias, as quais são assumidas como conhecidas, m, é a
média no ponto Xo e {Aii= 1,n}são os pesos associados aos n dados. No caso de variáveis
regionalizadas, a localidade não amostrada, bem como os pontos amostrados, faz parte de
uma função aleatória. Sob a condiçãode estacionaridade de segunda ordem, amédia ea
variância de todos os locais são constantes, dependendo apenas das distâncias euclidianas
que os separam:
E[Z(X)]=m
Zks(xo) =m+A[Z«)-m]
iE1
(3.8)
3 Estimativas Geoestatísticas 63
da
em determinar os pesos ótimos krigagemn simples da
solução,consiste
problema
ParaOsua segundo Olea (1999, p. 12), define-se uma nova funcão aleatória, que éaEq. 38.
média:
função aleatória Z(x) e sua
diferença entre a
Y(X) = Z(x)-E[Z(x)]
resíduos
0,. Assim, a Eq. 3.8 faz a estimativa dos
em que E[Y(x)] =
De acordo com esse autor, a covariância de Z(x) éigual àcovariância de Y(x):
o (xo) = Var
o (Xo) = Var
Avariância de uma combinação linear pode ser desenvolvida, segundo esse autor. conmo:
n n
Var
=0 i=0j=0
A (B)
300 2.000
2(130)
1.500
200
1.000
3(90)
100 Z*(xo)=? 4 (160)
500
1 (40)
) 400 600 800 1.000
200
100 200 300 400 h
X
908,6 0,185
831,8 0,128
ORs (180, 120) = 2.000 =752,9
1.507,2 0,646
973,6 -0,001
Krigagem da média
Akrigagem simples pressupõe que a média é conhecida e considerada
domínio amostral, Mas nem sempre isso acontece e Constante em todo o
tampouco a média pode ser considermd
constante. Assim, épreciso estimnar a média em torno de uma reglão
caracterizada por uma
vizinhança com n pontos mais próximos {Z (Xi),i=1,n). A média pode, então, ser estimada
para essa vizinhança (Wackernagel, 1995,p. 69-78):
m'-akMZ(x)
i=1
(3.10)
E(Z (X)]=m
Para evitar o viés sistemático, o erro de
zero:
estimativa (mn* - m) deve ser, em média, 1gual a
E[m* -m] =0
Desenvolvendo essa expressão chega-se à seguinte condição de não nes:
(3.11)
(1
Avariância do erro de
estimativa pode ser desenvolvida em termos da função cOvariância:
nn
Var [m* -m]
66
-XapMc (Xi-X})
i=1j=1
(3.12)
i=1 (=1
3 Estimativas Geoestatísticas 67
21,86169
44
50
16,29 39
25,18 58
40 i9.08
34
30 14.89846
10,721 29 3 14,92177
20 4
24
10
7,93523 18
20 30 40 50
13 16 21 26 31 37 4,65496
10
Com isso, pode-se montar osistema de equações de krigagem da média (Eq. 3.13), como
segue:
19,8 6,782 3,195 AKM
1
6,782 19,8 4,717 5,983 1 AKM 0
2
4,717 19,8 1,223 1 0
3,195 5,983 1,223 19,8 1 KM
4
1 1 1 1 -UKM
Krigagem ordinária
Akrigagem ordinária nada mais é que a krigagem simples com 'a média local calculada
pela krigagem da média, como descrito na seção anterior. Éo método mais utilizado,pela
simplicidade e resultados que proporciona. Akrigagem ordinária éum método local de
estimativa dessa forma, a estimativa em um ponto não amostrado resulta da combinação
linear dos valores encontrados na vizinhança próxima.
oestimador da krigagem ordinária é:
Os pesos ótimos são calculados sob duas condições de restrição (Journel; Huijbregts,
1978, p. 305):A) que oestimador não seja enviesado;e B)que a variância de estimativa seja
mínima.
