UNIVERSIDADE FEDERAL DO ESTADO DE PERNAMBUCO

CENTRO DE GEOCIENCIAS E TECNOLOGIAS

DEPARTAMENTO DE ENGENHARIA CARTOGRAFICA

MARCOS DA SILVA LEMOS

Avaliação dos Modelos determinísticos de superfície: estudo de qual

melhor modelo determinístico a ser usado entre as opções de interpolação
polinomial global, de interpolação polinomial local e Interpolação pela
Ponderação do Inverso da Distância (IDW)

RECIFE-PE
2019
 UNIVERSIDADE FEDERAL DE PERNAMBUCO – UFPE
CENTRO DE TECNOLOGIA E GEOCIÊNCIAS – CTG
DEPARTAMENTO DE ENGENHARIA CARTOGRÁFICA - DECART

Avaliação dos Modelos determinísticos de superfície: estudo de qual

melhor modelo determinístico a ser usado entre as opção de interpolação
polinomial global, de interpolação polinomial local e Interpolação pela
Ponderação do Inverso da Distância (IDW)

Avaliação dos Modelos

determinísticos de superfície, na
disciplina de Sistemas de
Informações Geográficas ,
apresentado à Universidade
Federal de Pernambuco – UFPE,
elaborado pelo Graduando do
Curso de Engenharia Cartográfica
e de Agrimensura: Marcos Lemos
Prof. Dr. JOSE LUIZ PORTUGAL

Recife – PE
Junho de 2019
Conteúdo
Introdução...................................................................................................................................... 4
Objetivo ......................................................................................................................................... 5
Fundamentação Teorica ............................................................................................................... 6
Geração de superfície: interpolação polinomial global ................................................... 11
Quando usar interpolação polinomial global ................................................................ 12
Geração de superfície: interpolação polinomial local ..................................................... 18
Medidas de precisão ........................................................................................................ 19
Geração da superfície : Interpolação pela Ponderação do Inverso da Distância (IDW)
................................................................................................................................................. 27
A função de potência ....................................................................................................... 28
Resultados e discussões ............................................................................................................. 34
Conclusão.................................................................................................................................... 38
Referências ................................................................................................................................. 38
Introdução

Em muitas áreas da ciência e engenharia , a geoestatística é uma classe de

estatística usada para analisar e prever os valores associados a fenômenos
espaciais ou espaço-temporais. Incorpora as coordenadas espaciais (e em
alguns casos temporais) dos dados dentro das análises. Muitas ferramentas
geoestatísticas foram originalmente desenvolvidas como um meio prático para
descrever padrões espaciais e interpolar valores para locais onde as amostras
não foram coletadas. Essas ferramentas e modelo deterministicos, desde então,
evoluíram para não apenas fornecer valores interpolados, mas também medidas
de incerteza para esses valores. A medição da incerteza é fundamental para a
tomada de decisão informada, pois fornece informações sobre os possíveis
valores (resultados) para cada local, em vez de apenas um valor interpolado.

Pode ser empregado para a mais diferentes situações da sociedade:O setor de

mineração usa a geoestatística para vários aspectos de um projeto: inicialmente
quantificar os recursos minerais e avaliar a viabilidade econômica do projeto,
diariamente, para decidir qual material é encaminhado para a usina e qual é o
lixo, usando informações atualizadas, torna-se disponível.

• Nas ciências ambientais, a geoestatística é usada para estimar os níveis

de poluentes, a fim de decidir se eles representam uma ameaça à saúde
ambiental ou humana e garantem a remediação.

• Aplicações relativamente novas no campo da ciência do solo concentram-

se no mapeamento dos níveis de nutrientes do solo (nitrogênio, fósforo,
potássio e outros) e outros indicadores (como a condutividade elétrica)
para estudar suas relações com o rendimento das culturas e prescrever
quantidades precisas de fertilizantes. para cada local no campo.

• As aplicações meteorológicas incluem previsão de temperaturas,

precipitação e variáveis associadas (como chuva ácida).

• Mais recentemente, tem havido várias aplicações de geoestatística na

área de saúde pública, por exemplo, a previsão dos níveis de
 contaminantes ambientais e sua relação com as taxas de incidência de
câncer.

