CVRM / Centro de Geo-sistemas

ANLISE GEOESTATSTICA DE DADOS

Antnio Jorge Sousa
Janeiro de 2000

ANLISE GEOESTATSTICA DE DADOS

INTRODUO
Nas Cincias da Terra usual a ocorrncia de quadros multivariados de dados que
podem ser organizados sob a forma de uma matriz de dimenso n x p (n linhas por p
colunas). A matriz de dados contm os valores observados em n objectos (unidades
estatsticas ou amostras1). Cada um dos n objectos caracterizado pelos valores
respeitantes a p variveis (atributos). As variveis podem tomar valores numricos,
contnuos ou discretos, ou valores qualitativos (cdigos). Trata-se, portanto, de
quadros de dados do tipo dos tratados pelos procedimentos estatsticos multivariados.
No entanto, apresentam, em geral, uma caracterstica exclusiva que advm do facto de
as variveis serem medidas ou observadas em amostras recolhidas em pontos (ou
volumes2 centrados nesses pontos) localizados no espao geogrfico. Cada uma das
amostras , assim, caraterizada tambm por um conjunto de 1, 2 ou 3 coordenadas
espaciais a que pode acrescer, em determinado tipo problemas, 1 coordenada
temporal. Trata-se, portanto, de dados regionalizados, na medida em que os valores
tomados pelas variveis dependem da localizao espacial.
Em geral, os quadros de dados so de grandes dimenses, pelo que necessrio
encontrar mtodos de anlise que permitam extrair a informao relevante da massa
bruta de dados.
Neste trabalho passa-se em revista diversas tcnicas cujo objectivo a descrio de
quadros de dados. Particular ateno ser dada aos mtodos factoriais, de base
geomtrica, que permitem a visualizao dos dados em espaos de dimenso
reduzida, engendrada por um pequeno conjunto de factores que sintetizam os dados.
Na primeira parte do trabalho, relembra-se os fundamentos tericos da Anlise em
Componentes Principais (ACP), mtodo includo na famlia dos mtodos factoriais
particularmente adaptado para extrair as caractersticas estruturais essenciais de um
quadro de dados quantitativos.
No entanto a ACP deixa escapar uma caracterstica crucial deste tipo de dados que o
seu carcter regionalizado. As variveis apresentam, em geral, uma estrutura espacial
que, salvo casos particulares, no detectada em toda a sua complexidade por este
mtodo.
1
2

A cada um dos elementos da amostra d-se tambm, vulgarmente, o nome de amostra.

Cada amostra tambm caracterizada pelo volume (e/ou instante de tempo) onde a varivel,
medida. A esta caracterstica d-se o nome de suporte da amostra.

Aps reviso das principais medidas de continuidade espacial, introduz-se as trs

tcnicas nucleares da Anlise Geoestatstica de Dados. Em comum baseiam-se na
generalizao da ACP por introduo da estrutura espacial das variveis.
A primeira, denominada Anlise Factorial de Corregionalizaes, uma tcnica
puramente descritiva, baseada na anlise das medidas de continuidade experimental
das variveis.
A segunda, denominada Anlise Factorial do Modelo Linear de Corregionalizao,
pressupe a modelao prvia da estrutura espacial das variveis, e baseia-se na
anlise das matrizes de corregionalizao tericas. Pretende identificar as
caractersticas estruturais essenciais, denominados factores regionalizados e
componentes espaciais, de um conjunto de dados regionalizados.
A Krigagem Factorial, ao permitir estimar aqueles factores e componentes
identificados pela Anlise Factorial do Modelo Linear de Corregionalizao,
possibilita a sua cartografia espacial, facilitando a interpretao.
As potencialidades de cada uma das tcnicas apresentadas so evidenciadas atravs de
casos de estudo ilustrativos.
A matriz de dados ser representada pela matriz Z, cujas colunas, representadas por
z j , j=1,,p, correspondem s p variveis. As coordenadas espaciais sero
representadas pela matrix X. As coordenadas espaciais da amostra i sero
representados por x i . O elemento genrico de Z, representado por z ij ou zj(xi),
corresponde ao valor da varivel j medido ou observado na amostra i recolhida no
ponto de coordenadas xi.
ANLISE EM COMPONENTES PRINCIPAIS

