Jorge Kazuo Yamamoto

Paulo M. Barbosa Landim

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.

2.1 EsTATÍSTICAS ESPACIAIS

Segundo Soares (2006, p. 18), o conjunto de variáveis aleatórias (Z (x), i= 1,n} correlacio
nadas entre si constitui uma função aleatória cuja amostragem fornece uma realização
Z(X). Por isso, de acordo com ele, com uma única realização torna-se impossível determinar
dS estatisticas no ponto xi dessa funcão, tais como média e variância. Para ele, a solução
consiste em assumir diversOs graus de estacionaridade da função aleatória, como, por
exemplo, admitindo que as variáveis aleatórias tenham a mesma média:
E[Z(X1)]=E[Z (X>)]==E(Z(X)]= E[Z (x)]= m
 da
Desse modo, a média mpassa a ser independente localização e obtida Como média
aritmética das realizações das variáveis aleatórias (Soares, 2006, p. 18):
1
m=E[Z()l=Zx) n -1

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°

que a esperança matemática, E [Z (X)], existe e não depende

do suporte x, define também que a correlação entre duas
variáveis aleatórias depende somente da distância espacial,
E-W h, que as separa eé independente da sua localização Journel;
Huijbregts, 1978,p. 32).
Em Estatística, acovariância éuma medida da relação
mútua entre duas variáveis aleatórias distintas, por exemplo,
XeY. Em Geoestatística, a covarincia mede a relação entre
valores da mesma variável, obtidos em pontos separados por
uma distância h, conformne uma determinada direção. Isso
signifca que,ao alterar a direção, a covariância também pode
N30°
B N300° se alterar e, nesse caso, háindicação de presença de fenômeno
espacial anisotrópico (Fig. 2.1B).
Existenm casos em que a covariância é a mesma em qual
quer direção e, por isso, o fenômeno espacialéisotrópico
(Fig. 2.1A). Assim, para detectar se o fenômeno espacial apre
senta anisotropia ou não, a covariância écalculada para váias
direções. Geralmente, quando o fenômeno em estudo está
distribuído em 2D, calculam-se as covariâncias em quatro
direções horizontais: 0°, 45°, 90° e 135°.
Fig. 2.1 Esquema ilustrando fenômenos espaciais: A) isotró
pico e B) anisotrópico
Para fenômenos espaciais 3D,além das direções horizon
tais, calculam-se as covariâncias para a direção vertical ou
inclinada, conforme a estrutura geológica do corpo em profundidade.
A covariância de uma variável regionalizada para pontos separados por uma distäncla n
pode ser calculada como:

C(h)= E {[Z (x+h) m] [Z (x)- m]}

em queh representa um vetor entre dois pontos X1 e X> no espaço
tridimensional.
Èfácilverificar que a covariância para distância nula (h =0) é igual à variância da vatia
regionalizada Z (x).

34 Geoestatística: conceitos e aplicações

 A
função variograma e deinida como a variância do incremento [Z (x + h) -Z(X)]:
1
Y(h) =;E{[Z (x +h) -Z(x))}
hinátese de estacionaridade de 2 ordem assume a existência da variância e, portanto, de
uma variância a priori finita (ournel; Huijbregts, 1978, p. 33). Existem, porém, fenômenos
fsicos e, consequentemernte, variáveis regionalizadas com uma capacidade infinita de
dispersão, nos quais não se pode definir, apriori, nem acovariância nem avariância, mas se
pode determinar um variograma ((ournel; Huijbregts, 1978, p. 33).
Adota-se a hipótese intrinseca, que não requer a existência de uma média constante e
variância finita para a função aleatóia Z(X), mas apenas que os incrermentos da função
aleatória [Z(x+h) -Z(X)]sejam estacionários de 2 ordem (Goovaerts, 1997, p. 71). Na
realidade, segundo esse autor, a estacionaridade é uma propriedade do modelo de função
aleatória necessária para a inferência estatística. Para todos os vetores h, o incremento
(Z(x +h)-Z(x)]tem uma variância finita, a qual não depende do suporte xJournel;
Huijbregts, 1978, p. 33):

Var [Z(x +h) -Z()] =E{(Z(x+h) -Z(X)1}=2y(h)