Dentro das analises Estatísticas geográficas fornecido pelo Arcigis existem dois
grupos principais de técnicas de interpolação: determinístico e geoestatístico. As
técnicas de interpolação determinística criam superfícies a partir de pontos
medidos, com base na extensão da similaridade (distância inversa ponderada)
ou no grau de suavização (funções de base radial). Técnicas de interpolação
geoestatística (krigagem) utilizam as propriedades estatísticas dos pontos
medidos. Técnicas geoestatísticas quantificam a autocorrelação espacial entre
pontos medidos e explicam a configuração espacial dos pontos de amostragem
ao redor do local de predição.

As técnicas de interpolação determinística podem ser divididas em dois grupos,

global e local. Técnicas globais calculam previsões usando o conjunto de dados
inteiro. As técnicas locais calculam as previsões a partir dos pontos medidos
dentro das vizinhanças, que são áreas espaciais menores dentro da área de
estudo maior. O Analista de Geoestatística fornece polinômio global como um
interpolador global e distância ponderada inversa, polinômio local, funções de
base radial, suavização de núcleo e kernel de difusão como interpoladores
locais.

Objetivo
Uma interpolação determinística pode forçar a superfície resultante a passar
pelos valores de dados ou não. Uma técnica de interpolação que prevê um valor
idêntico ao valor medido em um local amostrado é conhecido como um
interpolador exato. Um interpolador inexato prevê um valor diferente do valor
medido. Este último pode ser usado para evitar picos ou depressões na
superfície de saída. As funções de base ponderada e radial da distância inversa
são interpoladores exatos, enquanto o polinômio global , o polinômio local , a
interpolação do núcleo com barreiras e a interpolação de difusão com barreiras
são inexatos.

Então nosso objetivo é estudar qual melhor modelo determinístico se encaixa

com a nuvem de pontos que possuímos e depois com o melhor modelo
determinístico será calculado a equidistância da curvas de nível.
Fundamentação Teorica

As figuras abaixo mostra o procedimento de como abrir os arquivos .dbf

contendo os pontos que iremos utilizar neste trabalho

Figura 1 inserindo o arquivo copel_mdt sem os 50 pontos de amostra

Figura 2 procurando e escolhendo o aquirvo copel_mdt sem 50 pontos

Figura 3 mudança dos parametros dos campos de acordo com os campos que os representa no arquivo .dbf
Figura 4 escolhendo o sistema de referencia

Figura 5 pasta onde esta o sistema de referencia

Figura 6 sistema de referencia escolhido foi o Sirgas2000

Figura 7 nuvem de pontos gerado pelo arquivo .dbf

Agora vamos adicionar o copel_mdt com somente 50 pontos dentro do aquirvo

.dbf como mostra na figura 8
Figura 8 escolhendo o arquivo .dbf com as 50 amostras

Faz o mesmo procedimento acima na figuras 3,4,5 e 6 depois de feito isso

finalmente escolhe os campos como mostra a figura 9.

Figura 9 escolha dos parametros que representa os campos na tabela

Figura 10 nuvem de pontos gerada a partir do arquivo .dbf que contem as 50 amostras

Geração de superfície: interpolação polinomial global

A interpolação polinomial global se ajusta a uma superfície suave que é definida
por uma função matemática (um polinômio) para os pontos de amostra de
entrada. A superfície polinomial global muda gradualmente e captura o padrão
de escala grosseira nos dados.

Conceitualmente, a interpolação polinomial global é como pegar um pedaço de

papel e encaixá-lo entre os pontos levantados (elevados à altura do valor). Isso
é demonstrado no diagrama abaixo para um conjunto de pontos de amostra de
elevação feitos em uma colina levemente inclinada (o pedaço de papel é
magenta).

Mas um pedaço de papel plano não capta com precisão uma paisagem que
contenha um vale. No entanto, se você tiver permissão para dobrar o pedaço de
papel uma vez, você terá um ajuste muito melhor. Adicionar um termo à fórmula
matemática produz um resultado semelhante, uma dobra no plano. Um plano
plano (sem dobra no pedaço de papel) é um polinômio de primeira ordem (linear).
Permitir uma curva é um polinômio de segunda ordem (quadrático), duas curvas
uma terceira ordem (cúbica) e assim por diante; até 10 são permitidos no
Geostatistical Analyst. A imagem a seguir demonstra conceitualmente um
polinômio de segunda ordem montado em um vale.

