MINI-CURSO

GEOESTATSTICA APLICADA
AO ESTUDO DE SOLOS

Prof. Eduardo Rodrigues Viana de Lima

Departamento de Geocincias
Universidade Federal da Paraba

INTRODUO
A geoestatstica distingue-se da estatstica clssica pelo fato de
considerar que os valores de uma varivel esto de alguma forma
relacionados sua distribuio espacial, ou seja, observaes tomadas
a curtas distncias devem ser mais semelhantes do que aquelas
tomadas a distncias maiores, e por levar em considerao o
comportamento espacial das variveis apresenta grande potencial de
aplicao nas geocincias/cincias ambientais.

A Geoestatstica no faz todo o tratamento de dados de forma

integrada: preciso parar no fim de cada etapa e selecionar, interpretar;
tambm no cria dados: apenas trata a informao disponvel.

A Geoestatstica utiliza os dados duas vezes, primeiramente para

estimar a autocorrelao espacial e depois para estimar a varivel em
locais no amostrados . Como todas as tcnicas estatsticas, a
Geoestatstica baseia-se em um conceito probabilstico. Para uma
aplicao segura da Geoestatstica, necessrio um conhecimento
prvio dos conceitos de Estatstica, sendo importante que se proceda a
um estudo estatstico elementar dos dados, com a finalidade de testar
se as condies exigidas para aplicar o formalismo prprio da
Geoestatstica esto satisfeitas.
3

As tcnicas geoestatsticas podem ser usadas para descrever e

modelizar padres espaciais (variografia), para predizer valores em
locais no amostrados (krigagem), para obter a incerteza associada a
um valor estimado em locais no amostrados (varincia de krigagem) e
para otimizar malhas de amostragem.

No caso especfico de utilizao da Geoestatstica com a finalidade de

apoio otimizao de malhas de amostragem, oportuno salientar que
o erro cometido ao fazer uma avaliao com malhas de amostragem
diminui com o detalhamento da malha, mas esse crescimento no
linear, conforme mostra a figura 1.

Figura 1 Relao entre malha de amostragem e erro de avaliao.

Os mtodos de estimao linear comumente utilizados fazem mais

sentido quando a distribuio dos resduos aproximadamente normal.
Sendo a mdia dos resduos igual a zero e minimizando o desvio-padro
dos erros (feito pelos mtodos de estimao linear), as predies obtm
um bom resultado. Assume-se que os erros de estimao sejam
normalmente distribudos.

Quando o valor esperado para um erro de estimao zero, diz-se que o

estimador no-enviesado.

As vantagens reconhecidas da Geoestatstica sobre outras tcnicas

convencionais de predio so:
-o estudo da variabilidade espacial (a anlise de um semivariograma a
nica tcnica disponvel para medir a variabilidade espacial de uma
varivel regionalizada);
- a suavizao (a estimao geoestatstica suaviza ou faz a regresso de
valores preditos);
-o desagrupamento (ou efeito de anular as concentraes localizadas de
observaes);
- a determinao da anisotropia (os comportamentos da variabilidade nas
diferentes direes so considerados);
7

- a preciso (a krigagem fornece valores precisos sobre as reas ou

pontos a serem avaliados);
- e a incerteza (estimativas obtidas por meio da krigagem associam a
margem de erro que acompanha a estimativa).

Tratando-se de um modelo probabilstico, a geoestatstica explora a

aparente aleatoriedade dos dados, para avaliar as medidas de correlao
espacial

dos

mesmos,

considerando

uma

determinada

vizinhana

(Huijbregts, 1975).

Assim, a varivel que apresenta uma distribuio no espao com certo

grau de correlao espacial pode ser considerada regionalizada.
Diversas variveis relativas ao meio fsico assumem as caractersticas de
regionalizadas. O comportamento que assume essas variveis est
fundamentado em modelos probabilsticos e em funo disso define a
chamada teoria das variveis regionalizadas (Matheron, 1962) apud
Sturaro (1994), as quais so consideradas como a realizao nica de
uma determinada funo aleatria (Matheron, 1962) apud Sturaro (1994).
A teoria das variveis regionalizadas tem como objetivo bsico avaliar as
caractersticas estruturais dessas variveis e efetuar estimativas.

Modelos utilizados na anlise geoestatstica

Para conhecer as caractersticas da varivel regionalizada, a mesma deve
ser expressa atravs de uma funo aleatria, seguindo alguma lei de
distribuio de probabilidades e sendo caracterizada pelos parmetros da
distribuio.
Uma varivel regionalizada z(x) pode ser considerada como uma varivel
aleatria, no sentido de que os valores das medies feitas podem variar
consideravelmente entre si, e assume um carter estruturado dentro de
uma determinada rea, segundo uma certa lei no espao, considerando
que os valores das observaes no so completamente independentes
da sua localizao geogrfica. Assim, a varivel regionalizada pode ser
considerada como uma realizao nica de uma varivel aleatria Z para
uma localizao dentro dessa rea. Se a varivel regionalizada z(x) for
considerada para todos os locais da referida rea, torna-se uma dentre
um conjunto infinito de variveis aleatrias Z(x) para todos os locais da
10
rea (Souza, 1992).

Considerando que a amostragem singular no permite que se conhea a

funo densidade de probabilidades de uma varivel regionalizada, a
geoestatstica linear utiliza-se de momentos da funo casual, para fazer
inferncias sobre essa funo de densidade de probabilidades (Journel e
Huijbregts, 1978 apud Sturaro, 1988). Os momentos so os seguintes:
Estacionaridade de 1 ordem
E {x(i) - x (i+h)}= m(h)
Onde: m(h) representa a tendncia.
x(i)e x(i+h)so dois valores de uma mesma varivel regionalizada obtidos
nos pontos i e i+h, separados entre si por uma distncia h.
A diferena entre esses dois valores outra varivel casual [x(i) - x(i+h)].
11

Estacionaridade de 2 ordem
E {(x(i) - x(i+h) - m(h)} = 2y(h)
onde: m(h) representa a tendncia e y(h) representa a semivarincia.
O grau de relao entre pontos numa certa direo pode ser expresso
pela covarincia, e embora a covarincia exista entre todas as distncias
possveis ao longo de h, pode ser estipulado que somente sero
considerados valores entre pontos regularmente espaados por mltiplos
de h.
A covarincia entre valores encontrados nessas distncias separadas por
h ao longo de h : K(h)=K(h)=1/nx(i)x(i+h).
Onde: K=covarincia e n=nmero de pares de valores comparados.
Isso significa que a covarincia igual mdia dos produtos dos valores
x(i) encontrados nos pontos i pelos valores x(i+h) encontrados nos pontos
i+h, distantes a um intervalo h, e n representa o nmero de pares de
valores comparados.
Se h=0, K(h) passa a representar a varincia K(0)=1/n x(i)x(i+0).
Desse modo, pode-se computar uma funo denominada semivarincia,
definida como metade da varincia das diferenas y(h)=[x(i+h)-x(i)]/2.12

A funo aleatria pode ser estacionria (apresenta o comportamento

espacial da varivel invariante sob translao), ou seja, em qualquer
direo assume-se que seja constante o valor mdio esperado (Sturaro,
1994), e para tanto assumem-se hipteses de estacionaridade para o
processo,

considerando

que

varivel

deve

ser

estatisticamente

homognea e isotrpica, permitindo que se faam inferncias estatsticas

(Vieira et alii, 1983).

Uma vez que, na prtica, difcil verificar a ocorrncia da hiptese bsica,

trabalha-se ainda com as hipteses de segunda-ordem e a intrnseca
conforme Vieira et alii, (1983) e Pannatier (1996).

13

O vetor h apresentando-se infinitamente pequeno faz com que a

varincia e a covarincia se tornem muito prximas. Como consequncia,
espera-se que ambas sejam aproximadamente iguais para pequenos
valores de h. Para h maiores, a covarincia diminuir enquanto a
varincia

aumentar,

porque

ocorrer

progressivamente

maior

independncia entre os pontos a distncias cada vez maiores.

A semivarincia distribui-se assim de 0, quando h=0, at um valor igual
varincia das observaes para um alto valor de h.
Essas relaes so mostradas quando a funo y(h) colocada em
grfico contra h para originar o semivariograma.

