Geoestatística para geoprocessamento

realidade
Palavras-chave

• variáveis regionalizadas

• semivariograma empírico
análise estrutural
• efeito pepita, alcance e patamar

• análise estrutural

• isotropia e anisotropia

cenário • validação cruzada

• krigeagem

1
 OBJETIVO DO CURSO

Apresentar as principais noções básicas de geoestatística

para o tratamento de dados geográficos, com exemplos

práticos no sistema Sistema de Processamento de

Informações Georeferenciadas - SPRING.

2
 TÓPICOS
1) Introdução / Motivação

2) Principais conceitos teóricos

3) A função variograma

4) Modelos teóricos de variograma

5) Isotropia e anisotropia

6) Validação cruzada

7) Krigeagem linear

8) Integração: SPRING e geoestatística

3
Parte 1 Introdução / Motivação

Origem da geoestatística

• Os métodos geoestatísticos, ou simplesmente geoestatística, foram desenvolvidos

graças aos estudos do engenheiro de minas Georges Matheron na França no final
da década de 50 e início dos anos 60.

• Estes métodos estão fundamentados na Teoria das Variáveis Regionalizadas,

que foi formalizada por Matheron, a partir de estudos práticos desenvolvidos por
Daniel G. Krige, no cálculo de reservas nas minas de ouro na África do Sul.

• Atualmente a geoestatística é aplicada em vários campos, desde as ciências da

Terra e atmosfera, na agricultura, nas ciências dos solos e hidrologia, estudos
ambientais e mais recentemente na epidemiologia.

4
Parte 1 Introdução / Motivação
O que é geoestatística?

É uma abordagem probabilística de modelagem, que engloba um conjunto de

métodos estatísticos para a análise e mapeamento de dados distribuídos no
espaço e/ou no tempo.

Envolve três etapas:

1) Análise: objetiva descrever a variabilidade espacial do fenômeno em estudo,

denominada de análise estrutural ou modelagem do semivariograma.

2) Inferência: objetiva estimar valores de uma variável distribuída no espaço em

locais não amostrados, denominada de krigeagem.

3) Simulação: objetiva construir um conjunto de realizações equiprováveis ou

igualmente representativa do fenômeno em estudo.

5
Parte 1 Introdução / Motivação
Etapas da modelagem geoestatística
Superfície estimada
do fenômeno
investigado
Região de estudo interpolação
krigeagem

Superfície da variância
da estimativa
análise
estrutural

Realizações equiprováveis
simulação
condicionada

análise
exploratória

• Construção de cenários
• Mapas de incerteza 6
Parte 1 Introdução / Motivação
Porque usar geoestatística?

Procedimentos determinísticos

Área de Estudo
geoestatística

inverso da distância
Fazenda
Fazenda Canchim
Canchim vizinho + próximo
São
São Carlos
Carlos -- SP
SP

Amostras de campo

média Simples
0 25 50 75 100

% teor de argila

7
Parte 2 Principais conceitos teóricos

A partir da introdução da geoestatística, surge nas ciências da Terra um novo tipo

de variáveis denominadas variáveis regionalizadas (V.R.)

variável regionalizada : é uma variável distribuída no espaço, usada para

representar um fenômeno em estudo. Exs:

 o teor de argila contido no solo;

 variações de altimetria, temperatura, pressão;
 índice de desenvolvimento humano (IDH), taxas de doenças, etc.

Os fenômenos espaciais, ou as V.R., portam consigo um duplo aspecto:

 estruturado
 aleatório
8
Parte 2 Principais conceitos teóricos
o aspecto estruturado: está relacionado com a distribuição global do fenômeno.
Ex: numa área poluída, existem zonas as quais têm, em média, uma maior
quantidade de metal pesado que em outras.