Com relação ao termo variograma, háuma confusão terminológica na literatura geoesta
tística. Alguns autores preferem essa terminologia, como Wackernagel (2003), por exemplo;
outros, a denominação semivariograma, a exemplo de Journel e Huijbregts (1978). Segundo
Bachmaier e Backes (2008), a confusão a respeito do prefixO semi surgiu porque Matheron
(1965) tinha em mente a variância das diferenças [Z (x +h) - Z(x)], mas o valor desejado,
na prática, era a metade dessa diferença, que fornece
a variância da diferença de pares de pontos separados Z(x)
por h. Na realidade, o prefixo semi se deve à divisão da
média das diferenças ao quadrado por dois:
Z(x+h)
Y(h) =E{[z(x +h)-Z()1°}
2
(2.1)
2Z+)-Z(0)1²
i=1 Zx+h)- Z(x)|
45°
Portanto, 2y (h) échamado de variograma e
Y2Y (h),de semivariograma, por causa da divisãopor Z(x) (Zx+h),Z(x)
dois. Muitos pesquisadores simplesmente chamam
o semivariograma de variograma, mas, nos cálculos,
Sempre consideram a divisão por dois. 45°
Pensava-se que a divisão por dois era empírica, mas
Z(x+h)
Journel (1989, p. 6-7) demonstrou sua origem por meio
de uma interpretação geométrica dos pares de pontos
em um diagrama de dispersão (Fig, 2.2). Fig. 2.2 Interpretação geométrica da função semivariograma em um
Nesse diagrama de dispersão, um par de pontos de diagrama de dispersão
cOordenadas (Z(x +h,Z(x) é representado. Esse ponto Fonte: Journel (1989, p. 6).

2 Cálculo e Modelagem de Variogramas Experimentais 35

 na ordenada Z(x+ h); em seguida,
oque resulta
aéprojetado na reta
distância entre bissetriz,
deetermina-se
o ponto original e areta bissetriz (vetor tracejado na Fig. 2.2). Esses três
pontos formam um triângulo retângulo, cuja hipotenusa é a diferença em módulo entre
Z(x+h) e Z(x). Sendo o i-ésimo par de coordenadas (Z(x +h,Z(x), a distância para areta
1989, p. 6):
pode ser calculada como Journel,
bissetriz
cos 45°
dË = |Z(x+ h) -Z(x)|.
ao quadrado, tem-se:
Elevando a i-ésima distância
1
d = [Z (x + h) - Z(x)]2
Considerando n pares de pontOs para uma determinada distância h, pode-se calcular a
média das distâncias, a qual foi chamada por Journel (1989, p. 6) de momento de inércia:
1

Yx+h,X
1 1
nZX+h) -z(x))² = -XZx+h)-Z
2n i=1
(0)2
i=1

Quanto maior a dispersão, maior o momento de inerciae menor a correlacão son

o moments
houver dispersão, isto é, se todos os pares de pontos Caem sobre a reta 45°,
inércia ézero e o coeficiente de correlação éigual a 1(máxima correlação). Journe) (10on
p. 6-7) demonstrouque a fórmula do semivariograma não èempirica, mas resultante da
interpretação geométrica dos pares de pontOs em um diagrama de dispersão.
Como o variograma também usa a fórmula do semi
30 variograma, éindiferente denominar variograma ou se
-Variograma Covariância
mivariograma, e, por simplicidade, o termo variograma
espacial
Corr.24 seráadotado neste livro.
18
Como y (h) =C (0)C(h), isso faz com que, se o ve
tor h apresentar-se infnitamente pequeno, a variância
§12 seja mínima e a covariância, máxima.
Haverá um valor Ah para o qual as duas podem apre
6
sentar valores aproximadamente iguais, porém, à me
0 dida que Ah aumenta, a covariância diminui enquanto
10 20 30 40 50 a variância aumenta, porque ocorre progressivamente
Distância
maior independência entre os pontos a distâncias cada
Fig. 2.3 Relação entre a função variograma e a função covariância
vez maiores (Fig. 2.3).
A função variograma distribui-se assim: de 0,
quandoh = 0, a um valor igual àvariância das
observacões para um alto valot
se os dados forem estacionários, isto é, se não
ocorrer a presenca de tendência noS Valoe

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

2.3 TIPOS DE VARIOGRAMAS 0,09

Afunção variograma mede a variância entre pontos
separados por urma distäncia h. Assim, para pontos pró 0,05

ximos, a diferença épequena e, portanto, a variân

cia épequena. Ao aumentar a distância, os valores
dos pontos tornam-se mais diferentes e, consequente
o.0800 0,70 1,41 2,11 2,81 3,52
Distância

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

configurando os variogramas sem patamar. =

25
Alcance
12

2.3.1 Variogramas com patamar 61Efeito pepita = 5

Antes de introduzir os modelos de variogramas teóricos
com patamar, é necessário conhecer as propriedades 10 20 30 40 50
de um típico variograma com patamar (Fig. 2.10). Distância
Adistância segundo a qual y (h) atinge certo nível, Fig. 2.10 Propriedades de um tipico variograma com patamar
denominado soleira ou patamar (sil), igual à variância
a priori dos dados, é chamada de alcance ou amplitude (range). Geralmente, a soleira é
representada por Co +Ceoalcance, por a. Oefeito pepita Co é causado pela variância
aleatória e Cédenominada variância espacial. Ao se observar a origem do variograma
mostrado na Fig. 2.10, verifica-se que,quando y (0) = 0, ocorre o efeito pepita para distâncias
muito pequenas, por exemplo, y (0,000000001) = Co.
Oefeito pepita pode ser resultado tanto da variabilidade do fenômeno espacial em estudo
como da escala de amostragem.
Teores são os melhores exemplos de variáveis regionalizadas que podem apresentar
descontinuidade na origem.
Oereito pepita puro reflete um fenômeno que não é completamente conhecido, por falta
de informação, mas não necessariamente um fenômeno espacial aleatório.

