Vieira (2000)

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/313098532
Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F et

al (Eds)
Article · January 2000
CITATIONS READS
574 5,918
1 author:
Sidney Rosa Vieira

Instituto Agronômico de Campinas
171 PUBLICATIONS 5,413 CITATIONS
SEE PROFILE
All content following this page was uploaded by Sidney Rosa Vieira on 30 August 2018.
The user has requested enhancement of the downloaded file.

GEOESTATÍSTICA EM ESTUDOS DE VARIABILIDADE ESPACIAL DO SOLO1
Sidney R. Vieira2
Resumo
Quando uma determinada propriedade varia de um local para outro com algum
grau de organização ou continuidade, expresso pela dependência espacial, a estatística clássica
deve ser abandonada e dar lugar a uma estatística relativamente nova: a geoestatística. Por
estatística clássica entende-se aquela que utiliza parâmetros como média e desvio padrão para
representar um fenômeno, e baseia-se na hipótese principal de que as variações de um local para
outro são aleatórias. Desse modo, esses dois ramos da estatística têm validade de aplicação em
condições perfeitamente distintas. Para se determinar qual das duas deve ser usada em cada caso,
utiliza-se o semivariograma que expressa a dependência espacial entre as amostras. Havendo
dependência espacial, pode-se estimar valores da propriedade em estudo para os locais não
amostrados dentro do campo, sem tendenciosidade e com variância mínima, pelo método
denominado krigagem. Além disso, muitas vezes, duas propriedades correlacionam-se entre si e
no espaço, e uma é mais difícil ou mais cara para se medir no campo. A dependência espacial
entre duas propriedades no espaço pode ser expressa pelo semivariograma cruzado, e se ele
existir, o método chamado co-krigagem pode ser utilizado para estimar aquela mais difícil de se
medir, utilizando-se os dados de ambas. Estes métodos oferecem a escolha de se medir a
propriedade mais difícil com um número mínimo possível. A construção de mapas de contornos
(isolinhas), e o delineamento de espaçamento e disposição ótima de amostras no campo são outras
aplicações imediatas. Neste trabalho procurou-se dar o maior detalhamento possível nos aspectos
teóricos e nos conceitos básicos de geoestatística, numa linguagem simples e compreensível ao
leitor. Para ilustrar, utilizaram-se dados da literatura, como exemplo aplicativo para propriedades
químicas de solo. Os dados e os programas de geoestatística utilizados estão listados em apêndice
no final do trabalho.
Termos de indexação: semivariogramas, krigagem, co-krigagem, “jack-knifing”
ABSTRACT: GEOSTATISTICS IN SOIL SPATIAL VARIABILITY STUDIES
When a given soil property varies from place to place with some degree of
continuity, as expressed through its autocorrelation, classical statistical analysis is not valid and a
relatively new tool in soil science called geostatistics must be used. Classical statistical is
understood as that which uses such parameters as mean and standard deviation, to represent a
phenomenon and is based on the principal hypothesis that spatial variation is random. These
1
Recebido para publicação em e aceito em
2 Pesquisador, Centro de Solos e Recursos Agroambientais, Instituto Agronômico, Caixa Postal
28 - 13001-970, Campinas, SP. Email: sidney@cec.iac.br
aspects of statistics are applicable in perfectly distinct circunstances. In order to determine which
should be used in which instance, semivariograms are used to show autocorrelation among
samples. Autocorrelation allows estimation of values for places not sampled in the field, without
bias and with minimum variance, with the kriging method. Furthermore, two properties may have
spatial autocorrelation with each other, and one may be more difficult or more expensive to
measure in the field. Spatial autocorrelation between two properties can be expressed with cross-
semivariograms, and in some cases, the co-kriging method can be used to estimate the property
more difficult to measure, thus using both measures. This method allow selection of the most
difficult property to measure with the lowest possible number of samples. Immediate applications
of these methods are the creation of contour maps and delineation of optimal spacing of field
samples. This paper seeks to provide a high level of detail about theoretical aspects and basic
concepts of geostatistics in a comprehensible format to the reader. As examples, data available
from the literature are used for applications of soil chemical properties. The data and geoestatistics
programs used in this paper are listed in appendices at the end of the paper.
Index terms: semivariograms, kriging, co-kriging, “jack-knifing”.

ÍNDICE
RESUMO
ABSTRACT
I. INTRODUÇÃO
1. Variabilidade: preocupação antiga
2. Repetição e casualização: Fisher entra em cena
3. Das minas de ouro da África do Sul para Fontainebleau na França: nasce a geoestatística
4. Da mineração à Geologia, Dendrologia, Hidrologia e Ciência do Solo: e a moda pega
5. Os objetivos e as ressalvas
II. AS HIPÓTESES
1. Campo de estudo: o domínio e as definições básicas
2. Hipótese de estacionaridade de ordem 2
3. Hipótese intrínseca
4. Hipótese de tendência: krigagem universal
III. O SEMIVARIOGRAMA
1. A equação de cálculo
2. As características ideais
3. Os modelos
4. Os exemplos
IV. A KRIGAGEM
1. O estimador
2. As condições requeridas
3. A dedução do sistema de equações
4. Sistema matricial
5. Particularidades do sistema e métodos de solução
6. Os exemplos
V. O SEMIVARIOGRAMA CRUZADO
1. As definições pertinentes
4. Os exemplos
VI. A CO-KRIGAGEM
1. O estimador
5. Os exemplos
VII. A VARIÂNCIA DA ESTIMATIVA

1. Significado
2. Utilidade
VIII. A VIZINHANÇA USADA NA ESTIMATIVA
1. Vizinhança única
2. Distância constante
3. Número constante de vizinhos
4. Quadrantes
IX. A AUTOVALIDAÇÃO: UMA PODEROSA FERRAMENTA

1. O gráfico 1:1 - Medido vs. Estimado
2. O erro absoluto
3. O erro reduzido
4. Os exemplos
X. CONCLUSÕES
XI. LITERATURA CITADA
XII. APÊNDICE
1. Listagem dos dados de Waynick & Sharp (1919)
Lista das figuras
1. Semivariograma típico.
2. Esquema de amostragem, onde os sinais "+" indicam posição onde amostras foram
coletadas.
3. Semivariogramas escalonados médios para C e N, para dados originais, nos dois locais.
4. Semivariogramas escalonados médios para C/N, para dados originais nos dois locais.
5. Semivariogramas mostrando o efeito da tendência: (a) carbono – Davis; (b) carbono –
Oakley; (c) nitrogênio – Davis; (d) nitrogênio - Oakley.
6. Semivariogramas para os resíduos de tendência, para os dois locais: (a) carbono, com
modelo esférico com parâmetros 0,4; 0,6 e 15,0: (b) nitrogênio, com modelo esférico com
parâmetros 0,0; 1,0 e 25,0.
7. Semivariograma escalonado médio para C/N - Davis, com modelo esférico com parâmetros
0,3; 0,7 e 25,0.
8. Mapa para carbono (%), Davis.
9. Mapa para carbono (%), Oakley.
10. Mapa para nitrogênio (%), Davis.
11. Mapa para nitrogênio (%), Oakley.
12. Semivariogramas escalonados médios para carbono versus nitrogênio, para Davis e Oakley,
com modelo gaussiano com parâmetros 0,0, 1,0 e 13,0.
13. Mapa para nitrogênio (%), Oakley, obtido por cokrigagem.
I. INTRODUÇÃO
1. Variabilidade: preocupação antiga
A variabilidade espacial de propriedades do solo vem sendo uma das preocupações de

pesquisadores, praticamente desde o início do século. Smith (1910) estudou a disposição de
parcelas no campo em experimentos de rendimento de variedades de milho, numa tentativa de
eliminar o efeito de variações no solo. Montgomery (1913), preocupado com o efeito do
nitrogênio no rendimento de trigo, fez um experimento com 224 parcelas nas quais mediu o
rendimento de grãos. E assim, vários outros, como Robinson e Lloyd (1915) e Pendleton (1919)
estudaram erros em amostragem e diferenças em solos do mesmo grupo. Waynick (1918) estudou
a variabilidade espacial da nitrificação no solo. Waynick e Sharp (1919) estudaram o nitrogênio
total e o carbono no solo, todos com grande intensidade de amostras, nos mais variados esquemas
de amostragem, mas sempre com a preocupação de caracterizar ou conhecer a variabilidade.
Numa tentativa de encontrar uma maneira única de analisar uma vasta coleção de dados, Harris
(1920) utilizou uma equação muito semelhante a que hoje conhecemos como variância de blocos.
2. Repetição e casualização: Fisher entra em cena
É lamentável que experimentos como os anteriormente descritos não tenham tido

continuidade no tempo, porque é provável que se poderia ter muito mais conhecimento sobre a
variabilidade hoje. A maior causa dessa descontinuidade foi a adoção de técnicas como
casualização e repetição, e melhor conhecimento de funções de distribuição, que levaram à adoção
de amostragem ao acaso, desprezando assim as coordenadas geográficas do ponto amostrado. Esse
procedimento, somado à distribuição normal de freqüências era, e ainda é, usado para assumir
independência entre as amostras e assim garantir a validade do uso da média e do desvio padrão
para representar o fenômeno. Esses conceitos da estatística clássica e seus fundamentos podem ser
encontrados em Fisher (1956), ou Snedecor & Cochran (1967).
3. Das minas de ouro da África do Sul para Fontainebleau na França: nasce a geoestatística
A distribuição normal não garante, de maneira alguma, a independência entre amostras, a

qual pode ser verificada pela autocorrelação. A principal razão para isto é que o cálculo da
freqüência de distribuição não leva em conta a distância na qual as amostras foram coletadas no
campo. A presença de dependência espacial requer o uso de um tipo de estatística chamada
geoestatística, que surgiu na África do Sul, quando Krige (1951), trabalhando com dados de
concentração de ouro, concluiu que não conseguia encontrar sentido nas variâncias, se não levasse
em conta a distância entre as amostras. Matheron (1963, 1971), baseado nessas observações,
desenvolveu uma teoria, a qual ele chamou de Teoria das Variáveis Regionalizadas e que contém
os fundamentos da geoestatística. Matheron (1963) define Variável Regionalizada como uma
função espacial numérica, que varia de um local para outro, com uma continuidade aparente e cuja
variação não pode ser representada por uma função matemática simples. Essa continuidade ou
dependência espacial pode ser estimada pelo semivariograma. A geoestatística tem um método de
interpolação chamado krigagem (nome dado por Matheron (1963), em homenagem ao matemático
sul-africano D. G. Krige), que usa a dependência espacial entre amostras vizinhas, expressa no
semivariograma, para estimar valores em qualquer posição dentro do campo, sem tendência e com
variância mínima. Essas duas características fazem da krigagem um interpolador ótimo (Burgess e
Webster, 1980a). Quando se tem duas variáveis medidas no mesmo campo, com parte dos pontos
de amostragem ou todos, coincidentes, pode-se avaliar o grau de semelhança da variação das duas
no espaço, pelo semivariograma cruzado. Um bom exemplo dessas variáveis é o teor de areia e a
taxa de infiltração, porque se sabe, de antemão, que elas são correlacionadas, ou seja, espera-se
que nos locais onde o teor de areia é alto, a infiltração também seja alta. Se isso for verdade, o que
pode ser mostrado pelo semivariograma cruzado, um outro método de interpolação, chamado co-
krigagem, pode ser usado. Sabe-se de antemão que o teor de areia é mais fácil de medir do que a
infiltração. Assim, seria desejável amostrar-se com menor freqüência o mais difícil, por exemplo a
cada 50 m, e com maior freqüência o mais fácil, por exemplo a cada 10 m. E assim, usando-se a
correlação cruzada entre as duas variáveis, pode-se estimar valores da infiltração a cada 10 metros
ou qualquer outra distância desejável, usando os valores e a correlação cruzada entre ambos, pela
co-krigagem. Esses dois métodos de interpolação possibilitam a construção de mapas de
contornos (isolinhas) com alta precisão, uma vez que após a interpolação a densidade espacial dos
dados será muito maior do que antes, além de oferecer também os limites de confiança para o
mapa, pela variância da estimativa. Além disso, conhecendo-se os semivariogramas das variáveis
em estudo e os semivariogramas cruzados daquelas correlacionadas, pode-se usar a krigagem ou a
co-krigagem para delinear o espaçamento e a disposição de amostras no campo para se obter um
valor prefixado de variância da estimativa.
4. Da mineração à Geologia, Dendrologia, Hidrologia e Ciência do Solo: e a moda pega
A geoestatística teve suas primeiras aplicações em mineração (Blais e Carlier, 1968; David,
1970; Ugarte, 1972; Journel, 1974; Olea, 1975, 1977), depois em hidrologia (Delhomme, 1976).
Já existem vários estudos em ciência do solo (Hajrasuliha et al., 1980; Burgess & Webster, 1980a
e 1980b; Webster & Burgess, 1980; Vieira et al., 1981; Vauclin et al., 1982; Vieira et al., 1983;
Nielsen et al., 1983; Vieira et al., 1987, Vieira et al., 1991; Vieira et al., 1992) e em sensoriamento
remoto (Vauclin et al., 1982; Vieira & Hatfield, 1984). Além disso, existem alguns livros tratando
do assunto, dentre os quais destacam-se David (1977) e Journel & Huijbregts (1978).
5. Os objetivos e as ressalvas
O objetivo principal deste trabalho é fornecer ao leitor uma bibliografia em português, em

linguagem simples e completa, com todos os detalhes teóricos e aplicações da geoestatística. Isto
se faz necessário pela importância do problema variabilidade espacial, e de um possível método de
solução e conhecimento, a geoestatística. O nível de detalhes teóricos foi mantido propositalmente
para auxiliar no acompanhamento e compreensão. A matemática envolvida, embora à primeira
vista assustadora pelo tamanho das equações, é na maioria das vezes álgebra elementar,
probabilidade e operações com matrizes. O leitor é encorajado a seguir as deduções, passo a
passo, o que facilitará grandemente sua compreensão. Um conjunto de dados obtidos da literatura
será usado como exemplo, listado no apêndice 1. É importante também salientar que o presente
trabalho não tem por finalidade desencorajar o uso de estatística clássica, a qual tem seu espaço,
potencialidade e limitações. É justamente nos problemas onde a estatística clássica tem limitações
que a geoestatística tem suas maiores aplicações.
II. AS HIPÓTESES
Todos os conceitos teóricos de geoestatística têm suas bases em funções e variáveis

aleatórias, as quais, por convenção, recebem símbolos maiúsculos. Os valores medidos recebem
símbolos minúsculos. É preciso também entender que uma realização em particular de uma
função é um valor numérico assumido por esta função dentro de uma dada condição fixa. Por
exemplo, Cos(0) = 1, então 1 é uma realização da função coseno para o ângulo 0 (zero) graus.
1. Campos de estudo: o domínio e as definições básicas
Para o estabelecimento do problema, considere-se um campo de área S, para o qual se tem

um conjunto de valores medidos {z(xi), i=1, n}, onde xi identifica uma posição no espaço ou no
tempo, e representa pares de coordenadas (xi, yi). Esse procedimento é usado para simplicidade de
representação na dedução das equações. O ponto de referência para o sistema de coordenadas é
arbitrário e fixado a critério do interessado. Para uma dada posição fixa xk, cada valor medido da
variável em estudo, z(xk), pode ser considerado como uma realização de uma certa variável
aleatória, Z(xk). A variável regionalizada Z(xk), para qualquer xi dentro da área S, por sua vez
pode ser considerada uma realização do conjunto de variáveis aleatórias {Z(xi), para qualquer xi
dentro de S}. Esse conjunto de variáveis aleatórias é chamado uma função aleatória e é
simbolizado por Z(xi) (Journel e Huijbregts, 1978).
O exposto acima se faz necessário porque, pelo fato de uma função aleatória ser contínua,
pode ser submetida a uma grande gama de hipóteses, sem as quais a dedução de equações é
impossível. O que se deve esperar é que com pontos discretos de amostragem, se possa satisfazer
as hipóteses às quais as funções aleatórias estão sujeitas.
Com uma única amostragem, tudo o que se sabe de uma função aleatória Z(ki) é uma única
realização. Então, para se estimar valores para os locais não amostrados, ter-se-á que introduzir a
restrição de que a variável regionalizada seja, necessariamente, estacionária estatisticamente.
Formalmente, uma variável regionalizada é estacionária se os momentos estatísticos da variável
aleatória Z(xi+h) forem os mesmos para qualquer vetor h. De acordo com o número k de
momentos estatísticos que são constantes, a variável é chamada de estacionária de ordem k.
Estacionariedade de ordem 2 é tudo que é requerido em geoestatística (Olea, 1975).
Supondo-se que a função aleatória Z(xi) tenha valores esperados E{Z(xi)} = m(xi) e
E{Z(xi+h)} = m(xi+h) e variâncias VAR {Z(xi)} e VAR {Z(xi+h)}, respectivamente, para os locais
xi e xi+h, e qualquer vetor h, então, a covariância C(xi, xi+h) entre Z(xi) e Z(xi+h) é definida por
C( xi ,xi + h) = E {Z( xi ) Z( xi + h)} - m( xi ) m( xi + h) (1)
e o variograma 2γ(xi, xi+h) é definido por