+
+
Zona
Zona B
B

Escala de

poluição

Zona
Zona A
-
o aspecto aleatório: está relacionado com comportamento local do fenômeno.
Ex: dentro de uma zona de área poluída o conteúdo de metal pesado apresenta
flutuar aleatoriamente. Em outras palavras, é impossível prever com exatidão
o teor de metal pesado numa determinada localização.
9
Parte 2 Principais conceitos teóricos
A variação espacial de uma variável regionalizada pode ser expressa pela soma
de três componentes Burrough (1987):

Z(u) = m(u) + (u) + 

em que:

u: é um vetor de coordenadas geográficas;

m(u): expressa a tendência do fenômeno. Pode estar associado a um valor médio

constante (quando não há tendência) ou então ser uma função determinística;

(u): é um termo estocástico, que varia localmente e depende espacialmente de

m(u);

 : é um ruído aleatório não correlacionado, com distribuição normal com média

zero e variância σ2.

10
Parte 2 Principais conceitos teóricos

Zona B
S/ Tendência

m(u) m(u) é constante Zona

Zona A
A

”(u)

’
Zona
Zona B
C/ Tendência

m(u) é função determ. Zona A

Fonte: Modificada de Burrough (1987).

11
Parte 2 Principais conceitos teóricos
O duplo aspecto, aleatório e estruturado, das V.R. pode ser interpretado com apoio
na teoria das Funções Aleatórias (F.A.), da seguinte forma:

O aspecto aleatório:

Localmente, um valor z(u), u  A, é interpretado como uma das possíveis realizações

da Variável Aleatória (V.A.) Z(u).
FDA
A 1

V.A. Z(u) p

z(u)
0
z Z(u)
Função de Distribuição Acumulada (FDA)
univariada

F(u, z) = Prob[Z(u) ≤ z]

F(u, z) | (n) = Prob[Z(u) ≤ z | (n)] 12

Parte 2 Principais conceitos teóricos
O conjunto de V.A., {Z(u), u  A}, é uma Função Aleatória (F.A.) Z(u).

O aspecto estruturado:
Cada par de ponto em u e u + h, correspondentes às V.As. Z(u) e Z(u + h), não são
independentes, mas estão relacionados por uma correlação expressando a estrutura
espacial do fenômeno.
Na geoestatística um caso de particular
A
interesse de F.A. é a FDA bivariada de
z2(u+h) duas variáveis aleatórias.
h
F(u, u+h; z11, z22) = Prob[Z(u) ≤ z11, Z(u+h) ≤ z22]
z1(u)

Momento da FDA bivariada: Covariância

C[Z(u),Z(u+h)] = E[Z(u).Z(u+h)] – E[Z(u)].E[Z(u+h)]
h é um vetor distância entre dois pontos.
13
Parte 2 Principais conceitos teóricos
Neste ponto tem-se uma única amostragem fenômeno de interesse.
Em outras palavras, tudo o que se sabe da F.A. Z(u) é uma única realização.

z(u)
{z(u), u  A}

QUESTÃO: como deduzir a lei de probabilidade da F.A. Z(u) a partir de

uma única realização da mesma?

14
Parte 2 Principais conceitos teóricos

O paradigma que se estabelece, para inferir as FDA e interpolar valores em

localizações não amostradas, é o de assumir a hipótese de estacionariedade.

• a estacionariedade é uma propriedade do modelo probabilístico, uma hipótese

necessária para realização de inferências;

• não é uma característica do fenômeno espacial em estudo;

• é uma decisão feita pelo analista, afim de verificar a adequação do modelo

à realidade a ser investigada.

15
Parte 2 Principais conceitos teóricos
Hipótese de estacionariedade estrita

Uma F.A. é dita ser estacionária no campo A se sua FDA multivariada é invariante
a qualquer translação l nas k coordenadas do vetor u (Goovaerts, 1997).

F(u1, ..., uK ; z1, ..., zK) = F(u1+l, ..., uK+l ; z1, ..., zK)

A l A
l
l
l
l
z(u) l z(u)
l
l

l l
l

A invariância desta distribuição conduz a invariância de todos os seus momentos

16
Parte 2 Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem

Considera somente o primeiro e o segundo momentos invariantes da F.A.