14

Ocorrendo

estacionaridade

de

segunda-ordem,

covarincia

semivariograma so recursos disponveis tambm para caracterizar a

autocorrelao entre duas variveis z(x) e z(x+h), separadas por um
vetor h. Diante da existncia de covarincia, trabalha-se com uma
varincia finita, expressa
Var z ( x ) ccomo
( 0)

Entretanto, diversos fenmenos naturais apresentam capacidade infinita

de disperso, no possuindo covarincia e portanto com inexistncia de
varincia finita. Nesses casos, assume-se uma forma mais fraca de
estacionaridade

chamada

hiptese

intrnseca,

na

qual

apenas

semivariograma serve como instrumento de anlise da estacionaridade.

15

Assim sendo, a funo aleatria z(x) tida como sendo intrnseca se:
- a esperana matemtica

E z ( x )

existe e no depende da posio x:

E z ( x ) m

- para todo vetor de separao h o incremento z ( x h ) z ( x ) tem varincia finita

que no depende de x:

1
1
2
Var z ( x h ) z ( x ) E z ( x h ) z ( x ) ( h )
2
2

Embora haja possibilidade de avaliar o grau de dependncia espacial de

uma varivel por meio do coeficiente de correlao e da covarincia, o
momento de inrcia denominado de semivariograma amplamente
utilizado, pelo fato do mesmo ter condies de modelar fenmenos
naturais de elevada disperso espacial.
16

A funo semivariograma pode ser considerada como o momento de

inrcia em torno da diagonal do diagrama de disperso espacial, conforme
mostra a figura 2 (Pannatier, 1996):

Figura 2 - Diagrama de disperso de uma varivel V(x).

Fonte: Pannatier, 1996.

17

Enquanto o momento de inrcia constitui a metade da mdia das

diferenas quadrticas entre as coordenadas de cada par de pontos, o
semivariograma por sua vez, calculado para uma mesma varivel a
diferentes intervalos de distncia e em diferentes direes, com o
intuito de verificar a continuidade espacial da varivel.

18

Matematicamente a funo semivariograma expressa da seguinte forma:

1 n
(h)
V( x ) V( x h )

2n i 1

onde:
1 n
(h)
V( x ) V( x h )
2 n i 1

o semivariograma;

n o nmero de pares da varivel considerados em uma determinada

direo;

V( x ) eV( x h ) a mesma varivel em dois pontos diferentes, separados

por uma distncia pr-estabelecida e constante a uma certa direo;

corresponde metade da mdia das diferenas quadrticas e que

representa a distncia perpendicular dos pontos em relao linha
de 45 graus do diagrama de disperso espacial (Fig. 2);
h o intervalo de distncia pr-estabelecida.
19

Graficamente a funo semivariograma expressa conforme mostra a

figura 3, e cujas caractersticas so apresentadas em seguida:

Figura 3 - Esquema bsico de uma funo semivariograma.

20

- Amplitude variogrfica (a) ou alcance: Distncia na qual a mxima

variabilidade atingida e que corresponde ao aumento da distncia entre
as amostras;
- Patamar (c) ou sill: Representa o nvel de variabilidade onde o
semivariograma se estabiliza. Corresponde a diferena entre o ponto de
maior correlao ou a origem do semivariograma e o ponto que
teoricamente representa a varincia populacional e a variabilidade se
estabiliza;
- Efeito pepita (co): Descontinuidade na origem do semivariograma,
correspondendo diferena entre as amostras de maior proximidade e
gerada por microrregionalizaes, erros de amostragens ou erros de
medidas.
21

Amostras separadas por distncias menores do que a amplitude

variogrfica so espacialmente correlacionadas, por outro lado aquelas
separadas por distncias maiores no so, considerando que o valor do
semivariograma sendo igual varincia dos dados, a variao aleatria.

Garcia (1988) considera que uma relao entre os parmetros co e c

expressa o grau de aleatoriedade do fenmeno regionalizado, e pode ser
avaliada por E, que representa o efeito de pepita relativo. Esta
componente aleatria pode ser classificada da seguinte forma:
E < 0,15

componente aleatria pequena

0,15 < E < 0,30

E > 0,30

componente aleatria significativa

componente aleatria muito significativa

22

Segundo

Matheron

(1963)

apud

Sturaro

(1988),

em

geral,

semivariograma uma funo de incremento com a distncia h, visto

que, quanto mais afastadas forem as amostras, mais seus valores em
mdia devero ser diferentes. Esta caracterstica reflete bem a noo de
zona de influncia de uma amostra.

Nesse

aspecto

que

semivariograma

experimental

deve

ser

considerado, no mximo, para a metade da distncia total de

amostragem no campo, isto quando o nmero de pares de dados seja
maior do que 30 (Journel & Huijbrgts, 1991).

23

A noo de zona de influncia de uma amostra est relacionada com a

existncia de regionalizaes. Os semivariogramas exercem sua funo
no modelamento espacial de diversos fenmenos, quando da deteco
da

continuidade

espacial

ou

regionalizao

de

uma

varivel,

consequentemente de possveis ocorrncias de anisotropias.

Para avaliar o comportamento da variabilidade espacial de uma varivel,

os semivariogramas so elaborados experimentalmente e submetidos
anlise de suas caractersticas estruturais. A figura 4 ilustra as
propriedades estruturais do semivariograma (Huijbregts, 1975): suporte,
zona de influncia, estruturas superpostas, anisotropia, continuidade
espacial

ou

comportamento

da

varivel

prxima

origem,

corregionalizao.
24

25

Figura 4 - Propriedades estruturais do semivariograma. (Huijbregts, 1975)

Suporte: As variaes de uma varivel regionalizada ocorrem em um

certo domnio do espao ou domnio geomtrico. A varivel regionalizada
definida em um determinado suporte geomtrico, cujas amostras no
espao tenham volume, forma e orientao. Se o suporte alterado, uma
nova varivel regionalizada definida, relacionada ao suporte inicial, mas
com caractersticas diferentes e um semivariograma diferente.

Zona de influncia: O semivariograma uma funo de incremento da

distncia orientada h. Quanto mais essa distncia entre as amostras
aumenta, menos correlacionadas essas amostras ficam, ou seja, h um
aumento da varincia, at que ocorre uma total independncia entre as
mesmas. A zona de influncia de uma varivel regionalizada corresponde
distncia chamada de range (a), a partir da qual a varincia torna-se
constante, e cuja medida a amplitude variogrfica.
26

Estruturas superpostas: Fenmenos de transio so caracterizados

nos semivariogramas pelo range e pelo sill. Essas caractersticas
podem refletir a existncia de superposio de regionalizao em
diferentes escalas.
Anisotropia: Considerando que a distncia expressa no semivariograma
um vetor, este deve ser calculado para diferentes direes. Assim,
quando o semivariograma apresenta configuraes similares para todas a
direes medidas, diz-se que o fenmeno isotrpico. Quando isso no
ocorre, pode ser que haja anisotropia de duas formas distintas. Num dos
casos, o semivariograma apresenta a mesma forma, mas com amplitudes
diferentes, o que representa anisotropia geomtrica. No outro caso o
semivariograma apresenta-se bem diferente para direes diferentes,
representando uma anisotropia zonal.
27

Continuidade espacial ou comportamento da varivel prxima a

origem:
O comportamento da curva do semivariograma em pequenas distncias,
ou seja, prxima a origem, reflete a continuidade da regionalizao.
Teoricamente, o semivariograma deveria ser nulo na origem, entretanto,
isto geralmente no ocorre e o que passa a existir uma descontinuidade
denominada de efeito de pepita devido a problemas referentes a
existncia de microrregionalizaes ou erro de amostragem.
Independentemente da ocorrncia ou no do efeito de pepita, o
comportamento parablico da curva a partir do seu ponto inicial, reflete
uma boa continuidade espacial, enquanto que a forma linear reflete uma
continuidade moderada.
28

Corregionalizao:
Esta caracterstica obtida no caso de duas variveis regionalizadas
serem analisadas em um mesmo suporte geomtrico e tambm no
mesmo semivariograma. O semivariograma cruzado exibe a existncia de
corregionalizao ou correlao regionalizada entre as duas variveis.

