Escolar Documentos
Profissional Documentos
Cultura Documentos
Z1 Z2 Z3 Z4
Z5 Z6 Z7 Z8
1 se z (u α ) ≤ z k
1. Variável contínua i (u α ; z k ) =
0 caso contrário
Semivariograma indicativo para o valor de corte zk :
2. Variável categórica
1 se s (u α ) = sk
i (u α ; sk ) =
0 caso contrário
1 0
1 1 (ocorre o evento (argila)
?
?
0 (não ocorre o evento (areia)
1 0
Variancia = 0 Variancia > 0
Aproximação indicativa no modelamento da incerteza local
• A função F (u; zk (n)) é modelada para um conjunto de K valores
limites zk, que discretizam a faixa de variação de z
[
F (u; z k (n)) = Prob Z (u) ≤ z k (n) ] k = 1,..., K
A resolução da fdac é então aumentada pela interpolação dentro de
cada classe (zk;zk+1] e extrapolação alés dos dois valores extremos, z1
e zk
• A estimação geoestatística não-paramétrica dos valores da fdac é
baseada na interpretação da probabilidade condicionalF (u; zk (n))
como a esperança condicional de uma variável aleatória
indicativa:
[ ] 1 se z (u α ) ≤ z k
F (u; z k (n)) = E I (u;z k (n) I (u α ; zk ) = 0 caso contrário
Os valores da fdac podem ser obtidos por krigagem ordinária de I (u ; z k )
PROCEDIMENTO
1. Fazer a codificação de cada observação em um vetor de K valores indicativos
1 se z (u α ) ≤ z k
I (u α ; z k ) =
0 caso contrário
OBS. O numero de classes deve ser escolhido de modo que as K+1 classes
tenham aproximadamente frequencias iguais. Recomenda-se usar mais de 5
classes e menos de 15.
2. Calcular os semivariogramas experimentais para cada ponto de
corte zk e, em seguida, fazer o modelamento dos mesmos.
3. Em cada localização não amostrada u,
– Estimar os K valores da fdac usando, por exemplo, a krigagem
ordinaria indicativa, i.e,
F (u; z k (n)) KIO = [I (u;z k ]*KIO
n (u )
= ∑ λα (u;z k ) I (u α ;z k )
α =1
– Interpolar ou extrapolar os valores da fdac para construir um modelo
continuo para a fdac, que permita recuperar a probabilidade de
qualquer ponto z..
Exemplo 10.1. : Para a variável Cd dos dados Jura, fazer o
mapeamento dos valores que ultrapassam o maximo valor permitido
de 0,8 ppm.
0.
0.34 0.50 0.60 0.80 0.90
setwd("D:/Cursos_UFPA/2021_4/IntroGeo/Classroom")
dir()
Cd.ols
Model: matern
parameter estimates:
Co Sill
tausq sigmasq phi
0.4753 0.3881 0.3980
kind<-cbind(locCd,ki)
names(kind)
write.table(kind,"tkind.dat")
###Mapas
#Definição da escala de cores
rgb.palette <-
colorRampPalette(c("darkblue","blue","green",
"yellow","orange","red","red"),space = "rgb")
#Mapa de probabilidades Zc>0.8
image(Cd.kc, border=jbor, loc=locCd,
val=Zc,col = rgb.palette(15))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(3,6),Zc,col= rgb.palette(15), vert=TRUE)
title("Cadmio: Prob Zc>0.8")
# Mapa dos valores médios (E-type)
image(Cd.kc,border=jbor,loc=locCd,val=Ztype,col= rgb.palette(15))
legend.krige(x.leg=c(-0.4,-.05),y.leg=c(3,6),Ztype, col =
rgb.palette(15),vert=TRUE)
title("Cadmio: E-type")
# Mapa dos valores medianos (quantil-0.5)
Zmed=Cd.kc$quant[,2]
image(Cd.kc, border=jbor,loc=locCd,val=Zmed,col= rgb.palette(15))
legend.krige(x.leg=c(-0.4,-0.05)y.leg=c(3,6),Zmed,col=rgb.palette
(15), vert=TRUE)
title("Cadmio: Mediana")
CONSTRUÇÃO DE MAPAS POR SIMULAÇÃO
Simulação estocástica
Método capaz de gerar realizações equiprováveis
das variáveis com as seguintes características:
reproduzem o histograma representativo do
domínio amostrado
reproduzem a função de covariância C(h)
representativa do domínio da amostragem
honram os valores das amostras nas suas
coordenadas
apresentam uma maneira para quantificação da
incerteza.