1) E[Z(u)] = m,  u  A

E[Z(u)] = E[Z(u+h)] = m ou E[Z(u)] - E[Z(u+h)] = E[Z(u) - Z(u+h)] = 0

z(u)
h
z(u+h)

17
Parte 2 Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem

2) a covariância entre os pares Z(u) e Z(u  h), separados por um vetor distância h,

é estacionária.

A
h

h
h
z(u)
h
h
h
h h

h z(u+h)

C[Z(u), Z(u  h)] = E[(Z(u).(Z(u  h)]  E[Z(u)].E[Z(u  h)]  u A

18
Parte 2 Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem

3) A estacionariedade da covariância implica na estacionariedade da variância:

Var[Z(u)] = E[Z(u)  m]2 = E[Z2(u)]  2.E[Z(u)].m  m2 =

= E[Z(u).Z(u 0)]  2m2  m2 =
= E[Z(u).Z(u 0)]  m2 = C(0), uA

Covariância

 A
22 
 22
22


22
 z(u)
22

22

22 
22

22
19
Parte 2 Principais conceitos teóricos
Hipótese de estacionariedade intrínseca

estabelece que os incrementos [Z(u)  Z(u h)] tem esperança zero e variância
somente em função de h, assim:

1) E[Z(u) Z(u h)]=0 ,  u  A.

2) Var[Z(u)  Z(u h)] = E{[Z(u) Z(u h)]2} = 2(h)

em que:

2(h) é denominado de função variograma

(h) = C(0)  C(h)

a covariância C(h) e o variograma 2(h) são ferramentas equivalentes para

caracterizar a dependência espacial.

20
Parte 2 Principais conceitos teóricos
relação entre as funções semivariograma e covariância

(h) = C(0)  C(h)

21
Parte 3 Variograma 2(h)
O variograma é uma ferramenta básica de suporte às técnicas de geoestatística, que
permite representar quantitativamente a variação de um fenômeno regionalizado no
espaço (Huijbregts, 1975).

A
• 2(h) mede o grau de dissimilaridade entre pares
de observação separados pelo vetor distância h;
z(u)
• é função do vetor distância h;
h
z(u h) • depende da geometria de amostragem.

22
Parte 3 Variograma 2(h)
Definição: esperança matemática (E) do quadrado da diferença entre os
valores de pontos no espaço separados pelo vetor distância h.

2(h) = E{[z(u)  z(u h)]2}

Através de um conjunto amostral, {z(u1), z(u2), ..., z(uN)}, o variograma pode ser
estimado por:
N(h)
1
2^(h) =  [ z(ui)  z(ui  h)]2
N(h) i=1

em que:

2^(h): é o estimador de variograma;

h: é o vetor distância (modulo e direção) entre pares de observação;
N(h): é o número de pares, z(ui) e z(ui  h), separados por h;
z(ui) e z(ui  h): são valores observados nas localizações ui e ui h.
23
Parte 3 Semivariograma (h)
Definição: metade da esperança matemática (E) do quadrado da diferença entre
os valores de pontos no espaço separados pelo vetor distância h.

1
(h) = E{[z(u)  z(u h)]2}
2

Através de um conjunto amostral, {z(u1), z(u2), ..., z(uN)}, o semivariograma pode

ser estimado por:
N(h)
^(h) = 1
2N(h)
 [ z(u )  z(u  h)]
i i
2

i=1

em que:

^(h): é o estimador de semivariograma;

h, N(h), z(ui) e z(ui h): conforme definidos anteriormente.

24
Parte 3 Semivariograma (h)

A figura ilustra um semivariograma empírico (ou experimental) com características

muito próximas do ideal.