29

Segundo Landim (1993), para a utilidade do semivariograma as seguintes

suposies bsicas so requeridas:
a) As diferenas entre pares de valores de amostras so determinadas
apenas pela orientao espacial relativa dessas amostras;
b) O interesse enfocado apenas na mdia e na varincia das diferenas,
significando que esses dois parmetros dependem unicamente da
orientao (hiptese intrnseca);
c) Por convenincia assume-se que os valores da rea de interesse no
apresentam tendncia que possa afetar os resultados e assim a
preocupao ser apenas com a varincia das diferenas entre valores
das amostras.
30

Clculo do semivariograma a partir de amostras regularmente

espaadas
No clculo de amostras regularmente espaadas, o procedimento e
efetuado geralmente para as direes de 0, 45, 90, 135, 180, 225,
270, 315 e 360, considerando todos os intervalos de distncia
possveis numa determinada direo.
Ou seja, tomando-se como ponto de partida a distncia entre amostras
de 10 m, qualquer par de amostras, naquela direo selecionada, que
tenha essa distncia, ser considerada. O mesmo procedimento
efetuado para outras distncias, tais como 20 m, 30 m, 40 m e assim por
diante, at que algum ponto de parada seja alcanado, conforme
exemplifica a figura 5 (Camargo, 1998).

31

Figura 5 Amostras regularmente espaadas usadas para clculo do

Semivariograma (Camargo, 1998).

32

Clculo do semivariograma a partir de amostras irregularmente

espaadas
Considerando o arranjo das amostras, conforme mostra a figura 6, para
determinao do semivariograma, necessrio introduzir limites de
tolerncia para direo e distncia (Camargo, 1998).

Figura 6 - Parmetros para o clculo do semivariograma a partir de amostras

33
irregularmente espaadas (Fonte: Deutsch e Journel, 1992 apud Camargo, 1998).

Define-se o Lag e uma certa tolerncia, que representam o campo de

abrangncia das medidas. O Lag e sua tolerncia correspondem a um
intervalo de distncia no qual sero medidas todos os pares de amostras
existentes.
Define-se tambm a direo de medida com uma certa tolerncia, na qual
ser efetuado o conjunto de medidas. ttulo de exemplo, se o Lag
definido for de 300 m, e a direo de 900 com tolerncia de 300, qualquer
par de amostras cuja distncia esteja compreendida entre 250 m e 350 m
e 600 e 1200, ser considerado no clculo do semivariograma para aquele
Lag utilizado. O clculo se repete para diferentes valores de Lag e de
direo.

34

Modelos variogrficos
De posse da funo que exprime o comportamento da variabilidade
espacial do fenmeno, pode-se conduzir anlise que expresse aquele
comportamento atravs de modelos de duas dimenses, ou seja, atravs
de mapas.
Para tanto, necessrio que sejam ajustados modelos matemticos, ou
funes tericas, funo semivariograma, no intuito de que sejam
determinados os valores nos locais no amostrados e a partir de ento
definidas curvas de isovalores ou blocos com valores mdios.
Segundo Sturaro (1988), embora possa existir uma grande quantidade de
funes que se ajustem aos semivariogramas experimentais gerados, na
prtica, apenas alguns modelos, fundamentados nas teorias das variveis
regionalizadas, tem se ajustado em casos prticos aplicados.

35

Essas funes tericas devem atender, segundo Sturaro (1994),

condio de serem positiva definida, ou seja, o sistema estruturado a
partir dessas funes, para efetuar estimativas, deve possuir uma soluo
nica e estvel para o sistema de equaes.
Os modelos considerados bsicos, simples e isotrpicos (Isaaks e
Srivastava, 1989), podem ser classificados em dois grupos, segundo uma
caracterstica

que

os

diferencia

marcantemente:

um

grupo

de

semivariogramas com a presena de patamar e outro que no possui

patamar.

36

Modelos com patamar ou modelos de transio

Neste grupo de modelos a caracterstica marcante diz respeito a um
limite alcanado pelo aumento da funo semivariograma, que ocorre
medida que aumenta a distncia entre os pontos amostrais. Alcanado
um determinado patamar (sill), que corresponde teoricamente
varincia da populao, a funo se estabiliza.
As variaes dos modelos com patamar esto relacionadas basicamente
com o comportamento espacial das amostras em relao distncia, at
que a funo atinja o patamar. Este intervalo de distncia conhecido
como amplitude variogrfica ou range e define o raio de influncia da
varivel. Segundo Vieira et alii (1983), a amplitude variogrfica um
importante parmetro, considerando que as amostras separadas por
distncias menores que o range so correlacionadas com as demais,
enquanto as amostras separadas por distncias maiores que o range no
so correlacionadas.

37

Figura 6 - Modelos variogrficos com patamar.

38

Modelo esfrico

O mais facilmente encontrado nas aplicaes da geoestatstica,

apresenta como caracterstica o fato de que a tangente na
origem da curva, atinge o patamar a uma distncia
correspondente a 2/3 da amplitude (a).
39

Modelo exponencial

Outro modelo de transio comumente encontrado, tem como

caracterstica o fato de que o range atingido quando o valor do
semivariograma alcana apenas assintoticamente, 95% do valor do
patamar. De outra forma, a tangente na origem atinge o patamar a uma
40
distncia correspondente a 1/5 do range.

Modelo gaussiano

Este modelo tem bastante semelhana com o exponencial,

principalmente no que se refere a forma como atinge o patamar e
larga amplitude variogrfica. Difere daquele quanto a seu
41
comportamento parablico na origem.

Modelo aleatrio

Este modelo, tambm denominado de efeito pepita puro, caracterstico de

fenmenos de elevada aleatoriedade, considerando que h uma acentuada
descontinuidade na origem do semivariograma. (Isaaks e Srivastava, 1989).
Ocorre uma diferena significativa de valor entre pontos prximos,
representando que pode haver uma provvel regionalizao inferior escala de
trabalho da malha de amostragem e/ou variaes esprias associadas com a
coleta e medio das amostras (Sturaro, 1988). Segundo Landim (1993) este
modelo representa o extremo de uma situao de aleatoriedade, onde no 42
ocorre covarincia entre os valores e, portanto, a anlise variogrfica no se

Modelos sem patamar

Constituem os modelos que apresentam um aumento constante da

variabilidade medida em que a distncia incrementada (Sturaro,
1994), ou seja, apresentam uma varincia infinita e no ocorre uma
funo de covarincia (Landim, 1993). Satisfazem apenas a hiptese
intrnseca e no so considerados modelos de transio.

43

Modelos lineares generalizados

44

Modelo logartmico

45

Mtodos geoestatsticos de estimao

Aps a anlise variogrfica, e verificada a possibilidade de estimao por
tcnicas geoestatsticas, pode-se proceder a uma estimao de valores
em

locais

no

amostrados.

Constitui-se

essa,

numa

tarefa

importantssima dos estudos ambientais, principalmente no que diz

respeito a espacializao e representao cartogrfica de diversos
fenmenos de interesse.

A krigagem constitui-se em um mtodo de estimao por mdias mveis

e tem como caracterstica particular, que o diferencia e o torna superior
aos demais mtodos de estimao, o fato de permitir o clculo do erro
associado s estimativas, chamado de varincia de estimao.
46

O mtodo de estimao da krigagem foi inicialmente concebido sob a

hiptese de que a varivel regionalizada resultava de um processo
estocstico estacionrio de 2 ordem, denominada de krigagem simples e
krigagem ordinria. Considerando a exigncia da estacionaridade, esses
tipos de krigagem no resolviam todos os problemas.
A krigagem ordinria considerada segundo Sturaro (1988) como o
melhor

estimador

linear

sem

vis,

em

funo

das

seguintes

caractersticas:
Linear - As estimativas so feitas atravs de uma combinao linear dos
dados;
Sem vis - O mtodo objetiva que o erro residual mdio seja igual a zero;
Melhor estimador - O mtodo objetiva minimizar a varincia dos erros.47

Considerando a dificuldade em conhecer os valores reais dos pontos

estimados que possibilite avaliar o erro e a varincia verdadeiros, a
krigagem ordinria baseia-se em um modelo probabilstico, no qual o erro
residual mdio, assim como a varincia dos erros podem ser estimados.
No sentido de contornar a limitao da exigncia de estacionaridade,
surge um novo tipo de krigagem, denominado de universal. Nessa
situao as variveis regionalizadas so consideradas, segundo Yamamoto
(1988), no estacionrias, ou seja, representadas pela soma de uma
componente de deriva e outra devido s flutuaes locais.
A componente aleatria, igual a diferena entre a varivel regionalizada e
a componente de deriva, apresenta-se estacionria e, portanto, factvel
para determinao das covarincias ou semi-varincias.
48

Segundo Landim (1994) a krigagem pode ser usada para:

a) Previso do valor pontual de uma varivel regionalizada em um
determinado local dentro do campo geomtrico; um procedimento de
interpolao

exato

que

leva

em

considerao

todos

os

valores

observados, o qual pode ser a base para cartografia automtica por

computador quando se dispe de valores de uma varivel regionalizada
dispostos por uma determinada rea.
b) Clculo mdio de uma varivel regionalizada para um volume maior
que o suporte geomtrico, como por exemplo, no clculo do teor mdio de
uma jazida a partir de informaes obtidas de testemunhos de sondagens.
c) Estimao do drift, de modo similar anlise de superfcies de
tendncia.

