ARTIGO
Sobre Geoestatstica e mapas
* Este documento deve ser
referido como segue:
Landim P.M.B. 2006. Sobre
Geoestatstica e mapas. Terr
Didatica, 2(1):19-33.
<http://www.ige.unicamp.br/
terraedidatica/>
Paulo M. Barbosa Landim
Departamento de. Geologia Aplicada
Instituto de Geocincia e Cincias Exatas
Universidade Estadual Paulista UNESP/Rio Claro
plandim@rc.unesp.br
RESUMO A Geologia, at h bem pouco tempo, era freqentemente
considerada uma cincia baseada em interpretaes puramente qualitativas dos fenmenos
geolgicos. Nos ltimos 40 anos, porm, tem sido notvel a mudana da fase descritiva
para a utilizao de mtodos quantitativos, principalmente na rea da Geologia Aplicada.
Entre tantos temas relacionados com a quantificao em Geologia o assunto abordado
neste artigo, que pretende ser de cunho didtico, diz respeito aplicao da Geoestatstica
na confeco de mapas geolgicos. Na primeira parte do trabalho feita uma introduo
sobre os aspectos quantitativos na interpretao dos fenmenos geolgicos, em seguida
conceitos bsicos sobre a metodologia geoestatstica e, na ltima parte, uma aplicao
clssica da geoestatstica linear, baseada nos conceitos de estacionaridade da covarincia
e do variograma, para a confeco de mapas.
PALAVRAS-CHAVE Geoestatstica, krigagem ordinria, mapeamento
ABSTRACT Until very time ago Geology was frequently considered a
science based on purely qualitative interpretations of the geological phenomena. In the
last 40 years, however, occurred a notable change from the descriptive phase to utilization
of quantitative methods, mostly in the Applied Geology area. Among many related
subjects to the quantification in Geology the boarded one in this paper concern the
application of Geostatistics in geological mapping. In the first part of the article is
introduced quantitative aspects in the interpretation of the geological phenomena, soon
after basic concepts concerning geostatistical methodology and, finally, a classical
application of lineal geostatistics, based on covariance and variogram stationary concepts,
for spatial estimation and contouring.
KEYWORDS Geostatistics, ordinary kriging, spatial estimation
and contouring
TERR DIDATICA 2(1):19-33, 2006
P.M.B. Landim
Introduo
A tentativa de aplicao de mtodos quantita-
tivos em Geologia coincide com o seu estabeleci-
mento como cincia moderna e um exemplo mar-
cante a subdiviso do Tercirio, feita por Lyell
em 1830, baseada na proporo de espcies recen-
tes de moluscos presentes nos diversos estratos da
Bacia de Paris. No alcanou, todavia, o mesmo
estgio comparvel quele existente nas outras
Cincias Naturais como a Fsica ou a Qumica. A
Geologia, at a bem pouco tempo, era freqente-
mente considerada uma cincia qualitativa, isto ,
descritiva. Nos ltimos 40 anos, porm, tem sido
notvel a mudana da fase puramente descritiva dos
fenmenos geolgicos para um enfoque quantita-
tivo. Esse processo de transformao das Cincias
da Terra baseia-se em trs fatores principais: a intro-
duo do conceito de modelos matemticos para a
explicao de fenmenos geolgicos, a procura da
integrao dos diversos fenmenos geolgicos atra-
vs da Teoria da Deriva Continental e a facilidade
de acesso a computadores digitais.
A aceitao por parte dos gelogos tem sido bem
maior no tocante Tectnica Global, e isso pode ser
facilmente constatado nos livros textos de Geologia
bsica recentes, que apresentam e discutem tais con-
ceitos. O mesmo no acontece com a aplicao de
modelos quantitativos, utilizando-se ou no de com-
putadores, e isso porque os gelogos acostumados
com o mtodo das mltiplas hipteses julgam que
conseguem lidar com fenmenos naturais apenas em
termos qualitativos, e acabam por criar uma barreira
entre os dados obtidos e seu manuseio. Um dos mo-
tivos alegados, inclusive, que os mtodos quanti-
tativos apresentados so tidos como extremamente
complexos e numa linguagem matemtica de difcil
entendimento. As discusses geolgicas geralmente
tratam de questes sobre o que aconteceu no pas-
sado e em que ordem cronolgica. Por exemplo, se
numa determinada bacia ocorreu deposio de sedi-
mentos marinhos e estes se apresentam hoje em dia
erodidos na sua parte superior isso implica que aps
a deposio teria ocorrido uma regresso marinha.
Todavia, para um estudo quantitativo, informaes
numricas so exigidas sobre quo profunda era a
lmina de gua na poca da deposio, por quanto
tempo demorou tal deposio, quando ocorreu a
regresso marinha e com que taxa de soerguimento
regional. Em outras palavras, aps entendida a se-
qncia de fenmenos geolgicos torna-se neces-
srio estabelecer equaes matemticas que os re-
presentem e talvez aqui resida a grande dificuldade.
20
TERR DIDATICA 2(1):19-33, 2006
Nesse sentido, muito importante entender que
a matemtica mais uma linguagem do que pro-
priamente uma cincia. Ela muito mais um m-
todo de comunicao para descrever quantitativa-
mente uma srie de eventos do que um conjunto
de conhecimentos sobre esses eventos.
Seja um lago que est sendo assoreado e, por-
tanto, as lminas mais inferiores so as mais anti-
gas e que a taxa de sedimentao conhecida e
constante. Isto significa que a idade das lminas
proporcional profundidade de soterramento e tal
relao pode ser matematicamente expressa por:
Idade=k.profundidade, sendo k a taxa constan-
te de sedimentao.
Isso tambm pode ser representado por I = k.p
ou mesmo i = k., ou ainda por caracteres hebreus,
pictogramas chineses, hierglifos egpcios. tudo
uma questo de conveno para representar o mes-
mo fenmeno e nesse sentido, por tradio, as le-
tras gregas tm a preferncia dos matemticos.
Um outro exemplo refere-se conhecida for-
mula estatstica usada como medida de tendncia
central:
Ela tanto expressa num texto em portugus,
como em ingls ou alemo, que a mdia de valores
de uma amostra (representada pela letra latina x
com um travesso superposto) igual somatria
dos valores de 1 at n dessa amostra, dividida pelo
nmero n de valores. A formula, em linguagem
matemtica, sempre a mesma.
Em muitas circunstncias, a formulao mate-
mtica no oferece nada mais do que j se sabia a
respeito do fenmeno, mas em muitas outras ve-
zes o manuseio e a combinao de expresses ma-
temticas oferecem novas e mais claras vises so-
bre o processo geolgico, pois so consistentes for-
necendo sempre os mesmos resultados quando usa-
dos os mesmos dados. Podem, tambm, serem veri-
ficadas para, caso estejam corretas, serem utiliza-
das em previses.
Desse modo, espera-se que o processo de atri-
buio de valores, de acordo com certas regras, aos
dados de campo ou laboratrio e o subseqente
tratamento matemtico dessas observaes, traga
uma sensvel melhoria nos seguintes campos de
atividade em Geologia:
a) na amostragem, pelo fornecimento de critrios
segundo os quais as amostras geolgicas
TERR DIDATICA 2(1):19-33, 2006
coletadas sejam representativas das populaes
sob estudo;
b) na anlise de dados, pelo registro sistemtico e
ordenado dos valores obtidos e pela representa-
o grfica que resuma os resultados, e tam-
bm pela identificao de tendncias, agrupa-
mentos e correlaes;
c) na comprovao de hipteses de trabalho, pela
verificao de conceitos ou modelos de pro-
cessos geolgicos;
d) na previso quantitativa, quando da soluo de
problemas especficos que envolvam interpo-
laes e extrapolaes.
Somente desse modo que a Geologia conse-
guir, alm da sua caracterstica fundamental de
cincia que estuda o presente para interpretar o
passado, passar a ser tambm uma cincia que en-
tende o presente para prever o futuro.
Na rea mineral, com destaque para a do pe-
trleo, onde a interpretao geolgica, alem de es-
tar fundamentada em conceitos cientficos, preci-
sa ter enfoque econmico, observa-se, felizmente,
uma marcante tendncia quantitativa que vem pos-
sibilitando avanos importantes no uso de tcni-
cas espaciais. Ver a propsito Houlding (2000).
Em Geologia, onde normalmente os dados so
coletados segundo um plano de amostragem com
coordenadas definidas, torna-se muito importante,