A Anlise em Componentes Principais foi formulada independentemente por Pearson

(1901) e Hotteling (1933). Trata-se de uma tcnica de anlise de dados que pode ser
introduzida recorrendo a conceitos geomtricos, em que as variveis originais,
tomadas como eixos definindo um espao onde se posicionam as amostras, so
substitudas por outras variveis (os factores), obtidos custa de um novo sistema de
eixos que se ajusta melhor nuvem constituda pelas amostras. Esta uma
formulao mais prxima da de Pearson.
Em geral, as variveis de base so muito heterogneas, apresentando valores mdios e
varincias muito diferentes, podendo estar expressas em unidades de medida de
natureza diversa. Os resultados da anlise destes dados brutos podem reflectir apenas
o efeito das diferentes unidades (%, ppm, Kg, m, cm, ) em que cada uma das
variveis foi medida.
2

Para reduzir este efeito conveniente transformar a matriz de dados Z numa outra T,
cujo elemento genrico tij dado por:

t ij =

1 z ij z j
n sj

onde z j e sj so, respectivamente, a mdia aritmtica e o desvio padro dos valores

tomados pela varivel j.
As novas variveis tj so adimensionais com mdia nula e varincia unitria. A matriz
T pode ser assimilada a duas nuvens de pontos distintas conforme o espao escolhido:

- Cada linha de T um vector que representa a posio de um indivduo no

espao das variveis R p.
- Cada coluna de T um vector que representa a posio de uma varivel no
espao dos indivduos R n
Como j referido, o objectivo genrico dos mtodos factoriais de anlise de dados, em
geral, e da Anlise em Componentes Principais, em particular, o de encontrar um
novo sistema de eixos que se ajuste o melhor possvel, de acordo com determinado
critrio, a estas nuvens de pontos.
No caso da anlise em R p, o critrio dos mnimos quadrados conduz, a que os eixos
factoriais sejam dados pelos vectores prprios u da chamada matriz de inrcia da
nuvem das amostras, dada por T' T (Pereira & Sousa, 1988). Estes novos eixos esto
hierarquizados pelos valores prprios da matriz de inrcia.
Analogamente, no caso da anlise em R n, o critrio dos mnimos quadrados conduz, a
que os eixos factoriais sejam dados pelos vectores prprios v da chamada matriz de
inrcia das variveis dada por TT' (Pereira & Sousa, 1988). Estes novos eixos esto
hierarquizados pelos valores prprios da matriz de inrcia.
Mostra-se que, admitindo que p<n, os p primeiros valores prprios de TT' so iguais
aos valores prprios de T' T enquanto os restantes n-p so nulos. Por outro lado,
prova-se (Pereira & Sousa, 1988) que os p primeiros eixos factoriais so colineares e
esto relacionados pelas relaes de transio seguintes:
v =

T u
(1)

u =

T' v

Os primeiros eixos factoriais, cujo nmero escolhido de acordo com determinados

critrios, deve explicar uma proporo importante da inrcia total (Pereira & Sousa,
1988), representam os traos principais presentes no quadro de dados. A anlise da
projeco das amostras e das variveis nos planos formados pelos primeiros eixos
factoriais, permite evidenciar, atravs das proximidades e oposies entre variveis e
entre amostras, as principais estruturas presentes. de notar que as relaes de
transio permitem a projeco simultnea das amostras e das variveis nos mesmos
planos factoriais. Esta possibilidade, que apresenta vantagens evidentes na
interpretao dos resultados, nem sempre aproveitada devidamente.
Conclui-se, portanto, que a Anlise em Componentes Principais se baseia na
extraco dos vectores e valores prprios da matriz de inrcia T' T cujo elemento
genrico dado por:

r jj ' =

n
i =1

t ij t ij ' =

1
n

(zij z j )(zij ' z j ' )

i =1

s j s j'

A matriz de inrcia consiste, portanto, na matriz de correlao entre variveis.