49

Krigagem ordinria
A krigagem ordinria um procedimento de estimao linear para uma
varivel regionalizada que satisfaz a hiptese intrnseca e procura
minimizar, sem vis, o erro de estimao, ou seja, objetiva que o erro
residual mdio seja igual a zero. Na realidade, a minimizao do erro de
estimao constitui um dos principais objetivos no processo de
estimao, uma vez que, possibilita auferir a sua qualidade.
Alm disso, a krigagem ordinria ainda tem como caracterstica ser o
melhor estimador, pelo fato de minimizar a varincia dos erros.
Considerando que difcil quantificar o erro e a varincia para os pontos
estimados, haja vista o desconhecimento dos valores reais, a krigagem
ordinria faz uso do modelo de funo aleatria, de base probabilstica,
que permite atribuir pesos s amostras usadas nas estimativas.

50

Krigagem universal
Nem

sempre

comportamento

espacial

de

uma

varivel

tem

caracterstica estacionria, ou seja, que a mdia seja constante. Isto no

ocorrendo, a varivel apresenta uma deriva regional (tendncia ou drift),
que consiste no valor mdio ou esperado dentro de uma certa vizinhana
e que varia sistematicamente.
A krigagem universal utilizada se ocorrer um trend nos dados, com a
mdia no sendo mais constante e o semivariograma ou a covarincia dos
dados originais no sendo mais apropriados para modelizar a estrutura de
correlao espacial. O que se necessita de um semivariograma dos
resduos e um modelo para descrever a forma do trend.
A krigagem, nesse caso, executada sobre os resduos. Em outras
palavras, se a VR for no-estacionria, trabalha-se sobre a estacionaridade
51
residual.

Krigagem por indicao

Este tipo de modelagem computacional se caracteriza por utilizar os

procedimentos no lineares da geoestatstica, a krigagem por indicao e
a simulao estocstica por indicao, para modelar a variabilidade dos
atributos espaciais. Estes procedimentos possibilitam a inferncia de uma
aproximao discretizada do modelo de distribuio de probabilidade do
atributo que , ento, utilizada para modelagem da incerteza sobre seus
valores. Assim, tem-se uma modelagem espacial no paramtrica que
pode, portanto, ser usada sem restries ao tipo de distribuio do
atributo.
Os modelos de incerteza so obtidos diretamente da distribuio,
independem de um estimador escolhido e esto relacionados ao
52
comportamento de variabilidade do atributo.

Outra vantagem importante destes procedimentos a possibilidade de se

modelar dados temticos, alm dos dados de natureza numrica. Assim,
pode-se

trabalhar

com

propagao

de

incertezas

para

modelos

computacionais que envolvam atributos numricos e temticos.

Os estimadores de krigagem so considerados estimadores lineares por
estimarem um valor, em uma posio espacial no observada, segundo
uma combinao linear dos valores de um subconjunto amostral local.
Alm dos problemas com a estimativa de incerteza, estes estimadores
so usados apenas para inferir valores de variveis de natureza
numrica. A krigagem linear no pode ser usada para inferir valores entre
classes ainda que exista ordenao entre elas.

53

Um estimador de krigagem no linear um estimador de krigagem

linear
aplicado sobre um conjunto amostral cujos valores do atributo foram
modificados segundo uma transformao no linear, por exemplo, uma
transformao gaussiana, uma transformao lognormal ou outra
(Deutsch e Journel 1998).
O procedimento de krigagem por indicao requer uma transformao
no linear, chamada de codificao por indicao, que transforma cada
valor do conjunto amostral Z(u) em valores por indicao.

54

O estimador de krigagem por indicao possibilita inferncias para dados

numricos e para dados temticos e, tambm, estimativas de incertezas
associadas a estes atributos. Esta tcnica tem como principal vantagem
ser no paramtrica, ou seja, nenhum tipo de distribuio para a VA
considerado a priori. Ela possibilita a estimativa da funo de distribuio
da VA que, por sua vez, permite a determinao de incertezas e a
inferncia de valores do atributo, em localizaes espaciais no
amostradas. Alm disso, diferentemente da krigagem linear, este
procedimento

consegue

modelar

atributos

com

alta

variabilidade

espacial, sem a necessidade de se ignorar os dados amostrados cujos

valores esto muito distantes de uma tendncia (Journel 1983).

55

Vantagens e desvantagens da krigagem por indicao

Pode-se ressaltar as seguintes vantagens, especficas do procedimento de
krigagem por indicao:
a krigagem por indicao no paramtrica. No considera nenhum
tipo de distribuio de probabilidade a priori para a varivel aleatria. Ao
invs disso, ela possibilita a construo de uma aproximao discretizada
da

funo

de

disribuio

de

Z(u).

Os valores de

probabilidades

discretizados podem ser usados diretamente para se estimar valores

caractersticos da distribuio, tais como: quantis, valor esperado e
varincia. Portanto no se restringe a modelagem de atributos com
distribuies simtricas como, por exemplo, a gaussiana;

56

 a krigagem por indicao fornece uma metodologia nica para

espacializao, com estimativa de incertezas, para atributos espaciais de
natureza temtica e numrica;
diferentemente da krigagem linear, que estima a varincia do erro de
estimao em funo do estimador e da distribuio geomtrica das
amostras, a krigagem por indicao possibilita a estimativa de incertezas,
utilizando a funo de distribuio acumulada condicionada da VA que
representa o atributo, independentemente do estimador;
a krigagem por indicao pode ser usada para modelar atributos com
alta variabilidade espacial sem a necessidade de se filtrar amostras cujos
valores esto muito distantes de uma tendncia (outliers);

57

 a krigagem por indicao permite melhorar a qualidade de estimao

com o uso de amostras indiretas, retiradas de fontes auxiliares, em
conjunto com o conjunto amostral do atributo, amostras diretas.
Alm das vantagens expostas, os procedimentos de krigagem por
indicao apresentam algumas desvantagens. Este procedimento requer,
do especialista, um alto grau de interatividade para se definir a
quantidade e os valores de corte a serem utilizados. Tambm, exige que
seja definido um semivariograma para cada valor de corte considerado.
Alm disso, a aproximao da funa de distribuio apresenta alguns
problemas, conhecidos como desvios de relao de ordem, que devem ser
corrigidos automaticamente pelo procedimento.

58

Cokrigagem
A cokrigagem similar krigagem e permite estimar uma varivel a
partir das informaes que se tem sobre ela prpria e tambm a partir das
informaes disponveis sobre outras variveis que tenham correlao
espacial com ela.
A cokrigagem busca melhorar a estimao de uma varivel pela utilizao
de informaes relativas tambm a outras variveis com as quais ela est
correlacionada.
A cokrigagem deve ser utilizada quando a varivel estudada for
subconhecida em relao s outras de cujos dados se socorre, ou seja,
quando a sua informao for insuficiente e quando a correlao espacial
entre ela e as demais for forte; e deve ser evitada quando o nmero de
observaes em que tivermos dados da varivel estudada e das outras a
ela correlacionados for pequeno.

59

Jack-knifingou Validao cruzada

Os resultados obtidos com a krigagem envolvem um erro de estimao,
que representa a diferena entre o valor medido Z(xi) e o valor estimado
Z*(xi), para um mesmo local xi, que obtido a partir do modelo
variogrfico experimental utilizado.
De posse de ambos valores (medido e estimado) para um mesmo local
pode-se calcular um conjunto de n erros de estimao, E(xi) = [Z*(xi)
Z(xi)], ou n erros reduzidos, R(xi) = [Z*(xi) Z(xi)]/E(xi), onde E(xi) o
desvio padro da estimao.