De acordo com Journel e Huijbregts (1978, p. 305), o não viés da estimativa é obtido
quando o erro, diferença entre o valor real e o valor calculado, é igual a zero, em média:
E(Zor (Xo) -Z(X)] =0 (3.15)
As Eq. 3.15 e 3.17 envolvem uma grandeza desconhecida, o valor Z (x%), que éo valor
real em um ponto não amostrado. Segundo Isaaks e Srivastava (1989, p. 280), a solução
para esse problema é baseado em um modelo probabilístico, de tal forma que os valores
desconhecidos são considerados realizações de um processo aleatório, assim como são os
valores da variável aleatória {Z (X), i= 1,n}.
Aminimização da variância do erro de estimativa parte do desenvolvimento da Eq. 3.17,
conforme:
of=E(Z%) -Zko (x.)'] -(E [Z (Xo) -Zio (xo)])"
Expandindo-se cada termo do lado direito dessa equação, chega-se àseguinte expressão
(Journel; Huijbregts, 1978, p. 305):
3 Estimativas Geoestatísticas 69
variância do erro de estimativa, em termos da
minimizar função do
expressão da
Essa é a deve-se
que é conhecida. Para encontrar
estimativa sob a condição
os pesos ótimos,
de não viés ou de restrição
a
(Eq. 3.16). Paravariância
erro de covariância
de mínimo, utiliza-se a técnica dos multiplicadoresde encontrar
Lagrange, qual se ponto
da o
coordenadas generalizadas
lagrangiana, isto é, a função das (Yamamoto,,2001a, p. obt133)é;n: a
L(Ada...n.H) =C(0) - 2AC(Xo - X) +)
em que L(A1,A2,... An)é alagrangiana e uéo multiplicador de Lagrange.
parciais da lagrangiana iguais a zero e
Fazendo cada uma das derivadas
derivando a lagrangiana em relação a u, chega-se ao sistema de equações
de também
ordinária Journel; Huijbregts, 1978, p. 306): krigagem
) c(Xi-xj) -u=C(Xi-Xo) para i= 1,n
j=1
2=1 (3.18)
=1
j=1
E\r (xi- x;) +u=yXo - X) para i= 1,n
(3.20)
Zj=1
j=1
oko -}Ar(ko - x) +#
(=1
(3.21)
Os sistemas de equações de
para um ponto não
krigagem (Eqs. 3.18 e 3.20) permitem calcular os ponaeu
amostrado na localização Xo, pela denominada krigagem pontual.
Na mineração, porém, o
interesse é determinar o teor de un bloco de
dimensões são definidas para atender a uma cubagem, c
demanda produção,, seja:
de semanal, quinzenal,
mensal etc.
70
Geoestatística:conceitos e aplicações
ACeoestatística possibilita fazer uma
estimativa média do bloco de cubagem por
meio da discretização do bloco em pontos, que podem ser avaliados individualmente e
nis compostos para o bloco ou então diretamente,
calculando-se os vetores médios dos
eistemas de equaçoes (Eqs. 3.18 e 3.20). Essa alternativa da krigagem ordinária é denominada
krigagem de bloco.
25,9 25,9
11,095 11,095
23,3 23,3
11,834 11,834
20,7 20,7
18,1 18,1
7.381
7,381
15,5 15,5
23,5 26,1 28,7 31,3 33,9 36,5 23,5 26,1 28,7 31,3 33,9 36,5
X
Fig. 3.13 A) Krigagem pontual para interpolação do ponto (x = 28,75; y = 21,25); e B) krigagem de bloco para
cálculo do teor médio do bloco de 2,5 por 2,5 centrado no ponto de coordenadas (X= 28,75; y= 21,25)
Os vizinhos mais próximos ao ponto a ser interpolado encontram-se na Tab. 3.5 e no
mapa de localização da Fig, 3.13A. O bloco de cubagem, nesse exemplo, foi discretizado em 2
por 2 sub-blocos (Fig. 3.13B). Éimportante levar em consideração os limites de discretização
(Tab. 3.6), conforme Journel e Huijbregts (1978, p. 97).