A Anlise em Componentes Principais foi utilizada para descrever a estrutura de um
conjunto de 491 amostras do jazigo de Moinho, onde so conhecidas os teores de 6
elementos qumicos: S, Fe, Cu, Zn, Pb, As (Sousa, 1989a).
Nas figuras 1 e 2 apresenta-se, respectivamente, as projeces das variveis e das
amostras no primeiro plano factorial
1.5

u2
(28.0 %)

CP2
(28.0 %)
2.00

Cu

1.50

0.5
1.00

Cu

Zn
Pb
-0.5

0.50

As

Fe

0.00

Zn
-0.50

-1

-1.5
-1.5

u1
(44.6 %)
-1

-0.5

0.5

Figura 1 Projeco das variveis no 1

plano factorial

1.5

CP1
(44.6 %)

-1.00
-2.50

Fe

-2.00

-1.50

-1.00

-0.50

0.00

0.50

1.00

Figura 1 - Projeco das amostras no 1

plano factorial

Verifica-se que o Zn e o Pb aparecem juntos, reflectindo a elevada correlao

existente entre eles, o mesmo acontecendo com o S e o Fe. A oposio entre estas
variveis, explicam o eixo 1 (qualquer uma destas variveis apresenta coordenadas

neste eixo com valores absolutos muito prximo de 1, traduzindo portanto correlaes
muito elevadas com este eixo). O Cu o responsvel pelo 2 eixo factorial,
evidenciando um comportamento independente face aos pares de variveis referidos
anteriormente. Relativamente ao As, mal representado neste plano, nada se pode
concluir.
No caso das amostras verifica-se que estas formam uma nuvem contnua de pontos,
densa no 4 quadrante, correspondendo a valores elevados de S e Fe (a projeco
simultnea das variveis facilita a leitura do grfico), dispersando-se ao longo do eixo
1 e do eixo 2.
MEDIDAS DE CONTINUIDADE ESPACIAL DAS VARIVEIS
Salvo em casos muito particulares e raros, a correlao entre pares de variveis,
porque no toma em ateno a sua estrutura espacial, um parmetro demasiado
pobre para medir a dependncia (espacial) entre essas variveis. necessrio
introduzir outras medidas que tomem em conta o carcter regionalizado das variveis.
Usualmente, costume definir trs funes que permitem quantificar a variao
conjunta de variveis regionalizadas: a covarncia espacial cruzada, a correlao
espacial cruzada e o variograma cruzado.
Estas medidas baseiam-se nos valores das variveis medidos em pares de amostras
separadas geograficamente pelo vector h (ver figura 3).
Y

h
Z(x)

Z(x+h)

Figura 3 Representao esquemtica de pares de amostras separadas pelo vector h.

Para os valores da varivel j medidos nas amostras iniciais de cada par, pode-se
calcular os valores mdios m j (h) e as varincias s 2j ( h) :

m j ( h) =

1 N (h)
Z (x i )
N ( h) i =1

s 2j ( h) =

1 N (h)
Z j ( x i ) m j ( h ) 2
N ( h) i =1

Analogamente, pode-se calcular os valores mdios m j ' (+h) e as varincias 2j ' ( +h )

dos valores da varivel j medidos nas amostras finais de cada par:
m j ' ( +h) =

1 N (h)
Z j ' ( x i + h)
N ( h) i =1

s 2j ' (+h) =

1 N (h)
Z j ' (x i ) m j ' (+h) 2
N (h) i =1

A partir destes parmetros pode-se definir as medidas de continuidade espacial3

referidas anteriormente:
Covarincia Espacial Cruzada

C *jj ' (h) =

1 N (h )
Z j ( x i ) Z j ' ( x i + h ) m j ( h ) m j ' ( + h )
N (h) i =1

onde N(h) o nmero de pares de pontos separados de h.

