19/04/2024

Unidade III: Estimação Local

• Modelo de dependência espacial estimação de um
atributo em localizações não amostradas.
• Semivariagrama permite verificar e modelar a
dependência espacial de uma variável.
• Krigagem: interpolador que utiliza o semivariograma em sua
modelagem. Homenagem ao matemático sul-africano Daniel
Krige (mineração).
• Algumas Áreas de Aplicações:

• mapeamento geológico (Verly et al., 1984)

• mapeamento solo (Burgess e Webster, 1980)

• mapeamento hidrológico (Kitanidis et. al., 1983)

• mapeamento atmosférico (Lajaunie, 1984)

1. Métodos de estimação:
Tipos de interpoladores
• Envolvem combinação linear dos n valores em pontos vizinhos.

x1 x2

x0 x3

x4

Média Local Inverso do Quadrado Krigagem

n da Distância
Z*x = ∑ λi Z xi
0 i=1
1
λ =n
i

2. Estimador da KRIGAGEM
• Os pesos são extraídos de uma análise de correlação
espacial baseada no Semivariograma
1
x1 x2 Análise de Correlação Espacial
baseada no Semivariograma

x0 x3 2

Ajuste do Semivariograma
x4 Experimental
3

Modelo de ajuste do semivariograma

é æ 3 öù
ê çh æhö ÷ú
γ (h)= C0 + C1 ê 3 çç - 1 çç ÷÷
ê2 a 2 ç a ÷
÷ú = C + C
÷ú 0 1
[Sph ( h )]
ê ç è ø ÷ú
ë è øû

Estimador de
KRIGAGEM

1
 19/04/2024

Estimador da krigagem
Aplicação da krigagem:
1. Assume-se conhecidas as realizações {z (u α ), α = 1,..., n}
2. Semivariograma da variável já foi calculado
3. Interesse em estimar um valor z* na localização u.
• Krigagem : nome genérico para uma família de algoritmos de
regressão de mínimos quadrados generalizados.
n (u )

Z * (u) - m. (u) = ∑ λ (u)[Z (u

α α ) - m(u α )] (3.0)
α =1

λα (u) : peso atribuído ao dado z (u α ) interpretado como uma

realização da VA Z (u α )

m(u) e m(u α ) : médias das VAs Z (u) e Z (ua )

Estimador da krigagem
• O número de dados envolvidos na estimação, assim como seus
pesos, pode variar de uma localização a outra. Na prática,
somente n(u) dados mais próximos da localização u sendo
estimada são utilizados.
•Três modelos de krigagem podem ser distinguidos de acordo
com o modelo considerado para a tendência m(u)
1. Krigagem Simples:m(u) = m ,conhecida e constante ˅ u € A
2.Krigagem Ordinária: considera flutuações locais da média pela
limitação do domínio de estacionaridade da média à vizinhança
local W(u): m(u' ) = constante, mas desconhecida ˅ u’ € W(u)
3.Krigagem com modelo de Tendência ou Krigagem Universal: a
média local desconhecida m(u' ) varia suavemente dentro de cada
vizinhança local W(u). A componente de tendência é modelada
como uma combinação linear de funções fk(u) de coordenadas:
K

m(u' ) = ∑ ak (u' ) f k (u' ) ak (u' ) ≈ ak constante mas desconhecido ˅ u’ € W(u)

k =0

PROPRIEDADES DA KRIGAGEM COMO INTERPOLADOR

1. É um interpolador exato. No ponto ui Z * (u i ) = Z (u i )
e a variância é zero.
2. O pesos da krigagem são calculados com ajuda do
variograma.
3. O valor máximo dos pesos é 1. Entretanto, eles podem
ser negativos. Portanto, não é verdadeira a hipótese
max[Z (u i )] ≤ Z * (u i ) ≤ min[Z (u i )]
4. Os pesos da krigagem não influenciam nos valores medidos.
Se a mesma configuração aparace em duas localizações
diferentes os pesos da krigagem serão os mesmos,
independentemente dos valores medidos. Os valores medidos
influenciam o variograma que á a base para os pesos da
krigagem.
5. Os pesos da krigagem mostram o efeito screening. Pontos
distantes têm peso menor do que pontos mais próximos.