H uma preferncia pelo uso dos erros

reduzidos porque so adimensionais, e portanto, independentes das

unidades das variveis sob anlise, que podem ser diferentes

60

A tcnica de Jack-knifing tem, exatamente, por objetivo, calcular os erros

de estimao e avaliar a qualidade do mtodo de estimao.
Os valores estimados Z*(xi) e a varincia de estimao 2E(xi) so
calculados para cada posio xi, onde existe um valor medido Z(xi), a
partir de ento os erros podem ser calculados.
A qualidade do mtodo de estimao pode ser avaliada atravs de duas
condies, no caso especfico dos erros reduzidos (Souza, 1992):

- a mdia dos erros reduzidos (mE) deve ser igual a 0 (zero); e

- a varincia dos erros reduzidos (2E) deve ser igual a 1.

61

Numa avaliao quantitativa, a melhor qualidade de estimao seria

alcanada quando o valor da mdia dos erros se aproximasse de 0 (zero)
e a varincia dos erros se aproximasse de 1.
A tcnica de Jack-knifing apresenta diversas vantagens, pois pode ser
utilizada para avaliar a qualidade do mtodo de estimao, pode tambm
ser utilizada para definir o melhor nmero de vizinhos mais prximos a
um determinado ponto para estimao de um valor e ainda pode ser
utilizada para avaliar se o modelo variogrfico experimental utilizado o
que melhor se ajusta aos dados (Souza, 1992).

62

De modo resumido, a validao cruzada processa-se da seguinte forma:

a) extrado,do conjunto original de dados, o valor correspondente a um
determinado ponto mostrado (Zi);
b) utilizando os dados remanescentes do conjunto de dados, estima-se o
valor desse ponto cujo valor foi retirado do conjunto, obtendo-se o valor
Z*i,o*, designando que o dado estimado;

c) obtm-se o erro cometido nessa estimao, que vale (Z i - Z*i), e comparase esse valor com (Zi - Z*i)/i;
d) repetem-se os procedimentos descritos nos itens a,b e c para todas as
observaes disponveis no conjunto de dados e procura-se observar se so
verificadas duas propriedades para o conjunto final obtido: a de que o valor
mdio dos valores (Zi - Z*i) seja aproximadamente zero e a de que o valor
63
2

Alm da disponibilidade de uma tcnica como a de Jack-knifing para

avaliar a qualidade de estimao do mtodo de interpolao, os mtodos
geoestatsticos apresentam algumas outras vantagens em relao a
outros mtodos de estimao, as quais podem ser vistas em seguida
(Camargo, 1998):

Mtodos geoestatsticos

Mtodos convencionais

Os pesos so determinados a partir de um

anlise de correlao espacial baseada no
semivariograma.

Os pesos so determinados meramente em

funo da distncia.

rea de influncia na
indicada pelo alcance.

Raio de busca arbitrrio.

Modela anisotropia, isto , detecta as

direes de maior e menor continuidade
espacial do fenmeno.

Anisotropia ignorada.

Trata redundncia (clusters), isto , atribui

pesos adequados para agrupamentos de
amostras.

Redundncia ignorada. Neste caso,

podem
ocorrer
superestimao
ou
subestimao de valores.

interpolao

64

Utilizao do Programa SPRING para modelagem

geoestatstica de variveis de solos

Sequncia de Procedimentos Geoestatsticos

Sero apresentados os passos necessrios para manipulao do mdulo
de geoestatstica do SPRING. A figura abaixo mostra a sequncia a ser
executada para gerar modelos numricos a partir da modelagem
geoestatstica.
O Mdulo de Procedimentos Geoestatsticos tem como objetivo a anlise
em duas dimenses, 2D, para dados espacialmente distribudos, no que
diz respeito a interpolao de superfcies geradas a partir de amostras
georreferenciadas. Portanto, a entrada de dados neste mdulo atravs
de um Plano de Informao (PI) do modelo numrico com amostras do
tipo pontos cotados, sendo que este PI pode ser criado atravs da
importao de outros formatos, editado ou mesmo convertido pela
ferramenta de gerao de pontos amostrais.
A sada da modelagem por geoestatstica produz um outro PI, tambm
do modelo numrico, porm com a representao de uma grade
retangular, com resoluo definida pelo usurio. Posteriormente este PI
pode ser convertido para imagens ou outro produto qualquer.
65

66

Anlise Exploratria Geoestatstica

Este mdulo tem por finalidade proceder anlise exploratria dos
dados atravs de estatsticas univariadas e bivariadas. As estatsticas
univariadas fornecem um meio de organizar e sintetizar um conjunto de
valores, que se realiza principalmente atravs do histograma.
Caractersticas importantes do histograma so organizadas em trs
grupos (Costa Neto, 1977):
Medidas de localizao: mdia, valor mnimo, quartil inferior, mediana,
quartil superior e valor mximo;
Medidas de disperso: varincia e desvio padro;
Medidas de forma: coeficiente de assimetria, coeficiente de curtose e
coeficiente de variao.
As estatsticas bivariadas fornecem meios de descrever o
relacionamento entre duas variveis, isto , entre dois conjuntos de
dados ou de duas distribuies. Esta relao pode ser visualizada
atravs do diagrama de disperso (ScatterPlot). O grau da relao linear
entre as variveis pode ser medido atravs do coeficiente de correlao.
67

Gerao de Semivariograma - Anlise Unidirecional

Na geoestatstica, a anlise do semivariograma uma etapa importante,
pois o modelo de semivariograma escolhido a interpretao da
estrutura de correlao espacial a ser utilizada nos procedimentos
inferenciais da krigagem. A anlise completa do semivariograma
compreende os seguintes passos:
- levantamento do semivariograma experimental;
- ajuste a uma famlia de modelos de semivariogramas;
- validao do modelo a ser utilizado nos procedimentos da krigagem.
Anlise Unidirecional
A opo Unidirecional engloba dois tipos de estatsticas: Univariada e
Bivariada.
As estatsticas Univariadas disponveis so: Semivariograma, Covarincia,
Correlograma, Semivariograma Relativo Geral, Semivariograma Relativo
Emparelhado,
Semivariograma
de
Logaritmos,
Semimadograma,
Semivariograma Indicador Contnuo e Semivariograma Indicador
Categrico.
A opo Bivariada corresponde ao Semivariograma Cruzado.
68

A janela "Gerao de Semivariograma" apresenta alguns campos

preenchidos como:
- Parmetros do Lag (No. de Lag, Incremento e Tolerncia);
- Parmetros de Direes (Diri , Toli e Bwi , onde i=1,2,3 e 4) que so
inicializados com valores default.
Porm, em muitos casos, dependendo da geometria de amostragem, fazse necessrio rever os valores desses parmetros de forma a melhorar o
semivariograma experimental.

69

70

CLCULO DO SEMIVARIOGRAMA A PARTIR DE

AMOSTRAS REGULARMENTE ESPAADAS

71

CLCULO DO SEMIVARIOGRAMA A PARTIR DE

AMOSTRAS IRREGULARMENTE ESPAADAS

72

73

Algumas observaes importantes, de ordem prtica, com relao ao

semivariograma unidirecional so:
- tolerncia angular suficientemente grande;
- direo do vetor h no considerada;
- serve para definir melhor os parmetros de distncia;
- se um semivariograma unidirecional no apresenta uma estrutura
definida, no se deve esperar algo melhor dos semivariogramas
direcionais.

74

Gerao de Semivariograma - Anlise de Superfcie

Se a Amostragem do tipo Regular, os Parmetros da Amostragem
Regular:

No. Coluna, No. Linha, Res.X e Res.Y so informativos,

ativados e preenchidos, automaticamente, com os respectivos valores

da amostragem regular dos dados. Por outro lado, se a Amostragem
do tipo Irregular esses campos so desativados.
Seguindo,

os

campos

referentes

aos

Parmetros

do

Mapa

de

Superfcie: No. LagX, No. LagY, No. Pares, Tol.LagX e Tol.LagY, so

preenchidos com valores "Default" e influenciam diretamente sobre o
resultado final.
Os parmetros No.LagX e No. LagY definem a dimenso da Superfcie
de Semivariograma a ser gerada.