Correlao Espacial Cruzada (Correlograma cruzado)

r jj* ' (h) =

C jj ' (h)
1 N (h )
N (h) i =1 s 2 (h) s 2 (+h)
j
j'

Variograma Cruzado

jj '

(h) =

1 N (h )
Z j ( xi + h ) Z j ( xi ) Z j ' ( xi + h ) Z j ' ( xi )
2 N (h) 1

][

Verifica-se que, ao contrrio do variograma que sempre uma funo simtrica, as

duas primeiras funes so, em geral, assimtricas, isto : C *jj ' (h) C *jj ' (h) e
r jj* ' (h) r jj* ' ( h ) .
Note-se que, fazendo j=j, encontra-se as medidas de continuidade espacial simples
(monovariadas). Neste caso, fcil verificar que as trs funes so simtricas.
As medidas de continuidade espacial simples e cruzadas so poderosos instrumentos
de deteco das estruturas espaciais evidenciados pelos dados. Assim, possvel
verificar a presena ou ausncia de anisotropias direccionais, a homogeneidade
espacial e o grau de continuidade espacial das variveis (Sousa & Muge, 1990;
Goovaerts, 1997).
O coeficiente de correlao clssico corresponde correlao cruzada quando h=0.
Estruturalmente , portanto, uma medida bastante mais pobre, como se ilustra no
exemplo seguinte.
Em determinada estao mediu-se, diariamente ao longo de 2 anos, os valores da
pluviosidade e da piezometria de um determinado aqufero. Naturalmente a
3

Utiliza-se o sinal * para simbolizar que as medidas referidas so amostrais (experimentais).

piezometria influenciada pela pluviosidade, no entanto o coeficiente de correlao

calculado de apenas 0.344. Na figura 4 apresenta-se o correlograma cruzado das
duas variveis. Verifica-se que existe um atraso de aproximadamente 20 dias no
impacto da pluviosidade sobre a piezometria. O valor da correlao mximo para
h=20, atingindo o valor de 0.843. Verifica-se ainda que a funo no simtrica em
torno da origem, embora seja aparente uma simetria relativamente a h=20.
1
0.8

r(h)

0.6
0.4
0.2
0
-0.2
-0.4
-80

-60

-40

-20

20

40

60

80

h(dias)

Figura 4 Correlograma das variveis pizometria e pluviosidade.

Em geoqumica vulgar encontrar situaes semelhantes, provocada pela diferente

mobilidade dos elementos qumicos no meio.
Verifica-se, portanto, que a Anlise em Componentes Principais, porque baseada na
correlao a passo zero (h=0) entre as variveis insuficiente para sintetizar a
estrutura espacial das variveis, devendo ser complementada com a anlise das
matrizes de correlao espacial para diferentes passos h. A esta tcnica d-se o nome
de Anlise Factorial de Corregionalizaes.
A Anlise Factorial de Corregionalizaes foi utilizada para descrever a estrutura
espacial do conjunto de dados de Moinho j referidos. Na figura 5 apresenta-se os
resultados obtidos para h=10 e h=100. Verifica-se que os resultados so semelhantes
entre si e aos da Anlise em Componentes Principais. A principal diferena reside no
facto de quando h aumenta o Cu tender a se opor ao par formado pelas variveis Zn e
Pb (para h=100 esta oposio responsvel pelo formao do 1 eixo, enquanto o par
S, Fe explica o eixo 2). Para h=10, nota-se que o 2 eixo factorial explicado pelo As,
enquanto o Cu est mal representado neste plano. Verifica-se, portanto, que a
estrutura das variveis varia, significativamente, com h.