2
 19/04/2024

2.1. Principais tipos de Krigagem

2.1.1. Krigagem Ordinária (KO)
• Efeito proporcional: a média local pode variar significativamente
na área de estudo.
• KO : considera tal variação local da média limitando o domínio
de estacionaridade da média à vizinhamça local W(u) centrado na
localização u sendo estimada.
• O estimador linear: combinação linear das n(u) VAs Z(uα) mais a
média constante local m(u):
n (u )

Z * (u) - m(u) = ∑ λ (u)[Z (u

α α ) - m(u α )]
α =1

n (u )

Z * (u) = ∑ λ (u)[Z (u
α α ) - m(u α )]+ m(u)
α =1

n (u ) n (u )

Z * (u) = ∑ λ (u)Z (u
α α ) - ∑ λα (u)m(u α ) + m(u)
α =1 α =1

n (u ) n (u )

Z * (u) = ∑ λα (u) Z (u α ) 1 - ∑ λα (u) _

m(u)
α =1 α =1

n (u ) n (u )
*
Z OK (u) = ∑λ OK
α (u) Z (u α ) para ∑λ
α =1
OK
α (u) = 1
α =1

*
A melhor estimativa de Z OK (u) é obtida quando:

a) O estimador é não tendencioso

E{Z OK
*
(u) - Z (u)}= 0

b) A variância da estimativa é minima

Var{Z OK (u) - Z (u)}= E{[Z OK (u) - Z (u)]} = mínima

* * 2

SISTEMA DE EQUAÇÕES DA KRIGAGEM.

• Hipótese de estacionaridade de segunda ordem (ou hipótese
intrínseca):
E [ Z (u)] = m para todo u Є A

• Estimador não tendencioso: erro médio é igual a zero.

n (u )

E{Z OK
*
(u) - Z (u)}= ∑λ OK
α (u)m(u) - m(u)
α =1

= m(u) - m(u) = 0
n (u )

∑λ OK
α (u) = 1
α =1

3
 19/04/2024

2
n (u

σ 2 (u) = Var{Z OK
*
(u) - Z (u)}= E ∑λ Z α
*
OK (u) - Z (u) =
α =1

n (u ) n (u ) n (u )

=E ∑ ∑ λ λ Z (u α β α ) Z (u β ) - 2 ∑ λα Z (u α ) Z (u ) + Z (u )
2

α =1 β =1 β =1

Sabe-se que:
Var{Z(u)} = E[Z2(u) – m2 ]=s2 = C(0) para todo u Є A
Cov{Z(u),Z(u+h)} = E[Z(u)Z(u + h) – m ]= C(h) 2 para todo u Є A
n (u ) n (u ) n (u )

= ∑ ∑ λ λ C (u α β α , u β ) + m2 - 2 ∑ λ C (u α α , u) +m 2 + C (0) + m 2
α =1 β =1 β =1

10

n (u ) n (u ) n (u )

σ 2 (u) = ∑ ∑ λ λ C (u α β α ,uβ ) - 2 ∑ λ C (u α α , u) + C (0)

α =1 β =1 β =1
n (u )

A equação acima deve ser minimizada sob a restrição de que ∑ λ (u) = 1

α
α =1

Este processo de minimização é feito através de técnicas de Lagrange

Para satisfazer a condição de variância minima, é preciso que as N
derivadas parciais
n (u )

∂ σ 2 (u) - 2 μ(u) ∑ λ (u) -1 α

α =1

∂ λα (u)

sejam igualadas a 0 (zero); μ é um multiplicador de Lagrange.

11

Fazendo a derivada parcial em relação a la (u) :

n (u )

2 ∑ λβ (u)C (u α , u β ) - 2C (u α , u) - 2 μ(u) = 0 a = 1 ,..., n(u)

β =1

Fazendo a derivada parcial em relação a µ(u) :

n (u )

∑ λ (u) -1 = 0
α
α =1

Cancelando o fator 2, rearranjando tem-se o sistema da krigagem

expresso em termos de função covariância:
n (u )

∑λ β (u)C (u α , u β ) - μ(u) = C (u α , u)
β =1
n (u ) α= 1 ,..., n(u)
∑λ β =1
β =1

12

4
 19/04/2024

Rearrajando as primeiras N equações no sistema de krigagem:

n (u )

∑ λ (u)C (u β α , u β ) = μ(u) + C (u α , u)
β =1
Substituindo a equação acima na equação da variância
n (u ) n (u ) n (u )

σ 2 (u) = ∑ ∑ λ λ C (u α β α ,uβ ) - 2 ∑ λ C (u α α , u) + C (0)