2γ ( xi ,xi + h) = E {Z( xi ) - Z( xi + h) }
2
(2)
A variância de Z(xi) é
VAR {Z( xi )} = E {Z( xi ) Z( xi + 0) - m( xi ) m( xi + 0)} =
(3)
= E { Z 2 ( xi ) - m2 ( xi )} = C( xi ,xi )
e a variância de Z(xi+h) é
VAR {Z( xi + h)} = E { Z 2 ( xi + h) - m2 ( xi + h)} = C ( xi + h, xi + h) (4)
Assim, existem três hipóteses de estacionaridade de uma função aleatória Z(xi), e pelo
menos uma delas deve ser satisfeita antes de se fazer qualquer aplicação de geoestatística.
2. Hipótese de estacionaridade de ordem 2
Uma função aleatória Z(xi) é estacionária de ordem 2 se:

E {Z( xi )} = m (5)
a) O valor esperado E{Z(xi)} existir e não depender da posição x, ou seja
para qualquer xi dentro da área S.
b) Para cada par de variáveis aleatórias, {Z(xi), Z(xi+h)}, a função covariância, C(h), existir e for
função de h:
C(h) = E {Z( xi ) Z( xi + h)} - m2 (6)
A equação (6), estacionaridade da covariância, implica na estacionaridade da variância e do
variograma. Assim, usando a linearidade do operador valor esperado, E, na equação (3), obtém-se:
VAR {Z( xi )} = E {Z( xi + 0)} - E {m2 ( xi )} (7)
e aplicando as condições de estacionaridade (5) e (6) obtém-se:
VAR {Z( xi )} = E { Z 2 ( xi )} - m2 = C(0) (8)
O variograma na equação (2) pode ser desenvolvido em:

2γ ( x i , xi + h) = 2γ (h) = E { Z 2 ( xi ) - 2 Z ( x i )Z( xi + h) + Z 2 ( xi + h)} (9)
Somando e subtraindo 2m2:
2γ (h) = E { Z 2 ( xi ) - m2 - 2Z( xi ) Z( xi + h)+ 2 m2 + Z 2 ( xi + h) - m2 } (10)
Usando a linearidade do operador E, e reconhecendo que o valor esperado de uma constante
é a própria constante tem-se:
2γ (h) = E { Z 2 ( xi )} - m2 - 2(E {Z( xi )Z( xi + h)} - m2 )+ E { Z 2 ( xi + h)} - m2 (11)
Substituindo as equações (6) e (8) na equação (11), tem-se:
2γ (h) = C(0) - 2C(h)+ C(0) = 2 C(0) - 2 C(h) (12)
ou simplificando,
γ (h) = C(0) - C(h) (13)
Isolando C(h), tem-se:
C(h) = C(0) - γ (h) (14)
Dividindo ambos os lados por C(0) e reconhecendo que o correlograma ρ(h) = C(h)/C(0):
C(h) C(0) γ (h)
ρ(h) = = -
C(0) C(0) C(0)
γ (h)
ρ(h) = 1-
C(0)
Portanto, se a hipótese de estacionaridade de ordem 2 puder ser satisfeita, a covariância C(h)
e o variograma 2γ(h) são ferramentas equivalentes para caracterizar a dependência espacial. A
existência de estacionaridade dá a oportunidade de repetir um experimento mesmo que as amostras
devam ser coletadas em pontos diferentes, porque todas são consideradas pertencentes a
populações com os mesmos momentos estatísticos.
3. Hipótese intrínseca
A hipótese de estacionaridade de ordem 2 implica a existência de uma variância finita dos

valores medidos, VAR {Z(x)} = C(0). Esta hipótese pode não ser satisfeita para alguns fenômenos
físicos que têm uma capacidade infinita de dispersão. Exemplos incluem a concentração de ouro
em minas da África do Sul (Krige, 1951), o movimento browniano (Journel e Huijbregts, 1978) e
algumas cadeias de Markov (Bartlett, 1966). Para tais situações, uma hipótese menos restritiva, a
hipótese intrínseca, pode ser aplicável. Essa hipótese requer apenas a existência e estacionaridade
do variograma, sem nenhuma restrição quanto à existência de variância finita. Uma função
aleatória é intrínseca quando, além de satisfazer a condição expressa na equação (5), a
estacionaridade do primeiro momento estatístico, também o incremento {Z(xi) - Z(xi+h)} tem
variância finita, e não depende de xi para qualquer vetor h.. Matematicamente, isso pode ser
escrito:
VAR {[Z( xi ) - Z( xi + h ) ]} = E[Z( xi ) - Z( xi + h) ] 2 (16)
Substituindo a equação (2) na equação (16), tem-se:
2γ (h) = E[Z( xi ) - Z( xi + h) ]
2
(17)
A função γ (h) é o semivariograma. A razão para o prefixo "semi" é que a equação (17) pode
ser escrita na forma:
γ (h) = 1 / 2 E[Z( xi ) - Z( xi + h) ]2 (18)
O fator 2 foi introduzido na definição do variograma, 2γ(h), para cancelamento e
simplificação da equação (13) e a quantidade mais freqüentemente usada é γ(h) e não 2γ(h). A
hipótese intrínseca é, na verdade, a mais freqüentemente usada em geoestatística, principalmente
por ser a menos restritiva.
4. Hipótese de tendência - krigagem universal
Nesta hipótese, a função aleatória Z(xi), para qualquer posição, xi, consiste de dois
componentes:
Z( xi ) = m( x i ) + e( x i ) (19)
onde m(xi) é o "drift" (tendência principal) e e(xi) é o erro residual. Portanto, para se trabalhar sob
esta hipótese é preciso, para cada posição xi, determinar o "drift", m(xi), e ter uma expressão para o
semivariograma dos resíduos (Webster & Burgess, 1980). Devido à arbitrariedade envolvida na
expressão do "drift" e do semivariograma dos resíduos, não será apresentado aqui nenhum
desenvolvimento teórico para krigagem universal. Trabalhos sobre este assunto podem ser
encontrados em Olea (1975 e 1977) e um exemplo de aplicação pode ser visto em Webster &
Burgess (1980). O leitor é encorajado a consultar essas literaturas para maiores informações.
Se uma função aleatória é estacionária de ordem k (k>0), ela também será estacionária de
todas as ordens menores que k. Consequentemente, se uma função aleatória Z(xi) é estacionária de
ordem 2, ela será também intrínseca. Entretanto, o contrário não é necessariamente verdade.
Não existe um método fácil para testar em qual tipo de estacionaridade os dados se
enquadram. O exame do semivariograma, como será visto a seguir, e um teste conhecido como
"jack-knifing", mostrado no capítulo IX deste trabalho, são as principais ferramentas utilizadas
para se conhecer indiretamente a estacionaridade dos dados.
III. O SEMIVARIOGRAMA
Até o início dos anos 60, a análise de dados era feita sob a hipótese de independência
estatística ou distribuição espacial aleatória, para permitir o uso de métodos estatísticos como
análise de variância e parâmetros como o coeficiente de variação (Harradine, 1949; Ball &
Williams, 1968). Entretanto, esse tipo de hipótese não pode simplesmente ser feito antes que se
prove a não existência de correlação de amostras com distância. Se provada a correlação espacial,
a hipótese de independência fracassa. Um dos métodos mais antigos de se estimar a dependência
no espaço ou no tempo de amostras vizinhas é pelo uso da autocorrelação. Esse método tem suas
origens em análise de séries temporais e tem sido largamente usado em ciência do solo (Webster,
1973; Webster & Cuanalo, 1975; Vieira et al., 1981), principalmente para medições efetuadas em
uma linha reta (transeto). A sua análise pode auxiliar na localização de divisas entre dois tipos de
solos, ou na análise de periodicidade nos dados, pela análise espectral (Vauclin et al. 1982).
Porém, quando as amostras forem coletadas nas duas dimensões do campo e interpolação entre
locais medidos for necessária para a construção de mapas de isolinhas, será preciso usar uma
ferramenta mais adequada para medir a dependência espacial. Essa ferramenta é o
semivariograma (Vieira et al., 1983).
O semivariograma é, por definição:

γ (h) = 1/2 E{ Z( xi ) - Z( xi + h) }2 (20)
e pode ser estimado por:
1 N(h)
γ ∗ (h) = ∑ [Z( xi ) - Z( xi + h) ] 2
2 N(h ) i=1
(21)
onde N(h) é o número de pares de valores medidos Z(xi), Z(xi+h), separados por um vetor h
(Journel & Huijbregts, 1978, pag. 12). O gráfico de γ*(h) versus os valores correspondentes de h,
chamado semivariograma, é uma função do vetor h, e portanto depende de ambos, magnitude e
direção de h. Quando o gráfico do semivariograma é idêntico para qualquer direção de h ele é
chamado isotrópico e representa uma situação bem mais simples do que quando é anisotrópico.
Neste último caso, o semivariograma deve sofrer transformações antes de ser usado. É importante
notar que a maioria das variáveis de ciência do solo poderá ter um comportamento anisotrópico,
isto é, mudar de maneira diferente para direções diferentes. É óbvio que isso depende muito da
propriedade em estudo, das dimensões do campo de estudo e do tipo de solo envolvido. Existem
algumas maneiras de se transformar um semivariograma anisotrópico em isotrópico (Journel &
Huijbregts, 1978, pag. 175; Burgess & Webster, 1980a). Em geral, a precisão da interpolação ou o
tipo de hipótese satisfeita não são afetados se, em vez de se preocupar com a escolha do método de
transformação da anisotropia, apenas se limitar a faixa de distância na qual se utiliza o
semivariograma. De qualquer maneira, é sempre aconselhável examinar semivariogramas para
várias direções, antes de tomar decisões. As principais direções que devem ser examinadas são: 0°
- na direção do eixo X, 90° - na direção do eixo Y, 45° e - 45° - nas duas diagonais. O método
"jack-knifing", descrito no capítulo IX, é também de grande utilidade para se determinar a faixa de
distância na qual o semivariograma pode ser, na prática, considerado isotrópico.
De qualquer maneira, sob isotropia ou não, a equação (21) é a que é usada para o cálculo do
semivariograma. Os programas de computador, como aqueles listados no apêndice 2, utilizados
para calcular o semivariograma, simplesmente calculam aquela equação. Quando os dados forem
coletados em transeto, o semivariograma é unidirecional e nada pode ser dito a respeito de
anisotropia, mas por outro lado é uma preocupação a menos.
A figura 1 mostra um semivariograma típico com características bem próximas do ideal, as

quais serão discutidas a seguir. Seu comportamento representa o que, intuitivamente, se deve
esperar de dados de campo. É de se esperar que as diferenças {Z(xi) - Z(xi+h)} decresçam assim
que h, a distância que os separa, decresça. É esperado que medições localizadas próximas sejam
mais parecidas entre si do que aquelas separadas por grandes distâncias. Dessa maneira, é de se
esperar que γ(h) aumente com a distância h. Por definição, γ(0)=0, como pode ser visto pela
equação (21), quando h=0. Entretanto, na prática, à medida que h tende para 0 (zero), γ(h) se
aproxima de um valor positivo chamado efeito pepita (“nugget effect”) e que recebe o símbolo C0.
Resultados com valores de efeito pepita maiores que zero foram encontrados para precipitação
pluvial (Delhomme, 1976), pH (Campbell, 1978), condutância elétrica (Hajrasuliha et al., 1980) e
distribuição de tamanho de partículas de solo (Vieira et al., 1983). O valor de C0 revela a
descontinuidade do semivariograma para distâncias menores do que a menor distância entre as
amostras. Parte dessa descontinuidade pode ser também devida a erros de medição (Delhomme,
1976), mas é impossível quantificar qual contribui mais, se os erros de medição ou a variabilidade
em uma escala menor do que aquela amostrada.
À medida que h aumenta, γ(h) também aumenta até um valor máximo no qual se estabiliza.
Esse valor no qual γ(h) se estabiliza chama-se patamar ("sill"), e é aproximadamente igual à
variância dos dados, VAR(z). A distância na qual γ(h) atinge o patamar é chamada de alcance
("range"), recebe o denominação de a, e é a distância limite de dependência espacial. Medições
localizadas a distâncias maiores que a tem distribuição espacial aleatória e por isto são
independentes entre si. Para essas amostras, a Estatística Clássica pode ser aplicada sem
restrições. Por outro lado, amostras separadas por distâncias menores que a, são correlacionadas
umas às outras, o que permite que se faça interpolações para espaçamentos menores do que os
amostrados. Dessa maneira, o alcance a é a linha divisória para a aplicação de geoestatística ou
Estatística Clássica, e por isso o cálculo do semivariograma deveria ser feito rotineiramente para
dados de campo, para garantir as hipóteses estatísticas sob as quais serão analisados. Dados que
apresentarem semivariogramas semelhantes ao da figura 1 muito provavelmente poderão ser
estacionários de ordem 2, porque têm um patamar claro e definido e, com toda certeza, estarão sob
a hipótese intrínseca.
Se o semivariograma, ao invés de ser crescente e dependente de h como o mostrado na
figura 1, for constante e igual ao patamar para qualquer valor de h, então tem-se um efeito pepita
puro ou ausência total de dependência espacial. Isto significa que o alcance a, para os dados em
questão, é menor do que o menor espaçamento entre amostras. Para esses dados, tem-se uma
distribuição espacial completamente aleatória, e a única estatística aplicável é a Estatística Clássica
(Silva et al., 1989).
É bastante comum um semivariograma que, partindo do valor do efeito pepita, C0, cresce
além do valor do patamar ("sill"), até uma determinada distância e depois cai e apresenta
flutuações abaixo do valor do patamar. Pode até apresentar flutuações abaixo do valor do patamar
para pequenas distâncias. Isso é indicação de periodicidade nos dados. A periodicidade nos dados
requer um tratamento específico chamado densidade espectral. Esse assunto está descrito em
McBratney & Webster (1981), Nielsen et al. (1983) e Vieira et al. (1983), onde o leitor encontrará
os detalhes necessários.
Um outro tipo de semivariograma que pode ocorrer é aquele que cresce, sem limites, para
todos os valores de h calculados. Esse semivariograma indica a presença de fenômeno com
capacidade infinita de dispersão, o qual não tem variância finita e para o qual a covariância
(equação (6)) não pode ser definida. Ele indica, também, que o tamanho do campo amostrado não
foi suficiente para exibir toda a variância e é provável que exista uma grande tendência nos dados
em determinada direção. Se isto puder ser constatado, tem-se duas alternativas distintas: a)
remove-se a tendência e trabalha-se nos resíduos para examinar se se enquadram nas hipóteses de
estacionaridade de ordem 2 ou intrínseca; b) trabalha-se com hipótese de tendência nos dados
originais. Por simplicidade, deve-se preferir a primeira alternativa. Um método bastante eficiente
para retirada da tendência é pela superfície de tendência (Davis, 1973). Se, após retirar a tendência,
não houver nenhuma dependência espacial expressa no semivariograma dos resíduos, isto significa
que a superfície de tendência encontrada é a melhor representação espacial do fenômeno. Um
exemplo de retirada de tendência em dados unidimensionais e análise dos resíduos pode ser
encontrado em Vieira et al. (1983) e Vieira & Hatfield (1984).
3.Os modelos
O gráfico do semivariograma experimental, γ(h) versus h, calculado usando a equação (21),

mostrará uma série de pontos discretos de γ(h) correspondendo a cada valor de h e para o qual uma
função contínua deve ser ajustada. Delhomme (1976) discutiu vários modelos de ajuste aplicáveis
a diferentes fenômenos. Neste trabalho serão discutidos apenas os principais.
O ajuste de um modelo teórico ao semivariograma experimental é um dos aspectos mais
importantes das aplicações da Teoria das Variáveis Regionalizadas e pode ser uma das maiores
fontes de ambigüidade e polêmica nessas aplicações. Todos os cálculos de geoestatística
dependem do valor do modelo do semivariograma para cada distância especificada (Vieira et al.,
1981). Por isso, se o modelo ajustado estiver errado, todos os cálculos seguintes também o
estarão. Um outro ponto importante é que o ajuste de curvas com calculadoras ou computador,
usando métodos automáticos, embora possa ser usado, não é necessário. Existem programas
comerciais que fazem ajuste pelo método dos quadrados mínimos, considerando o número de
pares como pesos nas ponderações. Da mesma maneira, esses também podem ser usados, embora
não seja necessário. O método de tentativa e erro, aliado ao exame dos resultados do "jack-
knifing", como será visto no último capítulo deste trabalho, são suficientes. Como regra, quanto
mais simples puder ser o modelo ajustado, melhor, e não se deve dar importância excessiva a
pequenas flutuações que podem ser artifícios referentes a um pequeno número de dados. É
importante que o modelo ajustado represente a tendência de γ(h) em relação a h. Matemática e
estatisticamente, é obrigatório que o modelo ajustado tenha positividade definida condicional
(Journel & Huijbregts, 1978), embora o significado desta exigência esteja além dos objetivos deste
trabalho. Além disso, essa condição não é fácil de entender nem de testar. A grosso modo, o
modelo que satisfaça a condição acima garantirá que γ(h) > 0 e γ(-h) = γ(h), qualquer que seja h.
De qualquer modo, os modelos apresentados neste trabalho satisfazem a exigência de positividade
definida condicional e são suficientes para praticamente qualquer situação.
Dependendo do comportamento de γ(h) para altos valores de h, os modelos podem ser
classificados em: modelos com patamar ("sill") e modelos sem patamar.
3.1 Modelos com patamar
Nos modelos seguintes, C0 é o efeito pepita, C0 + C1 é o patamar e a é o alcance do