2 Cálculo e Modelagem de Variogramas Experimentais 41

 Outra consideraçãoimportante a ser feita é determinar o grau de aleatoriedade presente
(1988): Co
conforme Guerra E=
nos dados,
Gaussiano
Exponencial aleatoriedade pode ser
(A) 30 -
Variograma Esférico Ograu de classificado em três
intervalos, como pode ser visto na Tab. 2.5.
24
18 TAB. 2.5 Classiticaçao doS graus de aleatoriedade

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.

TAB. 2.6 Modelos teóricos de variogramas com patamar

Modelo Equação

Esférico Y(h) =Cot C1.5 -0.5 ( para h<a

Y(h)= Co +Cparah> a

Exponencial Y(h)=Co +c|1-exp(-))

Gaussiano
Y(h) =Co +C|1-exp(-()
Cúbico Y0) =C, +c(7 (:)'-#()+ ()-(0)1 para hca
Y(h) = Co +C para h > a

Pentaesférico T() =Co +c[(0)-(0+i() para h<a

Y(h) = Co + C para h >a
Efeito furo
Y(h) =Co +Cl1- sen n(b/a)
n(h/a)
Fonte: Olea (1999, p. 76-79).
42
Geoestatística: conceitos e aplicações
 Dos modelos teóricos apresentados (Fig. 2.12 e Variograma
30
Linear Pot. < 1 Pot. > 1
Tab. 2.6), os três primeiros explicam a maioria dos
fenômenos espaciais. Eimportante lembrar que, para 524
todos os modelos de varnogramas, com ou sem efeito
18
pepita, y (0) = 0.
12
2.3.2 Variogramas sem patamar
Geralmente, quando a amostragem é insufciente ou 6

incompleta, ou até na presença de tendência nos da

dos,ovariograma experimental não apresenta patamar. 10 20 30 40 50
Distância
Omodelo teórico para variogramas sem patamar pode
ser representado pelo variograma de potência (Olea, Fig. 2.12 Modelos de variogramas de potência (sem patamar)
1999, p. 79):
Y(h) = ah, com 0<B<2

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.

2.4.1 Correção da anisotropia para dados 2D

A correção da anisotropia geométrica (Fig. 2.14) é mais simples que a da
zonal. Primeiro,
mede-se o ângulo entre o norte e o eixo maior da elipse que representa a anisotropia
geométrica.

2 Cálculoe Modelagem de Variogramas Experimentais 43

 Em seguida, faz-se a rotação dos eixos conforme o ângulo 0. Assim, dado ovetor distância
h= (h.hy) entre dois pontos quaisquer, o novo vetor distância
de éobtido por: h'=(,) após rOtacao
cos () sen (0)
-sen(0) cos(0)

Após a rotação, faz-se oredimensionamento, de tal forma que aelipse

ficará
por um círculo de raio igual ao eixo menor:
representada
Variograma
20
A Isso significa que, após a correção
da
16
geométrica, será usado o
variograma da
menor continuidade como variograma isotrópicn de
anidirseçãootropia
12
Acorreção da anisotropia zonal se dá pela
um número de estruturas imbricadas igual ao
soma de
de patamares: número
Y
(h) =1 (ha) + Y2 (h2)
0 10 20 30 40 50

()
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,

44 Geoestatística: conceitos e aplicações

 TAB.2.7 Parâmetros para ajuste do variograma com V
Direções principais
anisotropia mista

Estrutura Modelo Var. esp. Amax Amin Rotação

Esférico 80 45° 10 15 onto
R e d i m e n s í o n a m e n t

Malha de
2 Esférico 60 45° 9.9e+30 15 amostragem

Obs.: Amax = amplitude máxima, Amin= amplitude mínima.

Correlação
Curva de
isovalor

Comose pode verificar na Fig. 2.15A e na Tab. 2.7, o

variograma apresenta dois patamares e, portanto, são
necessárias duas estruturas para a sua modelagem. A
Fig. 2.14 Esquema mostrando a correção da anisotropia geomé
primeira estrutura tem como anmplitude máxima e mí
trica
nima: 15 e 10, respectivamente. A segunda estrutura tem
Fonte:Chorti eHristopulos (2008, p. 4.739).
como amplitude nmáxima um valor muito grande (Deutsch;
Journel, 1992, p. 25) e a amplitude mínima igual àda primeira estrutura. Isso é necessário
para liberar a segunda estrutura da primeira. Feito isso, a correção se processa fazendo a
rotação de 45° dos eixos de coordenadas e, em seguida, o cálculo de cada uma das estruturas
imbricadas, e o resultado éigualàsoma dessas estruturas.
Variograma
100
B
80