1.5

1.5

u2
(19.6 %)

u2
(19.6 %)

As

As
0.5

0.5

Cu

Pb

-0.5

Pb

Fe

Zn

Cu

Zn
-0.5

Fe
-1

-1.5
-1.5

-1

u1
(46.3 %)
-1

-0.5

0.5

1.5

-1.5
-1.5

u1
(46.3 %)
-1

-0.5

0.5

1.5

Figura 5 - Anlise Factorial das Correlaes Espaciais (Moinho) para h=10 e h=100

INTRODUO TEORIA DAS VARIVEIS REGIONALIZADAS

Raramente a descrio dos dados regionalizados constitui o objectivo final de um
estudo estatstico. Habitualmente, pretende-se caracterizar a populao de que o
conjunto de dados constitui uma amostra. Torna-se, ento, necessrio encontrar um
modelo que reproduza as principais caractersticas dessa populao. habitual
considerar as variveis regionalizadas como uma realizaes de uma funes
aleatrias.
Seja um conjunto de p variveis regionalizadas conhecidas em n pontos amostrais,
com coordenadas xi:

{Z ( x ); i = 1, ... n; j = 1, ..., p}
j

Conceptualmente, pode tomar-se as p variveis regionalizadas zj(x) como uma

realizao de uma Funo Aleatria p-dimensional Zj(x). Esta realizao ,
habitualmente, nica, pelo que a inferncia estatstica s possvel se a Funo
Aleatria verificar algumas hipteses de estacionaridade. Neste trabalho considera-se
apenas dois tipos de estacionaridade: estacionaridades de 2 ordem e intrnseca (Sousa
& Muge, 1990; Goovaerts, 1997).
Na hiptese de estacionaridade de 2 ordem os dois primeiros momentos so
constantes, no dependendo da localizao espacial:

{[

E Z j ( x) = m j

][

]}

E Z j ( x) m j Z j ' ( x) m j ' = C jj ' (h)

(2)

E Z j ( x + h ) Z j ( x) m 2j = C j (h)

A funo Cj (h) a covarincia espacial da varivel Zj(x), que depende apenas do

vector h. A estacionaridade da covarincia espacial implica a estacionaridade da
varincia:

Var Z j ( x) = C j (0)
Note-se que a estacionaridade da covarincia cruzada mais forte do que a
estacionaridade da covarincia simples, isto , mesmo que cada uma das variveis
Zj(x) seja estacionria de segunda ordem, nada garante que a corregionalizao o seja,
pois a covarincia cruzada Cjj (h) pode no depender apenas do vector h.
A hiptese intrnseca impe a estacionaridade dos dois primeiros momentos dos
acrscimos espaciais. Assim, sendo os acrscimos a passo h dados por:

j (h) = Z j ( x + h) - Z j ( x)
aquelas duas condies de estacionaridade so expressas por:

{ }
E{ j (h) j ' (h )} = 2 jj ' (h)
2
E{[ j (h) ] }= 2 j (h)
E j (h) = 0

x
x

O variograma cruzado entre as variveis Zj(x) e Zj(x) dado por:

jj '

(h) =

1
E j (h) j ' (h)
2

No caso de estacionaridade de 2 ordem, o variograma e as covarincias verificam a

seguinte relao, que se obtm desenvolvendo (2):

jj '

(h) = C jj ' (0) -

1
C jj ' (h) + C j ' j (h )
2

Verifica-se assim que o variograma uma funo mais pobre do que a covarincia
sendo equivalentes apenas no caso (frequente) em que estas so simtricas. No
entanto, o variograma4 pe problemas de estimao menos delicados do que as
covarincias (simples e cruzadas), pois estas no podem ser estimadas sem
enviezamento (provocado pelo desconhecimento da mdia a passo h, que tem de ser,
tambm, estimada).

O variograma tambm uma funo mais geral do que a covarincia ou a correlao espaciais, na
medida em que estas duas s tm existncia na hiptese de estacionaridade de 2 ordem, enquanto o
variograma tambm definido na hiptese intrnseca. Justifica-se, assim, o uso generalizado do
variograma em geoestatstica.