Para efetuar ocálculo da krigagem ordinária, monta-seo sistema de equações de krigagem
(Eq. 3.20), conforme:
18,746 18,234 17,488 1 A1 14,247
13,598 19,192 1 A2 14,347
18,746
11,234 1 6,867 (3.22)
18,234 13,598
17,488 19,192 11,234 1 A4 9,699
1 1
1 1 1
3 Estinmativas Geoestatísticas 71
TAB. 3.5 Pontos de dados
izinhos para estimativa da
localização (x= 28,75; y =
krigagem ordinária pontuale de21,25) por
bloco meio da
Ponto Y
1 35,50 24,50 Valor
2 24,50 27,50 11,095
3 25,50 20,50 18,627
4 29,50 16,50 11,834
7,381
ordinária são:
Os Donderadores da krigagemn
A=0,18528; A2 =0,08634; A3 =0,47277; A4 = 0,25561; u= -0,45299
3 Estimativas Geoestatísticas 73
A B
30 30
20 20
10 10
10 20 30 40 50 10 20 30
40 50
Fig. 3.14 A) Mapa de teores estimados por krigagem pontual eB) mapa do desvio! padrão da
de interpolação: DX = DY = 2,5e 1ponto por quadrante krigagem. Paràmetros
A
B)
5,77682 14.71950 23,66217 1,81421
3,04272 4,27123
50 50
40 40
30 30
20 20
10
10
20 40 50
30 40 50 10 20 30
ig. 3.15 A) Mapa de teores estimados por krigagem de bloco e B) mapa do desvio padrão da krigagem. Paramea
de interpolação: DX = DY = 2,5 e 1ponto por quadrante
posiçôes
A Fig. 3.16, proposta por Armstrong (1994, p. 306), mostra dois blocos em
incerteza
diferentes de um mesmo depósito. Oteor médio é o mesmo nosS dois blocos, mas a
krigagem
associada no bloco A devyeria ser menor que no bloco B. Entretanto, a variânciade mesmo
Com o
é exatamente igual nas duas situações, haja ela ter sido calculada
vista caráter
é o
modelo de variograma e configurações idênticas de pontos de dados. Esse aincerteza
reflete a
homocedástico da variância de krigagem. PortantO, essa mnedida não
Y(h) =3,6|1.5416 -0,5(6)para h<14,16 Fig. 3.16 Estimativa de blocos com a mesma configuração de pontos
Y(h) =3,6 para h > 14,16 de dados: A) pequena incerteza; B) grande incerteza
Fonte: Armstrong (1994, p. 306).
Os resultados da krigagem ordinária encontram-se
na Fig, 3.17. Ainterpolação foi feita em uma malha regular bem fechada, com abertura
DX =DY = 0,5, resultando em 10.000 pontos, dos quais 8.338 foramn estimados por
pertencerem à fronteira convexa. No mapa dos desvios padrão de interpolação, é possível
verifcar os pontos amostrais coincidindo com pontos de baixa incerteza.
Com base no mapa da Fig. 3.17B, extraíram-se pares de pontos que foram interpolados e
que resultaram na mesma variância de krigagem (Fig. 3.18 - Tabs. 3.8 e 3.9) e outros em que
adiferença entre as variâncias de krigagem foram inferiores a 0,000001 (Fig. 3.19 - Tabs. 3.10
e 3.11), ou seja, praticamente iguais, considerando a precisão do ajuste do variograma.
Na Fig. 3.18, as variâncias de krigagem para os pares (A-B e C-D) foram exatamente iguais,
assim como os multiplicadores de Lagrange. Isso significa que os pontos armostrais são os
mesmos para diferentes localizações dos pontos não amostrados.