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°

2.4.2 Correção da anisotropia para dados 3D

A correção da anisotropia geométrica ou zonal em 3D envolve a rotação dos eixos de
coordenadas no espaço, conforme os ângulos de direção, mergulho e plunge (Fig. 2.16).
Adireçãoé dada pela interseção entreo plano horizontal ea estrutura geológica, medida no

2 Cálculo e Modelagem de Variogramas Experimentais 45

 0, se Z (x) # tipo k
I(x,k) =
1, se Z(X) = tipok (3.7)
ATab. 3.2 apresenta um exemplo de
TAB. 3.2 Exemplo de
codificacão binária de uma variável
categórica composta por cinco
tipos
binária para uma variável categórica
cinco tipos: A,B, C, DeE.
codif
compostaicação
por
No ponto 1, o tipo é B, então
Ponto Z (x) A
D

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

3.1.5 Correção de pesos negativos negativos na krigagem e

Geoestatística também se preocupa com a presença de pesos
A
algontmo para sua eliminacão Fsca
dessa forma, Rao e Journel (1997, p. 94) propuseram um
correção.
algoritmo serádoravante considerado para tal
"Krigagem ordinária","p. 67),
Apósa solução do sisterna de equações da krigagem (ver
verificada a
ponderadores são analisados para a ocorrência de pesos negativos. Se for
módulo:
presença deles, encontra-se o maior pesO negativo em
C=-min(Wi,i= 1,n)

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).

3.2 EsTIMATIVAS GEOESTATÍSTICAS

diretamente
Como jáesquematizado (Fig. 3.4), as estimativas geoestatísticas podem ser feitas
sobre os dados originais, por modelagem linear, ou sobre os dados transformados, por
sobre os
modelagem não linear. Assim, a krigagem ordinária pode ser aplicada diretamente
dados originais ou sobre os dados multigaussiana, da
transformados no caso da krigagem
krigagem lognormal e da krigagem indicadora.
62
Geoestatística: conceitos e aplicações
 3.2.1 Krigagem linear
aistema de krigagem necessariO para a
associados a cada um dos pontos determinação dos ponderadores, ou pesos,
estimadores baseia-se na ideia de que quanto maior
acovariância entre uma amostra Xi, i=1, 2, .., n, e o local
que está sendo estimado, Xo, mais
essa amostra deve contribuir para a estimativa
Em um método puramente
geométrico, como o do inverso do quadrado da distância, o
peso entre a amostra XËe Xo também diminui à medida que a
nGessas distâncias são euclidianas. No caso da estimativa por amostra
fica mais distante,
krigagem, as distâncias são
boceadas naanálise varnograica e, alèm desse
monto aser estimado, há o
relacionamento entre pontos estimadores e o
relacionamento entre os pontos estimadores que vão fornecer
informações sobre o agrupamento presente.
osistema de krigagem leva em
consideração, portanto, tanto a distância entre as
amostras como 0 seu agrupamento.
Akrigagem pode ser usada, como algoritmo estimador, para:
a) a previsão do valor pontual de uma variável regionalizada em um
determinado local
dentro do campo geométrico; é um procedimento de interpolação exato que leva em
consideração os valores observados na vizinhança próxima, o qual pode ser a base para
cartografia automática por computador quando se dispõe de valores de uma variável
regionalizada distribuídos em uma determinada área;
b) o cálculo do valor médio de uma variável regionalizada para um volume maior que
o Suporte geométrico, como, por exemplo, no cálculo do teor médio de um bloco de
cubagemn de uma jazida com base em informações obtidas de testemunhos de sondagens.

Krigagem simples ou estacionária

Seja um local não amostrado Xo e n valores obtidos em pontos adjacentes. Uma estimativa
linear ponderada desse local pode ser escrita como (Journel, 1989, p. 10):

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

E[(Z(x) -m) (Z(x +h) - m)]=E[z(x)Z(x +h) - m²] =C(h)

Assim, o estimador da krigagem simples é calculado segundo (Olea, 1999, p. 10-15):

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):

Cov (xuX;) =Covy (xuXi) =E[Y(x) Y(%) ]

Ea variância doerro éigual a:
o (xo) =Var (Zks (Xo) -Z(Xo)]
termos dos resíduos:
que pode ser reescrita em

o (xo) = Var

FazendoAo=-1, essa expressão torna-se (Olea, 1999, p. 13):

o (Xo) = Var

Avariância de uma combinação linear pode ser desenvolvida, segundo esse autor. conmo:
n n