α =1 β =1 β =1

n (u ) n (u ) n (u )

σ 2 (u) = ∑ ∑ λ ( μ(u) + C (u
α α , u)) - 2 ∑ λ C (u α α , u) + C (0)
α =1 β =1 β =1

n (u ) n (u )

σ 2 (u) = ∑ λ ( μ(u) + C (u
α α , u)) - 2 ∑ λ C (u α α , u) + C (0)
α =1 β =1

13

n (u ) n (u )

σ 2 (u) = C (0) + μ (u) + ∑ λα C (u α , u) - 2 ∑ λα C (u α , u)

β =1 β =1

Expressão da variância mínima da estimativa

n (u )

σ 2 (u) = C (0) + μ(u) - ∑ λα C (u α , u)

β =1

Considerando a relação γ(h) = C(0) – C(h) o sistema de

krigagem e da variância da estimativa, podem ser expressos
em termos de semivariograma como
n (u )

∑λ β
[ ]
(u) C (0) - γ(u α , u β ) - μ(u) = C (0) - γ(u α , u)
β =1
n (u )

∑λ β =1
β =1

14

n (u )
Graças à condição de não-tendenciosidade, ∑ λ (u) = 1 α
,
o termo da variância C(0) é cancelado, α =1
n (u )

∑λ β (u)γ(u α , u β ) + μ(u) = γ(u α , u)

β =1
n (u )

∑λ β =1
β =1

A variância da estimativa, fica

n (u )

σ 2 (u) = C (0) + μ(u) - ∑ λα [C (0) - γ(u α , u)]

β =1

n (u )

σ 2 (u) = μ(u) + ∑ λα γ(u α , u)

β =1

15

5
 19/04/2024

Sistema matricial
O sistema de krigagem pode ser escrito em notação matricial
Função de Covariância Função de Semivariograma

[C][ λ] = [b] [γ][λ] = [b]

Soluções [ λ][C] 1 = [b] [ λ] = [γ ] 1[b]
[C] Matriz de Covariância [ λ] Matriz dos pesos procurados

[γ] Matriz de Semivariância

[b] Lado direito das equações
do sistema de krigagem

16

A variância da estimativa, podem ser expressas em notação

matricial, como
Função de Covariância Função de Semivariograma

σ 2 (u) = C (0) - [ λ]T [b] σ 2 (u) = [ λ]T [b]

[]
Suponha que N=2. Então a matriz γ (ou [C]) é uma matriz 3x3
e pode ser, explicitamente, escrita como

γ( u1 ,u1 ) γ( u1 ,u 2 ) 1 λ1 γ( u1 ,u0 )
[γ ]= γ( u 2 ,u1 ) γ( u 2 ,u 2 ) 1 [λ ] = λ2 [b] = γ(u2 ,u0 )
μ 1
1 1 0

17

Exemplo 3.1. Considere 3 pontos em uma linha reta. Sabe-se

que os valores de Z(u1)=2 e Z(u2)=4 e deseja-se estimar o valor
do terceiro ponto. A Figura abaixo mostra a configuração, onde
u=0, u1=1 e u2= – 2. Supor que o variograma seja linear γ(h) = h

u2 u u1

Equações da krigagem

0 λ1 + 3 λ2 + μ = 1
3 λ1 + 0 λ2 + μ = 2
λ1 + λ2 = 1

18

6
 19/04/2024

Sistema matricial
0 3 1 λ1 1
[γ ]= 3 0 1 [λ ] = λ2 [b] = 2
μ 1
1 1 0
λ1 0,667
Solução [ λ] = [γ ] 1[b] [ λ] = λ2 = 0,333
μ 0
n (u )
*
Z OK (u) = ∑λ OK
α (u) Z (u α )
α =1

= 0,667 * 2 + 0,333 * 4 = 2,667

σ 2 (u) = [ λ]T [b] = 1,333

19

Exemplo 3.2. Supondo que a configuração seja alterada e u2

seja movido para o outro lado da origem, i.e., u2=2

u u1 u2

Equações da krigagem

0 λ1 + 1λ2 + μ = 1
1λ1 + 0 λ2 + μ = 2
λ1 + λ2 = 1

20

Sistema matricial
0 1 1 λ1 1
[γ ]= 1 0 1 [λ ] = λ2 [b] = 2
μ 1
1 1 0
λ1 1,0
Solução [ λ] = [γ ] 1[b] [ λ] = λ2 = 0
μ 1, 0
n (u )
*
Z OK (u) = ∑λ OK
α (u) Z (u α )
OBS: A configuração dos
α =1
dados tem um papel
= 1,0 * 2 + 0 * 4 = 2,0 importante na krigagem