semivariograma.
a) Modelo linear:
C1
γ (h) = C0 + h 0 <h<a
a
(22)
γ (h) = C0 + C1 h>a
onde C1/a é o coeficiente angular para 0<h<a. Nesse modelo, o patamar é determinado por
inspeção; o coeficiente angular, C1/a, é determinado pela inclinação da reta que passa pelos
primeiros pontos de γ(h), dando-se maior peso àqueles que correspondem ao maior número de
pares; o efeito pepita, C0, é determinado pela interseção da reta no eixo γ(h); o alcance, a, é o valor
de h correspondente ao cruzamento da reta inicial com o patamar; e C1 = patamar - C0.
b) Modelo esférico:
3 h 1 h 3
γ (h) = C0 + C1 [ ( ) - ( ) ] 0<h<a
2 a 2 a
(23)
γ (h) = C0 + C1 h>a
O modelo esférico é obtido selecionando-se os valores do efeito pepita, C0, e do patamar, C0 + C1,
depois passando-se uma reta que intercepte o eixo y em C0 e seja tangente aos primeiros pontos
próximos de h=0. Essa reta cruzará o patamar à distância, a'=2/3 a. Assim, o alcance, a, será
a=3a'/2. O modelo esférico é linear até aproximadamente 1/3 a.
c) Modelo exponencial:
h
γ (h) = C0 + C1 [1- exp(-3 )] 0<h<d (24)
a
onde d é a máxima distância na qual o semivariograma é definido. Uma diferença fundamental
entre o modelo exponencial e o esférico é que o exponencial atinge o patamar apenas
assintóticamente, enquanto que o modelo esférico o atinge no valor do alcance. O parâmetro a é
determinado visualmente como a distância após a qual o semivariograma se estabiliza. Os
parâmetros C0 e C1 para os modelos exponencial e gaussiano (explicado a seguir) são
determinados da mesma maneira que para o esférico.
d) Modelo gaussiano:
h 2
γ (h) = C0 + C1 [1- exp(-3 ( ) )] 0 <h<d (25)
a
3.2. Modelos sem patamar
Esses modelos correspondem a fenômenos que têm uma capacidade infinita de dispersão e,
por isso, não têm variância finita e a covariância não pode ser definida. Podem ser escritos da
seguinte maneira :
γ (h) = C + Ah B 0< B<2 (26)
O parâmetro B tem que ser estritamente maior que zero e menor que 2, a fim de garantir que
o semivariograma tenha positividade definida condicional.
Alguns fenômenos podem ter semivariogramas que mostram estrutura entrelaçada, ou seja,
mais de um patamar e mais de um alcance. Isso acontece quando se tem diferentes escalas de
variabilidade nos dados. McBratney et al. (1982), analisando a variabilidade de teores de cobre e
cobalto extraídos de amostras retiradas da superfície do solo do sudoeste da Escócia, encontraram
três estruturas: uma correspondente à variação de uma fazenda a outra, com alcance de 3 km, uma
correspondente à escala geológica, com alcance de 15 km, e a última espacialmente independente,
ou efeito pepita puro.
Em situações como essa é necessário ajustar mais de um modelo, ou um modelo para cada
estrutura, pois um modelo único não é suficiente para representar o semivariograma.
4. Os exemplos
Dois conjuntos de dados obtidos por Waynick e Sharp (1919) serão utilizados neste trabalho
como exemplo. A figura 2 mostra o diagrama das áreas amostradas, com os locais de onde as
amostras foram tomadas. Os autores esclarecem que os campos foram amostrados na forma
apresentada na figura 2, com a finalidade de verificar o efeito da distância entre amostras na
variabilidade. Dois campos foram amostrados no Estado da Califórnia, EUA. Um, na então
chamada Fazenda Universitária em Davis, em solo franco argiloso, e o outro, perto da cidade de
Oakley, em solo arenoso. Os campos foram selecionados por parecerem uniformes e porque se
encontravam sem vegetação na época da amostragem. Ambos eram quase perfeitamente planos.
As amostras foram coletadas com um trado de 7,62cm de diâmetro e levadas ao laboratório para
análise de nitrogênio e carbono totais. Os resultados são dados em porcentagem. Os dados
originais estão listados no apêndice 1 e os principais momentos estatísticos estão no quadro 1.
Os coeficientes de simetria e curtose são apresentados no quadro 1, para comparação com a
distribuição normal, para a qual esses coeficientes têm valores 0 e 3 respectivamente. Não é
intenção, neste trabalho, procurar a distribuição exata das variáveis estudadas. Entretanto, é
importante notar que, exceto para nitrogênio-Davis, as demais variáveis têm distribuição diferente
da normal. Isso pode ser visto principalmente pelos altos coeficientes de curtose, indicando um
excesso de valores próximos à média. Outro fato notável é a baixíssima variância.
Com a finalidade de comparar os semivariogramas e, conseqüentemente, as variabilidades
espaciais de cada uma das variáveis, pode-se realizar do seu escalonamento, como o utilizado por
Vieira et al. (1991).
Os semivariogramas escalonados médios para as quatro variáveis (C e N nos dois locais)
estão mostrados na figura 3. É chamado de semivariograma médio porque a direção dos vetores h
não é considerada e, implicitamente, assume-se isotropia, ou seja, variabilidade idêntica em todas
as direções. Esse deve ser o procedimento adotado como rotina, pois é inútil explorar a
anisotropia quando não existe dependência espacial na média. Após o exame dos
semivariogramas médios, se a dependência espacial for encontrada, então deve-se examinar os
semivariogramas direcionais. O exame dos semivariogramas da figura 3 revela alguns fatos
importantes. Deduz-se que a variabilidade espacial das duas variáveis (carbono e nitrogênio), nos
dois locais (Davis e Oakley), têm alguma semelhança. Em geral, pode-se notar também que as
duas variáveis têm semivariâncias maiores no solo arenoso de Oakley do que no solo franco
argiloso de Davis. Um outro fato bastante importante é que nenhum desses semivariogramas tem
patamar bem definido, denotando a falta de estacionaridade nestes dados.
Os semivariogramas para as relações C/N para os dois locais estão na figura 4, onde se
observa que, para Oakley, não existe dependência espacial para esta variável e, para Davis, a
dependência espacial é pequena, como se pode notar pelo alto valor do efeito pepita em relação ao
patamar. Assim, para Oakley, os valores da relação C/N não tem nenhuma relação com seus
vizinhos, isto é, valores próximos não são necessariamente mais parecidos entre si do que valores
distantes. Nesse caso, o valor médio pode representar o fenômeno.
Devido à aparente falta de estacionaridade para carbono e nitrogênio para os dois locais,
como indicado na figura 3, devem ser calculadas as superfícies parabólicas de tendências de
acordo com Davis (1973), usando a equação,
2
Z est (x, y) = A0 + A1 .x + A2 . y + A3 .x 2 + A4 . y + A5 .xy (27)
pelo método dos quadrados mínimos.
Dessa maneira, pode-se calcular o resíduo
Z res (x, y) = Z(x, y) - Z est (x, y) (28)
Os semivariogramas da variável Zres devem ter patamar indicando que o procedimento para
remoção da tendência foi eficiente. Os semivariogramas resultantes dos resíduos da tendência
para carbono e nitrogênio para os dois locais, estão mostrados na figura 5. De seu exame pode-se
deduzir que a maior tendência existia, na realidade, para os dados relativos ao solo de Davis, pois
nas figuras 5a e 5c pode-se ver que os semivariogramas para Zres têm um patamar bem definido,
quando antes não o tinham. Por outro lado, para o solo de Oakley, os semivariogramas para Z e
Zres são quase idênticos, indicando que não havia tendência retirável pela superfície parabólica.
Nesse caso, pode-se usar os dados originais sem problema; porém, para dar condições iguais aos
de Davis, quando escalonados, os resíduos serão usados
A figura 6 mostra os semivariogramas para os resíduos de tendência para carbono e
nitrogênio de ambos os solos. É notável tanto o efeito da remoção da tendência, estabelecendo
nitidamente o patamar, como também a semelhança nas variabilidades de carbono para os dois
locais e de nitrogênio para os dois locais . O carbono apresenta uma variabilidade inicial maior do
que o nitrogênio, como indica o valor do efeito pepita (0,4). Já o nitrogênio tem efeito pepita nulo
em ambos os solos. Pela semelhança entre esses semivariogramas escalonados, pode-se dizer que,
apesar das diferenças básicas de textura dos dois solos, os fenômenos que regeram a concentração
desses elementos no solo foram parecidos, fazendo com que suas variabilidades fossem parecidas.
É provável que o efeito climático ao longo dos anos tenha sido o maior responsável por estas
concentrações, uma vez que os locais amostrados estavam livres de vegetação na época da
amostragem.
O semivariograma para a relação C/N para Davis está na figura 7, com um modelo esférico
(Esf), com 0,3 de efeito pepita, 1,0 de patamar e 25,0 m de alcance. A relação C/N não apresenta
uma dependência espacial muito boa, implicando alta incerteza na estimativa pela krigagem,
devido à alta variação ao acaso em distâncias pequenas, mas não se pode negar que ela existe.
IV. A KRIGAGEM
Conhecido o semivariograma da variável, e havendo dependência espacial entre as

amostras, como mostram os semivariogramas para C e N, para Davis e Oakley (Figura 6), pode-se
interpolar valores em qualquer posição no campo de estudo, sem tendência e com variância
mínima. O método de interpolação chama-se krigagem, nome dado por Matheron (1963) em
homenagem ao matemático sul-africano Krige. Suponha-se, então, que se queira expressar o
resultado do trabalho em forma de mapa de isolinhas ou de superfície tridimensional. A precisão
da localização das isolinhas entre dois pontos é extremamente dependente da densidade de pontos
por área e, conseqüentemente, da distância entre os pontos. A maneira mais comum de localizar
uma isolinha entre dois pontos é pela interpolação linear. Existem programas de computador para
se ajustar polinômios bidimensionais, chamados superfície de tendência (“trend surface”; Davis,
1973). Entretanto, a forma na qual os dados variam de um local para outro no campo não tem,
necessariamente, que seguir equações lineares ou polinômios. Na verdade, é comumente
impossível determinar com exatidão que tipo de equação matemática descreve a variação dos
dados no campo. E, mesmo que se consiga, na prática, ajustar algum polinômio aos dados, sua
forma e grau podem não ter nenhuma interpretação física para o fenômeno, fato que é revelado no
semivariograma, embora não se conheça a equação que descreveria os dados.
Os dados de Waynick e Sharp (1919) usados nesse trabalho foram amostrados na
distância básica de 9,12m, com uma minoria de amostras a 4,56m e 3,04m umas das outras. A
distância de 9,12m é muito grande para se ter uma boa precisão na localização de isolinhas, e
ficaria bem mais fácil se houvesse mais dois pontos entre os amostrados a 9,12m. Isso significa ter
um espaçamento básico de 3,04m para todo o campo. O pesquisador que fosse começar esse
experimento poderia ter a opção de amostrar já no espaçamento de 3,04m. Porém, essa seria uma
opção muito cara, e a krigagem pode estimar valores nesse ou qualquer outro espaçamento menor,
sem gastos de amostragem, análise e processamento, e sem tendência e com variância mínima,
como será visto a seguir.
1. O estimador
Suponha-se que se queira estimar valores, z*, para qualquer local, x0, onde não se tem
valores medidos, e que a estimativa deve ser uma combinação linear dos valores medidos, ou seja
N
z * ( x0 ) = ∑ λ i z ( x i ) (29)
i=1
onde N é o número de valores medidos, z(xi), envolvidos na estimativa, e λi são os pesos

associados a cada valor medido, z(xi). A determinação do número de vizinhos envolvidos na
estimativa de um valor constitui-se em assunto complexo e merece ser tratado separadamente, o
que se fará no capítulo VIII deste trabalho. Tomando-se z(xi) como uma realização da função
aleatória Z(xi) e, por hora, assumindo estacionaridade de ordem 2, o estimador fica,
N
Z * ( x0 ) = ∑ λ i Z( xi ) (30)
i=1
Note-se que o estimador anterior não apresenta nada de novidade pois praticamente todos
os métodos de interpolação seguem essa forma. Por exemplo, na interpolação linear os pesos são
todos iguais a 1/N, e na interpolação baseada no inverso do quadrado das distâncias os pesos
recebem valores variáveis de acordo com o inverso do quadrado da distância que separa o valor
interpolado dos valores medidos usados. No método da krigagem, os pesos são variáveis de
acordo com a variabilidade espacial expressa no semivariograma. Esse estimador nada mais é que
uma média móvel ponderada. O que torna a krigagem um interpolador ótimo, então, é a maneira
como os pesos são distribuídos, como será visto a seguir.
Para que o estimador seja ótimo, ele não pode ser tendencioso e deve ter variância
mínima. Matematicamente,
E {Z * ( x0 ) - Z( x0 )} = 0 (31)
e
VAR {Z * ( x0 ) - Z( x0 )} = E {[Z * ( x0 ) - Z( x0 )] 2 } = mínima (32)
As equações (31) e (32) representam as condições de não-tendência e de variância
mínima, respectivamente. Essas duas condições devem ser rigorosamente satisfeitas e, para
tanto, são usadas como ponto de partida para a dedução das equações. A condição de não-
tendência significa que, em média, a diferença entre valores estimados e medidos para o mesmo
ponto deve ser nula. A condição de variância mínima significa que, embora possam existir
diferenças ponto por ponto entre o valor estimado e o medido, essas diferenças devem ser
mínimas.
À primeira vista, pode parecer estranho quando se fala em diferenças entre valor
estimado e medido, quando o propósito da krigagem é justamente estimar valores para locais onde
estes não foram medidos. Porém, as condições impostas nas equações (31) e (32) são feitas tendo-
se em mente o que poderia acontecer se o valor naquele ponto fosse conhecido. Em outras
palavras, o objetivo é que a estimativa represente, o melhor possível, o que seria o valor medido
para aquele local. Na verdade, essas duas condições e o raciocínio anterior constituem o princípio
básico do "jack-knifing", que será discutido no capítulo IX deste trabalho.
O raciocínio geral na dedução do sistema de equações da krigagem envolve aplicação da

fórmula do estimador (equação (30)) na condição de não tendência, encontrando-se a primeira
restrição imposta nos pesos. Em seguida, aplicando-se esta restrição na condição de variância
mínima e empregando técnicas de Lagrange para minimização de equações, chega-se ao sistema
de equações da krigagem. Esta dedução será mantida com todos os detalhes para facilidade de
acompanhamento e compreensão.
Substituindo-se a equação (30) na equação (31) tem-se:
N
E { Z* ( x0 ) - Z( x0 )} = E { ∑ λ i Z( xi ) - Z( x0 )} = 0 (33)
i=1
Aplicando a linearidade do operador valor esperado, E, tem-se:
N
E { Z* ( x0 ) - Z( x0 )} = { ∑ λ i E {Z( xi )} - E {Z( x0 )} = 0 (34)
i=1
Substituindo-se a primeira condição de estacionaridade, expressa na equação (5), tem-se
N N
E { Z* ( x0 ) - Z( x0 )} = { ∑ λ i m - m } = m ( ∑ λ i - 1) = 0 (35)
i=1 i=1
Para que a equação (35) seja verdade para qualquer valor de m, é necessário que
N
∑ λ - 1= 0
i=1
i
ou seja,
∑λ = 1
N
i
i=1
(36)
Portanto, para que a estimativa não tenha tendência, é necessário que a soma dos pesos
seja igual a 1, qualquer que seja a distribuição de seus valores. Desenvolvendo a equação (32) e
chamando-a de σ2kZ(x0), variância da estimativa, tem-se:
σ 2 K Z* ( x0 ) = E { Z* ( x0 ) - Z( x0 ) } =
2
(37)
2
= E { Z* ( x0 )+ Z 2 ( x0 ) - 2 Z* ( x0 ) Z( x0 )}
Cada termo do lado direito da equação (37) será individualmente desenvolvido a seguir.
Substituindo-se a equação (30), no primeiro termo,
2 N
E { Z* ( x0 )} = E {( ∑ λ i Z( xi ) )2 } (38)
i=1
Aplicando-se propriedades de operações com álgebra linear tem-se:
2 N N
E { Z* ( x 0 )} = E { ∑ λ i Z( x i ) ∑ λ j Z( x j )}
i= 1 j= i
N N
(39)
= E { ∑ λ i ∑ λ j Z( x i ) Z( x j )}
i= 1 j= 1
N N
= ∑ ∑ λ i λ j E {Z( x i ) Z( x j )}
i= 1 j = 1
A equação (6)
C(h) = E{Z( xi )Z( xi + h)} - m2 pode ser reordenada para
E {Z( xi ) Z( xi + h)} = C(h) + m2 (40)
Substituindo-se a equação (40) na equação (39), tem-se:

N N
∑∑ λ i λ j C( xi ,x j ) + m2
2
E { Z* ( x0 )} = (41)
i=1 j=1
onde C(xi, xj) refere-se à função covariância correspondente a um vetor h, com origem em xi e
extremidade em xj.
O segundo termo no lado direito da equação (37) é:
E { Z 2 ( x0 )} = E {Z( x0 )Z( x0 + 0)} (42)
Substituindo a equação (40) na equação (42) para o valor apropriado de h tem-se:
E { Z 2 ( x0 )} = C(0) + m2 (43)
O terceiro termo no lado direito da equação (37) é:

N
E { Z* ( x0 )Z( x0 )} = E { ∑ λ i Z( xi ) Z( x0 )}
i=1
(44)
N
= ∑ λ i E {Z( xi ) Z( x0 )}
i=1
Substituindo-se a equação (40) na equação (44), tem-se:
N
E { Z* ( x0 ) Z( x0 )} = ∑ λ i [C( xi , x0 ) + m2 ] (45)
i=1
Substituindo-se as equações (41), (43) e (45) na equação (37), tem-se:
N N
2 2
2
σ k Z( x0 ) = ∑ ∑ λ i λ j C( xi , x j ) + m + C(0) + m
i=1 j=1
N
- 2 ( ∑ λ i C( xi , x0 ) + m2 )
i=1
ou simplificando:
N N
σ 2k Z( x0 ) = ∑ ∑ λ i λ j C( xi , x j ) + C(0)
i=1 j=1
(46)
N
- 2 [ ∑ λ i C( xi , x0 )]
i=1
A equação (46) deve ser minimizada sob a restrição de que
N
∑ λi = 1
i=1
Esse processo de minimização pode ser feito pelas técnicas de Lagrange, as quais podem
ser encontradas em livros de cálculo avançado. Para satisfazer a condição expressa na equação
(32), é preciso que as N derivadas parciais
N
∂ ( σ 2k ( x0 ) - 2 µ ∑ λ 1 ) / ∂ λ i (47)
i=1
sejam igualadas a 0 (zero); µ é um multiplicador de Lagrange. Assim, se a derivada parcial
expressa na equação (47) for efetuada obtém-se,
N
2 ∑ λ i C( xi , x j ) - 2C( xi , x0 ) - 2 µ = 0 (48)
i=1
Cancelando o fator 2, rearranjando e combinando com a equação (36), tem-se o sistema
de krigagem expresso em termos de função covariância:
N
∑ λ j C( xi , x j ) - µ = C( xi , x0 ), i = 1 a N
j=1
(49)
N
∑ λ j=1
j=1
As primeiras N equações no sistema (49) podem ser rearranjadas em:
N
∑ λ j C( xi , x j ) = µ + C( xi , x0 ) (50)
j=1
Substituindo a equação (50) na equação (46), tem-se:
N N
2
σ k Z( x0 ) = ∑ λ i ( µ + C( xi , x0 )) + C(0) - 2 ∑ λ i C( xi , x0 )
i=1 i=1
N N
2
σ k Z( x0 ) = C(0)+ µ + ∑ λ i C( xi , x0 ) - 2 ∑ λ i C( xi , x0 ) (51)
i=1 i=1
N
2
σ k Z( x0 ) = C(0)+ µ - ∑ λ i C( xi , x0 )
i=1
A equação (51) é expressão da variância mínima da estimativa. Quando a estacionaridade
de ordem 2 puder ser aceita, o sistema krigagem (49) e a variância da estimativa expressa na
equação (51) podem ser escritos ambos na forma de função covariância, C(h), ou de
semivariograma, γ(h). Existem algumas vantagens computacionais em se usar covariância, que
serão discutidas no final deste capítulo.
Entretanto, se a hipótese intrínseca for o máximo que se puder assumir, então, obrigatoriamente,
tem-se que usar o semivariograma, γ(h), nas equações (50) e (51). A transformação do sistema de
krigagem (49) e da variância da estimativa (51), em termos de semivariograma, pode ser feita
através da equação (13), substituindo-se C(h) por C(0) - γ(h).
Assim, o sistema de krigagem fica:
N
∑ λ j γ ( xi , x j )+ µ = γ ( xi , x0 ), i = 1 a N
j=1
(52)
N
∑ λ j=1
j=1
e a variância da estimativa, σ2k Z(x0), fica
N
σ 2k Z( x0 ) = µ + ∑ λ i γ ( xi , x0 ) (53)
i=1
Os sistemas (49) e (52) contêm N+1 equações e N+1 incógnitas, e uma única solução
produz N pesos, λ, e um multiplicador de Lagrange, µ.
O sistema de krigagem da equação (49) pode ser escrito em notação matricial como
[C] [ λ ] = [b] (54)
ou, quando se usa semivariograma,
[ γ ] [ λ ] = [b] (55)
cujas soluções são
[ λ ] = [C ] [b]
-1
(56)
ou
[ λ ] = [ γ ] [b]
-1
(57)
onde, [C] é a matriz covariância, [γ] é a matriz semivariância, [C]-1 e [γ]-1 são seus inversos,
respectivamente, [λ] é a matriz dos pesos procurados λi, e [b] é o lado direito das equações (49) ou
(52), quando se usa C(h) ou γ(h), respectivamente.
As equações (51) e (53), da variância da estimativa, podem ser expressas em notação
matricial, como
o k Z( x0 ) = C(0) - [ λ ] [b]
2 t
(58)
ou
o k Z( x0 ) = [ λ ] [b]
2 t
(59)
respectivamente, quando se usa C(h) ou γ(h). A matriz [λ]t é o transposto da matriz [λ].
Suponha que N=4. Então as matrizes [C] e [γ] são matrizes 5x5 e podem ser, explicitamente,
escritas como
⎡ C( x1 , x1 ) C( x1 , x 2 ) C( x1 , x 3 ) C( x1 , x 4 ) 1⎤
⎢ ⎥
⎢C( x 2 , x1 ) C( x 2 , x 2 ) C( x 2 , x 3 ) C( x 2 , x 4 ) 1⎥
⎢ ⎥
[C] = ⎢C( x 3 , x1 ) C( x 3 , x 2 ) C( x 3 , x 3 ) C( x 3 , x 4 ) 1⎥ (60)
⎢ ⎥
⎢C( x 4 , x1 ) C( x 4 , x 2 ) C( x 4 , x 3 ) C( x 4 , x 4 ) 1⎥
⎢ ⎥
⎣ 1 1 1 1 0⎦
ou
⎡γ ( x1 , x1 ) γ ( x1 , x 2 ) γ ( x1 , x 3 ) γ ( x1 , x 4 ) 1⎤
⎢ ⎥
⎢γ ( x 2 , x1 ) γ ( x 2 , x 2 ) γ ( x 2 , x 3 ) γ ( x 2 , x 4 ) 1⎥
⎢ ⎥
[ γ ] = ⎢γ ( x 3 , x1 ) γ ( x 3 , x 2 ) γ ( x 3 , x 3 ) γ ( x 3 , x 4 ) 1⎥ (61)
⎢ ⎥
⎢γ ( x 4 , x1 ) γ ( x 4 , x 2 ) γ ( x 4 , x 3 ) γ ( x 4 , x 4 ) 1⎥
⎢ ⎥
⎣ 1 1 1 1 0⎦
A matriz de lâmbdas [λ] pode ser escrita como
⎡ λ1 ⎤
⎢ ⎥
⎢λ2 ⎥
[ λ ] = ⎢ λ3 ⎥ (62)
⎢ ⎥
⎢ λ4 ⎥
⎢⎣- µ ⎥⎦
ou
⎡λ 1⎤
⎢ ⎥
⎢λ 2 ⎥
[ λ ] = ⎢λ 3 ⎥ (63)
⎢ ⎥
⎢λ 4 ⎥
⎢⎣ µ ⎥⎦
E a matriz do lado direito dos sistemas de krigeagem pode ser escrita como,
⎡C( x1 , x0 )⎤
⎢C( , )⎥
⎢ x 2 x0 ⎥
[b] = ⎢C( x 3 , x0 )⎥ (64)
⎢ ⎥
⎢C( x 4 , x0 )⎥
⎢⎣ 0 ⎥⎦
ou
⎡γ ( x1 , x0 )⎤
⎢γ ( , )⎥
⎢ x 2 x0 ⎥
[b] = ⎢γ ( x 3 , x0 )⎥ (65)
⎢ ⎥
⎢γ ( x 4 , x0 )⎥
⎢⎣ 0 ⎥⎦
respectivamente, quando se usa C(h) ou γ(h).
5. Particularidades do sistema e métodos de solução
Os sistemas de krigagem das equações (49) e (52) têm algumas particularidades que
facilitam grandemente os cálculos e a solução do sistema e mesmo a análise de esquemas de
amostragem. É preciso lembrar que, para cada estimativa ou interpolação efetuada, ter-se-á um
sistema de equações de krigagem para o qual ter-se-á que achar a solução. Essa operação é a que
envolve o maior tempo de processamento de computador, e quando esse tempo é pago, é a
operação que envolve os maiores custos. Por isto, é imprescindível que se faça uso das
particularidades do sistema de krigagem para aumentar eficiência, precisão e velocidade e diminuir
custo de estimativa. Primeiramente serão examinadas as particularidades da matriz de coeficientes,
ou seja, as matrizes covariância ou semivariograma, expressas em (60) e (61) para o caso
particular de N=4.
Tanto as funções covariância, C(h), ou semivariograma, γ(h), são simétricas ao redor de
zero (0). Isso significa que C(h)=C(-h) e γ(h)=γ(-h). Isso faz com que as matrizes (60) e (61)
sejam simétricas, isto é, a parte que fica acima da diagonal principal é exatamente igual à parte
que fica abaixo dela, porque C(x1, x3) = C(x3, x1) ou γ(x1, x3) = γ(x3, x1).
Uma outra particularidade importante é a diagonal principal, a qual deve ser preenchida
com valores de C(h) ou γ(h), correspondentes a vetores nulos, isto é, para h=0. Isso faz com que a
diagonal principal para a matriz (60) tenha valores máximos e iguais a C(0) e para a matriz (61)
tenha zeros (0). Isso acontece porque C(0) é o máximo valor da função covariância e é igual ao
patamar do semivariograma, e γ(0)=0 qualquer que seja o efeito pepita, C(0). Esta afirmação pode
parecer estranha, mas o que deve ser mantido é que γ(0)=0, e γ(e) = C(0) (efeito pepita), onde e é a
menor distância entre amostras.
Existem vários métodos de solução de sistemas lineares de equação como o do sistema de
krigagem (Burden et al., 1978, pag. 299 a 361), como também existem métodos mais eficientes
que levam em conta as particularidades das matrizes (Journel e Huijbregts, 1978, pag. 357 a 360).
O método mais comum seria o de inverter a matriz de coeficientes, (60) ou (61), e multiplicar do
lado direito. Porém esse é também o método mais demorado em termos de tempo de
processamento e o que envolve o maior número de operações de multiplicação/divisão e
soma/subtração e, por isso, é também o que apresenta a maior propagação de erros. O método de
eliminação Gaussiana envolve um número bastante menor de operações e, por isso mesmo, é mais
rápido e mais preciso. Esse método procura, primeiramente, o elemento chamado pivô, o qual é o
valor máximo encontrado em cada coluna da matriz. Desse modo, se for usada a covariância,
C(h), no sistema de krigagem, poder-se-á eliminar essa operação de procura do pivô, pois na
matriz de covariância (60) a diagonal sempre vai conter o elemento máximo. Quanto à ressalva
de estacionaridade de ordem 2 e conseqüente existência de covariância finita, Journel &
Huijbregts, (1978, pag. 357) recomendam que se pode definir uma função pseudocovariância
C(h)=A - γ(h), onde A é uma constante maior que qualquer γ(h) usado no sistema. Devido à
condição de não tendência, (Σλi=1), o valor A será eliminado do sistema da krigagem, e esta
operação não altera os valores dos pesos calculados na solução.
6. Os exemplos
Uma vez que existe uma distância bastante grande entre os pontos medidos, com alguns
pontos mais próximos (Figura 2), é desejável fazer estimativas para os locais não medidos, para
construção de mapas. Além disso, graças à existência de dependência espacial, expressa pelos
semivariogramas da Figura 6, pode-se utilizar krigagem para efetuar as estimativas. Dessa
maneira, foram estimados valores para cada ponto localizado na grade quadrada de 1,52m,
regularizando assim a distância de separação entre amostras em todo o campo. Usando-se esses
dados para cada uma das variáveis, construíram-se os mapas de isolinhas para cada uma das
variáveis, mostrados nas Figuras 8, 9, 10 e 11. Com esses mapas pode-se ver agora, por exemplo,
porque o carbono e nitrogênio para o solo de Davis têm semivariogramas parecidos, pois variam
de maneiras muito semelhantes. Isso pode ser observado nas figuras 8 e 9, respectivamente para
carbono e nitrogênio para o solo de Davis, onde, para quase todas situações de máximo ou de
mínimo para carbono, corresponde uma situação igual para nitrogênio. Outro fato notório nas
Figuras 8 e 9 é a tendência de crescimento na direção y, o que confirma a tendência encontrada.
V. O SEMIVARIOGRAMA CRUZADO
Em Ciência do Solo, freqüentemente algumas variáveis são relacionadas com outras,

sendo possível utilizar essa vantagem. Exemplos comuns incluem condutividade hidráulica e
retenção de água, cuja medição é difícil e cara, e além disso são normalmente correlacionadas a
variáveis cuja medição é mais fácil, como teores de partículas na camada superficial do solo. A
facilidade de se utilizar de teores granulométricos em estimativas, tem atraído o interesse de
pesquisadores que utilizam modelos para predição de rendimento de culturas, erosão e potencial de
produção. Em situações em que existe a correlação espacial entre duas propriedades, a estimativa
de uma delas pode ser feita usando-se informações de ambas expressas no semivariograma
cruzado e o método chamado co-krigagem, o qual pode ser mais preciso do que o da krigagem em
si.
Devido, talvez, às maiores dificuldades envolvidas nesse método, do que com a
krigagem em si, o número de trabalhos nesta área é bastante limitado (Vauclin et al., 1983; Vieira
et al., 1983).
1. As definições pertinentes
De maneira semelhante ao estabelecido para uma única variável, considera-se um campo

para o qual dois conjuntos de variáveis, {Z1(x1i), i=1, N1} e {Z2(x2j), j=1, N2}, foram medidos,
correspondendo a realizações particulares das funções aleatórias Z1(x1i) e Z2(x2i),
respectivamente. Considere-se também que a variável Z2 tenha sido, por alguma razão,
subamostrada, em relação a Z1, ou seja, N1 > N2; por isto, Z2 deverá ser estimado para os locais
não medidos.
Assumindo estacionaridade de segunda ordem, os momentos de primeira ordem de
Z1(x1i) e Z2(x2j) são, respectivamente:
E { Z 1( x1i )} = m1 , para qualquer x1i dentro de S (66)
E { Z 2 ( x2j )} = m2 , para qualquer x2j dentro de S (67)
As covariâncias de Z1(x1i) e Z2(x2j) são, respectivamente:

C11 (h) = E { Z 1 ( x1i + h) Z 1 ( x1j )} - m12 (68)
e
C 22 (h) = E { Z 2 ( x 2i + h) Z 2 ( x 2j )} - m22 (69)
A covariância cruzada entre Z1(x1i) e Z2(x2j) é:
C12 (h) = E { Z 1 ( x1 i + h) Z 2 ( x 2 j)} - m1 m2 (70)
e a covariância cruzada entre Z2(x2j) e Z1(x1i) é:

C 21 (h) = E { Z 2 ( x 2j + h) Z 1 ( x1i )} - m2 m1 (71)
Os semivariogramas de Z1(x1i) e Z2(x2j) são, respectivamente:
γ 11 (h) = 1 / 2 E { Z 1 ( x1i + h) - Z 1 ( x1i ) }2 (72)
γ 22 (h) = 1 / 2 E { Z 2 ( x 2j + h) - Z 2 ( x 2j ) }2 (73)
O semivariograma cruzado entre Z1(x1i) e Z2(x2i), igual ao semivariograma cruzado entre
Z2(x2j) e Z1(x1i), é:
γ (h) = γ ( h ) = 1/2 E {[ Z ( x +h) -Z ( x )][ Z ( x +h) -Z ( x )]}
1 1i 1 1i 2 2j 2 2j
(74)
12 21
A equação (74) pode ser estimada por:

N(h)
1
γ 12 (h) =
2N(h) ∑
[ Z 1( x 1i + h) - Z 1( x 1i )][ Z 2 ( x 2j + h) - Z 2 ( x 2j )] (75)
i=1
onde N(h) é o número de valores de Z1 e Z2 separados por um vetor h.
Comparando-se a equação (75) do semivariograma cruzado com a equação (21) do
semivariograma, pode-se notar que o semivariograma é um caso particular do semivariograma
cruzado, quando as duas variáveis são idênticas. Este fato, aliado ao produto da diferença de duas
variáveis, faz com que fique bastante difícil de visualizar o que deve, intuitivamente, acontecer
com γ12(h) quando h aumenta de zero (0) até a distância máxima. Considerando que h é um vetor
e portanto possui magnitude e direção, é de se esperar que o semivariograma cruzado seja
dependente de direção, podendo ser anisotrópico. Porém, se já é difícil interpretar anisotropia de
semivariograma, por causa do produto das diferenças é pior ainda para o semivariograma cruzado.
Uma característica interessante da equação (75) é que não importa que uma das variáveis
tenha milhões de valores medidos, pois o semivariograma cruzado só será calculado usando as
informações existentes para posições geográficas coincidentes. Isto significa que Z1 e Z2 tem que
ser, necessariamente, definidos para os mesmos locais, e as informações excedentes deverão ser
excluídas do cálculo. Assim, o programa de computador que for escrito para executar a equação
(75) deverá, primeiramente, verificar se os dois conjuntos de dados são definidos para posições
idênticas, para então calcular as diferenças.
Um semivariograma cruzado, com características que podem ser identificadas como

ideais teria aparência do semivariograma mostrado na figura 1, porém com significados diferentes,
pelo simples fato de envolver o produto das diferenças de duas variáveis diferentes. Por exemplo,
ao contrário do semivariograma, não é óbvio que o valor do semivariograma cruzado para h=0
deva ser nulo. Assim, além de espaços menores do que a distância de amostragem, acumulado no
mesmo parâmetro, está a falta de correlação entre as duas variáveis. O alcance aqui representa
apenas o final ou a distância máxima de dependência espacial entre as variáveis. Já o patamar do
semivariograma cruzado, se existir, deve aproximar-se do valor da covariância entre as duas
variáveis. Assim, quando as duas variáveis forem de correlação inversa, isto é, quando uma
aumenta e a outra diminui, a covariância será negativa e, conseqüentemente, o semivariograma
cruzado será negativo. Os modelos utilizados para o semivariograma cruzado são os mesmos já
requeridos para o semivariograma.
4. Os exemplos
Os semivariogramas cruzados para carbono vs. nitrogênio estão na figura 12, para Davis
e Oakley. Ambos são razoavelmente descritos por um modelo Gaussiano único, portanto ambos
com patamares positivos e escalonados, com alcance de 13,0m.
O exame dos porquês da correlação entre carbono e nitrogênio nesses dois solos está
além dos objetivos deste trabalho e não será considerado aqui. Entretanto, o formato do
semivariograma cruzado revela que a correlação espacial entre as duas variáveis é semelhante nos
dois solos. Suponha-se, então, que seja mais fácil e mais barato medir carbono do que nitrogênio.
Nesse caso, o nitrogênio não precisa ser amostrado na mesma intensidade que o carbono, pois
pode-se usar a dependência espacial entre eles para estimar o teor de nitrogênio. Essa
possibilidade, juntamente com suas vantagens, será examinada no capítulo VI.
VI - A CO-KRIGAGEM
O método geoestatístico de interpolação mostrado no capítulo IV, a krigagem, é um caso

particular do método co-krigagem que será discutido em seguida. Uma vez que exista a
dependência espacial para cada uma das variáveis Z1 e Z2, e que também exista dependência
espacial entre Z1 e Z2, então é possível utilizar a co-krigagem para estimar valores. Essa
estimativa pode ser mais precisa do que a krigagem de uma variável simples (Vauclin et al., 1983),
quando o semivariograma cruzado mostrar dependência entre as duas variáveis.
1. O estimador
Suponha que se queira estimar valores, Z2*, para qualquer local, x0, e que a estimativa
deva ser uma combinação linear de ambos Z1 e Z2, ou seja
N1 N2
z 2 ( x0 ) = ∑ λ 1i z1 ( x1i ) + ∑ λ 2j z 2 ( x2j )
*
(76)
i=1 i=1
onde N1 e N2 são os números de vizinhos de Z1 e Z2, respectivamente, e λ1 e λ2 são os pesos

associados a cada valor de Z1 e Z2. Tomando z1(x1i) e z2(x2j) como sendo uma realização das
funções aleatórias Z1(x1i) e Z2(x2j), respectivamente, e assumindo estacionaridade de ordem 2, o
estimador pode ser reescrito em
N1 N2
Z ( x0 ) = ∑ λ 1i Z 1 ( x1i ) + ∑ λ 2j Z 2 ( x 2j )
*
2 (77)
i=1 i=1
A equação (77) então expressa que a estimativa da variável Z2 deverá ser uma
combinação linear de ambos Z1 e Z2, com os pesos λ1 e λ2 distribuídos de acordo com a
dependência espacial de cada uma das variáveis entre si e com a correlação cruzada entre elas.
Para que o estimador seja ótimo, ele não pode ter tendência e tem que ter variância
mínima. Em outras palavras, para que o estimador seja o melhor possível é necessário que ele não
superestime nem subestime valores, e que a confiança nas estimativas seja máxima.
Matematicamente, isso pode ser escrito:
E { Z *2 ( x0 ) - Z 2 ( x0 )} = 0 (78)
e
VAR { Z *2 ( x0 ) - Z 2 ( x0 )} = E {[ Z *2 ( x0 ) - Z 2 ( x0 ) ] 2 } = mínima (79)
Essas duas condições devem ser rigorosamente satisfeitas e para isso são usadas como
ponto de partida para a dedução das equações, a exemplo do que já foi dito para a estimativa com
a krigagem. É importante notar que, apesar de a estimativa ser feita usando-se uma combinação
das duas variáveis (equação (77)), as condições (78) e (79) são impostas na variável estimada.

O raciocínio básico para dedução do sistema de equações da co-krigagem é idêntico ao
da krigagem, com uma diferença que, neste caso, envolve duas variáveis e, por isto, envolve
equações mais longas, com subscritos, complicando um pouco mais a situação. Porém, o
raciocínio e, por conseguinte, a álgebra envolvida, são os mesmos. A exemplo do que foi feito
para a krigagem no capítulo IV, a dedução será feita passo a passo.
Substituindo-se a equação (77) na equação (78) tem-se:
N1 N2
E { Z *2 ( x 0 ) - Z 2 ( x 0 )} = E { ∑ λ 1i Z 1( x1i ) + ∑ λ 2j Z 2 ( x 2j ) - Z 2 ( x0 )} = 0
i=1 j=1
Aplicando-se a linearidade do operador valor esperado, E, tem-se

N1 N2
E { Z *2 ( x 0 ) - Z 2 ( x 0 )} = ∑ λ 1i E { Z 1 ( x 1i )} + ∑ λ 2j ( x 2j ) E { Z 2 ( x 2j )} -
i= 1 i= 1
- E { Z 2 ( x 0 )} = 0
Substituindo-se a equação (5), tem-se

N1 N2
m1 ∑ λ 1i + m 2 ∑ λ 2j - m 2 = 0
i =1 j =1
ou
N1 N2
m1 ∑ λ 1i + m2 ( ∑ λ 2j - 1) = 0 (80)
i =1 j =1
Uma vez que não se pode, necessariamente, exigir que m1 e m2 sejam nulos, para
satisfazer a equação (80) e, por conseguinte, para que a estimativa não tenha tendência, é
necessário que
N2
∑ λ 2j = 1 (81)
j=1
N1
∑ λ 1i = 0 (82)
i=1
Desse modo, para que a estimativa não tenha tendência, qualquer que seja a distribuição
dos pesos, a soma daqueles associados com a variável estimada deve ser igual a 1 e a soma
daqueles associadas à outra variável tem que ser nula. Essas duas condições serão usadas como
restrição na etapa seguinte.
Desenvolvendo-se o quadrado na equação (79), chamando-o de σ2k2(x0), tem-se
σ 2 K ( x0 ) = E {[ Z *2 ( x0 ) - Z 2 ( x0 ) ] } = E { Z *2 ( x0 ) + Z 22 ( x0 ) -
2
2
(83)
- Z *2 ( x0 ) Z 2 ( x0 ) - Z 2 ( x0 ) Z *2 ( x0 )}
Aplicando a linearidade do operador E, tem-se:
σ 2 K ( x0 ) = E { Z *2 ( x0 )} + E{ Z 22 ( x0 )} - E { Z *2 ( x0 ) Z 2 ( x0 )} -
2
(84)
- E { Z 2 ( x0 ) Z *2 ( x0 )}
Chamando os termos do lado direito da equação (84) de A, B, C e D, tem-se:
σ 2 K ( x0 ) = A + B - C - D
2
(85)
Desenvolvendo individualmente cada termo da equação (85), tem-se:

2
A = E { Z*2 ( x0 )} = E { Z*2 ( x0 ) Z*2 ( x0 )} (86)
Substituindo-se a equação (77) na equação (86):
⎧⎪ ⎛ ⎞⎛ ⎞ ⎫⎪
A = E ⎨ ⎜ ∑ λ 1i Z 1 ( x1i )+ ∑ λ 2j Z 2 ( x 2j )⎟ ⎜ ∑ λ 1k Z 1 ( x1k )+ ∑ λ 2l Z 2 ( x 2l )⎟ ⎬ (87)
⎪⎩ ⎝ i j ⎠⎝ k l ⎠ ⎪⎭
Efetuando-se as multiplicações nos colchetes, tem-se:
A = E { ∑ λ 1i Z 1 ( x1i ) ∑ λ 1k Z 1( x1k )+ ∑ λ 1i Z 1 ( x1i ) ∑ λ 2l Z 2 ( x 2l ) +

i k i l
(88)
+ ∑ λ 2j Z 2 ( x 2j ) ∑ λ 1k Z 1 ( x1k ) + ∑ λ 2j Z 2 ( x 2j ) ∑ λ 2l Z 2 ( x 2l )}
j k j l
Rearranjando os somatórios e usando a linearidade do operador E:
A = ∑ ∑ λ 1i λ ik E { Z 1 ( x1i ) Z 1 ( x1k )} + ∑ ∑ λ 1i λ 2l E { Z 1 ( x1i ) Z 2 ( x2l }

i k i l
(89)
+ ∑ ∑ λ 2j λ 1k E { Z 2 ( x 2j ) Z 1 ( xik )} + ∑ ∑ λ 2j λ 2l E { Z 2 ( x 2j ) Z 2 ( x2l )}
j k j l
Substituindo-se as equações (68), (69), (70) e (71) na equação (89):
A = ∑ ∑ λ1i λ1k (C11 ( x1i , x1k ) + m12) + ∑ ∑ λ1i λ 2l

i k i l
[C12 ( x1i , x 2l) + m1 m2] + ∑ ∑ λ 2j λ1k [C21 ( x 2j , x1k ) + (90)

j k
+ m2 m1] + ∑ ∑ λ 2j λ 2l [C22 ( x 2j , x 2l) + m22]

j l
Multiplicando dentro dos colchetes:

A = ∑∑ λ
i k
1i λ 1k C11 ( x1i ,x1k )+ ∑
i
∑λ l
1i λ 2l C12 ( x1i ,x 2l )+
(91)
+ ∑∑ λ 2j λ 1k C 21 ( x 2j ,x1k )+ ∑∑ λ 2j λ 2l C 22 ( x 2j ,x 2l ) + m22
j k j l
Desenvolvendo o termo B da equação (85) tem-se:

B = E { Z 22 ( x0 )} = E { Z 2 ( x0 ) Z 2 ( x0 + 0)} (92)
Usando a equação (69) para h=0 e substituindo em (92) fica:
B = C 22 (0) + m22 (93)
Desenvolvendo o termo C da equação (85) tem-se:
C = E { Z*2 ( x0 ) Z 2 ( x0 )} (94)
Aplicando a equação (77) na equação (94) fica:
C = E {[ ∑ λ 1k Z 1 ( x1k ) + ∑ λ 2i Z 2 ( x 2i )] Z 2 ( x0 )}
k i
Multiplicando-se dentro dos colchetes e usando a linearidade do operador E fica:
C = ∑ λ 1k E { Z 1 ( x1k ) Z 2 ( x0 )} + ∑ λ 2i E{ Z 2 ( x 2i ) Z 2 ( x0 )} (95)
k i
Substituindo as equações (69) e (70) na equação (95) fica:
C = ∑ λ ( C ( x ,x ) +
k
1k 12 1k 0 m1 m2 ) + ∑ λ ( C ( x ,x ) +
i
2i 22 2i 0 m22 ) (96)
Multiplicando dentro dos colchetes tem-se:
C = ∑ λ 1k C 12 ( x1k , x0 ) + m1 m2 ∑ λ 1k + ∑ λ 2i C 22 ( x 2i , x0 ) +
k k i
(97)
+ m22 ∑ λ 2i
i
Aplicando as condições (81) e (82) nos termos constantes na equação (97) fica:
C = ∑λ k
1k C12 ( x1k ,x0 ) + ∑λ i
2i C 22 ( x 2i ,x0 )+ m22 (98)
Desenvolvendo o termo D da equação (85) tem-se:

D = E { Z 2 ( x0 ) Z*2 ( x0 )} (99)
Aplicando a equação (77) na equação (99) tem-se:
D = E { Z 2 ( x0 )[ ∑ λ 1k Z 1 ( x1k ) + ∑ λ 2i Z 2 ( x 2i )]}
k i
Multiplicando dentro dos colchetes e usando a linearidade do operador E tem-se:
D = ∑ λ 1k E { Z 2 ( x0 ) Z 1 ( x1k )} + ∑ λ 2i E { Z 2 ( x0 ) Z 2 ( x 2i )} (100)
k i
Substituindo as equações (69) e (71) na equação (100) tem-se:
D = ∑ λ 1k ( C 21 ( x0 ,x1k ) + m2 m1 ) + ∑ λ 2i ( C 22 ( x0 , x2i ) + m22 )

k i
Multiplicando dentro dos colchetes tem-se:
D = ∑ λ 1k C 21 ( x0 , x1k ) + m2 m1 ∑ λ 1k + ∑ λ 2i C 22 ( x0 , x 2i + m22 ) +
k k i
(101)
+ m22 ∑ λ 2i
i
Aplicando as condições (81) e (82) tem-se:
D = ∑ λ 1k C 21 ( x0 , x1k ) + ∑ λ 2i C 22 ( x0 , x 2i ) + m22 (102)

k i
Substituindo as equações (91), (93), (98) e (102) na equação (85):
σ 2 k2 ( x0 ) = ∑∑ λ 1i λ 1k C11 ( x1i ,x1k )+ ∑∑ λ 1i λ 2l C12 ( x1i ,x 2l )+

i k i l
+ ∑∑ λ j k
2j λ 1k C 21 ( x 2j ,x1k )+ ∑∑ λ 2j λ 2l C 22 ( x 2j ,x 2l )+ m22 +
j l
(103)
+ C 22 (0)+ m - ∑ λ 1k C12 ( x1k ,x0 ) - ∑ λ 2i C 22 ( x 2i ,x0 ) -
2
2
k i
- m22 - ∑ λ 1k C 21 ( x0 ,x1k ) - ∑ λ 2i C 22 ( x0 ,x 2i ) - m22

k i
Cancelando os m22 e lembrando que C(h) = C(-h) e Ck'k(h) = Ckk'(h), a equação (103)
pode ser reescrita como:
σ 2 k2 ( x0 ) = ∑ ∑ λ 1i λ 1k C 11 ( x1i , x1k ) + ∑ ∑ λ 1i λ 2l C 12 ( x1i , x2l ) +
i k i l
+ ∑ ∑ λ 2j λ 1k C 21 ( x 2j , x1k ) + ∑ ∑ λ 2j λ 2l C 22 ( x 2 j , x 2l ) − (104)
j k j l
- 2 ∑ λ 1k C 12 ( x1k , x0 ) - 2 ∑ λ 2i C 22 ( x 2i , x0 ) + C 22 (0)
k i
A minimização da variância da estimativa σk2(x0), expressa na equação (104), pode ser

feita aplicando técnicas de Lagrange expressas por:
∂ ( σ 2k2 ( x0 ) - 2 µ 2 ∑ λ 2i )/ ∂ 2i = 0 (105)
i
e por
∂ ( σ 2k2 ( x0 ) - 2 µ 1 ∑ λ 1k )/ ∂ 1k = 0 (106)
k
onde µ1 e µ2 são multiplicadores de Lagrange.