(h)

patamar (C)

efeito pepita (C0)

h
h
alcance (a)

25
Parte 3 Semivariograma (h)
Cálculo do semivariograma a partir de amostras regularmente espaçadas.

1km
N(h)
^(h) = 1
1km
2N(h)
 [ z(u )  z(u  h)]
i i
2

i=1

direções de análise

N 0oo
C 45oo

90oo
L
vetor distância h C00

1 2 3 4 5 6 7 8 9 h (km) S 180oo
a
função simétrica
h

 (h) =  (h)
26
Parte 3 Semivariograma (h)
Cálculo do semivariograma a partir de amostras irregularmente espaçadas.

N(h)
^(h) = 1
2N(h)
 [ z(u )  z(u  h)]
i i
2

i=1

parâmetros adicionais
 tolerância do incremento (lag)
 tolerância angular
 largura de banda

27
Parte 3 Semivariograma (h)
Cálculo do semivariograma a partir de amostras irregularmente espaçadas.

Semivariograma omnidirecional => tolerância angular = 90o

direção de análise (do vetor h) não importa.
N(h)
^(h) = 1
2N(h)
 [ z(u )  z(u  h)]
i i
2
0o
i=1 o
tolerância angular = 90 o

Exemplo:
h (|h|; ) 0oo incremento (lag) = 1 km direção de análise 90 o
o

3 tolerância lag = 0,5 km

•
)
30 oo

o
tolerância angular = 90 o
1,

•5 C 180o
h(

oo )

270oo •2 , 45
(1 90oo o
5
oo
h 31 45
4 •
h (1 ,5oo)

h
(1
,1

oo )
35

25
oo

, 2
)

C00
1• (1 •
h 6 o
180oo 5
1 2 3 4 5 6 7 8 9 h (km) 13
a 28
Parte 3 Semivariograma (h)
Cálculo do semivariograma a partir de amostras irregularmente espaçadas.

Semivariograma direcional => tolerância angular < 90o

N(h)
^(h) = 1 direção do vetor h

2N(h)
 [ z(u )  z(u  h)]
i i
2
90
90
oo
o
i=1 Tole
rânc
ia a n
gula
h (|h|; ) r<9 o
0o
0oo
8
3
• 7
oo ) •8 (h)
;5 Exemplo:
)

6 C
30 oo

,
(1
h 5 incremento (lag) = 1 km
(1;

oo ) •
• 2 7•
h

60 tolerância lag = 0,5 km

270 oo ; 90oo
(1 direção de análise = 90oo
h
4 •
h (1 ; 5 oo)

tolerância angular = 35oo

h
(1

) C00
;3

oo
7
23
04

55oo 90oo 125oo

oo

1• ; •
)

(1
h 1 2 3 4 5 6 7 8 9 h (km) |______|_______|
6 a
180oo
29
Parte 3 Semivariograma de nuvem
É um gráfico das semivariâncias de todos os pares de pontos tomados para um
determinado lag (distância).

O variograma de nuvem é útil para detectar a presença de “outliers”.

““outliers”
outliers”

30
Parte 3 Semivariograma de superfície
É um gráfico 2D que fornece uma visão geral da variabilidade espacial do
fenômeno em estudo. Também conhecido como Mapa de Semivariograma.

Utilizado para detectar os eixos de Anisotropia (direções de maior e menor

continuidade espacial).

N 0o
ângulo de anisotropia

90o

31
Parte 4 Modelos teóricos de semivariograma
O gráfico do semivariograma empírico estimado por ^(h) é formado por uma série
de valores, sobre os quais se objetiva ajustar uma função.

(h)
patamar (C) C  C0  C1

contribuição (C1)

efeito pepita (C00)

h
h
alcance (a)

O modelo de ajuste deve representar o melhor possível o comportamento de (h).