O clculo do variograma cruzado experimental pode fazer-se pelo estimador seguinte,

em que a esperana do produto dos acrscimos substituda pela mdia espacial:

jj '

(h ) =

1 N (h )
Z j ( xi + h) Z j ( xi ) Z j ' ( x i + h) Z j ' ( xi )
2 N (h) 1

][

onde N(h) o nmero de pares de pontos separados de h.

ANLISE FACTORIAL DO MODELO LINEAR DE
CORREGIONALIZAO
So frequentes as corregionalizaes que podem ser modeladas pela soma de vrias
estruturas imbricadas, revelando uma sucesso de fenmenos de transio (a
diferentes escalas espaciais) que actuam de modo anlogo para as p variveis. Ento
cada um dos variogramas simples e cruzados pode reduzir-se sobreposio de Ne
estruturas imbricadas, cada uma delas modelada por um esquema terico (esfrico,
gaussiano, linear, etc.). Cada variograma dado por:

jj ' (h) =

N e 1
u =0

b ujj ' ujj ' (h)

No quadro do modelo linear de corregionalizaes (Goovaerts, 1997) para cada escala

u, a forma e a amplitude dos variogramas so as mesmas para todas as variveis.
Neste modelo, os variogramas simples e cruzados jj(h) so dados por:

jj ' (h) =
onde b

u
jj '

N e 1
u =0

b ujj ' u (h)

o patamar do variograma cruzado para as variveis j e j e para a estrutura

u. Em geral, Ne da ordem de 2 ou 3, o que permite reduzir o problema da descrio

estrutural das variveis correlacionadas espacialmente atravs de 2 ou 3 matrizes Bu,
definidas positivas, de dimenso (p x p), cuja soma, no caso de estacionaridade de 2
ordem, reproduz a matriz varincia-covarincia dos dados:

2
jj '

N e 1
u =0

b ujj '

Neste caso, as variveis podem ser expressas como combinaes lineares de factores
ortogonais yu (x) :

Z j ( x) =

N e 1 p
u =0 l =1

e ujl y lu ( x)

10

em que os coeficientes verificam a relao seguinte:

b ujj ' =

p
l =1

e ujl e uj 'l

Estes coeficientes podem ser obtidos por diagonalizao das matrizes de

corregionalizao Bu:

e ujl = l v jl
em que l o valor prprio de ordem l da matriz Bu e v jl a coordenada de ordem j
do vector prprio que lhe est associado.
O modelo linear conduz decomposio da corregionalizao numa srie de Ne
estruturas associadas a diferentes escalas. Para cada escala, obteve-se uma matriz
varincia-covarincia, de termo geral b ujj ' , que d conta do sistema de
interdependncias entre as p variveis para a escala u. No caso de estacionaridade de
2 ordem, pode-se, tambm, defenir a matriz de correlao Ru, relativa a cada escala.
Em paralelo com a Anlise em Componentes Principais (baseada na matriz das
correlaes experimentais), pode agora factorizar-se cada uma das matrizes Ru,
obtendo-se assim uma sntese da estrutura das variveis, relacionada agora com a
escala espacial do fenmeno. A esta tcnica, introduzida por Wackernagel (1988), dse o nome de Anlise Factorial do Modelo Linear de Corregionalizao.
Supondo que cada uma das estruturas espaciais imbricadas foi interpretada com base
nos seus variogramas, o que conduziu decomposio da varincia total em Ne
termos - o efeito de pepita, o patamar da estrutura 1, o patamar da estrutura 2, etc. pode agora interpretar-se cada uma das estruturas espaciais per si, do ponto de vista
da Anlise de Dados. Assim os factores resultantes da estrutura peptica esto
relacionados com determinado conjunto de variveis, os que se obtm a partir da 1
estrutura com outro conjunto de variveis, etc.
Enriquece-se deste modo a anlise factorial global atravs da considerao da
factorizao das Ne estruturas diferentes, cada uma delas ligada a uma escala do
fenmeno regionalizado.
No caso de estudo do jazigo de Moinho apresentado anteriormente, os variogramas
simples e cruzados foram modelados por um modelo linear de corregionalizo
constitudo pela sobreposio de 3 estruturas: uma peptica e duas esfricas, com
amplitudes de 36 e 120 metros, respectivamente (Sousa, 1989a). Nas figuras 6 a 9
apresenta-se