SIMULAÇÃO
2- Efetuar a normalização;
6 23 14 32 26 10 9 29 16
18 2 28 5 40 22 34 4 8
42 15 3 38 30 35 39 17 25
21 12 36 43 37 45 1 31 13
7 19 41 11 24 33 44 20 27
5- Simulação do primeiro ponto: seleção aleatória de
um valor Z* a partir da distribuição F(u;z|(n))
definida por krigagem simples para o primeiro ponto
do caminho aleatório.
6- Selecionar aleatoriamente um valor dessa fdc.
2ks
mks
? Z*
7- Adicionar o valor simulado ao conjunto de dados
condicionantes;
8- Passar para o próximo ponto a ser simulado e
repetir o procedimento até que todos os pontos sejam
simulados 2
ks
mks
?
Z*
#### MODO ALTERNATIVO PARA KRIGAGEM INDICATIVA ###
### Mapa de Risco : Cadmio com uso de SIMULAÇAO ###
## Mais rapido do que por Função de Distribuição Acumulada
## Programa gstat
#Exemplo 10.2
### 2. Gaussian kriging
# Create a gstat object of Cadmio data
Cd.gstat <- gstat(id="Cd",formula=Cd~1, data=Geo,
nmax=50,nmin = 10)
# Calculate variogram
coordinates(Geo) <- ~x+y
varCd<-variogram(Cd~1, cutoff=2, width=2/20, Geo)
plot(varCd,type="b", lty=1, col="black",main="Cadmio")
Geo[1:5,]
# Uso da Terra Nome da variavel (Landuse)
# Floresta: Flore(1)
# Pasto : Pasto(2)
# Prado : Prado(3)
# lavoura : Lavoura(4)
Geo[1:5,]
Geo[1:5,13:16]
# Flore coluna 13
# Pasto coluna 14
# Prado coluna 15
# Lavoura coluna 16
###Semivariograma experimental da variavel Floresta
Flore <- as.geodata(Landuse, coords.col = 1:2,data.col= 4)
par(mfrow = c(1,2))
v.pra <- variog(Prado, uvec = seq(0, 2, length = 20),
option = "bin")
plot(v.pra, xlab = "Distância", ylab = "Semivariância",
main = "Semivariograma Prado", type = "b", col =
"black")
par(mfrow = c(1,2))
v.lav <- variog(Lavoura, uvec = seq(0, 2, length = 20),
option = "bin")
plot(v.lav, xlab = "Distância", ylab = "Semivariância",
main = "Semivariograma Lavoura", type = "b", col =
"black")
pas<-kc.pas$predict
image(kc.pas, border=jbor, loc=locn, val=pas,col=rainbow(9))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(2.5,5.5),pas,col=rainbow(9), vert=TRUE)
title("Pasto")
pra<-kc.pra$predict
image(kc.pra, border=jbor, loc=locn, val=pra,col=rainbow(9))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(2.5,5.5),pra,col=rainbow(9), vert=TRUE)
title("Prado")
lavo<-kc.lav$predict
image(kc.lav, loc=locn,border=jbor,val=lavo,col=rainbow(9))
legend.krige(x.leg=c(-0.4,-0.05),
y.leg=c(2.5,5.5),val=lavo,col=rainbow(8), vert=TRUE)
title("Lavoura")
###Mapas de probabilidade
#Construção das tabelas com valores preditos
prob <- cbind(kc.flor$predict,kc.pas$predict,kc.pra$predict,kc.
lav$predict)
colnames(prob) <- c("Floresta", "Pasto", "Prado", "Lavoura")
#Renomeando as colunas de cada categoria
max <- max.col(prob) #categoria que apresentou valor máximo de
probabilidade
mapa <- cbind(locn,max) #Tabela com localização e valor máximo
colnames(mapa) <- c("X","Y","Prob") #Renomeando as colunas da
tabela
summary(mapa)