quando de sua anlise, que a configurao geomtri-
ca espacial seja considerada. Com freqncia, resul-
tados devem ser apresentados sob a forma de mapas,
o que exige uma metodologia especfica. Entre tan-
tos outros temas relacionados com a quantificao
em Geologia, este o assunto a ser abordado neste
artigo, que pretende ser de cunho didtico e endere-
ado para servir de consulta inicial queles que de-
sejam entender o significado da Geoestatstica. Na
primeira parte do trabalho feita uma introduo
sobre os aspectos quantitativos na interpretao dos
fenmenos geolgicos, em seguida conceitos bsicos
sobre a metodologia geoestatstica e, finalmente, uma
aplicao clssica da geoestatstica linear, baseada
nos conceitos de estacionaridade da covarincia e
do variograma, para a confeco de mapas.
O que significa Geoestatstica?
Para muitos gelogos geoestatstica significa
simplesmente a aplicao de mtodos estatsticos
em Geologia, o que no corresponde definio do
termo. Na frica do Sul, o engenheiro de minas
Daniel G. Krige e o estatstico H.S. Sichel, desenvol-
21
P.M.B. Landim
1
2
3 4
5
Figura 1 Geometria do bloco a ser estimado a partir
de 5 amostras
veram empiricamente uma tcnica prpria de esti-
mativa para o clculo de reservas minerais, a qual
posteriormente recebeu tratamento formal por G.
Matheron, nos incio dos anos 60 do sculo passado,
na Frana com o nome Geoestatstica, para o estudo
das chamadas variveis regionalizadas, ou seja, variveis
com condicionamento espacial. O trabalho de Krige
foi publicado em 1951 e os primeiros trabalhos de
Matheron foram realizados aps sua viagem fri-
ca do Sul quando conheceu Krige. A primeira pu-
blicao, descrevendo os resultados de Krige foi em
co-autoria com Duval e Levy em 1955. Nos anos
seguintes vieram as obras mais completas de
Matheron, j com o arcabouo completo da Geoes-
tatstica Linear (Matheron 1962, 1963 e 1965). Em
Chils e Delfiner (1999) apresentada uma revi-
so histrica sobre a Geoestatstica com uma sn-
tese sobre o desenvolvimento de suas ferramentas.
A estimativa de reservas sempre se constituiu
parte fundamental do planejamento mineiro. O co-
nhecimento geolgico que se tenha a respeito do
bem mineral a ser explorado, as eficientes instala-
es na boca da mina, os detalhes precisos sobre a
commoditie em questo so variveis importantes,
mas o que vai decidir se o empreendimento ser
lucrativo ou no, dentro de um intervalo de tem-
po considerado, a reserva medida com preciso.
No planejamento mineiro tal estimativa reali-
zada por meio de blocos onde as reservas miner-
veis so amalgamadas para produzir reservas glo-
bais e curvas de teor/tonelagem. O processo todo,
e para cada bloco, baseado na coleta de amostras
pontuais, ou seja, com volumes menores que os
blocos. As amostras, com teores conhecidos, que
iro estimar o teor mdio dos blocos, a duas ou a
trs dimenses. Seja, portanto, um bloco a ser esti-
mado a partir de 5 amostras (Fig. 1).
Supondo que ocorra uma relao espacial en-
tre os teores, ou seja, os valores sero muito
P.M.B. Landim
prximos em dois pontos vizinhos e progressiva-
mente mais diferentes medida que os pontos vo
ficando mais distantes, intuitivo esperar que o teor
da amostra 3 seja similar, porem no necessaria-
mente idntico, ao teor mdio do bloco. Pode-se
esperar que as amostras 1, 4 e 5 tambm apresen-
tem teores similares ao valor mdio do bloco, mas
no tanto como o teor em 3. Finalmente, com rela-
o amostra 2, situada mais distante, seria neces-
srio um conhecimento melhor sobre a disposio
espacial de valores no depsito para decidir se ela
tem, ou no, relao com o valor mdio do bloco.
Em outras palavras, amostras situadas perto do blo-
co devero apresentar teores altamente relaciona-
dos com ele e podero, portanto, serem utilizadas
para estimar o seu valor mdio, e medida que se
situem a distncias maiores o seu relacionamento
diminui at se tornar independente. O peso da in-
fluncia de cada amostra , pois, inversamente cor-
respondente distncia e essa noo pode ser apli-
cada para a estimativa do valor mdio do bloco uti-
lizando para tanto amostras com valores conheci-
dos, mas situadas a distancias julgadas convenien-
tes. Quanto mais prximas estiverem maior ser
o seu peso no processo de estimativa.
Nesta estimativa surgem, evidentemente, algu-
mas questes: At que distncias devem ser con-
sideradas as amostras? Quantas devem ser usadas?
Aquela eventualmente colocada no centro do blo-
co ter um peso maior que as demais? Se amostras
formarem grupos, qual a influncia desses agru-
pamentos? Como evitar que os resultados sejam
sub ou super estimados? A relao espacial, em ter-
mos geomtricos, entre as amostras estimadoras e
o bloco a ser estimado, tem importncia? Essa
tcnica de estimativa pode ser utilizada indistinta-
mente para depsitos do tipo cobre porfirtico,
lateritas niquelferas, veios de cassiterita, depsitos
de urnio e outros?
Para responder a essas questes que surgiu a
geoestatstica, a preocupar-se com o entendimen-
to, por meio de anlise matemtica, da gnese e
leis naturais que governam fenmenos interpreta-
dos como regionais. Isso traz como conseqncia
direta a estimativa das variveis regionais usando
informaes e relaes a partir de um conjunto
discreto de amostras, juntamente com a avaliao
dos erros de estimativa, para estabelecer o grau de
segurana em previses e os padres timos de
amostragem, que assegure que um erro mximo
de estimativa no seja excedido.
Inicialmente a aplicao era apenas para situa-
es em geologia mineira na lavra e prospeco e,
22
TERR DIDATICA 2(1):19-33, 2006
como exemplos, podem ser citados o livro clssico
sobre o assunto de Journel e Huijbregts (1978) e as
obras em portugus de Valente (1982) e Yamamoto
(2001). Posteriormente se estendeu para outros
campos, especialmente nesses ltimos anos, com
aplicao em agricultura de preciso, cartografia,
climatologia, geologia ambiental, geotecnia, hidro-
geologia, pedologia, entre outros. Praticamente
todas as ltimas verses de softwares para Confec-
o de Mapas ou Sistemas de Informaes Geor-
referenciadas apresentam mtodos geoestatsticos.
Atualmente o termo Geoestatstica acha-se consa-
grado como um tpico especial da estatstica aplica-
da que trata de problemas referentes s variveis re-
gionalizadas, as quais tm um comportamento espa-
cial mostrando caractersticas intermedirias entre
as variveis verdadeiramente aleatrias e as total-
mente determinsticas. Nesse sentido pode-se afir-
mar que tal metodologia representa a grande con-
tribuio da Geologia para a Estatstica Aplicada.
As variveis regionalizadas so constitudas por
um duplo aspecto contraditrio. Pela sua caracte-
rstica aleatria apresenta irregularidades e varia-
o imprevisvel de um ponto para outro e pela sua
caracterstica estrutural apresenta relaes exis-
tentes entre os pontos no espao motivadas pela
sua gnese. Em outras palavras: impossvel pre-
ver com exatido o teor do minrio num determi-
nado ponto da jazida (aspecto aleatrio), mas pro-
vvel que se encontre minrio rico perto de min-
rio rico (aspecto estrutural). No estudo do com-
portamento das variveis regionalizadas duas so
as ferramentas fundamentais dos mtodos geoes-
tatsticos: o semivariograma e a krigagem.
O semivariograma
Seja uma varivel regionalizada x(i) coletada
em diversos pontos i regularmente distribudos por
certa regio. O valor de cada ponto est relaciona-
do de algum modo com valores obtidos a partir de
pontos situados a certa distncia, sendo razovel
pensar que a influncia tanto maior quanto me-
nor for a distncia entre os pontos. Para expressar
essa relao definido o vetor de distncia h , o
qual tem uma orientao especfica. O grau de rela-
o entre pontos numa certa direo pode ser ex-
presso pela covarincia e, embora a covarincia exis-
ta entre todas as distncias possveis ao longo de h,
pode ser estipulado que somente sejam considera-
dos valores entre pontos regularmente espaados
por mltiplos inteiros de h.
TERR DIDATICA 2(1):19-33, 2006 P.M.B. Landim