75

76

- A faixa de variao de valores, vlidos, para os parmetros No.LagX e

No.LagY : 0 < valor < 100. Para No. LagX=50 e No. LagY=50, significa
que estaremos definindo uma Superfcie de Semivariograma de tamanho
100 colunas por 100 linhas.
- importante salientar que LagX e LagY esto associados s dimenses
mtricas da rea de estudo. Por exemplo, para uma rea de estudo de
7Km de largura (longitude) por 10Km de altura (latitude) se o No.
LagX=50 e o No. LagY=50; significa que o primeiro Lag na direo X(+)
ou X(-) corresponde a 70 metros (7km / (2*No.LagX)), e o primeiro Lag
na direo Y(+) ou Y(-) corresponde a 100 metros (10km / (2* No.LagY)).
O segundo Lag na direo X(+) ou X(-) corresponde a 140 metros, e o
segundo Lag na direo Y(+) ou Y(-) corresponde a 200 metros, assim
por diante, o vigsimo primeiro Lag na direo X(+) ou X(-) corresponde
a 1470 metros (70*21), etc.
- parmetro No. Pares estabelece o nmero mnimo de pares de
amostras desejvel por Lag. Em outras palavras, isto significa que uma
clula qualquer s ser estimada se o nmero de pares de amostras, que
satisfazem as condies de clculo, for maior ou igual ao parmetro No.
Pares especificado.
77

- Os parmetros Tol. LagX e Tol. LagY so as tolerncias estabelecidas nas

direes X (Leste) e Y (Norte) respectivamente. A Figura anterior ilustra
um exemplo. Note que o mdulo do vetor h no possui um valor nico,
mas sim uma faixa de valores que consequentemente so dependes das
tolerncias especificadas. Isto flexibiliza o clculo, de cada uma das
clulas que iro compor a superfcie de semivariograma.

78

Na tela grfica anterior, possvel detectar visualmente os eixos de

anisotropia. Associado aos eixos de maior e menor continuidade
possvel verificar as respectivas direes (ngulos) e Alcances. Para isto,
basta posicionar o cursor sobre a tela grfica, pressionar o boto
esquerdo do "mouse" e arrast-lo. Os valores de ngulo e Alcance so
impressos no rodap da interface.

79

Modelagem ou Ajuste de Semivariograma

Descreve-se o mdulo de ajuste de semivariograma experimental,
atravs de dois modos: Automtico ou Visual.
- O modo automtico utiliza o algoritmo de Olea et al. (1996), o qual
baseia-se no mtodo dos mnimos quadrados. Este algoritmo fornece
tambm uma medida quantitativa, denominada informao de Akaike (
Akaike, 1974), que reporta para qual modelo o ajuste mais preciso.
- O modo visual recomendado a especialistas que possuem afinidade e
conhecimento do fenmeno em estudo. Neste modo, todos os
parmetros so definidos por inspeo.
Alm dos procedimentos de ajuste, Automtico ou Visual, este mdulo
define o modelo terico de semivariograma a ser utilizado pelos mdulos
de Validao e krigagem.
O ajuste ou a modelagem do semivariograma experimental se inicia
aps a Gerao de Semivariograma.
80

A tela de "Relatrio de Dados" apresenta um conjunto de informaes,

tais como: o tipo de modelo terico escolhido, os valores de Efeito Pepita,
Contribuio e Alcance que so parmetros que compem o modelo.
expresso tambm o valor de Akaike, que um indicador do ajuste
realizado; pois quanto menor seu valor melhor o ajuste. Ento, os
parmetros Efeito Pepita, Contribuio e Alcance so sempre tomados
com relao ao menor valor de Akaike.

81

Validao do Modelo
Como visto anteriormente, a anlise do semivariograma compreende o
levantamento do semivariograma experimental e posteriormente o
ajuste a uma famlia de modelos tericos.
Em toda esta seqncia, existe sempre um certo grau de incerteza sobre
os parmetros ajustados aos modelos. Esta incerteza o erro da
estimativa, o qual pode ser obtido atravs do procedimento chamado
validao do modelo.
Resumidamente, o processo de validao envolve a re-estimao dos
valores conhecidos atravs dos parmetros ajustados ao modelo do
semivariograma.
Antes de executar a krigagem, recomendvel verificar os resultados da
validao. Problemas bvios podem ser identificados com os parmetros
de entrada (por exemplo, a especificao do semivariograma) ou com os
dados (por exemplo, valores aberrantes, ou "outliers").
82

O mdulo de validao desenvolvido no Spring fornece as seguintes

sadas:
- Diagrama espacial do erro;
- Histograma do erro;
- Estatsticas do erro;
- Diagrama dos valores Observados x Estimados;
- Resultados Numricos.

83

Resultados
Por exemplo,
pressionando-se a
opo Diagrama
Espacial do Erro,
ocorre a abertura da
janela grfica na
Figura.

- Os smbolos tipo cruz

na figura acima indicam
a localizao geogrfica
das amostragem e a
magnitude do erro (para
os smbolos pequenos o
erro menor e viceversa).

84

Krigagem
Esta janela descreve a etapa de krigagem, com a qual se objetiva obter
uma grade regular de valores a partir dos dados (pontos) amostrados.
O mdulo de Krigagem implementado no SPRING engloba krigagem
simples, krigagem ordinria e krigagem com vrios modelos de tendncia
em duas dimenses (2D) ou trs dimenses (3D).
Os campos Res.X e Res.Y referem-se s resolues em X e Y da grade de sada.
Estes campos podem ser alterados desde que os novos valores no proporcionem
uma grade de sada com nmero de coluna e ou de linha maior que 1000. Em
outras palavras, o mdulo de Krigagem gera grades regulares com tamanho
mximo de 1000 colunas por 1000 linhas.

85

A Figura resume os parmetros da grade de sada gerada pelo mdulo de

krigagem.

86

Produtos gerados com a krigagem

- GKrV: refere-se grade de valores estimados obtida da interpolao de
krigagem, a partir de um modelo anisotrpico que supostamente
representa a verdadeira continuidade espacial do fenmeno em estudo.
Da anlise geoestatstica realizada, supe-se que o fenmeno apresenta
maior continuidade na direo Norte (0) e menor na direo Leste (90).
- GKrVe: refere-se grade da varincia de krigagem, associada a GKrV.
- GKrI: refere-se a Grade de valores estimados obtida da interpolao de
krigagem a partir de um modelo isotrpico. Neste caso, admite-se que a
continuidade espacial do fenmeno a mesma em qualquer direo.
- GKrIe: refere-se grade da varincia de krigagem, associada a GKrI.
- GKrA : refere-se grade de valores estimados obtida da interpolao de
krigagem, a partir de um modelo anisotrpico que utiliza direes
intermedirias (10 e 100) s direes de mxima e mnima
continuidade.
- GKrAe: refere-se grade da varincia de krigagem, associada a GKrA.
87

RESULTADOS DA KRIGAGEM
Como ponto de partida, interessante verificar a continuidade espacial do
fenmeno em estudo (teor de argila). Para realizar tal anlise,
necessrio

transformar

as

grades

de

valores

estimados

as

correspondentes grades de erros em imagens.

88

89

Atravs das imagens apresentadas na parte superior pode-se constatar

algumas caractersticas comuns:
- essas imagens revelam que, nas regies Norte e Nordeste, o teor de
argila relativamente baixo;
- na regio Central, observa-se mudanas graduais do teor de argila, indo
de valores moderados a altos, e
- nas regies Sul e Sudoeste aproximadamente moderado.

De maneira anloga, as figuras da parte inferior mostram que o erro da

estimativa aumenta medida em que se afasta dos pontos de
observaes. possvel tambm identificar, nestas imagens, regies
onde a amostragem pode ser melhorada.

90

Um outro aspecto a ser observado nas Figuras da parte superior, e talvez

o mais importante, o efeito da anisotropia:
Observa-se, na primeira imagem, a qual supostamente representa a
verdadeira continuidade espacial, que as mudanas graduais do teor de
argila so visivelmente diferentes das demais, principalmente na regio
central.
A segunda imagem mostra que a continuidade espacial do teor de argila
se propaga uniformemente em todas as direes. Neste caso a
anisotropia mascarada e, portanto, o resultado no revela a verdadeira
continuidade espacial da varivel em estudo.
Por outro lado, a terceira imagem apresenta um caso intermedirio da
suposta continuidade espacial verdadeira. Este caso tambm no revela
a verdadeira variabilidade espacial, apenas mostra que o teor de argila se
propaga mais intensamente na direo 10 e menos intensamente na
direo ortogonal (100).

