MINI-CURSO

GEOESTATSTICA APLICADA

AO ESTUDO DE SOLOS

Prof. Eduardo Rodrigues Viana de Lima

Departamento de Geocincias
Universidade Federal da Paraba

1
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.

2
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.

4
Figura 1 Relao entre malha de amostragem e erro de avaliao. 5
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.

6
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).

8
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.

9
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 rea
10
(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 a 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, a covarincia e o
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 como Varz (x ) c(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 o
semivariograma serve como instrumento de anlise da estacionaridade.

15
Assim sendo, a funo aleatria z(x) tida como sendo intrnseca se:

- a esperana matemtica Ez ( x ) existe e no depende da posio x:

Ez ( x ) m

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

que no depende de x:

1
2
1

Varz ( 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

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

onde:
1 n

(h) V( x ) V( x h ) o semivariograma;
2

2n i1

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 componente aleatria significativa
E > 0,30 componente aleatria muito significativa

22
Segundo Matheron (1963) apud Sturaro (1988), em geral, o 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 o 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, e
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 a 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
42
de uma situao de aleatoriedade, onde no ocorre covarincia entre os valores
e, portanto, a anlise variogrfica no se aplica.
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 o comportamento espacial de uma varivel tem a

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 residual.51
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
comportamento de variabilidade do atributo.
52
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
59
ela correlacionados for pequeno.
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 (Zi - Z*i), e compara-se
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
mdio de [(Zi - Z*i)/i]2 seja aproximadamente unidade.
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 Os pesos so determinados meramente em

anlise de correlao espacial baseada no funo da distncia.
semivariograma.

rea de influncia na interpolao Raio de busca arbitrrio.

indicada pelo alcance.

Modela anisotropia, isto , detecta as Anisotropia ignorada.

direes de maior e menor continuidade
espacial do fenmeno.

Trata redundncia (clusters), isto , atribui Redundncia ignorada. Neste caso,

pesos adequados para agrupamentos de podem ocorrer superestimao ou
amostras. subestimao de valores.
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, faz-

se 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 vice-
versa).

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 e 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 vem sendo intensamente estudado com a tcnica
geoestatstica, demonstrando resultados que comprovam a sua
heterogeneidade no tocante a diversas de suas propriedades.

Assim sendo, com base nos diversos estudos que vem sendo realizados,
atesta-se a 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 das plantas, dentro e fora do solo, so fundamentalmente
heterogneos. Em funo disso, 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 e a 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. A 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 amaznia colombiana sobre a deteriorao das
propriedades fsicas do solo e mais especificamente sobre a
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, o 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
localizaes so consideradas conjuntamente.
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