A covarincia entre valores encontrados nessas distncias separadas por h ao longo de h

onde m a mdia da varivel regionalizada x(i).

Isso significa que a covarincia igual mdia dos produtos-cruzados dos valores x(i) encontrados nos
pontos i pelos valores x(i+h) nos pontos i+h, distantes a um intervalo h, subtrados do quadrado da
mdia da varivel regionalizada x(i); e n representa o nmero de pares de valores comparados. Como a cova-
rincia depende do tamanho do vetor h, se h=0, C(h) passar a representar a varincia, representada por C(0).

Desse modo, pode-se calcular uma funo, denominada semivarincia, definida como metade da
varincia das diferenas.

Lembrando que Var[X]=E[X 2 ]-E[X] 2 pode-se representar (h) por:

Como a mdia da varivel regionalizada x(i) tambm a mdia da varivel regionalizada x(i+h), pois
se trata da mesma varivel, apenas tomadas em lugares i e em i+h, tem-se que:

e desenvolvendo o 1o termo:

e isso significa que (h) = C(0) - C(h).

Em outras palavras, o vetor h apresentando- ou amplitude (range). Geralmente a soleira

se infinitamente pequeno faz com que a varincia
seja mnima e a covarincia mxima. Haver um
valor h para o qual ambas podem apresentar va-
lores aproximadamente iguais, porm, medida
que h aumenta a covarincia diminui enquanto a
varincia aumenta, porque ocorre progressivamen-
te maior independncia entre os pontos a distncias
cada vez maiores.
A semivarincia distribui-se assim de zero,
quando h=0, at um valor igual varincia das
observaes para um alto valor de h, se os dados
forem estacionrios, isto , no ocorrer a presena
de tendncia nos valores. Essas relaes so
mostradas quando a funo (h) colocada em
grfico contra h para originar o semivariograma.
A distancia segundo a qual (h) atinge um patamar,
denominado soleira ou patamar (sill), igual
varincia priori dos dados, chamada de alcance
representada por C e o alcance por a. A semiva-
rincia no apenas igual mdia das diferenas
ao quadrado entre pares de pontos espaados as
distncias h, mas tambm igual varincia dessas
diferenas.
O semivariograma mostra a medida do grau
de dependncia espacial entre amostras ao longo
de um suporte especfico e, para sua construo,
so usados simplesmente as diferenas ao quadra-
do dos valores obtidos, assumindo-se uma estacio-
naridade nos incrementos. Isso significa que o se-
mivariograma uma medida da variabilidade geo-
lgica condicionada pela distncia. Tal variabilida-
de pode ser bastante diferente quando considera-
das diferentes direes. Por exemplo, em estratos
sedimentares com inclinao ocorre maior correla-
o de valores na direo das camadas do que no
sentido do mergulho das mesmas.