50 50
40 40
30 30
20 20
10 10
0 10 50 10 20 30 40 50
20 30 40
5/A) Mapa de teoresestimados por krigagem de bloco eB) mapa do desvio padrão da krigagem. Parâmetros
de interpolação: DX = DY = 0,5 e 1ponto por quadrante
3 Estimativas Geoestatísticas 75
B)
A) > 47,5
> 47,5
0.671
45,5
45,5
0,671
43,5
43,5
1,089
1.089
41,5
41,5
0,351
0,351
39,5
39,5
0,251
0,251 37,5
37,5
2,5 4,5 6,5 8,5 10,5 2,5 4,5 6,5 8,5 10,5
12,5
X
C D)
34,5 > 34,5
2,211 0,471
0,471
2,211
32,3 32,3
30,1 30,1
27,9 27,9
25,7 25,7
0,214 0,214
0,297 0,297
23,5 23,5
-1,0 1,2 3,4 5,6 7,8 10,0 -1,0 1,2 3,4 5,6 7,8
X 10.0
Fig. 3.18 Diferentes localizações dos pontos interpolados em relação aos pontos vizinhos (A-B e C-D), resultando
em variâncias de krigagem e multiplicadores de Lagrange iguais
33,5
y 41,5
3,094
o.255 0,707 8,781
39,1 30,5
36,7 27,5
34,3 24,5
0,213
1,340
2,739
29,5 18,5
39,5 41,9 44,3 46,7 49,1 51,5
X
35,0 38,0 41,0 44,0 47,0 SO.0
43,5 29,0 -
41,5 27,0
0,351
3 Estimativas Geoestatísticas 77
pontsexplicarpontos. <0,000001;
completamente
dd eo
rol assocau
incerteza
não
propostas, háainda
ordinária,
deuso a
diferentes
podem dos 3.13. disso,
nas -0,044237 nas espacial( a incerteza de O
0,084588
0,398801 0,013819
0,502793 3,889022
1,315590 0,333049
0,495009 0,074756 5,573413
0,097186 -0,140597
1,072105 iguais Fig. intervalo propös
representados Pesos representados Pesos Lagrange pontos que Apesar da
novas minerais. medida
uma
da krigagem krigagem
de Xo=(39,75;
27,25) 29,75) para menor
praticamente
ordinåria
de
ordinária configuração D de surgem 491)
Z(x))3,0948,7810,213 Zo
(Xo) (Xi)8,7813,491 0,213Zko
Z (Xo) e
Ce
medida do
1,340 0,581 aplicados
27,25), 29,75), (36,25; de arranjos muito pares cálculo
da
variância
de
p. de
(2000,
krigagem krigagem multiplicador frequentemente alternativa
estimativas
32,5030,5024,5019,50 30,5031,5025,50 24,50 como
= nos como
(39,75; (36,25; Xo quekrigagem
Y Y são de é
de reservas Yamamoto
estimativa
verifica usada
por respectivamente utilizada fins
iguais índice
45,5038,5038,5046,50 por respectivamente 38,5033,5031,50 38.50 verifica-se a
=
estimativa =
estimativa parade usar ser das
Xo X
=42,75)
xo
X e um de se
variância (1994), classificacão
e 0,470390 0,158258
0,365340
0,006012 1,898100 -0,065462e
1,315590 0,089008
0,237890 0,135444
0,537658 0,661819 -0,140597
1,07210S pesos variâncias
da mesmo ser propõem pode confiabilidade
ordinária,
35,25) Pesos Pesos krigagem
para 3.19B,
somente 3.19, incerteza pode
para
35,25) 3.19D, 42,75) Armstrong não interpolação:
que
dados(47,75; dadoS
Xo
(13,25; mesma Fig. O
não krigagem
e (xi)
Z (Xo)
ZKo e (x) 0,650 0,3511,910(Xo)
0,671
Zko mostram em 3.19B. ordinária. de
e krigagem
3.19A (47,75; 0,7070,2533,0942,739 3.19C (13,25; é a paraisso
de de Z krigagem a
resultam
analisa krigagem variância da
Pontos= Pontos de 3.19A, Fig. segundo ignoram
medida
Xo Figs. = 38,5040,5032,5030,50 Figs.