os

resultados

da

Anlise

Factorial

do

Modelo

Linear

de

Corregionalizao e na figura 10, para comparao, repete-se os resultados da Anlise

em Componentes Principais.
11

1.5

1.5

u2
(17.8 %)

u2
(24.9 %)

As

Cu
As

0.5

0.5

Cu

Fe

Zn

Pb

Pb

-0.5

-0.5

-1

-1

-1.5
-1.5

u1
(48.7 %)
-1

-0.5

0.5

1.5

-1.5
-1.5

Figura 6 - Projeco das variveis no 1 plano

factorial (efeito de pepita)
1.5

Fe

Zn

-1

-0.5

0.5

1.5

Figura 7 - Projeco das variveis no 1

plano factorial (1estrutura)
1.5

u2
(23.2 %)

u1
(57.7 %)

u2
(28.0 %)

Cu
As
0.5

0.5

Pb
Zn
0

Zn
Pb

Cu
-0.5

As

-0.5

Fe

Fe

-1

-1.5
-1.5

-1

u1
(53.0 %)
-1

-0.5

0.5

1.5

Figura 9 - Projeco das variveis no 1 plano

factorial (2estrutura)

-1.5
-1.5

u1
(44.6 %)
-1

-0.5

0.5

1.5

Figura 10 - Projeco das variveis no 1

plano factorial (ACP)

Os resultados obtidos para cada uma das estruturas mostram, no caso do efeito de
pepita e da 1 estrutura, os mesmos traos gerais evidenciados pela Anlise em
Componentes Principais (Sousa, 1989a). As projeces das variveis no 1 plano
factorial da 2 estrutura apresenta, no entanto, uma relao nova: O Cu passa a
mostrar, a esta escala, uma elevada correlao negativa com o par constitudo pelo Zn
e Pb, isto , na estrutura mais contnua os teores em cobre seguem, de forma inversa,
os teores em zinco e chumbo: o comportamento conjunto destas trs variveis
depende da escala considerada. Esta concluso, que no pode ser retirada dos
resultados da ACP, est de acordo com a ideia generalizada de que, no jazigo de
Moinho, o Cu se concentrou preferencialmente a muro enquanto o Zn e Pb ocorrem
predominantemente a tecto da massa. No entanto, localmente, o Cu tem um
comportamento que independente dos valores de Zn e Pb.

12

KRIGAGEM FACTORIAL
De acordo com o modelo linear de corregionalizao, as variveis regionalizadas
podem ser interpretadas como combinaes lineares de um conjunto de factores
regionalizados ortogonais:

Z j ( x) =

N e 1 p
u =0 l =1

e ujl y lu ( x)

Estes factores regionalizados podem ser estimados a partir dos valores amostrais pelo
seguinte estimador (Wackernagel, 1995):
*

ylu ( x)=

j=1 =1

ulj z ( x )

utilizando o sistema de Cokrigagem Factorial (Wackernagel, 1995):

p

nj

j =1 =1

nj

=1

ulj jj ' ( x x ) + j ' = e ujl u ( x x0 )

ulj = 0

= 1, ..., n; j ' = 1,..., p

j = 1,..., p

Por sua vez, evidenciando os variograma a presena de N e estruturas, natural

modelar cada uma das variveis Z j ( x) pela soma de N e componentes espaciais,
independentes entre si, cada uma das quais corresponde a uma determinada escala, a
que se sobrepe a mdia:
Z j ( x) =

N e 1
u =0

Z uj ( x) + m j

A krigagem factorial (Goovaerts, 1997) permite estimar linearmente aquelas

componentes, em cada ponto x 0 :
*

Z u ( x0 ) =

n
i =1

i Z ( xi )
*

em que n o nmero de amostras utilizadas na estimao de Z u ( x0 ) . Os

ponderadores so obtidos resolvendo o sistema de krigagem factorial:
n
i =1

n
i =1

( xi xi ' ) + = u ( xi ' x0 )

= 0

13

em que ( x x ) representa o valor do variograma entre x e x .