Var
=0 i=0j=0

Como E[Y(X)] = E Y(x)=0, então a variância do erro torna-se, segundo ele:

n n
d(xo) =ACov [Y(x).Y(C)]
i=0j=0
Ainda de acordo com Olea (1999, p. 14), separando os termos em i=0ej=0, tem-se a
variância do erro:
n n
(xo) = Cov(Xo,Xo)-2A,Cov(xxo) + ACovbXux)
0=1
0=1j=1
Minimizando a variância do erro, chega-se ao coniunto de
ponderadores ótimos ad
krigagem simples.
Para encontrar o ponto de mínimo da funcão
variância do erro, calculam-se as dernvaue
parciais em relação aos pesos AËe iguala-se a zero
(Olea, 1999, p. 15):
do' (Xo)
dais -2Cov(XiX>) +2\Covxux)
j=1 para i= 1,n
que resulta no sistema
normal de equações:

X,Cov(xixj) =Cov(XiXo) para i= 1,n

j=1
64
Geoestatística: conceitos e aplicações
 de equações pode ser escrito em termos matriciais, cuja
O sistema
resolução resulta nos
nonderadores da krigagem simples:
C(X1 - X1) C(X1 -X>) C(x1-Xn) C(x1 -Xo)
C(X) - X1) C(x2 - X>) C (X) - Xn)
C(x)- Xo)
(3.9)

C(Xn - X1) C(Xn - X2) ...

C(Xn-Xn) An C(Xn -Xo)

Exemplo de aplicaçao da krigagem simples

Como exemplo de aplicação da krigagem, conside TAB. 3.3 Pontos de dados com valores conhecidos e o pontoa
rar uma situação em que se têm quatro pontos com ser estimado
valores conhecidos e com eles se quer determinar o
ID X Y Valor
valor em um ponto Xo (Tab. 3.3), conforme Olea (1999,
1 10 20 40
D. 18-20). Nesse caso, a média méconhecida e igual
-h 30 280 130
a 110, e a função cOvarnäncia é: C(h)=2.000 exp 250
3 250 130 90
Omapa de localização de pontos e a função cova
4 360 120 160
riância encontram-se na Fig. 3.10.
Xo 180 120
Sendo conhecidas as coordenadas de todos os pon
tos. as distâncias euclidianas entre os pontos e en Fonte: Olea (1999, p. 18).
tre cada ponto e o pontO a ser estimado podem ser
determinadas:
197,2
260,8 219,3
264,0 266,3 70,7
364,0 366,7 110,4 0 180,0

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

Hg. 3.10 A) Mapa de localizacão de pontos e B)gráfico da função covariância

Fonte: Olea (1999,p. 18).

covariância da variável regionalizada, a

Usandoessas distâncias e sendo conhecida a
calculados os pesos assOciados aos
atnz de covariâncias pode ser obtida e, a partir daí,
estimadores:
3 Estimativas Geoestatisticas 65
 2.000 908,7
704,8 2.000 831,8
0,185
0,128
695,6 689,4 2.000 1.507,2
2.000 973,6
0,646
466,4 461,2 1. 285,8
-0,001
calculado, assim
Finalmente, o valor no ponto X pode ser Como a respectiva
estimativa:
40 110 0,185
variânia da
130 -110 0,128
ZKs (180, 120)= 110+ 90- 110 0,646 =86,7
160- 110 -0,001

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 assumindo que a média existe em

toda a região e igual a:

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)

Geoestatística: conceitos e aplicações

 Segundo Wackernagel (1995, p. 71-78), para
encontrar os ponderadores ótimos, deve-se
minimizar a variância do erro de estimativa (Eq. 3.12)
resultaem uma função objetivo
sujeita àcondição de não viés (Eq. 3.11),
oque contendo o multiplicador de Lagrange, u. Para
problema de otimização, calculam-se as resolver
o derivadas parciais da função objetivo, as
quais
sãoigualadas a zero, o que leva a um sistema de n+1 equações, ou
da média: equações de krigagem
j=1
Ak"C (xi- Xj)-KM =0para i= 1,n
n
(3.13)

De acordo com Wackernagel (1995, p. 72), a variância de

estimativa da krigagem da média
éigual ao próprio multiplicador de Lagrange:
oM=HKM
Desse modo, no lugar de utilizar a média conhecida e constante,pode-se
substituir na
Eq. 3.8 a média estimada (Wackernagel, 1995, p. 77):

i=1 (=1

que pode ser rearranjada, segundo esse autor, como:

De acordo com ele, o termoentre colchetes éo peso da krigagem ordinária, eo termo

entre parênteses é chamado de peso da média. Portanto, a krigagem ordinária nada mais é
que akrigagem simples com a média caleulada localmente, por meio da krigagem da média.
Exemplo de aplicação da krigagem da média
Como exemplo de aplicação da krigagem da média, considerar aamostra do conjunto normal
(Arquivo 11, Anexo B- Figs. 2.20 e 2.23), cujos resultados encontram-se no mapa-imagem da
Fig. 3.11.
Esse exemplo mostra que a média varia de ponto a ponto, dependendo da vizinhança pró
Xma. Assim, é importante que se considere a média
local comno calculada pela krigagem da média, o que TAB. 3.4 Pontos de dados vizinhos ao ponto a ser estimado
leva ao uso do método da krigagenm ordinária, como (x= 23,75; y= 31,25)
Sera vistO na seção seguinte. Antes de prosseguir, con
Ponto X Valor
Cudo, éinteressante mostrar comno se faza krigagem
1 26,50 36,50 21,807
da media. Para isso, deve-se considerar o ponto de
2 20,50 33,50 18,697
CoOrdenadas (x = 23,75; y = 31,25), para o qual foram 13,50 29,50 19,320
encontrados quatro pontos vizinhos pelo critério dos
quadrantes (um ponto mais próximo por quadrante), 4 24,50 27,50 18,627

Comomostra a Fig. 3.12 e a Tab. 3.4.