32
Parte 4 Modelos teóricos de semivariograma
Modelo de ajuste esférico

• Normalizado Sph(h)

0 , | h | 0 1 C=1

  |h |  |h |
3

Sph(h)  1,5    0,5  
    , 0  | h | a
  a   a 

1 , | h | a
0
a h

• Na prática: C0 > 0 e C1 > 1

(h)
0 , C0

 C  C00  C11
 3
 |h | 1  | h | 
  3
(h)  C0  C1        C0  C1 [ Sph (h)], 0  | h | a
2 a  2 a   C11
   

C  C , | h | a C00
 0 1

a h
33
Parte 4 Modelos teóricos de semivariograma
Modelo de ajuste gaussiano

• Normalizado
Gau(h)

0 ,| h |= 0 1 C1

Gau(h)   |h |
2
1 exp   
 ,| h |  0
  a 

0
a h

• Na prática: C0 > 0 e C1 > 1

(h)

0 ,
C  C0  C1
 C0
  C1
 | h |  
2

(h)  C0 + C1 1 exp      C0 + C1[Gau (h)] ,
   0  | h | a
   a   C0

C0 + C1 ,

| h | a
a h

34
Parte 4 Modelos teóricos de semivariograma
Modelo de ajuste exponencial

• Normalizado
Exp(h)

1 C=1
0 ,| h |= 0
Exp h

   |h |
1 exp   a  ,| h |  0
  

0
a h

• Na prática: C0 > 0 e C1 > 1

(h)
C  C0 C1
0 ,
 C0
 C1
 
(h)  C0 + C1 1 exp  | h |   C0 + C1 [ Exp (h)],

0  | h | a
   a 
 C0
C0 + C1 , | h | a
a h
35
Parte 4 Modelos teóricos de semivariograma
Modelo de ajuste potência

• Normalizado
Pot(h) e>1
e=1
0 ,| h |= 0 e<1
Pot (h)  
c.| h | e ,| h |  0

0
h
h

• Na prática: C0 > 0 e C1 > 1

(h) e>1
e=1
0 ,C0
(h)   e<1
C0 + c.| h | e  C0 + Pot (| h |) ,| h |  0

C0
h
36
Parte 4 Modelos teóricos de semivariograma
Modelo de ajuste aninhados
Existem determinados fenômenos em que são necessários modelos mais complexos de
semivariograma para explicar suas variações espaciais. Estes modelos são combinações
de modelos simples, denominados aninhados.

Ex: Modelo aninhado duplo esférico

0, C0
 (h)
 C = C0+ C1+ C2

  3
  3  | h |  1  | h |   C2
C0  C1  2  a   2  a    1(h), 0 | h | a1
   1  1 
  

(h)   C1
  3
  3  | h |  1  | h |  
C0  C2  2  a   2  a     2(h) , a1 | h | a2
C0
   2  2 
  


C  C  C , | h | a2 h
 0 1 2 a1 a2


37
Parte 5 Isotropia

Quando a variabilidade espacial de um fenômeno em estudo é a mesma em todas as

direções, diz-se que o fenômeno é isotrópico.

N
N N
N

O
O L
L O
O L
L

S
S S
S

Imagem nível de cinza Composição Colorida

38
Parte 5 Isotropia
Considere os semivariogramas ilustrados na figura abaixo

(h)
•• • Modelo de ajuste
C •
•• • • •••
•• •
• • O
O
• 0
••• O
O
•• 45
•• 90
O
O

Coo 135
O
O

Esta é a representação de um caso simples e menos freqüente, em que a distribuição espacial

do fenômeno é denominada isotrópica.

Neste caso, um único modelo é suficiente para descrever a variabilidade espacial do fenômeno
em estudo.

39
Parte 5 Anisotropia
Quando a variabilidade espacial de um fenômeno em estudo não é a mesma em todas as
direções, diz-se que o fenômeno é anisotrópico.

N N

O L O L

S S

Imagem nível de cinza Composição Colorida

direções de continuidade espacial

maior menor

40
Parte 5 Anisotropia
A análise da anisotropia objetiva detectar as direções de maior e menor continuidade
espacial do fenômeno investigado.

Convenções direcionais usadas na geoestatística

o
N 0
o
45

o
90
O L

o
135
S

Uma forma de detectar a anisotropia é através da observação dos semivariogramas obtidos

para diferentes direções.