σ 2 (u) = [ λ]T [b] = 2,0

21

7
 19/04/2024

Exemplo 3.3. Estimar o valor da variável regionalizada Z4

indicada para a configuração abaixo, onde Z1=600, Z2=400 e
Z3=500

22

SOLUÇÃO:
Amostra Coord. X Coord. Y Var Z
1 10 10 600
2 40 10 400
3 10 50 500
4 30 40 ?

d (x, y ) = ( x1 - y1 ) 2 + ( x2 - y2 ) 2 + ... + ( x p - y p ) 2

3
Variograma: Modelo esferico C h h
γ ( h) = 3 -
2 a a
Supor: C = 100
a = 40

23

0 91,41 100 1 0,0058 0,0036 0,0022 0,4509

91,41 0 35,94 1 0,0036 0,0161 0,0125 0,2207
[γ ]= [γ ] =
-1

100 35,94 0 1 0,0022 0,0125 0.0148 0,3285

1 1 1 0 0,4509 0,2207 0,3285 53,0168

98,59 0,0382
n (u )
93,88 0,002
[b]= [ λ] = [γ ]-1[b] = ∑ λ (u) = 1
α
75,12 0,616 α =1

1 36,824
n (u )
*
Z OK (u) = ∑λ OK
α (u) Z (u α )
α =1

= 600 * 0,0382 + 400 * 0,002 + 500 * 0,616 = 537,996

σ 2 (u) = [ λ]T [b] = 120,952

24

8
 19/04/2024

Exemplo 3.4. Fazer a krigagem das variáveis Ni e Co

#Carregar pacotes
library(geoR)
library(gstat)
library(lattice)
library(sp)

setwd("C:/PPGCA/GeoestatisticaR") #Definir a area de trabalho

Geo <- read.table("jura.txt", head=T) #carregar arquivo de dados

## lendo arquivo com bordas da área

jbor <- read.table("jurabor.txt", head=T)

#Resumo do arquivo Geo

summary(Geo)
### Selecionar as variaveisl Cobalto e Niquel######

Ni <- as.geodata(Geo, coords.col = 1:2, data.col = 9)

Ni #mostrar a variavel Niquel area de trabalho

Co <- as.geodata(Geo,coords.col = 1:2, data.col = 6)

Co #mostrar a variavel Cobalto na area de trabalho

25

### Analise semivariografica: Niquel

variogNi <- variog(Ni, uvec = seq(0, 2, length = 20),
option = "bin")
variogNi

#Semivariograma unidirecional experimental

plot(variogNi, xlab = "Distância", ylab =
"Semivariância",type="l")
title("Semivariograma Experimental: Niquel")

#Semivariograma unidirecional e modelo ajustado

plot(variogNi, xlab = "Distância", ylab = "Semivariância")
lines.variomodel(cov.model = "spherical" , cov.pars =
rbind(c(9,0.12),c(64,1.4)), nugget = 11, max.dist = 2,
lwd = 2, col = "red")
text(1,0.1,"MODELO: 11 + 9,0 Sph(h/0,12) + 64 Sph(h/1,4)")
title("Semivariograma Experimental e modelo ajustado:
Niquel")

26

27

9
 19/04/2024

###Mapa de Krigagem do Niquel

locNi <- expand.grid(seq(0,5.5,l=100), seq(0,6,l=120))
kcNi <- ksline(Ni, locations=locNi, cov.model = "spherical" ,
cov.pars = rbind(c(9,0.12),c(64,1.4)), nugget = 11)
contour(kcNi, filled=TRUE, bor=jbor, col=rainbow(22))
title("Niquel")

28

### Analise semivariografica: Cobalto

#Semivariogramas experimentais nas duas direções
coordinates(Geo) = ~ x + y
vgmCo <- variogram(Co~1, Geo, alpha=c(67.5,157.5))
plot(vgmCo,type="b", lty=2, col="black",main="Cobalto")
# Modelo anisotropico ajustado
model.Co <- vgm(11.5,"Sph",1.5,2.0,anis=c(67.5,0.67))
plot(vgmCo,model=model.Co,type="p",col=c("black"),main="Cobalto")