Raramente o pedaço de papel passa pelos pontos reais medidos, tornando

assim a interpolação polinomial global um interpolador inexato. Alguns pontos
estarão acima do pedaço de papel, e outros estarão abaixo. No entanto, se você
somar quanto mais alto cada ponto estiver acima do pedaço de papel e somar
quanto mais baixo cada ponto estiver abaixo do pedaço de papel, as duas somas
deverão ser semelhantes. A superfície, em magenta, é obtida usando um ajuste
de regressão de mínimos quadrados. A superfície resultante minimiza as
diferenças quadradas entre os valores elevados e a folha de papel.

Quando usar interpolação polinomial global

O resultado da interpolação polinomial global é uma superfície lisa que

representa tendências graduais na superfície sobre a área de interesse.

A interpolação polinomial global é usada para o seguinte:

• Colocar uma superfície nos pontos da amostra quando a superfície varia

lentamente de região para região na área de interesse (por exemplo,
poluição em uma área industrial).
• Examinando e / ou removendo os efeitos de tendências globais ou de
longo alcance. Em tais circunstâncias, a técnica é muitas vezes referida
como análise de superfície de tendência.

A interpolação polinomial global cria uma superfície de variação lenta usando

polinômios de baixa ordem que possivelmente descrevem algum processo físico
(como poluição e direção do vento). No entanto, deve-se notar que quanto mais
complexo o polinômio, mais difícil é atribuir significado físico a ele. Além disso,
as superfícies calculadas são altamente suscetíveis a outliers (valores
extremamente altos e baixos), especialmente nas bordas.

Figura 11 modelo deterministico de interpolação global passo 1

Figura 12 modelo deterministico de interpolação global passo 2

Figura 13 modelo deterministico de interpolação global passo 3 escolhas dos parâmetros

Figura 14 modelo deterministico de interpolação global passo 3 a ferramenta gera a media e o desvio padrão da
superfície
Figura 15 modelo deterministico de interpolação global passo 4 finalização da geração da superfície

Figura 16 a superfície global gerada através do arquivo copel_mdt com 50 pontos a menos
Figura 17 exportação da superfície global para um arquivo raster

Figura 18 inicio do processo de extração do erro da superfície global

Figura 19 inicio do processo para o calculo do erro

Figura 20 criação de um novo campo chamado erro e introdução da formula para seu calculo
Figura 21 calculo do erro já finalizado

Figura 22 exportação da tabela com o campo de erro para posteriormente se estudada no Excel

Geração de superfície: interpolação polinomial local

A interpolação polinomial local, por outro lado, ajusta-se ao polinômio de ordem
especificada (zero, primeiro, segundo, terceiro e assim por diante) usando
pontos apenas dentro da vizinhança definida. As vizinhanças se sobrepõem e o
valor usado para cada predição é o valor do polinômio ajustado no centro da
vizinhança.

Ilustração de interpolação polinomial local

Enquanto a interpolação polinomial global ajusta um polinômio a toda a

superfície, a interpolação polinomial local se ajusta a muitos polinômios, cada
um dentro de vizinhanças sobrepostas especificadas. A vizinhança de pesquisa
pode ser definida usando o tamanho e a forma, o número de vizinhos e a
configuração do setor .

Medidas de precisão

A interpolação polinomial local fornece as seguintes duas medidas de precisão

que não estão disponíveis para os outros modelo deterministicos de interpolação
determinísticos oferecidos no ArcGIS Geostatistical Analyst:

• Erros padrão de previsão indicam a incerteza associada ao valor previsto

para cada local.
• O número de condição espacial é uma medida de quão estável ou instável
a solução das equações de previsão é para um local específico. Se o
número da condição for grande, uma pequena mudança nos coeficientes
da matriz resultará em uma grande mudança no vetor da solução
(coeficientes de regressão). A superfície do número de condição espacial
mostra variação na estabilidade do modelo numérico e fornece
informações adicionais sobre a incerteza de previsão, uma vez que a
superfície de erro padrão de predição é criada supondo que o modelo
esteja correto.
A interpolação polinomial local será mais precisa quando os dados tiverem as
seguintes propriedades:

• As amostras foram coletadas em uma grade (isto é, as amostras são

igualmente espaçadas).
• Os valores de dados, dentro da vizinhança de busca, são normalmente
distribuídos.