23
P.M.B. Landim TERR DIDATICA 2(1):19-33, 2006

Para construir um semivariograma necess- 6

rio, portanto, dispor de um conjunto de valores ob- 5

44 40 42 40 39 37 36

tidos a intervalos regulares dentro de um mesmo

42 43 42 39 39 41 40 38
suporte geomtrico. Sendo x(1), x(2), x(i), 4

x(n), valores de uma varivel regionalizada a se- 37 37 37 35 38 37 37 33 34

3
guinte frmula fornece uma estimativa no ten-
35 38 35 37 36 36 35
denciosa da semivarincia: 2

36 35 36 35 34 33 32 29 28
1

38 37 35 30 29 30 32
0
O estudo feito em uma direo ao longo de
uma linha ou ao longo de uma srie de linhas pa- -1
-1 0 1 2 3 4 5 6 7 8 9
ralelas, utilizando n possveis diferenas a interva- Figura 2 Mapa de localizao dos teores de ferro
los h ou mltiplos de h. (Clark 1979)
Em lugar do termo semivariograma muito
comum o uso mais simplificado da expresso va-
Tabela 1 Valores da funo semivariograma calculados
riograma, porm, para o calculo sempre levado
para as direes Leste-Oeste e Norte-Sul
em considerao a diviso por 2n.
Em Clark 1979 apresentada a construo de Direo Distncia Semivariograma N Pares
um semivariograma a partir de uma rede regular, Leste-Oeste 100 1,46 36
com espaamento entre os pontos de 100 ps (Fig. 200 3,30 33
2). Trata-se de um depsito estratiforme de ferro 300 4,31 27
com valores em porcentagem por peso. 400 6,70 23
Para o clculo dos semivariogramas, em diver- Norte-Sul 100 5,35 36
sas direes, so encontradas as somatrias dos qua-
200 9,87 27
drados das diferenas e posterior diviso por duas
300 18,88 21
vezes o nmero dessas diferenas. Assim para a di-
reo Leste-Oeste inicia-se com o menor interva-
lo possvel, ou seja, 100 ps da seguinte maneira: E assim por diante, tanto para esta direo como
*(100) = [(40 - 42) + (42 - 40) + (40 - 39) +
2 2 2 para a Norte-Sul. O resultado apresentado na Ta-
(39 - 37)2 + (37 - 36)2 + (43 - 42)2 + (42 - bela 1.
39)2 + (39 - 39)2 + (39 - 41)2 + (41 - 40)2 + Estes resultados permitem a construo dos
(40 - 38)2 + (37 - 37)2 + (37 - 37)2 + (37 - semivariogramas experimentais (Fig. 3), nas duas
35)2 + (35 - 38)2 + (38 - 37)2 + (37 37)2 + direes consideradas, e o que se pode perceber
(37 - 33)2 + (33 - 34)2 + (35 - 38)2 + (35 - que h uma distinta diferena na estrutura dos da-
37)2 + (37 - 36)2 + (36 - 36)2 + (36 - 35)2 + dos, ou seja, a presena de uma anisotropia. Na di-
(36 - 35)2 + (35 - 36)2 + (36 - 35)2 + (35 - reo Norte-Sul os valores aumentam muito mais
34)2 + (34 - 33)2 + (33 - 32)2 + (32 - 29)2 + rapidamente, sugerindo uma maior continuidade
(29 - 28)2 + (38 - 37)2 + (37 - 35)2 + (29 - na direo Leste-Oeste.
30)2 + (30 - 32)2 ] / [2 x 36] = 1,46 Os semivariogramas expressam o comporta-
mento espacial da varivel regionalizada e mostram:
Para o intervalo de 200 ps: a) o tamanho da zona de influncia em torno de
*(200) = [ (44 - 40) + (40 - 40) + (42 - 39) +
2 2 2 uma amostra, pois toda amostra cuja distncia
(40 - 37)2 + (39 - 36)2 + (42 - 43)2 + (43 - ao ponto a ser estimado for menor ou igual ao
39)2 + (42 - 39)2 + (39 - 41)2 + (39 - 40)2 + alcance, fornece informaes sobre o ponto;
(41 - 38)2 + (37 - 37)2 + (37 - 35)2 + (37 - b) a anisotropia, quando os semivariogramas mos-
38)2 + (35 - 37)2 + (38 - 37)2 + (37 33)2 + tram diferentes comportamentos para diferen-
(37 - 34)2 + (38 - 35)2 + (35 - 36)2 + (37 - tes direes de linhas de amostragem e de estu-
36)2 + (36 - 35)2 + (36 - 36)2 + (35 - 35)2 + do da varivel; neste caso a anisotropia pode
(36 - 34)2 + (35 - 33)2 + (34 - 32)2 + (33 - ser geomtrica quando o alcance varia de
29)2 + (32 - 28)2 + (38 - 35)2 + (35 - 30)2 + acordo com as diversas direes consideradas,
(30 - 29)2 + (29 32 ] / [2 x 33] = 3,30 mantendo constante a soleira e zonal quando

24
TERR DIDATICA 2(1):19-33, 2006
o alcance permanece constante e a soleira varia
conforme for modificada a direo;
c) continuidade, pela forma do semivariograma,
em que para h 0, (h) j apresenta algum va-
lor. Essa situao conhecida como efeito pepi-
ta (nugget effect) e representada por C0. O efei-
to pepita pode ser atribudo a erros de medio
ou ao fato de que os dados no foram coletados
a intervalos suficientemente pequenos para
mostrar o comportamento espacial subjacente
do fenmeno em estudo.
Na construo do semivariograma, as soma-
trias necessrias para o clculo de (h) devem ser
constitudas por um nmero suficiente de pares, que
tornem o resultado consistente. Como regra prtica
adota-se para tanto um mnimo de 30 pares, o que
pode ser conseguido se for escolhido como maior
h, a metade da maior distncia existente entre os
pontos. Isto significa que, para uma anlise geo-
estatstica, exige-se que o nmero mnimo de pon-
tos amostrados seja razovel, por volta de 30 a 40.
Uma outra considerao importante a ser feita
determinar o grau de aleatoriedade presente nos
dados pela frmula E = C0 /C (Guerra 1988):
E<0,15: componente aleatria pequena;
0,15 E 0,30: componente aleatria sig-
nificante;
E > 0,30: componente aleatria muito signi-
ficativa.
O extremo dessa situao o modelo de pepita
pura, onde no ocorre covarincia entre os valores
e, portanto, a anlise semivariogrfica no se apli-
ca, sendo sugerido o uso de outros mtodos de
interpolao.
De posse do semivariograma experimental
necessrio ajust-lo a um modelo terico, ou seja,
30
N-S
25
20
15
10
E-W
5
0
0 100 200 300 400
Distncia entre pontos
Figura 3 Semivariogramas experimentais calculados
para as direes Leste-Oeste e Norte-Sul
P.M.B. Landim
a uma funo que definir os parmetros do
semivariograma, efeito pepita, alcance e pa-
tamar. Entre os modelos disponveis estes so os
mais utilizados:
a) Modelos com patamar
a.1) Modelo esfrico
para h < a
, para h a,
neste modelo a inclinao da tangente junto
origem (h0) 3C/2a; o modelo mais
comum, podendo-se afirmar que equivale
funo de distribuio normal da estats-
tica clssica.
a.2) Modelo exponencial
neste modelo a inclinao da tangente junto
origem C/a; C a assntota de uma cur-
va exponencial e pode ser equalizada junto
soleira; a corresponde ao alcance prti-
co igual distncia segundo a qual 95% da
soleira foi alcanada.
a.3) Modelo gaussiano
a curva parablica junto origem e a tan-
gente nesse ponto horizontal, o que indi-
ca pequena variabilidade para curtas distn-
cias; a corresponde ao alcance prtico
igual distncia segundo a qual 95% da
soleira foi alcanada.
b) Modelos sem patamar
b.1) Modelo potencial
(h)=Ch , com a potncia assumindo
valores entre zero e prximo a 2;
quando = 1 o modelo torna-se linear;
(h)= ph, sendo p a inclinao da reta;
o modelo mais simples e representado por
uma reta passando pela origem do grfico.
500
Para dados que esto irregularmente distribudos
no espao bidimensional no possvel, em princ-
pio, encontrar pares de amostras suficientes com exa-
tamente o mesmo espaamento h para o clculo
25
P.M.B. Landim TERR DIDATICA 2(1):19-33, 2006