29

###Mapa de Krigagem do Cobalto

locCo <- expand.grid(seq(0,5.5,l=100), seq(0,6,l=120))
kcCo <- ksline(Co, locations=locCo, cov.model = "spherical",cov.
pars=rbind(c(11.5,1.5)),nugget=2.0, aniso.pars = c(67.5,1.49))
contour(kcCo, filled=TRUE,borders=jbor, col=rainbow(30))
title("Cobalto")

30

10
 19/04/2024

2.1.2. Krigagem de bloco

• Suporte: forma, tamanho e orientação do volume associado com
qualquer observação.
Ex. concentração de contaminante: medidas de pontos no sentido que
há uma localização associada com cada medida, mas não um volume.
Permeabilidade: médias espaciais e tem um volume associado com
cada medida. Nesse caso, a localização geralmente se refere às
coordenadas do centro de gravidade do volume analisado.

• A mudança em qualquer das características de um suporte define

uma nova variável regionalizada.
• O efeito de um suporte maior é reduzir a variabilidade, resultando em
semivariogramas com menores sills e maiores alcances.
• Krigagem de blocos é o nome genérico dado para qualquer forma
de krigagem na qual o interesse está na estimação de uma média
linear de um atributo dentro de suporte que tem tamanhos
intermediários entre o suporte da amostragem e o domínio da
amostragem.

31

• Às vezes aparecem aplicações que exigem valores médios de

parâmetros sobre determinadas áreas ao invés de valores pontuais.
Essas médias podem ser calculadas usando-se krigagem por pontos
para uma grande quantidade de pontos na área e, em seguida,
calculando-se sua média. Um modo mais simples de se fazer isso é a
utilização de krigagem por blocos.
• Pode-se usar a krigagem ordinária para estimar o valor de um
bloco ao invés do valor de um ponto.

• Considere o problema de estimar o valor médio do atributo z sobre um

bloco V centrado em u. Considerando o processo da média como
linear, o valor de bloco zV (u) é definido como,

1
zV (u) =
V ∫ V (u )
z (u' )du'

V medida (comprimento, área, volume) do bloco V

32

V(u)
Na prática a integral é aproximada por uma
soma discreta de valores z definidos em N u'1 u '2
pontos u'i que discretizam o bloco V(u).
u
Deve-se encontrar um estimador linear da
forma N

zV* = ∑ λi z (u'i ) u'3 u '4

i =1
N
Estimação da variância considerando
a condição de não-tendenciosidade
∑λ i =1
i =1

n (u ) n (u ) n (u )

σ 2 (V ) = γ (V , V ) - ∑ ∑ λ λ γ(u , u j i i j ) + 2 ∑ λi γ (u i , V )
j =1 i =1 i =1

γ : valor médio do semivariograma

33

11
 19/04/2024

1 1
γ (u i , V ) =
V ∫ V
γ(u i , u)duγ (V , V ) =
V ∫ V ∫ V
γ(u, v )dudv

Exemplo 3.5. Considere os mesmos pontos do Exemplo 3.1.

Sabe-se que os valores de Z(u1)=2 e Z(u2)=4. Deseja-se estimar,
em vez do valor em u=0, a média no intervalo [– 0.5, 0.5]. Aplicar a
krigagem de bloco para a estimativa. Sabe-se que γ(h) = h

u2 u u1
. O lado esquerdo das equações da krigagem é igual ao caso da krigagem
n (u )
pontual
∑λ β (u)γ(u α , u β ) + μ(u) = γ(u α , u)
β =1

0 λ1 + 3 λ2 + μ = γ (u1 , V )
3 λ1 + 0 λ2 + μ = γ (u 2 , V )
λ1 + λ2 = 1

34

0.5
γ (u1 , V ) = ∫ t - 1 dt
0.5

γ (u1 , V ) = [ - t]
t2
2
0.5
0.5
= (0.225 - 0.5) - (0.225 + 0.5) = - 1 = 1
0.5
γ (u 2 , V ) = ∫ t + 2 dt
0.5

γ (u 2 , V ) = [t2
2 + 2t ] 0.5
0.5
= (0.225 + 1) - (0.225 - 1.0) = 2 = 2
Portanto, λ1 0,667
[ λ] = λ2 = 0,333
0 λ1 + 3 λ2 + μ = γ (u1 , V )
μ 0
3 λ1 + 0 λ2 + μ = γ (u 2 , V )
*
Z OK (u) = 2,667
λ1 + λ2 = 1
35

