Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Métodos de estimação:
Tipos de interpoladores
• Envolvem combinação linear dos n valores em pontos vizinhos.
x1 x2
x0 x3
x4
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
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 )
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
2
19/04/2024
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 )
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:
E{Z OK
*
(u) - Z (u)}= 0
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 )
∂ λα (u)
11
∑ λ (u) -1 = 0
α
α =1
∑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
∑ 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 )
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 )
∑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 =1
β =1
n (u )
15
5
19/04/2024
Sistema matricial
O sistema de krigagem pode ser escrito em notação matricial
Função de Covariância Função de Semivariograma
16
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
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
19
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
21
7
19/04/2024
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
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
24
8
19/04/2024
25
26
27
9
19/04/2024
28
29
30
10
19/04/2024
31
1
zV (u) =
V ∫ V (u )
z (u' )du'
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
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
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
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
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.
37
1 se z (u α ) ≤ z k
1. Variável contínua i (u α ; z k ) =
0 caso contrário
38
γI (h, z k ) = [
1 N (h )
∑ i(u α ; zk )-i(u α +h; zk )
2 N (h) α =1
]2
2. Variável categórica
1 se s (u α ) = sk
i (u α ; sk ) =
0 caso contrário
39
13
19/04/2024
γI (h, sk ) =
1 N (h )
[
∑ i(u α ;sk )-i(u α +h;sk )
2 N (h) α =1
]2
40
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
43
####Exemplo 3.6
#Carregar pacotes
library(geoR)
library(gstat)
library(lattice)
library(sp)
library(MASS)
44
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")
46
47
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)
49
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
52
53
54
18
19/04/2024
55
56
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)
58
59
60
20