41
Parte 5 Anisotropia
Um modo direto de visualizar e calcular os parâmetros (fator e ângulo) da anisotropia
é através do esboço gráfico de uma elipse (ou diagrama de rosa ).

o
N 0o

30
oo Parâmetros da anisotropia

a11 Fator de anisotropia (Fa)

oo Fa = a22 / a11
90
O a2 L Ângulo de anisotropia (Aa)
oo
Aa = tomado da direção Norte para o eixo de
120 oo
maior continuidade. No exemplo = 30 .

S 180oo

Tipos de anisotropia: geométrica, zonal e combinada.

42
Parte 5 Anisotropia
Anisotropia geométrica

Neste caso, os semivariogramas apresentam o mesmo patamar (C) com diferentes

alcances (a) para o mesmo modelo.

(h) Mesmo modelo para as duas direções

O
O
30
O
O
120
Coo

a a h

43
Parte 5 Anisotropia
Anisotropia zonal

Neste caso, os semivariogramas apresentam diferentes patamares (C) com mesmo

alcance (a) para o mesmo modelo.

Como a isotropia, a anisotropia zonal é um caso menos freqüente presente nos

fenômenos naturais.

(h) Mesmo modelo para as duas direções

C
C

O
O
60
Coo O
O
150

a h

44
Parte 5 Anisotropia
Anisotropia combinada (geométrica + zonal)

Neste caso, os semivariogramas apresentam diferentes patamares (C) e diferentes

alcances (a) para o mesmo modelo. Pode apresentar também diferentes efeitos pepita.

(h) Mesmo modelo para as duas direções

C
C

O
O
60
Coo O
O
150

a a h

45
Parte 6 Validação cruzada
É um procedimento para verificar a adequação do modelo de ajuste ao semivariograma

Modelo semariograma

Análises
11 22 33 44 55 – estatísticas do erro
? ?
? – histograma do erro
?
? – diagrama espacial do erro
– diagrama de valores
observados versus estimados

Não
Aprova ?

Sim

46
Parte 6 Validação cruzada
Análise de resultados

47
Parte 7 Krigeagem
O termo krigeagem é derivado do nome Daniel G. Krige

A krigeagem é um estimador estocástico que depende da análise de correlação espacial

baseada em semivariograma.

Áreas de Aplicações:
 mapeamento geológico (Verly et al., 1984)
 mapeamento solo (Burgess e Webster, 1980)
 mapeamento hidrológico (Kitanidis et. al., 1983)
 mapeamento atmosférico (Lajaunie, 1984)

A krigeagem engloba um conjunto de estimadores:

• krigeagem Simples (*) • krigeagem Ordinária (*)
• krigeagem Universal • co-krigeagem
• krigeagem por indicação • Outros

48
Parte 7 Krigeagem
Envolve uma combinação linear de n valores em pontos vizinhos.

z u1 z u2
?
z u0
z u4 z u3

inverso do quadrado
média local krigeagem
da distância
n n n
^ ^ ^
Z
u0
=   .Zu
i
i
Z
u0
=   . Zu
i
i
Z
u0
=   .Zu
i
i
i=1 i=1 i=1

i = 1/n i = 1/d2 i = ?

49
Parte 7 Krigeagem
Os pesos são calculados considerando a estrutura de correlação espacial imposta
pelo semivariograma
1
z u1 análise de correlação espacial
z u2 baseada em semivariograma
?
z u0 2

z u4 z u3 ajuste do semivariograma
experimental
3

modelo de ajuste do semivariograma

validação do modelo de ajuste

estimador de
krigeagem
50
Parte 7 Krigeagem

Segundo Journel (1988): K. = k => Kk

1
 C11 C12 .........C1n 1 C10
 C21 C22 .........C2n 1 C 20
: = : : : : :
n C n1 C n2 .........C nn 1 C n0
 1 1 ......... 1 0 1

Os elementos das matrizes de covariâncias são calcu-

lados da seguinte forma (Journel, 1988):
Cij  C(0)  γ (h)  C0  C1  γ (h)