A equação (105) torna-se:
2 ∑ λ 1i C11 ( x1i ,x1k )+ ∑ λ 2l C12 ( x1i ,x 2l )+
i l
(107)
∑λ j
2j C 21 ( x 2j ,x1k ) - 2 C12 ( x1k ,x0 ) - 2 µ 1 = 0
Lembrando-se que Ck'k(h) = Ckk'(h) e substituindo o subíndice "l" por "j", a equação (107)
torna-se:
2∑ λ1i C11 ( x1i , x1k ) + 2∑ λ 2 j C12 ( x1i , x 2 j ) − 2C12 ( x1k , x0 ) − 2 µ 1 = 0 (108)
i j
Cancelando o fator 2 e rearranjando tem-se:
∑ λ 1i C11 ( x1i ,x1k )+ ∑ λ 2j C12 ( x1k ,x2j ) - µ1 = C12 ( x1k ,x0 )
i j
(109)
∑λ
i
1i C 12 ( x 1i , x 2i )+ ∑ λ 2j C 22 ( x 2j , x 2i ) - µ 2 = C 22 ( x 2i , x 0 )
j
Seguindo raciocínio idêntico, a equação (106) torna-se:
∑ λ 1l C 12 ( x1l , x 2l ) + ∑ λ 2k C 22 ( x 2k , x 2k ) - µ 2 = C 22 ( x 2l , x0 ) (110)
l k
Combinando as equações (81), (82), (109) e (110) resulta no sistema de equações da co-
krigagem(111):
N1 N2
∑ λ 1i C11 ( x1i ,x1k )+ ∑ λ 2j C12 ( x1k ,x2j ) - µ1 =

i=1 j=1
= C12 ( x1k ,x0 ), k = 1,... N 1

N1 N2
∑ λ 1i C12 ( x1i , x2l ) + ∑ λ 2j C 22 ( x2j , x2l ) - µ 2 + µ 1
i=1 j=1
= C 22 ( x 2l , x0 ), l = 1,... N 2
(111)
N1
∑ λ 1i = 0
i=1
N2
∑ λ 2j = 1
j=1
Rearranjando o primeiro e segundo conjunto de equações do sistema (111), e

substituindo-os na equação (104), resulta na variância da estimativa da co-krigagem,
N1 N2
σ k 2 ( x0 ) = C 22 (0) + µ 1 - ∑ λ 1i C 12 ( x1i , x0 ) - ∑ λ 2j C 22 ( x 2j , x0 )
2 (112)
i=1 j=1
O sistema co-krigagem (111) e a variância da estimativa (112) podem ser

escritos em termos de semivariograma, usando a equação (14) sob hipótese de estacionaridade de
ordem 2, ou a relação sugerida em Journel e Huijbregts, 1978 (pag. 357). Assim, o sistema da co-
krigagem, em termos de semivariograma, fica:
N1 N2
∑ λ 1i γ 11 ( x1i , x1k ) + ∑ λ 2j γ 12 ( x1k , x2j ) - µ 1 =
i=1 j=1
= γ 12 ( x1k , x0 ), k = 1,... N 1
N1 N2
∑ λ 1i γ 12 ( x1i , x2l ) + ∑ λ 2j γ 22 ( x2j , x2l ) - µ 2 =
i=1 j=1
= γ 22 ( x 2l , x0 ), l = 1,... N 2
(113)
N1
∑ λ 1i = 0
i=1
N2
∑ λ 2j = 1
j=1
e a variância da estimativa fica:

N1 N2
σ k2 ( x0 ) = µ 1 + µ 2 + ∑ λ 1i γ 12 ( x1i , x0 ) + ∑ λ 2j γ 22 ( x 2j , x0 )
2 (114)
i=1 j=1
A solução do sistema da co-krigagem produzirá N1 pesos λ1i e N2 pesos λ2j e os multiplicadores
de Lagrange, µ1 e µ2.
4. Sistema Matricial
O sistema de co-krigagem da equação (113) pode ser escrito em notação matricial como:
[ λ ] [ γ ] = [b] (115)
cuja solução é:
[ λ ] = [ γ ] [b]
-1
(116)
onde [γ]-1 é o inverso da matriz de coeficientes [γ], [λ] é a matriz dos pesos procurados, λ1i e λ2j, e
[b] é o lado direito da equação (113).
A variância da estimativa, por sua vez, pode ser escrita como:
σ 2k ( x0 ) = [ λ ] [b]
t
2
(117)
onde [λ]t é o transposto da matriz [λ].

Suponha-se então que o número de vizinhos de Z2 usados seja N2=2, e de Z1, N1=4. A
matriz [γ] será então de 8x8 e pode ser escrita como:
⎡ γ 11 ( x11 , x11 ) γ 11 ( x12 , x11 ) γ 11 ( x13 , x11 ) γ 11 ( x14 , x11 ) γ 12 ( x11 , x21 ) γ 12 ( x11 , x22 ) 1 0 ⎤
⎢ ⎥
⎢γ 11 ( x11 , x12 ) γ 11 ( x12 , x12 ) γ 11 ( x13 , x12 ) γ 11 ( x14 , x12 ) γ 12 ( x12 , x21 ) γ 12 ( x12 , x22 ) 1 0 ⎥
⎢ ⎥
⎢ γ 11 ( x11 , x13 ) γ 11 ( x12 , x13 ) γ 11 ( x13 , x13 ) γ 11 ( x14 , x13 ) γ 12 ( x13 , x21 ) γ 12 ( x13 , x22 ) 1 0 ⎥
⎢ ⎥
⎢γ 12 ( x11 , x14 ) γ 11 ( x12 , x14 ) γ 11 ( x13 , x14 ) γ 11 ( x14 , x14 ) γ 12 ( x14 , x21 ) γ 12 ( x14 , x22 ) 1 0 ⎥ (118
⎢ ⎥
⎢γ 12 ( x11 , x21 ) γ 12 ( x12 , x 21 ) γ 12 ( x13 , x21 ) γ 12 ( x14 , x 21 ) γ 22 ( x 21 , x21 ) γ 22 ( x 21 , x22 ) 0 1⎥
⎢ ⎥
⎢γ ( x11 , x 22 ) γ 12 ( x12 , x 22 γ 12 ( x13 , x22 ) γ 12 ( x14 , x 22 ) γ 22 ( x 22 , x21 ) γ 22 ( x 22 , x22 ) 0 1⎥
⎢ 12 ⎥
⎢ 1 1 1 1 0 0 0 0⎥
⎢ ⎥
⎣⎢ 0 0 0 0 1 1 0 0 ⎦⎥
)
A matriz [λ] poderá ser escrita como:

⎡ λ 11 ⎤
⎢ ⎥
⎢λ 12 ⎥
⎢ λ 13 ⎥
⎢ ⎥
λ 14
[λ ]= ⎢ ⎥ (119)
⎢λ 21⎥
⎢ ⎥
⎢λ 22 ⎥
⎢µ ⎥
⎢ 1⎥
⎢⎣ µ 2 ⎥⎦
A matriz [b], do lado direito, fica:
⎡γ 12 ( x11 , x0 )⎤
⎢ ⎥
⎢γ 12 ( x12 , x0 )⎥
⎢γ ( x13 , x0 )⎥
[b] = ⎢ 12 ⎥ (120)
⎢γ 12 ( x14 , x0 )⎥
⎢γ ( , )⎥
⎢ 22 x 21 x0 ⎥
⎢⎣γ 22 ( x 22 , x0 )⎥⎦
A matriz de coeficientes em (118) mostra algumas propriedades inerentes à co-krigagem.

Primeiramente, as grandezas que preenchem a matriz são calculadas com base no modelo
ajustado ao semivariograma ou semivariograma cruzado, para o vetor tendo início no primeiro
argumento e fim no segundo argumento. Note-se, também, que a matriz (118) foi derivada
usando-se a relação γ12(x1i,x2j) = γ21(x2j,x1i), e que então, ela é simétrica com respeito à diagonal
principal. Neste exemplo, quando N1=2 e N1=4, a matriz (118) pode ser dividida em quatro partes,
constantes de: uma matriz γ11 de 4x4; uma γ12 de 4x2; uma γ12 de 2x4 e uma γ22 de 2x2, além de
zeros (0) e uns (1) provenientes das condições de não tendência. Um fato de alta importância
também é que, para se efetuar uma estimativa usando a co-krigagem, é preciso que exista
dependência espacial da segunda variável (γ22) e correlação cruzada entre elas (γ12 ou γ21). Deste
modo, a estimativa com co-krigagem é bastante mais exigente do que aquela com krigagem de
uma variável simplesmente.
5. Os exemplos
Como foi visto acima, para que se possam efetuar estimativas de valores para os locais
não medidos através da co-krigagem, é necessário que exista dependência espacial para cada uma
das variáveis envolvidas e também a dependência espacial cruzada entre elas. Neste exemplo, a
variável nitrogênio Oakley será usada para ser estimada, usando os valores de carbono como
variável associada. Para tanto, é necessário que existam: dependência espacial para nitrogênio-
Oakley; para carbono- Oakley; e também a dependência espacial cruzada para carbono-Oakley e
nitrogênio-Oakley. A dependência espacial para carbono-Oakley está mostrada no semivariograma
da figura 6a com o modelo esférico, Esf(0,4; 0,6; 15). Para nitrogênio-Oakley o modelo é o
esférico Esf(0; 1,0; 25), como mostra a figura 6b. A dependência espacial cruzada entre carbono-
Oakley e nitrogênio-Oakley está mostrada no semivariograma cruzado da figura 12, com um
modelo gaussiano, Gau(0; 1,0; 13). A co-krigagem foi efetuada usando o mesmo reticulado já
utilizado para a krigagem, para fins de comparação. O resultado é o mapa de isolinhas mostrado
na figura 13. Comparando-se o mapa para nitrogênio Oakley obtido com o uso dos valores
estimados pela co-krigagem, mostrado na figura 13, com aquele obtido através da krigagem
simples, mostrado na figura 11, nota-se que não existe uma grande diferença entre eles. Isso
significa que, não houve ganho no uso de co-krigagem em relação à krigagem simples, ou a
dependência espacial do nitrogênio Oakley expressa pelo semivariograma da figura 6b é tão forte
que mascara o efeito do carbono Oakley tanto no semivariograma cruzado carbono versus
nitrogênio Oakley (figura 12) como também no mapa mostrado na figura 13. Nesse sentido, é
supérfluo e desnecessário usar a co-krigagem. A vantagem do uso da co-krigagem existiria se, por
exemplo, a variável a ser estimada tivesse uma menor densidade de amostragem do que a variável
associada, o que não é o caso do exemplo aqui utilizado.
VII - A VARIÂNCIA DA ESTIMATIVA
1. Significado
O simples fato de que, pela krigagem ou co-krigagem, pode-se conhecer também a

variância da estimativa, diferencia-os de qualquer outro método. Essa é uma propriedade
interessantíssima pois, além de permitir a estimativa de valores sem tendência para os locais onde
estes não foram medidos, ainda se pode conhecer a confiança associada a essas estimativas, as
quais podem ser chamadas ótimas.
2. Utilidade
Uma vez que esta é uma variância, pode-se naturalmente comparar com a variância dos
dados medidos. Assim, quanto menor for o efeito pepita do semivariograma, menor será a
variância da estimativa. Mais precisamente, quanto menor for a proporção do efeito pepita em
relação ao patamar do semivariograma, maior a continuidade do fenômeno, menor a variância da
estimativa ou maior a confiança que se pode ter na estimativa. A própria intuição poderia levar a
esperar tal comportamento pois, se a variável estudada varia grandemente entre locais medidos,
então não é de se esperar grande confiança na estimativa, como também poderia acontecer se esse
valor fosse medido, pois a variabilidade é grande. Além disso, a pior variância da estimativa
ainda será menor do que a variância dos dados medidos.
Examinando-se as equações (53) e (114), relativas aos cálculos das variâncias da
estimativa de krigagem e co-krigagem, respectivamente, nota-se que são apenas indiretamente
dependentes dos valores medidos. Isso porque o semivariograma e o semivariograma cruzado
representam a maneira como a variável regionalizada varia de um local para o outro no campo, e
os pesos são conseqüências deste fato. Porém, uma vez que se conhece o semivariograma de
uma propriedade, qualquer tipo de esquema de amostragem pode ser desenhado para variâncias da
estimativa pré-especificadas. Obviamente, sendo a variância da estimativa uma função da
distância ou distribuição espacial das amostras, será máxima nos locais mais distantes de valores
medidos. Assim, com base em semivariogramas de variáveis medidas em caráter de
reconhecimento, amostragens definitivas podem ser desenhadas para satisfazer condições pré-
especificadas. A localização ideal de uma rede de pluviômetros em bacias hidrográficas constitui
um exemplo prático desse procedimento. O mesmo pode também ser utilizado pela co-krigagem,
ambos com algumas complicações e vantagens . A principal complicação é que neste caso,
depende-se de três correlações espaciais (de cada variável, individualmente, e entre elas), o que
não é sempre fácil. Entretanto, quando as variáveis são amostradas em espaçamentos diferentes,
haverá pontos onde apenas a variável auxiliar foi medida. Para esses pontos quase sempre a
variância da estimativa da co-krigagem é melhor do que a da krigagem. Com essa vantagem em
mente, pode-se desenhar esquemas de amostragem que envolvam ambas as variáveis, em
densidades de amostragem bem diferentes, de acordo com o grau de dependência espacial
encontrado e a dificuldade de medição.
Qualquer que seja o método, krigagem ou co-krigagem, a variância da estimativa é
extremamente sensível à forma do semivariograma ou semivariograma cruzado, como será
mostrado no capítulo IX deste trabalho. Com base na discussão acima, o mapa de isolinhas ou
tridimensional de uma variável usando valores estimados por um dos métodos geoestatísticos
deve ser sempre acompanhado pelo mapa correspondente da variância da estimativa, para que se
possa visualizar os locais onde a confiança na estimativa é limitada ou é suficiente. Entretanto,
uma vez que a variância da estimativa é uma função indireta da distância dos vizinhos ao redor
do local da estimativa, então em amostragens tomadas em distâncias regulares no reticulado
quadrado o mapa da variância da estimativa será, simplesmente, uma coleção de círculos, com
maiores valores onde o ponto estimado é mais distante. Nesses casos, o mapa da variância tem
pouca utilidade e o exame de células compostas de vizinhos, fechando o primeiro polígono em
volta do valor estimado e mostrando a variância da estimativa, ilustra esse ponto suficientemente
bem.
Uma excelente discussão sobre o efeito do número de amostras disponíveis na variância
da estimativa em co-krigagem pode ser visto em Vauclin et al. (1983).
VIII - A VIZINHANÇA USADA NA ESTIMATIVA
Visto que todos os cálculos advindos da geoestatística usando semivariogramas são

função principalmente de distâncias especificadas, a vizinhança usada na estimativa torna-se um
ponto de extrema importância. Vários são os métodos que podem ser utilizados, cada um com
vantagens e desvantagens, como será discutido em seguida. Qualquer que seja o critério usado
para a escolha do método, deve-se levar em conta o ganho de precisão em relação ao aumento de
tempo de computação.
1. Vizinhança única
Quando o tamanho do conjunto de dados, em termos de número de amostras disponíveis,

for razoável, relativo à quantidade de memória e tempo de processamento disponíveis no
computador, pode-se usar o procedimento chamado vizinhança única. Nesse procedimento todos
os valores medidos são considerados vizinhos e serão utilizados na estimativa. Nesse caso, a
solução mais prática do sistema matricial deverá ser obtida invertendo a matriz de coeficientes e
depois multiplicando no lado direito. Essa inversão deverá ser feita apenas uma vez, e o fator que
fará mudar os pesos de um local para outro será o lado direito, o qual depende da localização do
ponto estimado. Deve-se sempre lembrar que a decisão de se usar vizinhança única normalmente
deve se basear em sua praticidade relativa ao tamanho do conjunto de dados, e não na precisão
obtida na estimativa. A razão para tanto reside no alcance do semivariograma pois, os pesos
associados a vizinhos separados por distâncias maiores do que o alcance não devem ter
contribuição significativa no valor estimado. Outro ponto importante é que, para se usar
vizinhança única, é necessário que o semivariograma seja definido até a maior distância existente
no campo.
A grande vantagem desse método reside no fato de que, uma vez invertida a matriz de
coeficientes, as estimativas podem ser feitas para qualquer espaçamento com um pequeno
consumo de tempo de processamento de computador. Desse modo, a matriz invertida pode ser
arquivada no computador e usada quantas vezes for necessário, desde que não se mude o modelo
do semivariograma e a distribuição dos pontos amostrados no campo. Existem algumas variáveis
que, embora mudem as magnitudes de variação, preservam entre si a maneira como variam no
espaço, apresentando semivariogramas que podem ser agrupados em um único, quando divididos
individualmente pelas respectivas variâncias. Como exemplo, pode-se incluir umidade do solo
amostrada em pequenos espaços de tempo. Nesse caso, as vantagens da vizinhança única
aumentam porque modelos de semivariograma escalonados podem ser usados para obter pesos
comuns a todas as variáveis (Vieira et al., 1997).
2. Distância constante
Neste método, para cada ponto estimado é selecionada uma vizinhança, constando de
todos os vizinhos localizados dentro de um círculo de raio especificado. Consequentemente, nos
cantos de um campo retangular ocorre 1/4 de círculo, com 1/4 do número de vizinhos. A grande
vantagem deste método está no fato que se conhece exatamente a distância na qual os vizinhos
para estimativa são procurados. Isso é particularmente importante, porque se pode limitar o uso do
semivariograma quanto à distância sobre a qual ele será calculado. Por outro lado, o número de
vizinhos pode mudar bastante ao longo do campo, fazendo com que o tamanho do sistema
matricial seja variável. Em termos de programação de computador, isso pode se tornar um
problema se exceder o valor usado na dimensão das matrizes.
3. Número constante de vizinhos
Um outro método bastante usado é o que mantém constante o número de vizinhos em

qualquer posição no campo. Para tanto, vizinhos são procurados primeiramente dentro de um raio
inicial. Se o número de vizinhos encontrados for menor do que o limite especificado, a distância é
incrementada, e o processo é reiniciado. Se, por outro lado, o número encontrado for maior do que
o limite, apenas o número especificado mais próximo será usado. Conseqüentemente, a distância
sobre a qual se procura vizinhos varia sobre o campo. Obviamente, as vantagens deste método são
as desvantagens do anterior (distância constante) e vice-versa. Porém, em situações em que a
amostragem foi efetuada em espaçamentos regulares, a distância de procura por vizinhos não
muda muito e as desvantagens deste método são minimizadas. Este método é o mais comumente
utilizado, por suas facilidades inerentes e porque as amostragens regulares são mais usadas.
4. Quadrantes
Uma alternativa interessante e bastante fundamentada, em termos geoestatísticos é usar