em uma determinada direo, como feito com da-

dos dispostos em malha regular. Para contornar essa ngulo de
situao define-se uma distncia de tolerncia h tolerncia

para o espaamento h entre os pares de amostras Intervalo de

o
tolerncia Dire
de um ngulo de tolerncia para a direco Y
considerada. Assim, para o clculo do semivario-
grama de uma distribuio irregular de pontos ao
longo de uma determinada direo , consideram- X

se todas as amostras que se encontram no ngulo Z(X0)

ia b
sic
a
nc
, e, em seguida, classificam-se os pares de Dist

amostras em classes de distancia h h, 2h

h, onde h a distncia bsica (Fig. 4). As dire-
es consideradas e seus respectivos ngulos de
tolerncia devem cobrir a rea toda.
Para a estimativa do semivariograma experimen-
tal, no se tendo certeza se o fenmeno sob estudo
isotrpico ou anisotrpico no espao bidimen-
sional, inicialmente consideram-se quatro direes,
E-W, N-S, NE-SW e NW-SE, com um ngulo de
abertura com tolerncia de 45. Quando se constata
uma direo bem marcante de anisotropia deve-se
adotar tal direo com um pequeno ngulo de tole-
rncia (0 0) para estimar o semivariograma
nessa direo. Melhores estimativas so obtidas
quando os modelos so baseados em semivariogra-
mas experimentais que apresentam a menor razo
efeito pepita/patamar e, tambm, o maior alcance.
Em resumo, para a utilizao do semivariogra-
ma as seguintes suposies bsicas so requeridas:
a) as diferenas entre pares de valores de amos-
tras so determinadas apenas pela orientao es-
pacial relativa dessas amostras;
b) o interesse enfocado apenas na mdia e na
varincia das diferenas, significando que es-
ses dois parmetros dependem unicamente da
orientao;
c) por convenincia assume-se que os valores da
rea de interesse no apresentam tendncia que
Figura 4 Esquema para localizao de pontos em
distribuies irregulares para clculo de
variogramas experimentais
possa afetar os resultados e, assim, a preocupa-
o apenas com a varincia das diferenas
entre valores das amostras.
A modelagem, ou seja, o ajuste de um variogra-
ma experimental a uma funo um passo funda-
mental na anlise variogrfica, sendo um processo
que envolve vrias tentativas e na qual a experincia
pesa muito. Pode-se optar por um ajuste manual
por comparao visual, mais sujeito a erros, ou, com
o auxlio de algoritmos, para ajustes automticos
como apresentado, entre outros, em Pannatier
(1996). Acrescentar, em seguida, a essa verificao
a validao cruzada. Nessa anlise, depois de
obtido o modelo variogrfico, cada valor original
removido do domnio espacial e, usando-se os
demais, um novo valor estimado para esse pon-
to. Desse modo, um grfico pode ser construdo
mostrando a relao entre valores reais e estima-
dos. A validao cruzada, porem, no prova que o
modelo escolhido o mais correto, mas sim que o
mesmo no inteiramente incorreto. A melhor
verificao, ento, aquela resultante do confronto
entre os valores estimados e a realidade de campo.

5770
648

4327
579
Semivarincia

Valores reais

2885 510

1442 442

373
0
0 4 7 10 14 373 442 510 579 648

Distncia h Valores estimados

Figura 5 Ajuste ao modelo esfrico (0,548) e diagrama de disperso da validao cruzada