Figura 23 inicio da interpolação polinomial local

Figura 24 modelo deterministico de interpolação local definição dos parâmetros

Figura 25 modelo deterministico de interpolação local resultados da interpolação geração da media e desvio
padrão

Figura 26 processo do modelo deterministico de interpolação local concluido com sucesso

Figura 27 superfície gerada através do modelo deterministico de interpolação local

Figura 28 exportar a superfície para o formato raster

Figura 29 inicio do processo de extração dos valores do 50 pontos que foram retirados

Figura 30 tabela de atributos logo apos a extração dos valores a partir da superfície
Figura 31 criação de um novo campo onde vai receber os valores dos erros

Figura 32 novo campo ERRO criado com sucesso

Figura 33 calculadora de campo

Figura 34 formula para calcular o erro dos valores

Figura 35 calculo do erro de valores no campo ERRO foi criado com sucesso

Figura 36 inicio do processo de exportação para um arquivo .dBASE

Figura 37 final do processo de exportação de tabela

Geração da superfície : Interpolação pela Ponderação

do Inverso da Distância (IDW)

A interpolação de distância inversa ponderada (IDW) faz explicitamente a

suposição de que as coisas que estão próximas umas das outras são mais
parecidas do que as que estão mais distantes umas das outras. Para prever um
valor para qualquer local não medido, o IDW usa os valores medidos em torno
do local de previsão. Os valores medidos mais próximos do local de predição
têm mais influência sobre o valor previsto do que aqueles mais distantes. A IDW
assume que cada ponto medido tem uma influência local que diminui com a
distância. Dá maiores pesos aos pontos mais próximos do local de previsão, e
os pesos diminuem em função da distância, daí o nome inverso da distância
ponderada. Os pesos atribuídos aos pontos de dados são ilustrados no exemplo
a seguir:
Ilustração de bairro de pesquisa

A janela Pesos contém a lista de pesos atribuídos a cada ponto de dados usado para gerar um
valor previsto no local marcado pela cruz.

A função de potência

Como mencionado acima, os pesos são proporcionais ao inverso da distância

(entre o ponto de dados e o local de previsão) elevado ao valor de potência p .
Como resultado, à medida que a distância aumenta, os pesos diminuem
rapidamente. A taxa na qual os pesos diminuem depende do valor de p . Se p =
0, não há diminuição com a distância e, como cada peso λ i é o mesmo, a
previsão será a média de todos os valores de dados na vizinhança de pesquisa.
À medida que p aumenta, os pesos para pontos distantes diminuem
rapidamente. Se o valor p for muito alto, somente os pontos próximos imediatos
influenciarão a previsão.

Ilustração da função de potencia

Figura 38 inicio do processo de geração de superfície através da interpolação pela ponderação do inverso da
distancia (IDW)

Figura 39 introdução dos parâmetros no modelo determinístico de interpolação IDW

Figura 40 media e desvio padrão dos pontos na superficie gerada por interpolação IDW

Figura 41 Final da Interpolação pela Ponderação do Inverso da Distância (IDW)

Figura 42 Superfície gerada de Interpolação pela Ponderação do Inverso da Distância (IDW)

Figura 43 exportação da superfície para raster

Figura 44 extração dos valores dos 50 pontos que foram retirados do arquivo copel_mdt para a geração da
superfície

Figura 45 valores da altura dos 50 pontos obtidos através da extração

Figura 46 inicio do processo para a obtenção do erro , criação de um novo campo chamado ERRO

Figura 47 calculo do erro entre o valor obtido dos 50 pontos e o valor que eles já possuía antes da geração da
superfície
Figura 48 Campo erro preenchido com os valores dos erros com sucesso

Resultados e discussões

A seguir temos as figura 49 que representa a imagem da tabela com os valores

referentes a superfície interpolada pelo modelo determinístico de interpolação
por ponderação do inverso da distancia (IDW) que foi gerada através da
exportação no Arcggis
Figura 49 imagem da tabela com os valores referentes a superfície interpolada pelo modelo determinístico de
interpolação por ponderação do inverso da distancia (IDW)

Abaixo temos a figura 50 que representa a imagem da tabela com os valores

referentes a superfície interpolada pelo modelo determinístico de interpolação
polinomial global que foi gerada através da exportação no Arcggis

Figura 50 imagem da tabela com os valores referentes a superfície interpolada pelo modelo deterministico
determinístico de interpolação polinomial global
Abaixo temos a figura 51 que representa a imagem da tabela com os valores
referentes a superfície interpolada pelo modelo determinístico de interpolação
polinomial local que foi gerada através da exportação no Arcggis