um número especificado de vizinhos em cada quadrante ao redor do valor a ser estimado. O
fundamento reside na distribuição do número de vizinhos ao redor do valor estimado, o que fará
com que a estimativa receba contribuição semelhante em número de todas as direções. Muitas
vezes, quando não se impõe esta restrição, pode-se, desapercebidamente, utilizar tendenciosamente
sempre um número maior de vizinhos de um lado do que de outro. Porém, isso ainda apresentaria
problemas nos cantos e extremidades do campo e também o fato de que nunca se sabe qual a
distância na qual os vizinhos se localizam. Por essas razões, este método apresenta mais
problemas do que vantagens.
IX - A AUTO VALIDAÇÃO - UMA PODEROSA FERRAMENTA
Desde o começo deste trabalho têm-se discutido métodos ideais de estimativa de valores
em locais não medidos, usando-se informações contidas na maneira como os dados disponíveis
variam no espaço. Isso implica, necessariamente, na formulação de hipóteses de estacionaridade,
seguida do cálculo do semivariograma e semivariograma cruzado, aos quais se deve ajustar um
modelo. Em toda essa seqüência, existe sempre um certo grau de incerteza sobre as hipóteses
assumidas ou sobre os parâmetros ajustados aos modelos. Essa incerteza é o erro da estimativa, o
qual pode ser avaliado usando o procedimento de autovalidação comumente chamado de “jack-
knifing”. Resumidamente, esse procedimento envolve a estimativa de cada ponto medido
"fazendo de conta" que ele não existe, durante a sua estimativa. Há necessidade absoluta de se
"fazer de conta" que o valor que está sendo estimado não existe porque, senão, a solução do
sistema de krigagem fornecerá o peso associado a ele com valor unitário (λ=1) e todos os outros
pesos iguais a zero. A razão para isso é que a krigagem é um interpolador exato, passando
exatamente pelo ponto medido, quando este é usado no cálculo. Porém, quando se "faz de conta"
que o valor não existe, ele será estimado normalmente como se fosse ponto perdido, levando em
conta a variabilidade espacial local expressa nas primeiras distâncias no semivariograma. Então,
quando se executa o “jack-knifing”, está se perguntando "se a krigagem for mesmo representativa
da variabilidade, e se as hipóteses assumidas forem verdadeiras", então como é seu desempenho
para estimar valores conhecidos?
As possíveis respostas a essa pergunta podem ser esclarecidas pela execução de um ou
mais dos procedimentos descritos a seguir. Detalhes e embasamento teórico desse procedimento
podem ser encontrados em Journel & Huijbregts (1978).
1. O gráfico 1:1 - Medido vs Estimado
Se, para cada um dos N locais onde se tem um valor medido Z(xi), se estimar um valor
pela krigagem (ou co-krigagem), Z*(xi), então poder-se-á fazer um gráfico dos valores pareados de
Z(xi) e, Z*(xi) e calcular a regressão linear entre eles. A regressão será então:
Z* ( xi ) = a + b Z( xi ) (120)
2
onde A é a interseção, B é o coeficiente angular da reta e r é o coeficiente de correlação entre
Z*(xi) e Z(xi).
Assim, se a estimativa (Z*(xi)) fosse idêntica ao valor medido (Z(xi)), então A seria nulo,
B e r2 seriam iguais à unidade (1,0), e o gráfico de Z(xi) vs Z*(xi) seria uma série de pontos na
linha 1:1. À medida que os valores de A aumentam de 0 (zero) para valores positivos, isso indica
que estimador Z*(xi) está superestimando valores pequenos de Z(xi) e subestimando valores
grandes. À medida que A decresce de 0 (zero) para valores negativos, o contrário acontece. Este
último caso, porém, não é comum.
Desse modo, a qualidade da estimativa pode ser medida pelo julgamento desses
parâmetros.
2. O erro absoluto
Uma vez que se tem o conjunto de N valores medidos e estimados, Z(xi) e Z*(xi), pode-
se definir o erro absoluto como:
EA( xi ) = Z* ( xi ) - Z( xi ) (121)
Aplicando-se as condições de não tendência (31) e de variância mínima (32), nos erros
absolutos, pode-se dizer que:
EA = E {EA( xi )} = E { Z* ( xi ) - Z( xi )} = 0 (122)
e
VAR( EA ) = E {( Z * ( xi ) - Z( xi ) )2 } = mínima (123)
Se estas condições não forem satisfeitas, alguma das condições previamente assumidas
estará sendo violada. Porém, a equação (123) é bastante difícil de ser verificada, porque o
conceito de ser mínimo torna-se subjetivo quando não se tem uma referência. O procedimento
seguinte pode contribuir nesse sentido.
3. O erro reduzido
Lembrando que no cálculo dos valores estimados, Z*(xi), sempre se tem a variância da
estimativa, σ2k(xi), então pode-se definir o erro reduzido como:
ER( xi ) = ( Z* ( xi ) - Z( xi )) / σ k ( xi ) (124)
A divisão pela raiz quadrada da variância da estimativa faz com que os ER(xi) sejam sem
dimensão e que, por isso, as condições de não tendência e de variância mínima requeiram que:
ER = E {ER( xi )} = E {( Z* ( xi ) - Z( xi )) / σ k ( xi )} = 0 (125)
e
VAR( ER ) = E {( Z* ( xi ) - Z( xi )) / σ k ( x0 ) } = 1
2
(126)
Essas propriedades fazem desse tipo de erro uma ferramenta valiosa e de fácil uso nas
aplicações de geoestatística. O fato de terem valores ideais fixos em 0 (zero) e 1 (um), e de serem
sem dimensão, facilita seu julgamento e estudo, e também permite sua comparação com outras
situações expressas em unidades diferentes.
4. Os exemplos
O quadro 2 apresenta os resultados do "jack-knifing" para nitrogênio-Oakley. Esses

valores foram calculados assumindo-se que o semivariograma para nitrogênio-Oakley, mostrado
na figura 6b, não mudaria cada vez que se eliminasse um valor medido para se efetuar sua
estimativa. Esses cálculos são feitos usando-se número de vizinhos crescentes, no caso, de 4 até
24, para se verificar também qual o número ideal de vizinhos a serem usados na krigagem. O
julgamento desses resultados deve ser feito de uma maneira global, examinando-se todos os
parâmetros. Os valores ideais procurados são: a=0, b=1, r2=1, média do erro absoluto=0, variância
do erro absoluto=mínimo, média do erro reduzido=0, variância do erro reduzido=1. Assim, pode-
se notar que a vizinhança que proporcionou os melhores parâmetros é a de 8 vizinhos, embora os
erros reduzidos estejam longe dos valores ideais. Situação bastante semelhante pode ser observada
nos resultados referentes a carbono-Oakley, mostrados no quadro 3. Um fato notório no quadro 2
é que os erros absolutos médios são negativos, embora todos pequenos, da ordem de 10-3. Isso
significa dizer que a krigagem, usando os parâmetros dos semivariogramas adotados, em média,
subestima os valores. Outro fato é que os coeficientes de correlação, R2, são ligeiramente baixos,
da ordem de 0,6, o que significa que o gráfico 1:1 dos valores medidos versus estimados tem um
grande espalhamento em torno da regressão. É provável que existam valores extremamente
pequenos ou extremamente grandes, o que pode estar perturbando a regressão. Isso pode ser
notado pela distribuição de freqüências, a qual parece aproximar-se da lognormal, como indicam
os coeficientes de simetria e curtose para nitrogênio-Oakley no quadro 1. Isso pode também ser a
causa dos valores bastante baixos das variâncias dos erros reduzidos, os quais deveriam ser 1.
X - CONCLUSÕES
As técnicas mostradas neste trabalho permitem concluir que é possível melhorar

significativamente a profundidade e a precisão da análise dos dados quando se aplica a
geoestatística. Muitos aspectos particulares dos dados ficariam escondidos se não fosse o uso de
semivariogramas mostrando, por exemplo, a tendência parabólica nos dados do solo de Davis.
Informações como essas não são mostradas quando se usam apenas parâmetros clássicos como
médias e variâncias. Nesse sentido, a geoestatística deve ser adotada como rotina em análises de
dados, para possibilitar maior precisão científica nas recomendações.
XI – REFERÊNCIAS BIBLIOGRÁFICAS
BALL, D.F. & WILLIAMS, W.M. Variability of soil chemical properties in two uncultivated
brown earths. The Journal of Soil Science, Oxford, 19: 379-391, 1968.
BARTLETT, M.S. Stochastic processes. 2. ed., London, Cambridge University Press, 1966.
BECKETT, P.H.T. & WEBSTER, R. Soil variability: a review. Soils Fert., Farnham Royal, 34:
1-15, 1971.
BLAIS, R.A. & CARLIER, P.A. Applications of geostatistics in ore evaluation. In: CANADIAN
INSTITUTE OF MINING AND METALLURGY, Ore reserve estimation and grade
control, Montreal, 1968. p. 41-48. (Special Volume, 9)
BURDEN, R.L.; FAIRES, J.D. & REYNOLDS, A.C. Numerical analysis. Boston, Prindle,
Weber & Schmidt, 1978. 578p.
BURGESS, T.M. & WEBSTER, R. Optimal interpolation and isarithmic mapping of soil
properties. I. The semivariogram and punctual kriging. The Journal of Soil Science,
Oxford, 31: 315-331, 1980a.
BURGESS, T.M. & WEBSTER, R. Optimal interpolation and isarithmic mapping of soil
properties. II. Block kriging. The Journal of Soil Science, Oxford, 31: 333-341, 1980b.
CAMPBELL, J.B. Spatial variation of sand content and pH within single contiguous delineation
of two soil mapping units. Soil Science Society of America Journal, Madison, 42: 460-
464, 1978.
DAVID, M. Geostatistical ore reserve estimation. Amsterdam, Elsevier, 1977. 364p.
DAVID, M. The geostatistical estimation of porphyry-type deposits and scale factor problems.
In: PRIBAM MINING CONGRESS, Praga, 1970, Proceedings ..., Praga, 1970,91-109.
DAVIS, J.C. Statistics and data analysis in geology. New York, John Wiley, 1973. 550p.
DELHOMME, J.P. Kriging in hydrosciences. Fontainebleau, Centre D'Informatique
Geologique, 1976. 94p.
FISHER, R.A. Statistical methods and scientific inference. Edinburg, Oliver & Boyd, 1956.
175p.
HAJRASULIHA, S.; BANIABBASSI, J.; METTHEY, J. & NIELSEN, D.R. Spatial variability of
soil sampling for salinity studies in southwest Iran. Irrigation Science, Berlin, 1: 197-208,
1980.
HARRADINE, F.F. The variability of soil properties in relation to stage of profile development.
Soil Science Society of America Proceedings, Madison, 14: 302-311, 1949.
HARRIS, J.A. Practical universality of field heterogeneity as a factor influencing plot yields. Journal Agr.
JOURNEL, A.G. Geostatistical for conditional simulation of orebodies. Economic Geology,
Lancaster, 79(5):673-687, 1974.
JOURNEL, A.G. & HUIJBREGTS, Ch.J. Mining geostatistics. London, Academic Press, 1978,
600p.
KRIGE, D.G. A statistical approach to some basic mine evaluation problems on the
witwatersrand. Journal of South African Institution of Minning and Mettalurgy,
Johanesburg, 52: 119-139, 1951.
MATHERON, G. Principles of geostatistics. Economic Geology, Lancaster, 58: 1246-1266,
1963.
MATHERON, G. The theory of regionalized variables and its application. Les Cahiers du
centre de Morphologie Mathematique, Fas. 5, C. G. Fontainebleau. 1971.
McBRATNEY, A.B. & WEBSTER, R. Detection of ridge and furrow pattern by spectral analysis
of crop yield. International Statistical Review, Voorburb, 49: 49-52, 1981.
McBRATNEY, A.B.; WEBSTER, R.; McLAREN, R.G. & SPIERS, R.B. Regional variation of
extractable copper and cobalt in the topsoil of southwest Scotland. Agronomie, Paris, 2:
969-982, 1982.
MONTGOMERY, E.G. Experiments in wheat breeding: experimental error in the nursery
and variation in nitrogen and yield. Washington, U.S. Dept. Agric.., 1913. 61p. (Bur.
Plant Indust. Bul., 269).
NIELSEN, D.R.; TILLOTSON, P.M. & VIEIRA, S.R. Analysing field-measured soil-water
properties. Agricultural Water Management, Amsterdam, 6: 93-109, 1983.
OLEA, R.A. Measuring spatial dependence with semivariograms. Lawrence, Kansas,
University of Kansas, Kansas Geol. Survey, 1977. 153p. (Series on Spatial Analysis, 3)
OLEA, R.A. Optimum mapping techniques using regionalized variable theory. Lawrence,
Kansas, Kansas Geol. Survey, University of Kansas, 1975. 137p. (Series on Spatial
Analysis, 2)
PENDLETON, R.L. Are soils mapped under a given type name by the Bureau of Soils method
closely similar to one another? Agricultural Sciences, Davis, 3:369-498, 1919.
ROBINSON, G.W. & LLOYD, W.E. On the probable error of sampling in soil surveys. The
Journal
SILVA, A.P. da.; LIBARDI, P.L. & VIEIRA, S.R. Variabilidade espacial da resistência à
penetração de um latossolo vermelho-escuro ao longo de uma transeção. Revista Brasileira
de Ciência do Solo, Campinas, 13: 1-5, 1989.
SMITH, L.H. Plot arrangement for variety experiment with corn. Proc. Amer. Soc. Agron.,
Madison, V. I. 1907/09, p. 84-89, 1910.
SNEDECOR, G.W. & COCHRAN, W.G. Statistical methods. 6. ed., Ames, Iowa State
University Press, 1967. 593 p.
UGARTE, A. Ejemplos de modelos de estimacion a corto e largo plans. Boletin de
Geostadistica, s.l.p., 4:3-22, 1972.
VAUCLIN, M.; VIEIRA, S.R.; BERNARD, R. & HATFIELD, J.L. Spatial variability of two
transects of a bare soil. Water Resources Research, Washington, 18: 1677-1686, 1982.
VAUCLIN, M.; VIEIRA, S.R.; VAUCHAUD, G. & NIELSEN, D.R. The use of cokriging with limited f
VIEIRA, S.R. & HATFIELD, J.L. Temporal variability of air temperature and remotely sensed
surface temperature for bare soil. International Journal of Remote Sensing, Basingstole,
5: 587-596, 1984.
VIEIRA, S.R.; DE MARIA, I.C.; CASTRO, O.M. de; DECHEN, S.C.F. & LOMBARDI NETO,
F. Utilização de análise de Fourier no estudo do efeito residual da adubação em uva, na
crotalária. Revista Brasileira de Ciência do Solo, Campinas, 11:7-10, 1987.
VIEIRA, S.R.; DE MARIA; I.C.; LOMBARDI NETO, F.; DECHEN, S.C.F. & CASTRO, O.M.
de. Caracterização da variabilidade espacial de propriedades físicas. In: Lombardi Neto, F.
& Camargo, O.A. de. Microbacia do Córrego São Joaquim (Município de
Pirassununga, SP)., Campinas, Instituto Agronômico, 1992. p. 41-51. (Documentos IAC,
29)
VIEIRA, S.R.; HATFIELD, T.L.; NIELSEN, D.R. & BIGGAR, J.W. Geostatistical theory and
application to variability of some agronomical properties. Hilgardia, Berkeley, 51: 1-75,
1983.
VIEIRA, S.R.; LOMBARDI NETO, F. & BURROWS, I.T. Mapeamento da chuva máxima
provável para o Estado de São Paulo. Revista Brasileira de Ciência do Solo, Campinas,
15: 93-98, 1991.
VIEIRA, S.R.; NIELSEN, D.R. & BIGGAR, J.W. Spatial variability of field-measured infiltration
rate. Soil Science Society of America Journal, Madison, 45: 1040-1048, 1981.
VIEIRA, S.R.; NIELSEN, D.R.; BIGGAR, J.W. & TILLOTSON, P.M. The Scaling of
semivariograms and the kriging estimation. Revista Brasileira de Ciência do Solo,
Viçosa, 21:525-533, 1997.
WAYNICK, D.D. Variability in soils and its significance to past and future soil investigations. I.
Statistical study of nitrification in soils. Agricultural Sciences, Davis, 3: 243-270, 1918.
WAYNICK, D.D. & SHARP, L.T. Variability in soils and its significance to past and future soil
investigations. II. Variation in nitrogen and carbon in field soils and their relation to the
accuracy of field trials. Agricultural Sciences, Davis, 4: 121-139, 1919.
WEBSTER, R. Automatic soil boundary location for transect data. Mathematical Geology, New
York, 5: 27-37, 1973.
WEBSTER, R. & BURGESS, T.M. Optimal interpolation and isarithmic mapping of soil
properties. III. Changing drift and universal kriging. The Journal of Soil Science, Oxford,
31: 505-524, 1980.
WEBSTER, R. & CUANALO, H.E. de la C. Soil transects correlograms of north Oxfordshire and
their interpretation. The Journal of Soil Science, Oxford, 26: 176-194, 1975.
QUADRO 1. Dados estatísticos para teores (%) de C e de N e relação C/N, de amostras de
solos de Davis e Oakley.
Parâmetro Média Variância C.V. Mínimo Máximo Simetria Curtose
Davis
Carbono 1,111 0,01079 9,35 0,8960 1,383 0,4564 2,816
Nitrogênio 0,099 0,00088 9,14 0,0770 0,118 -0,2485 2,884
C/N 11,17 0,95330 8,74 9,4150 17,26 2,6900 16,54
Oakley
Carbono 0,433 0,01316 26,49 0,1820 0,950 1,4460 6,630
Nitrogênio 0,032 0,00048 21,69 0,0210 0,060 1,5580 6,964
C/N 13,57 6,04500 18,12 7,8570 23,23 0,9128 5,846
QUADRO 2. Parâmetros de autovalidação para nitrogênio-Oakley.
Regressão Absoluto Reduzido