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

krigagem da mé Fig. 3.12 Localizaço dos vizinhos próximos a0 ponto de

ig. 3.11 Distribuiço das médias
calculadas pela
das (x = 23,75; y = 31,25) Coordena-
11, Anexo B)
dia para o conjunto normal (Arquivo

2.23B, Eq. 2.2) é:

Omodelo de variograma encontrado (Fig.

Y(h) =19,8 1,56 -0,5(Ts) para h <14,16

Y(h)= 19,8 para h> 14,16

Desse modo, o modelo da função covariância fica:

C(h)= 19,8 - 19,8|1,55-0,5()T para h < 14.16

C(h) =0para h > 14, 16

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

Resolvendoesse sistema, obtêm-se os ponderadores da krigagem da

medla:
AAM=0,28920; AM =0,11247; 2M =0,32787; AKM = 0,27047; uKM =7,35305
Substituindo os ponderadores na Eq. 3.10, tem-sea média estimada em torno do ponto
de
coordenadas (x = 23,75; y =31,25):
m* =0, 28920 x
21,807 +0,11247 x 18,697 +0,32787 × 19,320 +0,27047 x 18,627= 19,782
68
Geoestatística: conceitos e aplicações
 Deee média serávälida desde que se mantenham os mesmos pontos encontrados na
iinhancça (Tab. 3.4). Avariäncia da krigagem da média éopróprio multiplicador de Lagrange,
que, nesse caso, sera sempre positivo. Esse sistema deve ser resolvido em termos da função
covariância.

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:

Zko (xo) =)AZ(x)

0=1
(3.14)

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)

Desenvolvendo a expressão da esperança do erro, chega-se àcondição de não viés:

n
(3.16)
(=1

Avariância de estimativa ou a variância do erro de estimativa é calculada como:

o= Var [z(X-) -Zko (xo)] (3.17)

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):

oç= c(0) -2\cho -X)+224c(-xj) ij

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

ou, em forma mnatricial:

C(X1-X1) C(X1- X2) C(X1-Xn) 1 C(Xo - X1)

C(X)- X1) C(X2 -X2) C(X2-Xn) 1 A2 C(Xo-X2)
:

C(Xn -X1) C(Xn - X2) . C(Xn -Xn) 1 An C(Xo - Xn)

1 1 1 0 1

variância de krigagem, em termos da função covariäncia, é igual a (Journel; Huijbregts.

A
1978, p. 306):
oko =C(0)-ACKo-x)
i=1
+u 3.19)
O sistemna de equações da krigagem ordinária pode ser
escrito também em termos da
função variograma:
n

j=1
E\r (xi- x;) +u=yXo - X) para i= 1,n
(3.20)
Zj=1
j=1

Nesse caso, a variância de krigagem fica

igual a:

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.

Exemplo de aplicação da krigagem ordinária

ASeguir apresenta-se um exemplo de aplicação da
krigagem ordinária, para o qual foi
escolhidoo Arquivo 11, Anexo B(Figs. 2.20 e 2.23).
0exemnplo começa com um exercicio passo a passo
mostrando as diferenças entre a
krigagem pontualea krigagem de bloco. AFig 3.13 mostra, esquematicamente, a krigagem
pontual para interpolação do teor na localização (x= 28,75; y = 21,25) e a krigagem de bloco
Dara determinação do teor médio associado ao bloco de 2,5 por 2,5 centrado no ponto de
coordenadas (x = 28,75; y = 21,25). O modelo de variograma válido para esse conjunto é
descrito pela Eq. 2.3.
B