= 46,5046,5041,5038,50 situações krigagem
portanto,
de pela de
Xo Xo 3.9 da
10 3.11 Y se Fig. ponto de
reservas
minerais.
variância variânciaaplicações
Y
de quando também de
3. e da
sentido, que feitaa
48,5041,5045,5049,50 15,5010,5011,5015,50 3.8 variância na variância
TAB. TAB.
As uso e, pesquisadores para
X Tabs. exemplo,no da estimativa estimativa
amostrais. estimativa estimativa denominou
diferentes
Contudo, Nessede a
Como e
conceitos
a aceitas,
As a razao,
que Por da
Geoestatística:
78
79
Geoestatísticas
Estimativas
3
seguintes
ser
interpolado,
a aparade
tanto -ésimodos de Yamamoto
interesse depósito
avaliação determinado
incerteza como: krigagem negligenciada
dos se segundo
da
(3.24)
ordinária. variância (3.25) relacão
interpolação (3.26) que
covariâncias cálculo
desenvolvida ZvZy
as
o
para à de a a que
o
de
Assim,
fazere o
pesos
da
krigagem
apresenta interpolação; a equivalente: similar em variável ser variâncias ser autores,
pares
aoponto
aplicada
autor, interpolação
de
encontra-se
se
médio
considerando
pode como:
(zy,-z¢))
o%E|(z,-z) as de
distâncias.
pode
é
variâncias ao ser envolve
das combinações
esse esses
krigagem ser
pode
com forma
S
(a0)]?- + - z * ela
seja,
da
médio
teor depósito
exemplo,
escrita pode não
s;-}[z()-Zi
(x)]' coincide
na
com utilizados
acordo de ou
3.24 o cubagem,
determinar
do
expressão média
termo
covariâncias
pequenascom
dos das valorPor ser
variância
de 3.24) de
(Eq. sub-bloco.
variância bloco, àEq. médio acordo
meio escrita média equivalente estudo. pode a consideram
simplesmente
segundo
o
próximos De o determinar de
teor médio essa para de
dado
de por bloco. e bloco
deve-se dessas
ser a sub-blocos Teoricamente,
principalmente
interpolação é l-ésimo a em N
1
zero: estrutural que 493). ocubagem, 323),
492-493),
a de também S; espaciali-ésimo teor N i=1
j O quais
se
um aigualvalores krigagem
ponto
1
V, é p. é3.25 depósito, p. cubagem. soma
se é
blocodomédiomais os 2000, do (1978,
1 expressão
Z;),asa
de do
Yamamoto
(2000,
p. será informaçãopode
dos de nada entre
Eq.
(Yamamoto,
fenômeno
necessidade médio
de global 323),
termo.
do a blocos Huijbregts
interpolação
dispersao a
variância V 1
teor que um estimativa de correlacionados,
para bloco médio 3.25variänciade p,
exatidão,
pos, N
N dessa -
blocos (1978,
-Z)(Zy,
como
eindiretamente
a oZ*(x0)é matemáticado de teor N 1 primeiro
por
propriedades:
de
acom da pontual
aYnressão
um
para
teor
o
Eq.
a
que amais
Krige
507-509).
