Escolar Documentos
Profissional Documentos
Cultura Documentos
Geoes t a t ís t ica
Modelos 2D/3D
Estimativa por Técnicas de Krigagem
• Objetivos
• Interpoladores clássicos
• Mecanismo de interpolação
• Krigagem
G
• Krigagem Ordinária (KO)
Introdução
Ao contrário dos últimos módulos apresentados, puramente
descritivos, as técnicas que serão abordadas daqui em
diante envolvem estimativas.
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.
G
Objetivos
G
Interpolação
G
Interpoladores clássicos
G
Desvantagens dos métodos clássicos:
• simples; ???
• intuitivos;
G
Estimativas por combinação linear ponderada
n
Z * (u) Z(u )
i 1
i i
G
Quais os fatores que devem ser considerados para
calcular os pesos?
• 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
G
(u) = pesos a serem determinados.
Dessa forma, nosso objetivo é determinar os pesos de
krigagem (u), tal que:
G
Krigagem simples
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;
1 0.408 3 0.170
2 0.264 4 5 0.0
G
Dessa forma, é possível:
G
Variância de krigagem simples
n(u)
2SK (u) C(0) (u)C(u u)
SK
1
G
variância de krigagem.
• Independente dos valores dos dados:
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.
G
• A relação entre variograma e covariância é dada por:
então:
C(h) = C(0) - (h)
G
Krigagem simples
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.EY * (u).Y(u) E Y(u)
2 2
n n n
n n n
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
C(u , u ) C(u, u ),
j 1
j i j i i 1,...., n
(u)C(u , u
1
) C(u, u ), 1,..., n
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
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
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
SK
m (u) Z *OK (u) Z *SK (u)
G