26
TERR DIDATICA 2(1):19-33, 2006
Uma comparao entre os ajustes a um mode-
lo esfrico e a um modelo linear apresentada a
seguir e o ajuste indicado, no grfico, pela rela-
o entre a reta a 45 e a obtida pela anlise (Figs. 5
e 6). Um valor igual a 1,0 significa a indicao de
ajuste perfeito.
Num estudo geoestatstico, a parte fundamen-
tal refere-se determinao do semivariograma.
Isso importante e todo o cuidado deve ser toma-
do na anlise variografica para que possa obter uma
criteriosa anlise geoestatstica.
Krigagem
Krigagem um processo de estimativa de valo-
res de variveis distribudas no espao, e/ou no tem-
po, a partir de valores adjacentes enquanto consi-
derados como interdependentes pelo semivario-
grama. Trata-se, em ltimo caso, de um mtodo
de estimativa por mdias mveis. O termo, tradu-
o do francs krigeage, e do ingls kriging, foi
cunhado pela escola francesa de geoestatstica em
homenagem ao engenheiro de minas sul-africano
e pioneiro na aplicao de tcnicas estatsticas em
avaliao mineira, Daniel G. Krige.
A krigagem pode ser usada, como algoritmo
estimador, para:
a) previso do valor pontual de uma varivel regio-
nalizada em um determinado local dentro do
campo geomtrico; um procedimento de inter-
polao exato que leva em considerao todos
os valores observados, o qual pode ser a base para
cartografia automtica por computador quando
se dispe de valores de uma varivel regiona-
lizada dispostos por uma determinada rea;
b) clculo mdio de uma varivel regionalizada
para um volume maior que o suporte geom-
trico como, por exemplo, no clculo do teor
6093
4570
Semivarincia
3047
1523
0
0 4 7 10
Distncia h
Figura 6 Ajuste ao modelo linear (0,004) e diagrama de disperso da validao cruzada
27
P.M.B. Landim
mdio de uma jazida a partir de informaes
obtidas de testemunhas de sondagens;
Em todas essas situaes o mtodo fornece, alm
dos valores estimados, o erro associado a tal esti-
mativa, o que o distingue dos demais algoritmos
disposio. A krigagem usa informaes a partir do
semivariograma para encontrar os pesos timos a
serem associados s amostras que iro estimar um
ponto, um rea ou um bloco. Como o semivariogra-
ma uma funo da distncia entre locais de amos-
tragens, mantendo o mesmo nmero de amostras,
os pesos so diferentes de acordo com o seu arranjo
geogrfico. O uso do semivariograma para a estima-
tiva por krigagem no exige que os dados tenham
distribuio normal, mas a presena de distribuio
assimtrica, com muitos valores anmalos, deve ser
considerada, pois a krigagem um estimador linear.
Krigagem ordinria
A metodologia geoestatstica apresenta diver-
sas tcnicas de estimativas disponveis e a mais usual
a krigagem ordinria
Seja um ponto que se deseja estimar, sendo o
valor real desconhecido representado por V. O va-
lor estimado (V*) calculado, utilizando n amos-
tras localizadas segundo coordenadas conhecidas,
com valores x1, x2, x3xn (conjunto S), de forma
linear, como por exemplo, atravs da tcnica da
ponderao pelo inverso das distncias.
V* = p1 x1 + p2x2 + p3x3 + + pnxn, onde
os pi so os pesos atributos a cada amostra i.
evidente que existe associado a esse estimador
um erro =V-V* e que se, teoricamente, diversas
estimativas forem feitas a mdia de erros zero. Se
os erros, portanto, apresentarem valores prximos
a zero, o estimador de confiana e isso pode ser
5870
4071
Valores reais
2271
471
-1328
14 -1328 471 2271 4071 5870
Valores estimados
P.M.B. Landim
verificado pela distribuio desses valores. A ma-
neira mais simples de medir estatisticamente tal dis-
tribuio via o desvio padro ou a varincia. No
caso em questo, porm, a varincia no pode ser
obtida porque no se conhece o valor real que se
esta estimando e, portanto, tambm no se sabe qual
o erro associado.
Varincia dos erros = = desvios ao qua-
drado em relao ao erro mdio = mdia
de (V-V*)2.
Para encontro da varincia pode-se, porm, uti-
lizar o semivariograma, em que so medidas as dife-
renas ao quadrado. Num semivariograma, previa-
mente calculado, dada uma distncia h entre os
pontos, pode-se estimar a varincia simplesmente
lendo o valor no eixo dos s e multiplicando-o por 2
Desse modo, para o processo de estimativa de
um ponto utilizando o mtodo da krigagem, pro-
cede-se da seguinte maneira:
Se a soma dos pesos for igual a 1 e no ocorrer
tendncia local dos valores, esse estimador o
melhor e no tendencioso, pois a partir dos pesos
atribudos a cada amostra, minimiza a estimativa
da varincia.
, serem calculados.
Isso obtido construindo-se um sistema de n
equaes com n incgnitas (1, 2, 3, n) e ha-
vendo a restrio de que i=1, passa-se a n+1
equaes. Como se tem apenas n incgnitas des-
conhecidas, introduz-se uma outra, tambm des-
conhecida, para balancear o sistema, ou seja, o cha-
mado multiplicador de Lagrange, .
, se
O objetivo da krigagem procurar pelo conjun-
to timo de ponderadores de modo que a varincia
do erro de estimativa seja a menor possvel. Para tan-
to, organizado um sistema de equaes com n+1
incgnitas, para a estimativa de um ponto (So):
1 (S1,S1) + 2 (S1,S2)+ 3 (S1,S3)++ =(S1,S0)
1 (S2,S1) + 2 (S2,S2)+ 3 (S2,S3)++ =(S2,S0)
1 (Sn,S1)+ 2 (Sn,S2)+ 3 (Sn,S3)++ =(Sn,S0)
1 + 2 + 3 ++ 0 = 1
TERR DIDATICA 2(1):19-33, 2006
Estas equaes constituem equaes normais
a n+1 incgnitas, as quais podem ser resolvidas,
para a obteno dos coeficientes, por clculo
matricial, segundo:
[X][A]=[Y]
Multiplicando ambos os termos da equao
pelo inverso de [X], isto , [X]-1:
[X]-1. [X] . [A] = [X]-1 [Y];
como [X]-1.[X]=[I] (matriz de identida-
de) e [I].[A]=[A],
[A].[X] -1 = [Y] .
Em notao matricial:
A matriz [Si,Si] contm os valores obtidos no
semivariograma referentes s distncias entre as
amostras estimadoras; o vetor [Si,S0] contm os
valores obtidos no semivariograma referentes s
distncias entre cada amostra e o ponto (So) a ser
estimado e o vetor [i] contm os ponderadores a
Resolvido o sistema de equaes, obtm-se os
pesos i e o multiplicador de Lagrange, , segundo:
[i] = [Si,Si]-1 [Si,So]
Para o ponto S0 a ser estimado, obtm-se uma
combinao linear dos valores dos pontos vizinhos
e respectivos pesos
S0 = iSi
Para o clculo da varincia () associada ao
valor S0 obtido por estimativa usa-se a expresso:
,
sendo [i] = vetor transposto com os pesos
i e [Si,So] = vetor com os valores obtidos
no semivariograma referentes s distncias
entre cada amostra e o ponto (So) a ser
estimado.
28
TERR DIDATICA 2(1):19-33, 2006 P.M.B. Landim

Interpolao de pontos para

100 100

90

a confeco de mapas de 80 80

contornos 70

60 60

Existe disposio diversos 50

algoritmos para a estimativa de 40 40

pontos que so utilizados na in- 30

terpolao para a confeco de 20 20

mapas, como o inverso ao qua- 10

drado da distncia, curvatura 0 0

0 20 40 60 80 100 0 10 20 30 40 50 60 70 80 90 100

mnima, vizinho mais prximo,

regresso polinomial, entre ou- 100 100

tros, alm da krigagem. A dife- 90 90

rena entre os diversos mtodos 80 80

est em como, a partir de valores 70 70

conhecidos, podem ser estima- 60 60

dos os ns da rede regular. Alm 50 50

disso, a krigagem se destaca por 40 40

levar em considerao a variabi- 30 30

lidade espacial dos dados. 20 20

Normalmente nesse tipo de 10 10

estudo parte-se de uma srie de 0 0

pontos irregularmente distribu- 0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100

dos com valores conhecidos e a Figura 7 Pontos de dados amostrais (superior esquerdo); malha regular
superposta (superior direito); estimativa do bloco no ponto de
partir deles procura-se por cons- coordenadas em vermelho (inferior esquerdo) e estimativa dos
truir uma rede regular de pon- pontos da malha regular (inferior direito)
tos interpolados (Fig. 7).
Seja uma situao hipotti-
ca (Fig. 8) em que 5 pontos foram amostrados para 2380
3
teores de U3O8 e se pretende a partir deles estimar 2370

o valor no ponto A (Clark 1979). 2360

Aplicando, inicialmente, o mtodo do in- 2350

5 A 2
verso da distncia, onde os pesos so corrigidos para 2340
1
obter uma soma igual a um, obtido o resultado 2330

apresentado na Tabela 2. 2320

Aplicando-se a equao da mdia ponderada, 4

2310

tem-se:
A = (0,319*400) + (0,137*380) + (0,217*450)
+ (0,229*280) + (0,098*320) = 372,8 ppm
2300
4070 4080 4090 4100 4110 4120 4130 4140 4150 4160 4170 4180 4190 4200 4210
Figura 8 Configurao de pontos de amostragem
para estimativa no ponto A