p.(2000,
vezes,
minerais
há domínioo for composto
Z* de
variância
eJournel termo
os
para
primeiroEZy,
Huijbregts
ao
oomndo yariância .aumenta interpolação é Observarde o Se apresentam
respeito
a
vonte
krigagem
Z; e
sub-bloco aditividade
Sub-blocosprova Muitas todorecursos
associada. Segundo calculadas
que émineral e
A em A sobre Como: A O erros Journel
cOm
de
covariância do erro seria possível se o variograma
fosse
dentro do depósito, mas o variograma é calculado conheci do doem
seja, em no máximo metade das dimensões do
apenas dentro
depósito mineral. campo todas,as istanias h
oferecida porgeonYaetimcoa,nooto
Uma proposta ao cálculo da variância global do
(2001c, p. 63), que se baseia na seguinte equacão: depósito foi
N
(=1 0=1
Essa expressão ésimilar àEq. 3.25. Observar que se Dode usar (32)
de aditividade de Krige para calcular a variância da
krigagem de bloco, e, em a
essas variâncias individuais para calcular avariância
associada
recursivamente
ao teor seguida, relacao
Yamamoto (2001c, p.63) demonstrou que a Eq. 3.27 equivale a: médio compOY do
M depósito
S= =1
A3(Z(Xa) - z;]'
em que Aé opeso global definido associado ao a-ésimo ponto de dadoo Z(Xa), segundo
Crozel e David (1985, p. 788).
Além disso, Yamamoto et al. (2012, p. 150)
demonstraram que a
variância global de
variáveis categóricas também pode ser calculada de forma semelhante àEq.
comprova a confiabilidade da medida de incerteza por meio da 3.27,o que
variância de
Todas as expressões derivadas da fórmula básica da variância de interpolacâo (Pe 3an interpolaço.
foram provadas matematicamente e, por isso, não sao formulações empíricas. Isso
sionifra
que se pode usar a varnäncia de interpolação tanto
TAB. 3.12 Variâncias de interpolação calculadas para os para
arranjos das Figs. 3.28 e 3.29 variáveis contínuas como para variáveis discretas, inclusive
para as variáveis discretas com o mapeamentoda zona de
Ponto para interpolação Fig. incerteza.
Xo = (8,75; 41,75) 3.18A 0,083012 Para enfatizar oexposto, as Figs. 3.18 e 3.19 e as Tabs. 3.8 a
Xo = (6, 25; 43,25) 3.18B 0,118085 3.11 serão, em seguida, consideradas segundo a metodologia
Xo = (1,25; 26,75) 3.18C 0,082493 da variância de interpolação (Tab. 3.12).
Xo = (1,25; 31,25) 3.18D 0,235390
Comparando os resultados da variância de interpolação
Xo = (47, 75; 35,25) 3.19A 1,318030 com a variância de krigagem, verifica-se que a primera
Xo = (39,75; 27,25) 3.19B 16,480262
reflete sempre a dispersãodos valores. Por exemplo, entre
Xo = (13,25; 42,75) 3.19C 0,263057 OS pares A e B da Fig. 3.19, o arranjo da Fig. 3.19B tem uma
Xo = (36,25; 29,75) 3.19D 11,191281 dispersão de valores muito maior que a que ocorre na ti3
arranjo
3.19A e, dessa forma, a variância de interpolação do
da Fig. 3.19B é de 16,48, enquanto, para oarranjo da Fig. 3.19A, a variância de interpolaçãoé
igual a 1,318.
da
Para mostrar a mesmos dados
heterocedasticidade da variância de krigagem, os os
amostra do conjunto lognormal (arquivo 12, anexo B) foram processados, conforme
resultados ilustrados na Fig. 3.20. médioglobal
Com os teores krigados teor
representados na Fig. 3.20A, determinaram-se odados sâomuito
igual a 1,708 (Eq. 3.26) e a variância global igual a Esses
3,718 (Eq. 3.27). sefaça
necessário,
importantes para qualquer estudo de viabilidade técnico-econômica que
80
Geoestatística: conceitos eaplicações
A) (B)
4,01342 7,87255 0,00112 7,53336 15,06561
0.15430
50
50
40
40
30
30
20
20
10
10
10 20 30 40 50 10 20 30 40 50
ig. 3.20 A) Mapa de teores estimados por rigagem pontual e B) mapa da variância de interpolação. Parâmetros
de interpolação: DX = DY = 2,5 e 1ponto por quadrante
B
50 80
40
60
30
40
20
20
10
0
0,15 1,70 3,24 4,79 6,33 7.87 0,00 3,01 6,03 9,04 12,05 15.07
Teor médio Variância interpolação
Fig. 3.21 Distribuição A)dos teores médios calculados nos blocos de cubagem e B) das variâncias de interpolação
Da distribuição dos teores médios (Fig. 3.21A), pode-se calcular o teor médio do depósito:
N1,708
e a variância:
1
E-6]' -2207
i=1
3 Estimativas Geoestatísticas 81
Do histograma das variâncias de interpolação (Fig. 3.21B),
1N
(=1
=1,510 calcula-se a
média:
Somando os dois termos da variância. tem-se a variância global
do
S= 1,510 +2,207 =3,717 depósito.