Para o cálculo da estimativa da variância precisa-se do valor de,

0.5 0.5
γ (V , V ) = ∫ ∫ t - s dtds
0.5 0.5
0.5 s
γ (V , V ) = 2 ∫ ∫ s - t dtds
0.5 0.5

γ (V , V ) = 2 ∫
0.5

0.5
[st - ] t 2

2 0.5
s
ds = 2 ∫
0.5

0.5
[(s 2 2
)
- s2 - (- 0.5s - 0.225 ) ds ]
γ (V , V ) = 2 ∫
0.5

0.5
[ s2
2 + 0.25 s + 18 ]s
0.5
ds

γ (V , V ) = 2 [ s3
6 + 0.54s + 8s
2
] 0.5
0.5 = [ s3
3 + 0.52s + 4s
2
] 0.5
0.5

1
γ (V , V ) =
3

36

12
 19/04/2024

Então,
n (u ) n (u ) n (u )

σ 2 (V ) = γ (V , V ) - ∑ ∑ λ λ γ(u , u
j i i j ) + 2 ∑ λi γ (u i , V )
j =1 i =1 i =1

1
σ 2 (V ) = - + 1.333 = 1.0
3
Portanto, neste caso, a krigagem de bloco produz os mesmo
pesos que a krigagem pontual mas a estimativa da variância é
menor.

OBS.: Os pesos calculados para o centro do bloco usando-se

a krigagem pontual não necessariamente são iguais aos
pesos correspondendo aos blocos.

37

2.1.3 Krigagem Indicativa

1. Mapeamento de risco de ocorrência de uma variável contínua
acima de determinado ponto de corte (cutoff)
2. Mapeamento de variáveis categóricas. Ex. uso da terra, tipos
de solos,...
3. Predição da variação espacial da probabilidade da variável
estar dentro de um determinado critério.
4. Critério: definido como a variável sendo igual ou maior do um
valor limite (threshold)
Variáveis Indicativas

1 se z (u α ) ≤ z k
1. Variável contínua i (u α ; z k ) =
0 caso contrário

38

Semivariograma indicativo para o valor de corte zk :

γI (h, z k ) = [
1 N (h )
∑ i(u α ; zk )-i(u α +h; zk )
2 N (h) α =1
]2

• Mede o quanto dois valores z separados por um vetor h estão

em lados opostos do valor de corte zk. Em outras palavras,
mede a frequencia de transição entre duas classe de valores z
em função de h. Quanto maior γI (h, z k ) menos conectados no
espaço são os pequenos ou grandes valores.

2. Variável categórica
1 se s (u α ) = sk
i (u α ; sk ) =
0 caso contrário

sk conjunto de K possíveis estados ou categorias

39

13
 19/04/2024

Semivariograma indicativo para a categoria sk :

γI (h, sk ) =
1 N (h )
[
∑ i(u α ;sk )-i(u α +h;sk )
2 N (h) α =1
]2

Variograma indicativo: mede qual a freqüência com que duas

localizações separadas por um vetor h pertencem a diferentes
categorias sk ' ≠ sk

. Quanto menor 2γI (h, sk ) melhor a conectividade espacial da categoria

40

Aproximação indicativa no modelamento da incerteza local

• A função F (u; zk (n)) é modelada para um conjunto de K valores
limites zk, que discretizam a faixa de variação de z

F (u; z k (n)) = Prob Z (u) ≤ z k (n) [ ] k = 1,..., K

A resolução da fdac é então aumentada pela interpolação dentro de
cada classe (zk;zk+1] e extrapolação alés dos dois valores extremos, z1
e zk
• A estimação geoestatística não-paramétrica dos valores da fdac é
baseada na interpretação da probabilidade condicional F (u; zk (n))
como a esperança condicional de uma variável aleatória indicativa:

F (u; zk (n)) = E I (u;zk (n) [ ] I (u ; z ) =

α k
1
0
se z (u α ) ≤ z k
caso contrário

Os valores da fdac podem ser obtidos por krigagem ordinária de I (ua ; z k )