Neste caso, para estimar um valor desconhecido

a partir de valores conhecidos importa apenas as dis- Tabela 2 Pesos calculados pelo inverso da distncia
tncias euclidianas para a atribuio dos pesos e isso para estimativa do ponto A
vlido para todos os outros algoritmos, com exce- Pontos X Y U33O88 Distncias 1/D Pesos
o da krigagem. Na krigagem h necessidade de
A 4150 2340 ? 00.00
encontrar, preliminarmente, a variabilidade espacial
dos dados o que conseguido por uma anlise vario- 1 4170 2332 400 21,54 0,0464 0,319
grfica. Em outras palavras, antes da aplicao da 2 4200 2340 380 50,00 0,0200 0,137
krigagem preciso calcular um semivariograma ex- 3 4160 2370 450 31,62 0,0316 0,217
perimental e em seguida model-lo. Tendo isso sido 4 4150 2310 280 30,00 0,0333 0,229
feito encontrou-se um modelo esfrico, com os
5 4080 2340 320 70,00 0,0143 0,098
seguintes parmetros: amplitude de influncia (a),

29
P.M.B. Landim TERR DIDATICA 2(1):19-33, 2006

Modelo esfrico
100 ps; valor da soleira (C), 700 ppm e um efeito 1000.

pepita(C0) da ordem de 100 ppm (Fig. 9).

Na krigagem para a estimativa de A so neces- 800.

srios no apenas os valores das distncias de cada

um dos 5 pontos em relao a A, mas tambm as 600.

distncias entre os pontos. No so as distncias

euclidianas, porm, que so utilizadas, mas sim os 400.

valores resultantes da anlise espacial pelo vario-

grama modelado. Isso pode ser obtido graficamente 200.

colocando os valores no semivariograma ou analiti-

camente utilizando a frmula de um modelo, no 0.
0. 40. 80. 120. 160. 200.
caso, esfrico. A Figura 10 mostra as relaes entre Distncia h
amostras (em preto) e entre as amostras e o ponto Figura 9 Modelo de variograma para os
a ser estimado (em vermelho). dados da Figura 8
Assim a distncia euclidiana entre o ponto 1, o
mais prximo, e A de 21,54 ps, a qual cor-
2380
responde, pelo variograma modelado, ao valor 3
2370
322,7 (Fig. 11).
2360
Esse valor tambm pode ser encontrado segundo:
2350
5 A 2
2340
1
2330

2320
(modelo esfrico)
4
2310

2300
4070 4080 4090 4100 4110 4120 4130 4140 4150 4160 4170 4180 4190 4200 4210

Figura 10 Inter-relaes entre amostras e ponto a ser

De modo idntico so encontrados todos os estimado para clculo das equaes de krigagem
demais valores (Tab. 3):
3
Tabela 3 Distncias e valores das funes
semivariograma para estimativa do
ponto A na Figura 8
5 A 2
Pontos Distncias 1
21,
p1-A 21,54 322,67 54

p2-A 50 581,25 4
p3-A 31,62 420,94
p4-A 30 405,55
p5-A 70 714,95 Co+C 800

p1-p2 31,05 415,53

p1-p3 39,29 491,35 322.7
p1-p4 29,73 402,99 100 (Co)
p1-p5 90,35 790,55 21.54 100
p2-p3 50,00 581,25 Figura 11 Esquema mostrando a transformao da
p2-p4 58,31 642,86 distncia euclidiana (21,54 ps) em valor da
funo semivariograma (322,7 ppm)
p2-p5 120,00 800
p3-p4 60,83 659,92
p3-p5 85,44 778,82 De posse desses valores, pode-se organizar o
sistema de equaes normais para o clculo dos
p4-p5 76,16 745,06
pesos i e do multiplicador de LaGrange :

30
TERR DIDATICA 2(1):19-33, 2006 P.M.B. Landim

Para o clculo do teor em A:

A = (0,3760*400) + (-0,0347*380) + (0,3017*450) + (0,2668*280) + (0,0901*320) = 376,55 ppm
Este resultado bastante prximo ao obtido pelo mtodo do inverso da distncia, mas ambos os
valores esto a indicar simplesmente aproximaes com relao ao verdadeiro valor de A, havendo neces-
sidade do estabelecimento de um intervalo de confiana.
A varincia associada estimativa pela krigagem :
S2k = 0,3760(322,7) - 0,0347(581,3)+0,3017(420,9)+0,2668(405,5)+0,0901(714,9)+10,0816 = 410,8867
Sk = 20,27034

Usando este desvio padro para estabelecer um

intervalo de confiana e supondo que a distribui-
o dos valores da estimativa apresente distribui-
o normal em torno do valor real e que, portanto,
95% dessa distribuio esto no intervalo de mais
ou menos 1,96 desvios padro, tem-se que o inter- 2,5% 2,5%
valo de confiana da ordem de 19,77 * 1,96=
39,73 (Fig. 12).
O verdadeiro valor do ponto A deve estar, por-
tanto entre 336,82 e 416,28 ppm. Esse resultado
para o intervalo de confiana j era esperado tendo X

em vista que no modelo variogrfico, no qual a kri- Figura 12 Intervalo de confiana em torno do valor
gagem foi baseada, o valor para o efeito pepita de estimado por krigagem ordinria

31
P.M.B. Landim TERR DIDATICA 2(1):19-33, 2006

16.500
100 ps. Pela equao do semivariogra- 310.

ma de se esperar que o valor de 0 seja

15.000

13.500
zero, mas quando isso no ocorre ind-
260. 12.000
cio de descontinuidade para distncias
10.500
menores do que a menor distncia entre
9.000
os pontos e que parte dessa desconti- 210.
7.500
nuidade pode ser devida a erros de me-
6.000
dio ou a variabilidade numa escala me- 4.500
nor do que aquela amostrada. Quanto 160.
3.000
menor a proporo do efeito pepita para 1.500
o patamar, menor a varincia da estima- 110. .0
tiva e, portanto, maior a confiana que 250. 300. 350. 400. 450. 500.