91

APLICAES DA GEOESTATSTICA NO ESTUDO DE SOLOS

O solo, em funo de suas caractersticas fsicas e qumicas, elemento

natural

que

geoestatstica,

vem

sendo

intensamente

demonstrando

resultados

estudado
que

com

comprovam

tcnica
a

sua

heterogeneidade no tocante a diversas de suas propriedades.

Assim sendo, com base nos diversos estudos que vem sendo realizados,
atesta-se

necessidade

dessa

tcnica

como

forma

de

avaliar

estatisticamente a variabilidade espacial de diferentes propriedades em

reas que aparentemente paream homogneas. Essa homogeneidade
est muitas vezes associada s unidades de solo, delimitadas via de
regra pela posio na paisagem.

92

Reichardt et al. (1986) salientam que grande parte de avaliaes feitas

nos solos, so feitas considerando-os como homogneo no plano
horizontal X, Y, mas variando apenas em propriedade, de acordo com a
ocorrncia dos horizontes com suas propriedades distintas. Entretanto,
devido a necessidade do aumento das exigncias de produtividade,
modelos simples tem sido insuficientes e a necessidade de considerar a
variabilidade nas trs direes X, Y, e Z, tm-se mostrado cada vez mais
presente, em todas as reas da cincia do solo: fsica, qumica, fertilidade
e conservao.
Na rea de conservao do solo a estimao da erodibilidade dos solos,
obtida de forma indireta de grande importncia. Para isso, leva-se em
considerao propriedades do solo que podem ser aferidas atravs de
amostras de campo, e assim sendo h a possibilidade de avaliar a sua
variabilidade espacial.

93

Reichardt et al. (1986) comentam que o solo e as distribuies das

diferentes

partes

fundamentalmente

das

plantas,

heterogneos.

dentro
Em

funo

fora

do

disso,

solo,

so

medidas

de

parmetros de solo e planta, muitas vezes apresentam irregularidades

que podem ou no estar distribudas ao acaso em relao sua
distribuio espacial no campo. O autor comenta ainda que com as
tcnicas geoestatsticas ou espaciais, informaes adicionais sobre a
estatstica clssica podem ser obtidas, uma vez consideradas as posies
relativas de cada medida. No caso de delineamentos experimentais em
solos, a avaliao da variabilidade espacial pode ser considerada como
positiva, sob um novo enfoque de estudo, que no se prende aos
resultados obtidos com a estatstica clssica ou casual, a qual no
considera a posio dos pontos amostrados no espao.

94

Uso da geoestatstica na experimentao de campo em solos

Warnick e Nielsen (1980) avaliaram a variabilidade de solos, bem como os
aspectos relativos amostragem, autocorrelao e anlise espacial.
Gurovitch e Stern (1983) e Sisson e Wierenga (1981) avaliaram a
variabilidade espacial do processo de infiltrao de gua em solos.
Silva et al. (1989) estudaram a variabilidade espacial da resistncia
penetrao, em um latossolo vermelho-escuro, determinada com um
penetrmetro. O trabalho objetivava detectar a profundidade e a
espessura de uma camada com resistncia penetrao superior a 17,57
kg/cm2. Utilizando mtodos geoestatsticos, os autores avaliaram que
havia

uma

grande

variabilidade

da

rea

quanto

aos

parmetros

estudados.
95

Vauclin (1982) e Morkoc et al. (1985) estudaram a variabilidade espacial

da

temperatura

da

superfcie

do

solo

relao

com

outras

propriedades.
Reichardt et al. (1984)

revelam como a variabilidade espacial da

umidade do solo pode ser utilizada para estudar a influncia sobre outras
propriedades do solo.
Reichardt et al. (1986) estudaram a variabilidade espacial do pH em gua
em um latossolo vermelho-escuro orto, comparando os dados com uma
avaliao feita pela estatstica clssica. Chegaram a concluso de que a
geoestatstica pode fornecer subsdios para um melhor esquema de
amostragem.

96

Vieira et al. (1981) utilizaram 1280 medidas de campo relativas a

infiltrao, para avaliar a variabilidade espacial do fenmeno, bem como
avaliar o nmero de amostras necessrias para reproduzir as medidas de
infiltrao na rea sob estudo. Os resultados obtidos indicaram que 128
amostras seriam suficientes para representar a informao obtida com as
1280 amostras iniciais.
Vieira et al. (1982) avaliaram a variabilidade espacial da reteno de
gua, densidade e granulometria em trs solos do estado de So Paulo.
Os resultados mostraram que a escala de variao muda bastante de solo
para

solo.

anlise

geoestatstica

permitiu

tambm

estabelecer

espaamento entre amostras para os solos estudados, para permitir

estimativas a espaos menores sem tendncia e com varincia mnima.

97

Vieira et al. (1983) procuraram mostrar as diferentes reas agronmicas

nas quais podem ser utilizadas as tcnicas geoestatsticas, objetivando o
estudo da variabilidade espacial.
Uma primeira rea agronmica diz respeito ao levantamento de solos,
que foi estudada por Grossman. Este autor trabalhou com as variveis
profundidade do solo para um valor estimado de 40% de areia e a
percentagem de areia, utilizando uma grade de amostragem irregular.
Para a primeira varivel foi possvel ajustar um modelo esfrico ao
semivariograma, enquanto a segunda varivel apresentou varincia no
finita. O autor avalia que essas variveis tem uma forte estrutura esfrica
com ranges de aproximadamente 300 ps. O semivariograma cruzado
das duas variveis tem uma estrutura linear com range de 600 ps e a
correlao entre ambas no foi alta.

98

Outro tipo de estudo foi realizado por Waynick, que trabalhou com
nitrificao do solo e tomou amostras de solo em duas profundidades, em
esquema radial. As variveis consideradas foram o nitrato residual,
amostras com inexistncia de nitrognio, outras com 0,2 g de sulfato de
amnia e outras ainda com 1g de sangue submetido ao ressecamento.
Apenas as amostras coletadas em subsuperfcie com nitrato residual e
sangue, apresentaram semivariogramas com modelo esfrico. No geral
os semivariogramas experimentais e os semivariogramas cruzados no
foram bem definidos , talvez devido ao esquema de amostragem.

99

Em

outro estudo, Waynick e Sharp analisaram com o contedo de

carbono e nitrognio para duas reas (Davis e Oakley) que apresentavam

muita semelhana pedolgica e estavam desprovidas de vegetao. As
amostras foram coletadas em esquema de grade e apresentaram
semivariogramas muito diferentes, embora com estruturas bem definidas,
exceto para o carbono em Davis. Em Oakley, os semivariogramas
experimentais e os semivariogramas cruzados para carbono e nitrognio
apresentaram estruturas muito similares. Para a rea de Davis o
semivariograma cruzado para nitrognio e carbono apresentou estrutura
bem definida, embora o semivariograma para carbono tenha apresentado
efeito pepita puro.

100

Vauclin et al. (1983) procuraram avaliar o uso da cokrigagem como

forma de conhecer a variabilidade espacial de uma varivel que
apresenta dificuldade de amostragem, considerando sua correlao
espacial com outra varivel melhor amostrada. Obtiveram de uma rea
de 40 x 70 m, amostras em um esquema de grade com ns distantes
uns dos outros 10 m, no intervalo de profundidade de 20 a 40 cm. As
variveis amostradas foram areia, silte, argila, contedo gravimtrico de
gua retido a 1/3 bar (pF25) e o contedo avalivel de gua (AWC). Os
resultados demonstraram que os semivariogramas de todas as variveis
apresentaram efeito pepita. Para argila e areia o modelo variogrfico
encontrado foi o esfrico, enquanto para as demais variveis foi o linear.
Para determinao dos valores de pF25 e AWC em pontos intermedirios
da grade amostral (5 m), foi encontrada correlao com o contedo de
areia nos pontos da grade original, e utilizou-se a tcnica da cokrigagem
com eficincia, para estimao dos valores de AWC nos pontos no
amostrados.
101

Souza (1992) avaliou a variabilidade espacial de fsforo, potssio,

matria orgnica, argila, densidade e umidade do solo em diferentes
sistemas de manejo, profundidades e tipos de solo de duas localidades
no Rio Grande do Sul (Eldorado do Sul e Passo Fundo). Utilizou malhas de
amostragem de 1m x 1m em um dos locais e de 10m x 10 m em outro.
Os resultados obtidos demonstraram que houve, na grande maioria dos
casos, correlao espacial para as propriedades do solo nos sistemas de
manejo que foram avaliados. Com base nesses resultados, verificou-se
que no houve alterao significativa no solo em funo dos efeitos
continuados da ao antrpica que pudessem suplantar a variabilidade
subjacente e espacialmente estruturada do solo ao natural, levando a
uma distribuio aleatria. Essa hiptese havia sido levantada, porm
no foi confirmada.