41

PROCEDIMENTO
1. Fazer a codificação de cada observação em um vetor de K valores indicativos
1 se z (u α ) ≤ z k
I (u α ; z k ) =
0 caso contrário
OBS. O numero de classes deve ser escolhido de modo que as K+1 classes
tenham aproximadamente frequencias iguais. Recomenda-se usar mais de 5
classes e menos de 15.
2. Calcular os semivariogramas experimentais para cada ponto de
corte zk e, em seguida, fazer o modelamento dos mesmos.
3. Em cada localização não amostrada u,
– Estimar os K valores da fdac usando, por exemplo, a krigagem
ordinaria indicativa, i.e,
F (u; zk (n)) KIO = [I (u;zk ]*KIO
n (u )

= ∑ λα (u;zk ) I (u α ;zk )
α =1

42

14
 19/04/2024

– Interpolar ou extrapolar os valores da fdac para construir um modelo

continuo para a fdac, que permita recuperar a probabilidade de
qualquer ponto z..
Exemplo 3.6. : Para a variável Cd dos dados Jura, fazer o
mapeamento dos valores que ultrapassam o maximo valor permitido
de 0,8 ppm.
1. Foram considerados os seguintes pontos de corte
Zc Cdf (Quantil) Comando no EXCEL
0.8 0.34 =ORDEM.PORCENTUAL(E2:E260;N4;3)
1.07 0.50
1.38 0.60
1.88 0.80
2.26 0.90

43

####Exemplo 3.6
#Carregar pacotes
library(geoR)
library(gstat)
library(lattice)
library(sp)
library(MASS)

#Definir a area de trabalho

setwd("C:/PPGCA/GeoestatisticaR“

#carregar arquivo de dados

Geo <- read.table("jura.txt", head=T)
Geo[1:5,] #mostrar os dados na area de trabalho

## lendo arquivo com bordas da área

jbor <- read.table("jurabor.txt", head=T)
jbor[1:5,]

### Selecionar a variavel Cadmio

Cd <- as.geodata(Geo,coords.col = 1:2, data.col = 5)

44

# Analise semivariografica: Cadmio

#Semivariogramas experimentais direcionais
v4Cd <- variog4(Cd, uvec = seq(0, 2, length = 20), direction =
c(22.5,67.5,112.5,157.5), tolerance = 45,unit.angle = "degrees")
plot(v4Cd)

OBS: Não há indícios de

anisotropia

45

15
 19/04/2024

#Resultado do semivariograma
par(mfrow = c(1,2)) # set up the graphics
variogCd <- variog(Cd, uvec = seq(0, 2, length = 20),
option = "bin")
plot(variogCd,type="l",main="Semivariograma
experimental")

#Semivariograma unidirecional e modelo ajustado(geoR)

plot(variogCd, xlab = "Distância", ylab =
"Semivariância",main="Modelo ajustado")
lines.variomodel(cov.model = "spherical" , cov.pars =
rbind(c(0.35,0.2),c(0.26,1.3)), nugget = 0.25,
max.dist = 2, lwd = 2, col = "red")
text(1,0.1, "MODELO: 0,25 + 0,35 Sph(h/0,2) + 0,26
Sph (h/1,3)")

46

47

## Ajuste usando mínimos quadrados ponderados

args(variofit)
locin <- matrix(c(0.35,0.26,0.2,1.3), ncol=2)
locin
Cd.ols <- variofit(variogCd, ini=locin, nugget=0.25, min="optim")
Cd.ols
plot(variogCd)
lines(Cd.ols, lty=2,
col="blue", lwd=3)

48

16
 19/04/2024

##Krigagem indicativa
#Definir grid (malha)
x <- seq(0,5.5,l=100)
y <- seq(0, 6, l=120)
locCd <- expand.grid(x=x,y=y)
summary(locCd)

## Krigagem Indicativa: predição de probabilidades e quantis

## Probabilidade de Cd ser maior que 0.8 ppm em cada ponto
OC <- output.control(thres=0.8, quan=c(0.34,0.50,0.60,0.80,0.90))
Cd.kc <- krige.conv(Cd, loc=locCd,krige=krige.control(obj=Cd.ols
),output=OC)

# examinando o objeto retornado pela função names(Cd.kc)

Zp<-Cd.kc$pred # valores preditos
Zv<-Cd.kc$krige.var # variancia
Zprob=Cd.kc$prob # probabilidades estimados do valor ser menor
que 0.8 nos pontos selecionados
Zc=1-Cd.kc$prob # probabilidades estimados do valor ser maior que
0.8 nos pontos selecionados
Ztype=Cd.kc$mean # E-type (médias)
Zq=Cd.kc$quant # quantis