As componentes espaciais Z u ( xi ) assim estimadas podem ser cartografadas
separadamente, permitindo identificar espacialmente as zonas com maior afinidade
com cada uma das escalas de variabilidade.
A krigagem factorial, foi utilizada no tratamento dos teores em Zn e Cu nos solos,
obtidos em diversas campanhas de prospeco efectuadas pelo Servio de Fomento
Mineiro numa rea com cerca de 50 km2 localizada no Alentejo entre as vilas de
Moura e Ficalho.
A anlise dos variogramas mostra, que podem ser modeladas pela soma de efeito de
pepita e duas estruturas esfricas (Sousa, 1995). Na figura 11 e 12 esto
representadas, as componentes espaciais correspondentes s varias estruturas do Zn e
do Cu, respectivamente.

Valores brutos

Componente local

Componente peptica

Componente regional

Figura 11 - Cartografia do zinco

Verifica-se que a cartografia da componente regional do Zn marca claramente as

principais estruturas e litologias carbonatadas presentes; a distribuio regional do Zn

14

est relacionada principalmente com as dolomias cmbricas que apresentam fundos

muito altos, contrastando com os baixos fundos da cobertura ceno-antropozoica e
fundos intermdios de outras litologias. As cartografias das componentes local e
peptica do Zn no evidenciam relao ntida com a litologia e definem bem as
estruturas mineralizadas ricas em zinco e chumbo (Preguia, Vila Ruiva, Carrasca SE,
Vale de Grou e Merlinha). A mineralizao de Enfermarias assinalada apenas na
cartografia da componente peptica.

Valores brutos

Componente peptica

Componente local

Componente regional

Figura 12 - Cartografia do Cobre

A cartografia da componente regional do Cu marca muito bem as litologias a que o

Cobre anda associado (rochas vulcnicas e xistos do Silrico) assim como a estrutura
das Enfermarias. As minas da Preguia e de Rui Gomes esto bem marcadas nas
cartografias da componente local e peptica.
BIBLIOGRAFIA

Cressie, N. (1991) - Statistics for spatial data analysis. Wiley-Interscience, 900 pp.
Goovaerts, P. (1997) - Geostatistics for Natural Resources Evaluation. Oxford
University Press, New York, 561 pp.
15

Pereira, H. G. & Sousa, A. J. (1988) - Anlise de Dados para o Tratamento de

Quadros Multidimensionais. CVRMUTL, IST, 115p.
Sousa, A. J. (1989a) - Geostatistical Data Analysis: An Application to Ore
Typology. M. Armstrong (Ed.), Geostatistics, 851-860, Kluwer Academic
Publishers.
Sousa, A. J. (1989b) - Geoestatstica Multivariada. LMPM, IST, 12p.
Sousa, A. J. & Muge, F. (1990) - Elementos de Geoestatstica. LMPM, IST, 63p.
Sousa, A. J. (1994) - Contribuio da Krigagem Factorial para a Cartografia
Geoqumica. Geo-Sistemas, 3, 133-142, 1994.
Wackernagel, H. (1988) - Geostatistical Techniques for Interpreting Multivariate
Spatial Information. Quantitative Analysis of Mineral and Energy Resources,
NATO ASI Series, C 223, 393-409, Reidel, Dordrecht, pp. 393-409.
Wackernagel, H. (1995) - Multivariate Geostatistics. Springer, 220 p.

16