Substituindo os valores de Cij nas matrizes encontram-se

os pesos 1, 2, ..., e n.
n
Estimador de Krigeagem (Journel, 1988): Z*x   λi Z xi 
0 i1

Variância de Krigeagem (Journel, 1988): σko

2
 C0  C1  λ T k

51
Parte 7 Krigeagem
EXEMPLO
Considere o espaço amostral na figura abaixo. Deseja-se estimar o valor da variável Z no ponto u00, a partir
de z(u11), z(u22), z(u33) e z(u44). Considere ainda, que o semivariograma empírico foi ajustado através de um
modelo esférico, com a = 200, C11 = 20, e C00 = 2.

50 krigeagem ordinária
u2
1
50 u1 λ   C 11 C 12 C 13 C 14 1  C 01 
     
λ    C 21 C 22 C 23 C 24 1  C 02 
u3      
u0 λ  
=  C 31 C 32 C 33 C 34 1  C 03 
   
 C 41 C 42 C 43 C 44  C 04 
λ  1
u4  
    1 1 1 1 0  1 
   

Modelo Teórico
Os elementos das matrizes são calculados: Cijij = C00 + C11 -  (h)

C12
12
= C21
21
= C04
04
= C00 + C11 -  (50 2)

  50 2 (50 2 )3  
= (2+20) - 2  20 1,5  0,5  = 9,84
3 
 200 (200)  
 
52
Parte 7 Krigeagem
EXEMPLO

= (C00 + C11) -  [ V (150) 2 + (50) 2 ] = 1,23

2 2
C13
13
= C31
31

= (C00 + C11) -  [ V (100) 2 + (50) 2 ] = 4,98

2 2
50 C14
14
= C41
41
= C02
02
u2
50 u1 C23 = C32 = (C00 + C11) -  [ V (100) 2 + (100) 2 ] = 2,33
2 2
23 32

u3
u0 C24 = C42 = (C00 + C11) -  [ V (100) 2 + (150) 2 ] = 0,29
2 2
24 42
u4
= (C00 + C11 ) -  [ V (200) 2 + (50) 2 ] = 0
2 2
C34
34
= C43
43

C01
01
= (C0 + C11 ) -  (50) = 12,66

C03
03
= (C00 + C1 ) -  (150) = 1,72

C11
11
= C22
22
= C33
33
= C44
44
= (C00 + C11 ) -  (0) = 22

53
Parte 7 Krigeagem
EXEMPLO

Substituindo os valores de Cij nas matrizes, encontra-se os seguintes pesos:

1 = 0,518 2 = 0,022 3 = 0,089 4 = 0,371

Finalmente o valor estimado é dado por:

^ ) = 0,518 z(u ) + 0,022 z(u ) + 0,089 z(u ) + 0,371 z(u )
Z(u 0 1 2 3 4

50 COMENTÁRIO: embora as amostras Z2 e Z3 tenham pouca influência na

u2
estimativa final de Z0, suas influências não são lineares em relação às suas
50 u1
distâncias a partir de Z0. A amostra Z3 está mais distante que Z2; no en-
u3 tanto, tem mais influência, 8,9%, que Z2, 2,2%. Isto ocorre porque Z0
u0 está diretamente sobre a influência de Z3, enquanto Z2 está muito pró-
u4 ximo de Z1. Ao se introduzir as covariâncias no cálculo dos pesos, evita-se
associar pesos indevidos a “clusters” (agrupamentos) de amostras, o que
não ocorre com outros métodos baseados somente na distância.

54
Parte 8 Integração: SPRING e geoestatistica

SPRING: geoestatística

55
Parte 8 Integração: geoestatistica e SPRING

56
Parte 8 Integração: geoestatistica e SPRING

57
Parte 8 Integração: geoestatistica e SPRING

58
Parte 8 Integração: geoestatistica e SPRING

59
Parte 8 Integração: geoestatistica e SPRING

60