102

Martinez e Zinck (1994) estudaram a variabilidade espacial dos efeitos

do desmatamento de floresta mida e do manejo de pastagens em
ambiente

da

propriedades

amaznia
fsicas

do

colombiana
solo

sobre

mais

deteriorao

especificamente

das

sobre

compactao do solo em duas profundidades, 0-5 cm e 5-10 cm.

Utilizaram como principais variveis a resistncia a penetrao e a
densidade aparente em reas sob condies fsicas semelhantes. No
que diz respeito resistncia a penetrao, verificaram que em
ambiente de floresta, na camada superficial de solo o modelo
variogrfico adotado foi o linear, sem que houvesse uma boa
estruturao espacial. No caso da camada inferior de solo, o modelo
ajustado foi o esfrico, e houve o claro reconhecimento de um padro
espacial. Sob pastagem os modelos ajustados para ambas as camadas
foram o esfrico e o exponencial, respectivamente, com baixa
dependncia espacial e elevado efeito pepita.
103

Vieira et al. (1988) procuraram quantificar propriedades fsicas do solo

necessrias ao planejamento da microbacia hidrogrfica do crrego So
Joaquim, em Pirassununga (SP), e caracterizar sua variabilidade espacial,
com vistas ao estabelecimento de mtodo para uso em outras reas.
Utilizaram as variveis argila, silte, areia fina, areia grossa, densidade do
solo a 10 cm, densidade do solo a 20 cm e infiltrao inicial e final. Os
autores chegaram a, entre outras concluses, que a densidade de
amostragem utilizada de 150 m, poderia ser estendida para 200 m; a
geoestatstica como ferramenta para caracterizar a variabilidade espacial
dos parmetros utilizados foi til no sentido de que foi possvel perceber
as relaes entre as variveis; e que o mtodo adotado pode servir de
guia para outros locais.

104

De Maria et al. (1992) estudando a mesma microbacia hidrogrfica

mencionada anteriormente, procuraram avaliar como a fertilidade do
solo se distribui na rea e que fatores esto a ela relacionados. Para
tanto utilizaram esquema de amostragem semelhante a situao
anterior dos parmetros fsicos, com pontos regularmente espaados de
150 m. Os parmetros utilizados foram: fsforo, matria orgnica,
pHCaCl2, potssio, clcio, magnsio, H+Al, soma de bases, CTC e
saturao de bases. Os autores chegaram a concluso de que o mtodo
utilizado permitiu conhecer a variao dos parmetros de fertilidade do
solo para uma avaliao inicial.

105

Trabalhando com tcnicas geoestatsticas em grandes reas, Yost et al.

(1982) procuraram determinar a estrutura da dependncia espacial de
propriedades qumicas do solo em grandes distncias e examinar e
interpretar semivariogramas de propriedades qumicas do solo. A rea
estudada foi na Ilha do Hava, onde em 80 reas amostrais foram feitos
transectos com intervalo amostral da ordem de 1 a 2 km e as amostras
foram coletadas na profundidade de 0-15 cm e 30-45 cm. Os resultados
obtidos demonstraram que maior h maior estruturao espacial a
grandes distncias dos dados coletados em superfcie do que no
subsolo. Isto demonstra que as propriedades qumicas do subsolo tem
zonas de influncia que devem ser caracterizadas pelos processos de
formao do solo e que na superfcie as chuvas tem imposto um
elevado grau de uniformidade, ou seja, um fator resultante dos agentes
externos.

106

Reynolds et al. (1994) estudaram a bacia hidrogrfica do rio Grande, sul

de Ontrio, Canad, com o intuito de verificar a variabilidade espacial e
temporal da capacidade dos solos quanto ao potencial de poluio dos
recursos

hdricos

subsuperficiais,

por

produtos

agroqumicos

(pesticidas). As tcnicas geoestatsticas foram utilizadas para extrapolar

os resultados pontuais obtidos de modelos de simulao de transporte
de solutos, para reas relativamente grandes, em conjunto com o uso
de sistema de informaes geogrficas, para permitir a combinao dos
mapas de isovalores gerados pela krigagem com outros mapas de
atributos do solo, prticas agrcolas, prticas de manejo da terra, etc.
Utilizando 119 pontos amostrais em uma rea maior do que a bacia
hidrogrfica estudada, os autores obtiveram semivariogramas que
demonstraram estruturao espacial, com sill e efeito pepita bem
definidos. Conforme os resultados obtidos com os semivariogramas, os
autores comentam que as estimativas da krigagem tendem a ter boa
preciso. Assim sendo, pelos resultados preliminares obtidos, as
perspectivas do trabalho so muito boas.

107

108

Simulao condicionada
Por meio da estimao, persegue-se uma estimativa que represente o
mais fielmente possvel o valor verdadeiro de uma varivel em um
determinado ponto, sendo a krigagem um desses estimadores.

Prioriza-se a estimao no-enviesada e a minimizao da varincia de

estimao.

Procura-se obter a melhor representao dos valores reais e, por meio da

simulao, objetiva-se o conhecimento das disperses.

Enquanto as tcnicas de interpolao apresentam como resultado uma

suavizao da realidade, as simulaes buscam manter a variabilidade
espacial do fenmeno real.
109

Comparao entre Simulao Condicionada e Krigagem

O estimador de krigagem possibilita a construo de funes de
distribuio de probabilidade, paramtricas ou no, para um atributo em
estudo. A distribuio de probabilidade, definida em cada posio de uma
regio estacionria de interesse, usada para se inferir, em cada posio,
um valor nico do atributo e uma incerteza associada ao atributo.
Dessa forma, a krigagem, usada como um estimador, cria um nico
campo aleatrio cujos valores compem uma superfcie suavizada. A
variabilidade do estimador no espao uma verso suavizada da
verdadeira variabilidade e no reflete exatamente as flutuaes reais
(Huijbregts 1973). Esta superfcie tem varincia menor do que o conjunto
amostral, pois o valor estimado para cada varivel aleatria obtido a
partir da hiptese de mnima varincia do erro de estimao.
110

Resumidamente, as diferenas atribudas aos procedimentos de krigagem

e simulao estocstica (Deutsch e Journel 1998 e Englund 1993) so:
1)A krigagem um interpolador que gera um nico campo aleatrio
segundo os critrios de mnima varincia e no tendenciosidade do
estimador.

Portanto,

campo

interpolado

tem

menor

grau

de

variabilidade do que as amostras e reproduz apenas a mdia das

amostras. A simulao, por sua vez, cria vrios campos aleatrios que
reproduzem caractersticas globais e estatsticas, de ordem maior que 1,
das amostras. Por exemplo, o histograma das amostras reproduzido
pelos valores simulados.
2) A krigagem fornece um conjunto de representaes locais onde a
acurcia local prevalece. A simulao fornece representaes globais
alternativas, onde prevalece a representao de padres de continuidade
espacial, que permite estimativas de acurcia global quando vrias
111

3) O procedimento de krigagem menos custoso computacionalmente do

que a simulao. Para se reproduzir, com um alto grau de acurcia,
momentos estatsticos de ordem maior que 1, so necessrias de 500 a
dezenas de milhares de campos simulados.
Apesar das diferenas, podem-se destacar pelo menos 3 semelhanas
entre os procedimentos de krigagem e de simulao estocstica:
1)So

procedimentos

geoestatsticos

que

utilizam

um

modelo

de

variografia, definido sobre o conjunto amostral, para estabelecer o

comportamento de variabilidade do atributo numa regio de interesse.
2) So procedimentos que honram o conjunto amostral original, ou seja,
os valores atribudos s amostras no so modificados.
3) Possibilitam estimativas de estatsticas e incertezas sobre o atributo em
estudo.
112