se pode ter na estimativa. Figura 13 Mapa de localizao de pontos de amostragem

Esta medida do erro associado
estimativa que distingue o mtodo da (|h|)
krigagem em relao aos demais algo-
ritmos e, desse modo, quando da sua apli- 16

cao sempre resultam dois mapas: um 14

com a distribuio dos valores inter- 12

polados e outro com a varincias, ou o 10

desvios padro, referentes aos valores es- 8

timados. Nestes a localizao dos meno- 6
res valores coincide com as reas com
4
maior densidade de pontos.
2
Um exemplo apresentado a seguir
0
para uma distribuio de 60 pontos 0 20 40 60 80 100 120 140 160
(Fig. 13). |h|
A anlise variogrfica indicou que o Figura 14 Modelo de variograma ajustado ao variograma
experimental para os dados do exemplo da Figura 13
melhor modelo ajustado seria o expo-
nencial com C= 11,84; a = 129,58 e C0
= 4,8 (Fig. 14). Baseado nesse modelo, a krigagem ra minimizar a varincia estimada a partir de um
ordinria forneceu o mapa com valores estimados modelo prvio que leva em conta a dependncia
(Fig. 15) e o respectivo mapa com os valores de estocstica entre os dados distribudos no espao.
desvios-padro da krigagem (Fig. 16). Com a krigagem calculada a melhor estimativa
A krigagem, entendida como um estimador que possvel para locais no amostrados, pela minimi-
se baseia em tcnicas de anlise de regresso, procu- zao da varincia do erro.

Figura 15 Mapa estimado pelo mtodo da krigagem Figura 16 Mapa de desvios-padro da krigagem
ordinria para os dados do exemplo da Figura 13 associados aos valores estimados da Figura 15

32
TERR DIDATICA 2(1):19-33, 2006
Consideraes finais
Neste texto foi dado nfase a uma das pos-
sveis aplicaes da Geoestatstica, ou seja, na ela-
borao de mapas de contornos, os quais mostram
linhas que representam medidas interpoladas com
iguais valores. Valores regionalizados esses que
mudam de local para local e apresentam uma varia-
bilidade espacial. Quando de um levantamento to-
pogrfico, o cartgrafo tem condies de ver o ter-
reno e decidir coletar mais pontos nas regies mais
acidentadas, ou seja, com maior variabilidade, e
menos nas regies planas, com menor variabili-
dade, com a inteno de melhor representar no
mapa, em duas dimenses, a realidade em trs di-
menses. possvel que, nesta circunstncia, a
krigagem nem seja de grande valia. Ela se torna,
porem, importante para o mapeamento de super-
fcies outras, que procuram modelar a distribuio
de variveis geoqumicas, geofsicas, hidrogeo-
lgicas, geotcnicas, etc.
Mesmo sendo a krigagem o melhor estimador
linear no tendencioso, o mtodo apresenta, po-
rm, limitaes.
Isso porque o semivariograma mostra a medi-
da do grau de dependncia espacial entre valores e
uma medida da variabilidade em relao dis-
tncia. A krigagem usa essas informaes para en-
contrar os pesos timos a serem associados s amos-
tras que iro estimar um ponto e a varincia da
krigagem independente dos valores dos pontos
usados para obter os estimadores Zi* e mede so-
mente a configurao espacial dos dados.
Alm disso, no h garantia que o mapa obtido
pela krigagem tenha o mesmo histograma, a mes-
ma varincia e o mesmo semivariograma dos da-
dos originais, pois trata-se, pela prpria natureza
do mtodo, de um mapa com valores suavizados,
sendo a suavizao inversamente proporcional
densidade dos pontos amostrados.
A Geoestatstica, porm, no apenas krigagem,
como aqui apresentado. Existem tambm dispo-
sio as ferramentas da simulao, que permitem
infinitas realizaes de mapas, cada qual com apro-
ximadamente o mesmo semivariograma e a mes-
ma varincia que os dados originais. Teoricamente
a mdia de um grande nmero de mapas simula-
dos deve fornecer resultados mais reais e, conse-
qentemente, mais confiveis para predies.
Numa frase final: a simulao tenta atingir realis-
mo e a estimativa por krigagem, acurcia.
33
P.M.B. Landim
Agradecimentos
Aos dois relatores que com suas crticas constru-
tivas melhoraram, e muito, a qualidade deste texto.
Referncias
Chils J.P.; Delfiner P. 1999. Geostatistics : modeling
spatial uncertainty. New York: John Wiley and
Sons. 695p.
Clark I. 1979. Practical Geostatistics. London: Applied
Science Publishers Ltd. 129p.
<http://uk.geocities.com/drisobelclark/
practica.html>. ltimo acesso: 24/12/2006.
Duval R.; LEvy R.; Matheron G. 1955. Travaux de
D. G. Krige sur lvaluation des gisements dans
les mines dor Sud-africaines. Annales des Mines,
Paris, 12:3-49.
Krige D.G. 1951. A statistical approach to some basic
mine valuation problems on the Witwatersrand.
Journal of the Chemical, Metallurgical and Mining
Society of South Africa, Dec. 1951:119-139.
Guerra P.A.G. 1988. Geoestatstica operacional. Rio de
Janeiro: Departamento Nacional da Produo
Mineral.
Houlding S.W. 2000. Practical Geostatistics : modeling
and spatial analysis. Berlin: Springer Verlag.
159p.+CD.
Journel A.G., Huijbregts C.J. 1978. Mining Geo-
statistics. London: Academic Press. 600p.
Matheron G. 1962. Trait de Gostatistique Applique,
Tome I : Mmoires du Bureau de Recherches
Gologiques et Minires. Pairs: Editions Technip,
vol. 14.
Matheron G. 1963. Trait de Gostatistique Applique,
Tome II : Mmoires du Bureau de Recherches
Gologiques et Minires. Paris: Editions Technip,
vol. 24.
Matheron G. 1965. Les variables rgionalises et leur
estimation: une application de la thorie des
fonctions alatoires aux sciences de la nature.
Paris: Masson et Cie.
Pannatier Y. 1996. Variowin. Software for Spatial Data
Analysis in 2D. New York: Springer-Verlag. 91p
+ Disquete 3,5.
<http://www-sst.unil.ch/research/variowin/
index.html>. ltimo acesso: 24/12/2006.
Valente J.M.G.P. 1982. Geomatemtica. Lies de
Geoestatstica: Ed. Fundao Gorceix, vol. I-VIII.
Yamamoto J.K. (ed.) 2001. Avaliao e classificao de
reservas minerais. So Paulo: Edusp.
Submetido em 23 de fevereiro de 2006.
Aceito em 18 de julho de 2006.