Nesse exemplo, a média do depósito foi exatamente igual à média
o que demonstra que as fórmulas enmpregadas estão Corretas. Por dos
nos quais se calculam blocos de cubagem acima de um dado
outro
teor de ema 1ado,pontos casosde dardeogais
depósito será maior que a média dos pontos de dados, por causa
da corte, média dn
Atécnica da krigagem ordinária foi descrita nesta seção
como
se pode aplicá-la para ocálculo de estimativa e, ao mnesmo tempo,
restrição imposta.
objetivo de
chamar a mostrar como
medidas de incerteza. Como exposto, a variância de
krigagem, de natureza atencao para as
não pode ser usada como medida de incerteza e
muito menos para fins
intervalo de confiança da estimativa e, consequentemente. para de cálculo do
classificação de recursOS
minerais. Foi demonstrado que o multiplicador de Lagrange resultante
homocedástica.
da
sistema de equações da krigagem ordinária não pode ser usado
como umaresolmedida
ucão dode
variância, pois, dependendo da geometria do arranjo de pontos de dados que poderááser
positivo, ora negativo. A única exceção é o multiplicador de
que corresponde a uma variância, também independente dos
Lagrange na krigagem da médioraa
valores dos pontos
dados de
mas somente do modelo de variograma.
A variância de interpolação, por outro lado, parece ser a
única solução viável nam
determinação da incerteza associada àestimativa por krigagem ordináia. Além disso al
pode ser usada para o cálculo da variância global do depósito mineral, que é
fundamentzal
para estudos de viabilidade técnico-econômica.
Evidentemente, essa constatação não exclui a possibilidade de se fazer simulaçào
estocástica para determinação da incerteza, como serávisto no Cap. 5.
No processo de inferência espacial, é importante que as característicasdas amostras
sejam reproduzidas, para que possam ser usadas para inferir com segurança ofenômeno
espacial desconhecido. Assim, espera-se que a krigagem ordinária reproduza nao so o
istograma, mas também ovariograma, ou seja,a distribuição e variabilidade espaciais do
fenômeno em estudo.
A krigagem ordinária, entretanto, produz estimativas suavizadas, de tal mouo q
valores mais altos são subestimados e os valores mais baixOS, superestimados. Trata-se de
um efeito colateral da krigagem conhecido como efeito de suavização.
Esse efeito não éexclusivo da krigagem ordinária, mas de todos os demais métodos
efeitode
baseados na média móvel ponderada (p. ex., inverso da distância). Acorreção do
estimativas,
suavização pode ser feita Processamentodaspodeestar
pela aplicação de algoritmos de pós-
os quaisadicionam ou subtraem uma quantidade dependendo da estimativa, que po
sub ou superestimada. Yamamoto(201)
Yamamoto (2005, 2007) e, mais recentemente, Rezaee, Asgharie suavização
do efeitode:
estudando o assunto, propuseram algoritmos distintos para correção
82
Geoestatística: conceitos e aplicações
, lericagem ordinària, sendo mais encientes se aplicados a dados transformados em vez dos
dados originais. As estimativas são corrigidas do efeito de suavização para em seguida serem
submetidas à transformação reversa, para retorná-las à escala original de
medida. Tais
algoritmos serão descritos na seção sobre krigagem não linear, que trabalha com estimativas
feitas no domínio dos dados transformados
3 Estimativas Geoestatísticas 83