> 28,5 > 28.5

18,627
18,627

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

Resolvendo osistema, os ponderadores da krigagem

ordináia sãão
A1 =0,18386; A2 =0,08361; A3 =0,47761;
obtidos:
Aa=0,25492; =-0,48669
Aplicando-se os
ponderadores
obtém-se a estimativa no ponto de obtidos na
Eq,3.14
TAB. 3.6 Limites de discretização para cálculo dos blocos de
cubagem por krigagem ordinåria
28,75; y=21,25): (x= coordenadas
Zro Xo)=0,18386 x 11,095
Dimensão do domínio Limite de discretização +0,08361 x18,627
1 10 +0,47761 x 11,834 +0,25492 x7.381
2 6x6 = 11,131
3 4x 4x 4
A
variância de
Fonte: Journel e Huijbregts (1978, p. 97). krigagem (Eq. 3.21) é igual a:
TAB. 3.7 Centros dos sub-blocos para estimativa do bloco OKO =9,084
(Fig. 3.13B) Para a krigagem ordinária de bloco, o vetor do lado
Sub-bloco X direito do sistema de equações (Eq. 3.22) é substituído
1 28,125 20,625
por um vetor médio considerando todos os sub-blocos
2 29,375
localizados conforme as coordenadas da Tab. 3.7.
20,625
Para cada sub-bloco calcula-se o vetor contendo o
29,375 21,875
4 28,125 21,875 valor da função variograma correspondente àdistânca
entre o centro do sub-bloco e o ponto de dado.
sub-bloco 1 sub-bloco 2 sub-bloco 3 sub-bloco 4 vetor mnédio

15,458 13,874 12,945 14,747 14,256

14,655 15,590 14,174 12,991 14,355
5,449 7,929 8,381 6,125 +4= 6,971
8,833 8,411 10,735 11,04 9,755
1 1 1
1 1

Ovetor médio é substituído no resolucãofornecerá

sistema de equaçóes (Eq. 3.22), cuja
os ponderadores da krigagem ordinária de bloco.

72 Geoestatística: conceitos e aplicações

 18,746 18,234 17,488 1 14,256
18,746 13,598 19,192 1 14,355
18,234 13,598 11,234 1 = 6,971 (3.23)
17,488 19,192 11,234 1 9,755
1 1 1 1 1

ordinária são:
Os Donderadores da krigagemn
A=0,18528; A2 =0,08634; A3 =0,47277; A4 = 0,25561; u= -0,45299

Assim, a estimativa do bloco centrado em (x =28,75; e y =21,25) é:

(Xo) =0,18528 x 11,095 +0, 08634 x18,627 +0,47277 x11,834+0,25561 x7,381 =11,145

variância de krigagem de bloco fica:

A
oo =9,217
Nesse exemplo, os teores estimadose as variâncias de krigagem resultaram em valores
seriam
muito próximos entre a krigagem pontual e a krigagem de bloco. Diferenças maiores
de dimensões
observadas para dados apresentando maior variabilidade e para blocos
maiores.
resultaram em
Os multiplicadores de Lagrange nosdois sistemas lineares (Eqs. 3.22 e 3.23)
consideração o
valores negativos. Na Eq. 3.21, a expressão da variância de krigagem leva em
somatório
multiplicador de Lagrange, que, sendo negativo, irá subtrair essa quantidade do
do produto função variância x peso da krigagem. Não existe simplificação possível em que a
variância de krigagem resulte no multiplicador de Lagrange, exceto na krigagem da média,
como já mostrado.
Prosseguindo os cálculos (Arquivo 11, Anexo B- Figs. 2.20 e 2.23), obtêm-se mapas com
valores estimados e de incertezas, sendo essas representadas pelo desvio padrão de krigagem
tanto para krigagem pontual (Fig. 3.14) como para krigagem de bloco (Fig. 3.15). Não há
grandes diferenças entre os mapas estimados por krigagem pontuale krigagem de bloco,
Como já foivisto. Os mapas das incertezas mostram claramente que os valores mais baixos

encontram-se sobre os pontos de amostragem.

Akrigagem ordinária foi o primeiro método de estimativa a fornecer uma medida de
incerteza pela variância de krigagem, daí o seu sucesso em aplicações em problemas
de avaliação de recursos minerais.
Ao analisar as expressões da variância de krigagem (Eqs. 3.19 e 3.21), verifica-se que
oS valores dos dados não são considerados no cálculo e, portanto, são independentes
desses valores.
Na verdade, a variância de krigagem ou de estimativa depende apenas da distribuição
geometrica dos pontos e do modelo de variograma. Desse modo, pode haver dois arranjos
ue pontos vizinhos próximos em partes diferentes de um mesmo domínio espacial e
apresentando valores de variância de krigagem iguais. Essa propriedade é denominada
homocedasticidade ou variância constante.

3 Estimativas Geoestatísticas 73
 A B

5,11143 14,83591 24,56038 1.16002

2,71337
50 50
42661)
40 40

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

74 Geoestatística: conceitos e aplicações

 associada àestimativa, mas tão somente a configuração espacial dos pontos de dados para
um mesmo modelo de variograma, de acordo com Journel e Rossi (1989, p. 738).

Antes de prosseguir, sena interessante entender

A
como se apresenta a homocedasticidade, por meio da
B
11 2
análise de diversos conjuntos de pontos usados na
estimativa de pontos não amostrados.
Para esse fim, considerar a amostra do conjunto 7 1 2
Jognormal (Arquivo 12, Anexo B- Figs. 2.21 e 2.24), que
.tem como modelo de variograma (Eq. 2.3):
12 37

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.