49

#Salvando os resultados em uma tabela

ki <- cbind(Zp,Zv,Zc,Zprob,Ztype,Cd.kc$quant)

kind<-cbind(locCd,ki)
names(kind)
write.table(kind,"tkind.dat")

###Mapas
#Definição da escala de cores
rgb.palette <-
colorRampPalette(c("darkblue","blue","green",
"yellow","orange","red","red"),space = "rgb")
#Mapa de probabilidades Zc>0.8
image(Cd.kc, border=jbor, loc=locCd,
val=Zc,col = rgb.palette(15))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(3,6),Zc,col= rgb.palette(15), vert=TRUE)
title("Cadmio: Prob Zc>0.8")

50

51

17
 19/04/2024

# Mapa dos valores médios (E-type)

image(Cd.kc,border=jbor,loc=locCd,val=Ztype,col= rgb.palette(15))
legend.krige(x.leg=c(-0.4,-.05),y.leg=c(3,6),Ztype, col =
rgb.palette(15),vert=TRUE)
title("Cadmio: E-type")

52

# Mapa dos valores medianos (quantil-0.5)

Zmed=Cd.kc$quant[,2]
image(Cd.kc, border=jbor,loc=locCd,val=Zmed,col= rgb.palette(15))
legend.krige(x.leg=c(-0.4,-0.05)y.leg=c(3,6),Zmed,col=rgb.palette
(15), vert=TRUE)
title("Cadmio: Mediana")

53

Exemplo 3.7 Fazer o mapeamento do uso da terra do banco Jura

utilizando krigagem indicativa.
####Exemplo 3.7
#Carregar pacotes
library(geoR)
library(gstat)
library(lattice)

#Definir a area de trabalho

setwd("C:/PPGCA/GeoestatisticaR")

## lendo arquivo com bordas da área de estudo

jbor <- read.table("jurabor.txt", head=T)
jbor[1:5,]

#carregar arquivo de dados categoricos (uso da terra)

Landuse <- read.table("land.txt", head=T)
Landuse[1:5,] #mostrar os dados na area de trabalho
summary(Landuse)

54

18
 19/04/2024

###Semivariograma experimental da variavel Floresta

Flore <- as.geodata(Landuse, coords.col = 1:2,data.col= 4)

par(mfrow = c(1,2)) # set up the graphics

v.flor <- variog(Flore, uvec = seq(0, 2, length = 20),
option = "bin")
plot(v.flor, xlab = "Distância", ylab = "Semivariância",
main="Semivariograma Floresta",type="b", col = "black")

#Semivariograma unidirecional e modelo ajustado

plot(v.flor, xlab = "Distância", ylab = "Semivariância")
lines.variomodel(cov.model = "spherical" , cov.pars =
rbind(c(0.04,0.5),c(0.08,1.4)),nugget=0.01,max.dist= 2,
lwd = 2, col = "red")
text(1,0.01, "MODELO: 0.01 + 0.04 Sph(h/0,5) + 0.08 Sph
(h/1,4)")
title("Semivariograma Experimental e modelo ajustado")

55

56

# Ajuste usando mínimos quadrados ponderados

locin <- matrix(c(0.04,0.08,0.5,1.4), ncol=2)
flor.ols <- variofit(v.flor, ini=locin, nugget=0.01, min="optim")
plot(v.flor)
lines(flor.ols, lty=1, col="red")
title("Semivariograma
ajustado Floresta")

57

19
 19/04/2024

##Krigagem indicativa
#Definir grid (malha)
x <- seq(0,5.5,l=100)
y <- seq(0, 6, l=120)
locn <- expand.grid(x=x,y=y)
summary(locn)

kc.flor <- krige.conv(Flore, loc=locn,

krige=krige.control(obj=flor.ols))
summary(kc.flor)

kc.pas <- krige.conv(Pasto, loc=locn,

krige=krige.control(obj=pas.ols))
summary(kc.pas)

kc.pra <- krige.conv(Prado, loc=locn,

krige=krige.control(obj=pra.ols))
summary(kc.pra)

kc.lav <- krige.conv(Lavoura, loc=locn,

krige=krige.control(obj=lav.ols))
summary(kc.lav)

58

#Mapas da cada categoria

flor<-kc.flor$predict
image(kc.flor, border=jbor, loc=locn, val=flor,col=rainbow(9))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(2.5,5.5),flor,col=rainbow(9), vert=TRUE)
title("Floresta")

59

60

20