   

Geoes t a t ís t ica

Modelos 2D/3D
Estimativa por Técnicas de Krigagem

Eng. de Minas João Felipe C.L. Costa

Prof. Dr. do DEMIN/PPGEM, UFRGS

Eng. de Minas Luis Eduardo de Souza

Doutorando do PPGEM, UFRGS
Estrutura da Apresentação
• Introdução

• Objetivos

• Interpoladores clássicos

• Mecanismo de interpolação

• Estimativas por combinação linear ponderada

• Krigagem

• Krigagem Simples (KS)

• Variância de Krigagem Simples

G
• Krigagem Ordinária (KO)
Introdução
Ao contrário dos últimos módulos apresentados, puramente
descritivos, as técnicas que serão abordadas daqui em
diante envolvem estimativas.

Nosso principal objetivo passa a ser não mais meramente

descrever as características estatísticas ou de continuidade
espacial de nosso banco de dados, mas utilizar a informação
fornecida pelas amostras para prever valores em áreas não
amostradas.

Dentre os vários tipos de estimadores disponíveis, será dada

ênfase àqueles que fazem uso das medidas de continuidade
espacial previamente obtidas, comumente conhecidas como
técnicas de krigagem.

G
Algumas das principais técnicas de krigagem são
apresentadas, cada uma delas útil para um tipo particular
de problema. Dessa forma, se torna importante
compreender que tipo de método é aplicável para que tipo
de problema.

Nesse sentido, algumas questões básicas precisam ser

respondidas, antes de selecionar a técnica de estimativa
mais apropriada:

i. Queremos uma estimativa global ou local?

ii. Nosso objetivo é estimar apenas a média ou a

distribuição completa dos dados?

iii. Queremos estimar valores pontuais ou blocos?

G
Objetivos

• Determinar o valor do atributo z em posições u do espaço

não amostradas  z(u)?

G
Interpolação

• Atribuição de pesos para as amostras (weighted

average interpolation algorithms);

• Pesos entre 0.0 e 1.0, sendo que o somatório

dos pesos deve ser 1.0;

• Quanto mais “perto” um dado nó do grid, maior

seu peso.

G
Interpoladores clássicos

Diferentes técnicas disponíveis:

• Polígonos: define zonas/áreas de influência, sendo o

peso dado de acordo com a área que corresponde a cada
amostra;

• Inverso da distância: valor estimado a partir de

combinações lineares dos dados vizinhos, com o peso
dado pela distância que separa as amostras;

• Spline: polinomiais de uma dada ordem que melhor se

ajustam aos dados de forma suavizada.

G
Desvantagens dos métodos clássicos:

• não consideram o suporte amostral;

• não consideram o padrão de variabilidade espacial;

• não fornecem medida do erro da estimativa.

Vantagens dos métodos clássicos:

• simples; ???
• intuitivos;

• facilmente implementáveis em rotinas computacionais.

G
Estimativas por combinação linear ponderada

A idéia básica é estimarmos um atributo qualquer em uma

posição usando:

n
Z * (u)    Z(u )
i 1
i i

onde u refere-se a uma localização qualquer Z*(u) é o valor

estimado nessa localização u, onde existem n dados Z(ui),
i = 1, ... , n na circunvizinhança de u e i refere-se aos
pesos calculados.

G
Quais os fatores que devem ser considerados para
calcular os pesos?

• Proximidade das amostras;

• Redundância entre dados amostrais;

• Anisotropia;

• Magnitude da continuidade.

G
Krigagem
A krigagem é um estimador linear a partir da informação
disponível, onde temos z(u) posições desconhecidas e dados
nas posições z(u) como realizações da variável
regionalizada em estudo.

n(u)
Z*(u)  m(u)    (u)Z(u )  m(u )
 1

onde: Z*(u) = valor estimado;

m(u) = média do atributo z(u);

G
(u) = pesos a serem determinados.
Dessa forma, nosso objetivo é determinar os pesos de
krigagem (u), tal que:

K2 (u)  Var Z * (u)  Z(u)

Essa variância deve ser minimizada sob a condição de não-

tendenciosidade:

EZ * (u)  Z(u)  0

G
Krigagem simples

Média local m(u) conhecida e constante dentro da área de

estudo A.

n(u)
Z *SK (u)   
SK

 1
(u) Z(u )  SK
m (u)m

n(u)
SK
 (u)  1 
m   (u)
SK

 1

• Estimador não-tendencioso;

• Minimiza a variância de krigagem;

• Gera um sistema de n(u) equações com n(u) incógnitas. G

Notação de matrizes do sistema de krigagem simples:

C11 C12 C13 C14 C15   1  C10 

     
C21 C22 C23 C24 C25   C
 2   20 
C31 C32 C33 C34 C35     C 
   3   30 
C 41 C 42 C 43 C 44 C 45   4  C 40 
C C52 C53 C54 C55    C 
 51  5   50 

1.00 0.06 0.05 0.00 0.00   1  0.43

     
0.06 1.00 0.85 0.00 0.00  2  0.43
0.05 0.85 1.00 0.00 0.00 .  3   0.42
     
0.00 0.00 0.00 1.00 0.00  4  0.00
0.00 0.00 0.00 0.00 1.00   5  0.00

1  0.408  3  0.170
 2  0.264  4  5  0.0
G
Dessa forma, é possível:

• obter-se um parâmetro de variabilidade espacial, onde

amostras além do alcance do variograma irão receber
pesos nulos;

• considerar proximidade dos dados em relação ao ponto

a estimar u0, onde amostras mais distantes irão receber
menos peso;

• considerar redundância de dados, onde dados

aninhados terão o peso filtrado (ex.: u2 e u3).

G
Variância de krigagem simples

A variância de krigagem é dada por:

n(u)
2SK (u)  C(0)    (u)C(u  u)
SK

 1

• A variância de krigagem é dependente do modelo de

covariância escolhido  um aumento da covariância reflete
em diminuição da variância de krigagem.

• A variância de krigagem é dependente da configuração

dos dados  diminuição da covariância acarreta aumento na

G
variância de krigagem.
• Independente dos valores dos dados:

 duas configurações de dados idênticas

geram a mesma variância de krigagem quaisquer que
sejam os dados.

 índice da configuração dos dados.

 parâmetro inadequado para medir a

precisão da estimativa?

G
Definições preliminares:

Consideremos os resíduos:
Y( ui ) = Z( ui ) - m( ui ) , i = 1,.....,n
onde m(u) pode ser constante, variar localmente ou ser
considerado constante, porém desconhecido.

• O variograma é definido como:

2(h) = E {[Y (u) - Y(u+h)]2}

• A covariância é definida como:

C(h) = E {Y(u) . Y(u+h)}

G
• A relação entre variograma e covariância é dada por:

2(h) = [E{Y2(u)}] + [E{Y2(u+h)}] -2 . [E{Y(u) . Y(u+h)}]

2(h) = Var{Y(u)} + Var{Y(u+h)} - 2.C(h)
2(h) = 2[C(0) - C(h)]

então:
C(h) = C(0) -  (h)

G
Krigagem simples

Considere um estimador linear:

n
Y * (u)    .Y(u )
i 1
i i

onde:
Y(ui) = resíduos dos dados (dados menos a média);
Y*(u) = resíduo (ao qual a média será re-adicionada).

G
 A variância do erro é definida como:


   E Y * (u )  Y (u )
2 2

E  Y * (u)  2.EY * (u).Y(u)  E Y(u) 
2 2

n n n

    EY(u ).Y(u )  2.  EY(u).Y(u )  C(0)

i 1 j 1
i j i j
i 1
i i

n n n

    C(u , u )  2.   C(u, u )  C(0)

i 1 j 1
i j i j
i 1
i i

G
 Pesos ótimos i, i = 1,....,n podem ser determinados
tomando as derivadas parciais da variância do erro em
relação aos pesos:

  n
 2.  jC(ui , uj )  2.C(u, ui ), i  1 ,..., n
i j 1

 Igualando as derivadas a zero, temos:

  C(u , u )  C(u, u ),
j 1
j i j i i  1,...., n

 Este sistema de n equações com n pesos como incógnitas é

conhecido como sistema de krigagem simples (KS).
(KS)
G
Comentários sobre krigagem

 Todas as versões de krigagem são modificações do

algorítmo básico de regressão e do estimador
correspondente:
n
Z *SK (u)  m(u)     (u) Z(u )  m(u )
 1

 Os pesos da KS [(u)] são dados pelas equações normais

gerais não estacionárias:
n

  (u)C(u , u
 1
   )  C(u, u ),   1,..., n

 Os pesos (u) levam em conta:

 proximidade dos dados à localização a ser estimada.
G
Krigagem ordinária
Estacionaridade da média limitada à vizinhança local,
invariante nesta vizinhança, porém desconhecida:
n(u)
Z * (u)  m(u)    (u)Z(u )  m(u )
 1
Estacionaridade:
n(u)
 n(u)

Z * (u)     (u)Z(u )  1     (u) m(u)
 1   1 
• Estimador não tendencioso se:
n(u)


 1
 (u)  1

G
• Minimiza a variância de krigagem sob a condição da
construção de um sistema de n(n+1) equações.
Prova da ausência de viés
^
E {R( x 0 )}  E {V ( x 0 )}  E {V ( x 0 )}
n
E{R ( x0 )}  E{ wi .V ( xi )}  E{V ( x0 )}
n i 1
E {R( x 0 )}   w i .E {V ( x i )}  E {V ( x 0 )}
i 1
para a função aleatória estacionária,

E {V ( x i )}  E {V ( x 0 )}  E {V }
então,
 n 
E {R( x 0 )}  E {V }  w i  1
 i 1 
gerando assim a condição para que o método de estimativa não apresente viés:
n

w
i 1
i 1
G
Parâmetros para KT3D

START OF PARAMETERS:
../data/cluster.dat -file with data
0 1 2 0 3 0 - columns for DH,X,Y,Z,var,sec var
-1.0e21 1.0e21 - trimming limits
0 -option: 0=grid, 1=cross, 2=jackknife
xvk.dat -file with jackknife data
1 2 0 3 0 - columns for X,Y,Z,vr and sec var
3 -debugging level: 0,1,2,3
kt3d.dbg -file for debugging output
kt3d.out -file for kriged output
50 0.5 1.0 -nx,xmn,xsiz
50 0.5 1.0 -ny,ymn,ysiz
1 0.5 1.0 -nz,zmn,zsiz
1 1 1 -x,y and z block discretization
4 8 -min, max data for kriging
0 -max per octant (0-> not used)
20.0 20.0 20.0 -maximum search radii
0.0 0.0 0.0 -angles for search ellipsoid
0 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift
0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy
0 -0, variable; 1, estimate trend
extdrift.dat -gridded file with drift/mean

G
4 - column number in gridded file
1 0.2 -nst, nugget effect
1 0.8 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
10.0 10.0 10.0 -a_hmax, a_hmin, a_vert
Krigagem ordinária versus krigagem simples

• OK é usualmente preferida em relação a SK porque esta

não pressupõe o conhecimento da média nem
estacionaridade da média no campo amostral.

• OK permite estimar a média local m*OK(u), dentro da

vizinhança de busca

• Aplicando SK usando a estimativa da média ao invés da

média estacionária m, isto é:

n(u)
Z *OK (u)   
SK
(u) Z(u )  SK
(u)m*
OK (u)

G
 m
 1
Onde a média local é dada por:

n(u)
m (u)   
*
OK
OK
m (u) Z(u )
 1

e os pesos do sistema de OK são dados por:

n(u) OK
   m (u)C(u u )  m (u)  0
OK

  1
n(u) OK
  m u)  1
 (;   1,..., n(u )
  1
G
• Ambos estimadores são exatos

m*OK (u)  m  Z *OK (u)  Z *SK (u)

m*OK (u)  m  Z *OK (u)  Z *SK (u)

• A discrepância entre as duas estimativas aumenta

conforme a posição a ser estimada se distancia dos
dados amostrais (extrapolação)

SK
m (u)   Z *OK (u) Z *SK (u) 

G