2
Vizinhos a b R Média Variância Média Variância
4 -0,00164 1,063 0,6515 -0,00036 0,00002 -0,00062 0,00028

8 -0,00259 1,094 0,6360 -0,00037 0,00002 -0,00000 0,00068
12 -0,00330 1,115 0,6425 -0,00033 0,00002 -0,00010 0,00096
16 -0,00363 1,126 0,6294 -0,00035 0,00002 -0,00138 0,00138
20 -0,00394 1,134 0,6319 -0,00032 0,00002 -0,00200 0,00222
24 -0,00424 1,145 0,6294 -0,00034 0,00002 -0,00170 0,00182
QUADRO 3. Parâmetros de autovalidação para carbono-Oakley.
Regressão Absoluto Reduzido

Vizinhos a b R2 Média Variância Média Variância
4 0,0644 0,8661 0,5596 -0,0074 0,009 -0,0103 0,02484

8 0,4137 0,0375 0,3012 0,0808 0,797 0,0256 0,2273
12 0,4314 0,0029 0,0655 0,1067 6,556 0,1245 1,158
16 0,4322 0,0006 0,0279 0,8693 23,740 0,2770 1,055
20 0,4314 0,0024 0,0659 0,2248 9,591 0,0187 0,3634
24 0,4219 0,0250 0,1820 0,0104 0,670 -0,0626 1,250
12 60
10 50
Dist ncia Y, metros

40
Semivariância
D ados 30
6
Modelo
20
4
10
2
0
0
0 50 100 150 200 0 10 20 30 40 50 60 70 80
D istância
Distância X, metros
Figura 1 Semivariograma típico Figura 2. Esquema de amostragem, onde os sinais + indicam a

posição onde a amostra foi retirada.
1,2 1,2
C - Davis N - Davis C - Oakley N - Oakley C/N Oakley C/N Davis
1,0 1,0
Semivariância
0,8 0,8
Semivariância
0,6 0,6
0,4 0,4
0,2 0,2
0,0 0,0
0 10 20 30 40 50 0 10 20 30 40 50
Distância, metros Distância, metros
Figura 3 -Semivariogramasescalonadosmédios para C e N,

para os dados originais dos dois locais Figura 4 - Semivariograma para C/N para os dados originais
dos dois locais.
1,4 1,2
Carbono Davis Resíduo
1,2 Tendência 1,0 Tendência
Resíduo Carbono Oakley
1,0
Semivariância
Semivariância
0,8
0,8
0,6
0,6
0,4
0,4
0,2 0,2
0,0 0,0
0 10 20 30 40 50 0 10 20 30 40 50
1,2 1,4
Resíduo Resíduo
1,0 Tendência 1,2 Tendência
Nitrogênio Davis Nitrogênio Oakley
1,0
Semivariância
Semivariância
0,8
0,8
0,6
0,6
0,4
0,4
0,2 0,2
0,0 0,0
0 10 20 30 40 50 0 10 20 30 40 50
Figura 5. Semivariogramas mostrando o efeito da tendência: (a) carbono-Davis; (b) carbono-

Oakley; (c) nitrogênio-Davis; (d) nitrogênio-Oakley.
1,6 1,6
modelo Modelo
1,4 1,4
C-Oakley N-Oakley
1,2 C-Davis 1,2 N-Davis
Semivariância
Semivariância
1,0 1,0
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0,0 0,0
0 10 20 30 40 50 0 10 20 30 40 50
Figura 6. Semivariogramas para os resíduos de tendência, para os dois locais: (a) carbono, com
modelo esférico com parâmetros 0,4, 0,6 e 15,0; (b) nitrogênio, com modelo esférico com
parâmetros 0,0, 1,0 e 25,0.
1,6 1,6
Modelo Davis Oakley Modelo
1,4 1,4
C/N Davis
1,2 1,2
Semivariância
1,0
Semivariância
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0,0
0 10 20 30 40 50 0,0
0 10 20 30 40 50
Distância, metros
Distância, metros
Figura 7 - Semivariograma para C/N - Davis, com modelo

esférico com parâmetros 0.3, 0.7, e 25.0. Figura 12 - Semivariograma para Carbono vs Nitrogênio,
com modelo gaussiano com parâmetros 0.0, 1.0, e 13.0.
60 60 60
50 50 50
Dist ncia Y, metros
Dist ncia Y, metros
Dist ncia Y, metros
40 40 40
30 30 30
20 20 20
10 10 10
0 0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Distância X, metros Distância X, metros Distância X, metros
0.9 1.0 1.1 1.2 1.3 0.2 0.3 0.4 0.5 0.6 0.08 0.09 0.10 0.11
Figura 8. Mapa para carbono (%), Davis. Figura 10. Mapa para nitrogênio (%), Davis
Figura 9. Mapa para carbono (%), Oakley
60 60
50 50
Dist ncia Y, metros

Dist ncia Y, metros
40 40
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Distância X, metros Distância X, metros
0.02 0.03 0.04 0.05 0.02 0.03 0.04 0.05

Figura 11. Mapa para nitrogênio (%), Oakley Figura 13. Mapa para Nitrogênio (%), Oakley,
obtido por cokrigagem
Apêndice 1. Listagem dos dados de Waynick & Sharp (1919)
Davis Oakley
X Y Carbono Nitrogênio C/N Carbono Nitrogênio C/N

(%) (%)
0 0 1,167 0,104 11,221 0,624 0,042 14,857

0 30 1,048 0,086 12,186 0,417 0,032 13,031
0 60 0,958 0,080 11,975 0,365 0,027 13,519
0 90 1,069 0,092 11,620 0,182 0,022 8,273
0 120 1,071 0,099 10,818 0,355 0,029 12,241
0 150 1,132 0,098 11,551 0,383 0,026 14,731
0 180 1,124 0,107 10,505 0,279 0,027 10,333
0 210 1,195 0,117 10,214 0,404 0,031 13,032
30 0 1,059 0,105 10,086 0,565 0,042 13,452
30 30 1,084 0,093 11,656 0,420 0,032 13,125
30 60 1,077 0,086 12,523 0,330 0,024 13,750
30 90 0,997 0,091 10,956 0,361 0,024 15,042
30 120 0,896 0,082 10,927 0,349 0,031 11,258
30 150 1,198 0,105 11,410 0,314 0,032 9,813
30 180 1,218 0,114 10,684 0,475 0,033 14,394
30 210 1,157 0,108 10,713 0,330 0,042 7,857
60 0 0,970 0,094 10,319 0,499 0,042 11,881
60 30 1,048 0,099 10,586 0,314 0,028 11,214
60 60 0,965 0,086 11,221 0,402 0,027 14,889
60 90 1,040 0,093 11,183 0,428 0,021 20,381
60 120 1,014 0,092 11,022 0,421 0,037 11,378
60 150 1,122 0,105 10,686 0,308 0,022 14,000
60 180 1,329 0,077 17,260 0,345 0,036 9,583
60 210 1,075 0,107 10,047 0,345 0,034 10,147
90 0 1,048 0,096 10,917 0,524 0,041 12,780
90 30 0,978 0,088 11,114 0,377 0,029 13,000
90 60 1,091 0,100 10,910 0,382 0,025 15,280
90 90 0,998 0,106 9,415 0,450 0,029 15,517
90 120 1,147 0,105 10,924 0,453 0,034 13,324
90 150 1,112 0,104 10,692 0,292 0,026 11,231
90 180 1,154 0,110 10,491 0,345 0,027 12,778
90 210 1,244 0,115 10,817 0,450 0,031 14,516
120 0 1,997 0,093 10,720 0,507 0,042 12,071
120 30 1,052 0,103 10,214 0,314 0,027 11,630
120 60 1,045 0,101 10,347 0,341 0,026 13,115
120 90 1,019 0,106 9,613 0,252 0,028 9,000
120 120 1,120 0,103 10,874 0,319 0,035 9,114
120 150 1,215 0,113 10,752 0,346 0,027 12,815
120 180 1,202 0,110 10,927 0,368 0,026 14,154
120 210 1,167 0,111 10,514 0,524 0,031 16,903
150 0 1,007 0,093 10,828 0,450 0,021 21,429
150 30 0,973 0,091 10,692 0,314 0,030 10,467
150 60 1,100 0,096 11,458 0,396 0,031 12,774
150 90 1,135 0,100 11,350 0,381 0,028 13,607
150 120 1,052 0,097 10,845 0,502 0,032 15,688
150 150 1,034 0,096 10,771 0,404 0,029 13,931
150 180 1,090 0,104 10,481 0,480 0,030 16,000
150 210 1,252 0,116 10,793 0,382 0,032 11,938
180 0 0,993 0,093 10,677 0,426 0,021 20,286
180 30 1,180 0,109 10,826 0,720 0,031 23,226
180 60 1,126 0,107 10,523 0,456 0,033 13,818
180 90 1,153 0,102 11,304 0,488 0,032 15,250
180 120 1,256 0,106 11,849 0,443 0,034 13,029
180 150 1,250 0,106 11,792 0,450 0,033 13,636
180 180 1,254 0,118 10,627 0,516 0,034 15,176
180 210 1,383 0,101 13,693 0,352 0,033 10,667
210 0 0,973 0,101 9,634 0,740 0,051 14,510
210 30 1,001 0,090 11,122 0,461 0,034 13,559
210 60 0,973 0,101 9,634 0,475 0,031 15,323
210 90 1,120 0,101 11,089 0,534 0,031 17,226
210 120 1,051 0,098 10,724 0,420 0,031 13,548
210 150 1,101 0,098 11,235 0,458 0,032 14,313
210 180 1,195 0,107 11,168 0,466 0,032 14,563
210 210 1,254 0,101 12,416 0,450 0,034 13,235
240 0 1,088 0,086 12,651 0,647 0,050 12,940
240 30 1,137 0,103 11,039 0,384 0,028 13,714
240 60 1,009 0,088 11,466 0,480 0,030 16,000
240 90 1,078 0,094 11,468 0,362 0,031 11,677
240 120 1,173 0,100 11,730 0,498 0,035 14,229
240 150 1,071 0,097 11,041 0,407 0,033 12,333
240 180 1,168 0,106 11,019 0,577 0,039 14,795
240 210 1,365 0,116 11,767 0,431 0,031 13,903
270 0 0,977 0,077 12,688 0,950 0,060 15,833
270 30 1,161 0,090 12,900 0,589 0,040 14,725
270 60 1,048 0,095 11,032 0,612 0,041 14,927
270 90 1,123 0,093 12,075 0,636 0,040 15,900
270 120 1,267 0,101 12,545 0,750 0,060 12,500
270 150 1,107 0,104 10,644 0,478 0,036 13,278
270 180 1,186 0,106 11,189 0,587 0,040 14,675
270 210 1,289 0,116 11,112 0,516 0,035 14,743
45 30 1,108 0,103 10,757 0,368 0,029 12,690
45 45 0,986 0,091 10,835 0,361 0,025 14,440
45 60 0,903 0,078 11,577 0,329 0,022 14,955
225 30 1,161 0,091 12,758 0,409 0,035 11,686
225 45 1,000 0,094 10,638 0,558 0,032 17,438
225 60 1,042 0,096 10,854 0,384 0,030 12,800
225 150 1,288 0,099 13,010 0,380 0,036 10,556
225 165 1,352 0,107 12,636 0,497 0,032 15,531
225 180 1,232 0,115 10,713 0,436 0,033 13,212
45 50 1,109 0,103 10,767 0,312 0,024 13,000
45 165 1,251 0,112 11,170 0,396 0,033 12,000
45 180 1,322 0,116 11,397 0,366 0,028 13,071
140 90 1,088 0,102 10,667 0,407 0,027 15,074
140 105 0,989 0,098 10,092 0,338 0,026 13,000
140 120 1,120 0,095 11,789 0,314 0,029 10,828
130 90 1,093 0,097 11,268 0,360 0,027 13,333
130 105 1,114 0,098 11,367 0,396 0,029 13,655
130 120 1,063 0,099 10,737 0,435 0,037 11,757
120 105 1,064 0,097 10,969 0,382 0,029 13,172
150 105 1,092 0,103 10,602 0,347 0,029 11,966
View publication stats

Vieira (2000)

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Vieira (2000)

Enviado por

Direitos autorais:

Formatos disponíveis

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F et

Article · January 2000

Sidney Rosa Vieira

The user has requested enhancement of the downloaded file.

Termos de indexação: semivariogramas, krigagem, co-krigagem, “jack-knifing”

ABSTRACT: GEOSTATISTICS IN SOIL SPATIAL VARIABILITY STUDIES

Index terms: semivariograms, kriging, co-kriging, “jack-knifing”.

VII. A VARIÂNCIA DA ESTIMATIVA

IX. A AUTOVALIDAÇÃO: UMA PODEROSA FERRAMENTA

XI. LITERATURA CITADA

1. Variabilidade: preocupação antiga

A variabilidade espacial de propriedades do solo vem sendo uma das preocupações de

2. Repetição e casualização: Fisher entra em cena

É lamentável que experimentos como os anteriormente descritos não tenham tido

A distribuição normal não garante, de maneira alguma, a independência entre amostras, a

4. Da mineração à Geologia, Dendrologia, Hidrologia e Ciência do Solo: e a moda pega

O objetivo principal deste trabalho é fornecer ao leitor uma bibliografia em português, em

Todos os conceitos teóricos de geoestatística têm suas bases em funções e variáveis

1. Campos de estudo: o domínio e as definições básicas

Para o estabelecimento do problema, considere-se um campo de área S, para o qual se tem

e o variograma 2γ(xi, xi+h) é definido por

2. Hipótese de estacionaridade de ordem 2

Uma função aleatória Z(xi) é estacionária de ordem 2 se:

VAR {Z( xi )} = E { Z 2 ( xi )} - m2 = C(0) (8)

O variograma na equação (2) pode ser desenvolvido em:

A hipótese de estacionaridade de ordem 2 implica a existência de uma variância finita dos

4. Hipótese de tendência - krigagem universal

O semivariograma é, por definição:

A figura 1 mostra um semivariograma típico com características bem próximas do ideal, as

O gráfico do semivariograma experimental, γ(h) versus h, calculado usando a equação (21),

3.1 Modelos com patamar

Nos modelos seguintes, C0 é o efeito pepita, C0 + C1 é o patamar e a é o alcance do

3.2. Modelos sem patamar

Conhecido o semivariograma da variável, e havendo dependência espacial entre as

onde N é o número de valores medidos, z(xi), envolvidos na estimativa, e λi são os pesos

3. A dedução do sistema de equações

O raciocínio geral na dedução do sistema de equações da krigagem envolve aplicação da

E {Z( xi ) Z( xi + h)} = C(h) + m2 (40)

Substituindo-se a equação (40) na equação (39), tem-se:

O terceiro termo no lado direito da equação (37) é:

respectivamente, quando se usa C(h) ou γ(h).

5. Particularidades do sistema e métodos de solução

Em Ciência do Solo, freqüentemente algumas variáveis são relacionadas com outras,

De maneira semelhante ao estabelecido para uma única variável, considera-se um campo

As covariâncias de Z1(x1i) e Z2(x2j) são, respectivamente:

e a covariância cruzada entre Z2(x2j) e Z1(x1i) é:

A equação (74) pode ser estimada por:

Um semivariograma cruzado, com características que podem ser identificadas como

O método geoestatístico de interpolação mostrado no capítulo IV, a krigagem, é um caso

onde N1 e N2 são os números de vizinhos de Z1 e Z2, respectivamente, e λ1 e λ2 são os pesos

3. A dedução do sistema de equações

Aplicando-se a linearidade do operador valor esperado, E, tem-se

Substituindo-se a equação (5), tem-se

Desenvolvendo individualmente cada termo da equação (85), tem-se:

Efetuando-se as multiplicações nos colchetes, tem-se:

A = E { ∑ λ 1i Z 1 ( x1i ) ∑ λ 1k Z 1( x1k )+ ∑ λ 1i Z 1 ( x1i ) ∑ λ 2l Z 2 ( x 2l ) +

Rearranjando os somatórios e usando a linearidade do operador E:

A = ∑ ∑ λ 1i λ ik E { Z 1 ( x1i ) Z 1 ( x1k )} + ∑ ∑ λ 1i λ 2l E { Z 1 ( x1i ) Z 2 ( x2l }

Substituindo-se as equações (68), (69), (70) e (71) na equação (89):

A = ∑ ∑ λ1i λ1k (C11 ( x1i , x1k ) + m12) + ∑ ∑ λ1i λ 2l

[C12 ( x1i , x 2l) + m1 m2] + ∑ ∑ λ 2j λ1k [C21 ( x 2j , x1k ) + (90)

+ m2 m1] + ∑ ∑ λ 2j λ 2l [C22 ( x 2j , x 2l) + m22]

Multiplicando dentro dos colchetes: