   

Geoes t a t ís t ica

Modelamento e Estimativa
Um exemplo de krigagem ordinária

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
A partir de sete amostras retiradas do conjunto de dados que
compõe o Walker Lake dataset, estimar o valor da variável V na
localização 0 via krigagem ordinária.

G
 AMOSTRA X Y V DISTÂNCIA

1 225 61 139 477 4.5

2 437 63 140 696 3.6
3 367 64 129 227 8.1
4 52 68 128 646 9.5
5 259 71 140 606 6.7
6 436 73 141 791 8.9
7 366 75 128 783 13.5

Distâncias de cada amostra em relação ao ponto 0.

G
Para calcular os pesos de krigagem, precisamos decidir que
padrão de continuidade espacial queremos que nosso modelo
de função randômica tenha.

Para manter o exemplo relativamente simples, todas as

covariâncias serão calculadas da seguinte função:

C0  C1 se | h | 0
~ 
C(h)     3 | h |
C exp  se | h | 0
 1  a 

G
Sabendo-se, no entanto, que:

1
 ij  E{[ Vi  Vj ]2 }
2
1 1
 E{Vi }  E{Vj2 }  E{Vi .Vj}
2

2 2
 E{V 2 }  E{Vi .Vj}
~2
 E{V 2 }  [E{V .V }]  m
i j
~
~2  C
 ij

G
Assim, a função covariância apresentada corresponde à
seguinte função variograma:

0 se | h | 0
~ 
 (h)     3 | h |
C0  C1(1  exp ) se | h | 0
  a 

G
Usando a função de covariância e assumindo um modelo
isotrópico, a covariância entre os dados para qualquer
localização dependerá apenas da distância entre eles e não das
direções.

Para demonstrar como a krigagem ordinária funciona, usaremos

os seguintes parâmetros para a função:

C0 = 0, a = 10, C1 = 10

Assim,

~
C(h)  10e  0.3|h|

G
 Tendo escolhido uma função de covariância a partir da qual
calcularemos todas as covariâncias necessárias para nosso
modelo de função randômica, nós podemos construir as
matrizes C e D.

 ~ ~ ~ ~ ~ ~ ~  ~ 
C11 C12 C13 C14 C15 C16 C17 1  C10
 ~ ~ ~ ~ ~ ~ ~   ~ 
 C21 C22 C23 C24 C25 C26 C27 1   C20 
 ~ ~ ~ ~ ~ ~ ~   ~ 
 C31 C32 C33 C34 C35 C36 C37 1   C30 
~ ~ ~ ~ ~ ~ ~ ~
 C41 C42 C43 C44 C45 C46 C47 1   C40 
C ~ ~ ~ ~ ~ ~ ~  D ~ 
 C51 C52 C53 C54 C55 C56 C57 1   C50 
 ~ ~ ~ ~ ~ ~ ~ ~
C61 C62 C63 C64 C65 C66 C67 1   C60 
 ~ ~ ~ ~ ~ ~ ~   ~ 
 C71 C72 C73 C74 C75 C76 C77 1   C70 
   
 1 1 1 1 1 1 1 0   1 

G
 Para isso precisamos de uma tabela das distâncias entre todos
os possíveis pares das sete localizações de dados.

Distância

Localiz. 0 1 2 3 4 5 6 7

0 0.00 4.47 3.61 8.06 9.49 6.71 8.94 13.45

1 4.47 0.00 2.24 10.44 13.04 10.05 12.17 17.80
2 3.61 2.24 0.00 11.05 13.00 8.00 10.05 16.97
3 8.06 10.04 11.05 0.00 4.12 13.04 15.00 11.05
4 9.49 13.04 13.00 4.12 0.00 12.37 13.93 7.00
5 6.71 10.05 8.00 13.04 12.37 0.00 2.24 12.65
6 8.94 12.17 10.05 15.00 13.93 2.24 0.00 13.15

G
7 13.45 17.80 16.97 11.05 7.00 12.65 13.15 0.00
  10.00 5.11 0.44 0.20 0.49 0.26 0.05 1.00 
 
 5.11 10.00 0.36 0.20 0.91 0.49 0.06 1.00 
 0.44 0.36 10.00 2.90 0.20 0.11 0.36 1.00 
 
0.20 0.20 2.90 10.00 0.24 0.15 1.22 1.00 
C
 0.49 0.91 0.20 0.24 10.00 5.11 0.22 1.00 
 
 0.26 0.49 0.11 0.15 5.11 10.00 0.19 1.00 
 0.05 0.06 0.36 1.22 0.22 0.19 10.00 1.00 
 
 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.00 

 2.61 
 3.39 
 
 0.89 
 
0.58
D 
 1.34 
 
 0.68 

G
 0.18 
 
 1.00 
  0.127  0.077  0.013  0.009  0.008  0.009  0.012 0.136 
 
  0.077 0.129  0.010  0.008  0.015  0.008  0.011 0.121 
  0.013  0.010 0.098  0.042  0.010  0.010  0.014 0.156 
 
 0.009  0.008  0.042 0.102  0.009  0.009  0.024 0.139 

1
C
  0.008  0.015  0.010  0.009 0.130  0.077  0.012 0.118 
 
  0.009  0.008  0.010  0.009  0.077 0.126  0.013 0.141 
  0.012  0.011  0.014  0.024  0.012  0.013 0.085 0.188 
 
 0.136 0.121 0.156 0.139 0.118 0.141 0.188  2.180 

 1   0.173 
   
 2   0 . 318 
 3   0.129 
   
4  0 .086
w  C 1 . D   
 5   0.151 
   
 6   0 . 057 
 7   0.086 

G
   
     0.907 
 Pesos de krigagem ordinária
para as sete amostras usando
um modelo de covariância
isotrópico exponencial. O valor
da amostra é dado
imediatamente à direita,
enquanto os pesos são
apresentados entre parênteses.

Assim, o valor estimado é obtido por:

n
v̂0   v
i 1
i i

 (0.173)(477)  (0.318)(696)  (0.129)(227)  (0.086)(646) 

G
(0.151)(606)  (0.057)(791)  (0.086)(783)

 592.7 ppm
E a variância de estimativa é obtida por:

n
~ ~
 2
OK     i Ci 0  
2

i 1

 10 - (0.173)(2.61)  (0.318)(3.39)  (0.129)(0.89)  (0.086)(0.58) 

(0.151)(1.34)  (0.057)(0.68)  (0.086)(0.18)  0.907

 8.96 ppm 2

G