Figura 51 imagem da tabela com os valores referentes a superfície interpolada pelo modelo deterministico
determinístico de interpolação polinomial Local

Dentre essas as figuras 49 , 50 e 51 temos que o melhor modelo determinístico

que gerou a melhor teve media próxima ao valor zero e desvio padrão baixo
também próximo do valor zero foi o modelo determinístico polinomial local pois
teve media de 0,05832 e desvio padrao de 1.46135 muito próxima do valor da
media que foi de -0.002170 e do desvio padrão que foi 2.0794 calculado no
arcgis na hora de gerar a superfície .

O pior modelo determinístico de acordo com os resultados gerados foi modelo

determinístico de interpolação polinomial global pois teve media de 16,7785 e
desvio padrao de 40.1764 muito próxima do valor da media que foi de -
0.001477057 e do desvio padrão que foi 36,37524 calculado no arcgis na hora
de gerar a superfície .

Então de acordo com o DECRETO Nº 89.817, DE 20 DE JUNHO DE 1984 que

Estabelece as Instruções Reguladoras das Normas Técnicas da Cartografia
Nacional , e usando que no padrão cartográfico cerca de 90% dos pontos
identificáveis devem possuir cerca de ¼ de equidistância, onde os 90 % significa
que se trata de 1,64 *desvio padrão da superfície que deve corresponder aos 90
% de confiabilidade .
Ou seja se o nosso melhor modelo determinístico foi o polinomial local que
possui um desvio padrão de 2.0794, e este desvio é o valor que foi gerado na
validação do modelo como mostra a figura 15 então fazendo manipulações
algébrica com a formulas:

90% = 1,64*desvio padrão (1)

90% = ¼ de equidistância (2)

Então temos que (1) substituído em (2) :

1,64*desvio padrão = ¼ de equidistância

Equidistância = 4*1,64*desvio padrão , temos um desvio padrão de

2.0794

Conclui-se então que

Equidistância = 4*1,64*2.0794

Equidistância = 13.640864

A equidistância é de um valor de 13.640864 metros porém usualmente só se

trabalha com curvas de nível de 1 ,2,5,10 e 20 metros de equidistância , então
temos que utilizar uma equidistância de 20 metros pois 13.6408 foi calculado a
partir de 90 % de confiabilidade , ou seja, não podemos trabalhar com
equidistância abaixo de 13. 640864 pois ele é o valor mínimo para que possa
garantir o intervalo de confiança de 90% então foi por este motivo que se deve
adotar a equidistância de 20 m.
Conclusão

Através dos resultados gerados conclui-se que dentre os modelos

determinísticos de interpolação global , local e IDW o que melhor gerou uma
superfície com media mais próxima de zero e com o menor desvio padrão foi o
modelo determinístico polinomial local e foi ele que apresentou uma melhor
suavização da superfície mesmo usando o polinômio de grau 1 .

Referências
ESRI. Deterministic methods for spatial interpolation. arcigis, 2018. Disponivel em:
<https://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/deterministic-
methods-for-spatial-interpolation.htm>. Acesso em: 30 Maio 2019.

ESRI. How global polynomial interpolation works. arcgis, 2018. Disponivel em:
<https://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/how-global-
polynomial-interpolation-works.htm>. Acesso em: 04 Junho 2019.

ESRI. How inverse distance weighted interpolation works. arcgis, 2018. Disponivel em:
<https://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/how-inverse-
distance-weighted-interpolation-works.htm>. Acesso em: 01 Junho 2019.

ESRI. How local polynomial interpolation works. arcgis, 2018. Disponivel em:
<https://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/how-local-
polynomial-interpolation-works.htm>. Acesso em: 02 Junho 2019.

ESRI. What is geostatistics? arcgis, 2018. Disponivel em: <https://pro.arcgis.com/en/pro-

app/help/analysis/geostatistical-analyst/what-is-geostatistics-.htm>. Acesso em: 29 Maio
2019.

REPÚBLICA, P. D. REGULADORAS DAS NORMAS TÊCNICAS DA CARTOGRAFIA NACIONAL.

planalto, 2019. Disponivel em: <www.planalto.gov.br/ccivil_03/decreto/1980-
1989/D89817.htm>. Acesso em: 05 Junho 2019.