0,10587 4,24040 8,37493 0,48452 1,03970 1,59487

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

TAB. 3.8 Pontos de dados para estimativa por krigagem ordinária de

Xo = (8,75; 41,75) e Xo=(6,25; 43,25). representados
nas Figs. 3.18A e 3.18B, respectivamente

Xo = (8,75; 41,75) Xo = (6, 25; 43,25)

X Y Z (x)
Pesos Pesos
10,50 46,50 0,671 0,129344 0,186156
3,50 43,50 1,089
0,161796 0,522704
4,50 38,50 0,251 0,186156 0,129344
11,50 41,50 0,351 0,522704 0,161796
Zko (Xo) 0,493298 0,783538
1,327584 1,327584
-0,140751 -0,140751

76 Geoestatística: conceitos e aplicações

 B

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

31,9 3,094 21,5

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

> 47,5 33,0

0,650
0,671
45,5 31,0 3,491
8,781

43,5 29,0 -

41,5 27,0
0,351

39,5 25,0 0,581

0,213
1,910
37,5 23,0
16,0 30,0 32,0 34.0 36.0 38,0
8.0 10,0 12,0 14,0 18,0 40.0
Fig. 3.19 Diferentes localizações dos pontos interpolados em relação aos pontos vizinhos (A-B e C-D), resultando
em variâncias de krigagem praticamente iguais ( <0,000001)

TAB. 3.9 Pontos de dados para estimativa por krigagem ordinária de

Xo= (1,25; 26,75) ex, = (1,25; 31,25), representados
nas Figs. 3.18C e 3.18D, respectivamente

Xo = (1,25; 26,75) Xo = (1,25; 31,25)

X Z (x) Pesos Pesos

7,50 33,50 2,211 0,019869 0,077132

0,50 32,50 0,471 0,148312 0,754688
0,50 25,50 0,214 0,754688 0,148312
7,50 24,50 0,297 0,077132 0,019869

ZKo (Xo) 0,297810 0,563223

0,902825 0,902825
-0,065831 -0,065831

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

Dois a incerteza é um fator determinante para qualquer tomada de decisão envolvendo

aplicacão de recursos financeiros. Avalidade da Eq. 3.27 pode ser comprovada diretamente
com os dados krigados (Fig. 3.20), como ilustra a Fig. 3.21.

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

3.3 KRIGAGEM NO LINEAR

0s métodos de estimativa que usarm os dados transformados não linearmente são agrupados
na categoria de krigagem no linear. Na verdade, todos esses métodos fazem uso do
estimador da krigagem ordinária (Eq. 3.14), mas para dados transformados. Os métodos
das krigagensmultigaussiana, lognormal e indicadora serão descritos nesta seção. Esses
métodos de estimativa envolvem a transformação dos dados originais,cálculo e modelagem
de variogramas experimentais para os dados transformados e estimativa em pontos não
amostrados no domínio da variável transformada e transformada reversa para a escala
original.

3.3.1 Correção do efeito de suavização da krigagem ordinária

Geralmente,a transformada reversa éfeita usando-se a função inversa da transformação
não linear. Por exemplo, para o caso da transformada lognormal, a transformada reversa é
obtida aplicando-se a função exponencial, com a base igual àusada na função logarítmica e
oexpoente igual àestimativa resultante no domínio lognormal. Deve-se somar um termo de
nãoviés antes da transformada reversa.
No caso da krigagem lognormal, esse termo de não viésé baseado na teoria lognormal e
usa a variância de krigagem (Journel, 1980, p. 295). Entretanto, comoa variância de krigagem
não éuma medida de incerteza, as transformadas reversas continuam apresentando vieses.
Uma proposta diferente foi feita por Yamamoto (2007, p. 220-222) e está fundamentada
nacoreção do efeito de suavização da krigagem ordinária.
Atransformada reversa produz resultados enviesados em relação aos dados amostrais.
Como a inferência espacial é feita usando-se a amostra, a inferência, se as estimativas
apresentarem vieses em relação ao conjunto amostral, não será confável.
Para justificar a necessidade da correção do efeito de suavização da krigagem ordinária,
considerar o exemplo mostrado na Fig. 3.22 da transformada reversa das estimativas de
krigagem enfileirada (Yamamoto, 2010a, p. 108).
A
transformada enfileirada nada mais éque a classificação dos dados em ordem crescente.
Na verdade, oordinal decorre da classificação dos dados em ordem crescente. Resulta,
portanto, no quantil, que é usado para fazer atransformada gaussiana:.
Essa transformação produz uma distribuição uniforme, conforme se pode verificar na
FIg. 3.22. Por causa do efeito de suavização da krigagem ordinária, as estimativas, ainda no
dominno dos quantis, não mostram mais a distribuição uniforme, e sim uma distribuição
Simetrica com forma de sino. Portanto, se essas estimativas forem transformadas de volta
Para a escala original dos dados, a distribuição resultante não serásemelhante à distribuição
amostral, enm razãoda supressão dos extremos pelo efeito de suavização.

3 Estimativas Geoestatísticas 83