Relatório III Vinicius Gomes

UNIVERSIDADE FEDERAL PELOTAS
ENGENHARIA GEOLÓGICA
PROFESSOR ANTONIO ALVES
ESTUDO GEOESTATÍSTICO DO BANCO DE

DADOS JURA
Vinicius Ferreira Gomes

08200817
Dezembro, 2015
SUMÁRIO
LISTA DE FIGURAS 3
LISTA DE TABELAS 6
1. INTRODUÇÃO 7
1.1. Banco de dados 7
1.2. Objetivos 9
1.2.1. Gerais 9
1.2.2. Específicos 9
1.3. Metodologia 9
1.3.1. Geoestatística 9
1.3.2. GSLib 10
1.3.3. GSView 10
1.3.4. NotePad++ 10
1.3.5. S-GeMS 10
1.3.6. Microsoft Excel 10
2. ROTINAS BÁSICAS DO GSLIB I – ANÁLISE DAS VARIÁVEIS DE INTERESSE 11
2.1. Histograma 11
2.2. Mapa de localização das amostras 16
2.3. Desagrupamento 19
2.4. Análise comparativa 26
3. ROTINAS BÁSICAS DO GSLIB II – CORRELAÇÃO BIVARIADA 27
4. MODELAMENTO DA CONTINUIDADE ESPACIAL DAS VARIÁVEIS 28
5. VALIDAÇÃO 47
5.1. Krigagem 47
5.2. Validação cruzada 52
5.3. Histogramas de erros 54
5.4. Modelo de blocos 59
5.5. Parametrização 80
6. Conclusões 84
REFERÊNCIAS 85
2
LISTA DE FIGURAS
Figura 1: Mapa de Localização política da Região de Jura. 7

Figura 2: Mapa de localização da área do Banco de Dados Jura. 8
Figura 3: Contexto Geológico do Maciço Jura. 8
Figura 4: Histograma de Frequência dos dados Agrupados de Cobalto. 12
Figura 5: Histograma Acumulado dos dados Agrupados de Cobalto. 13
Figura 6: Histograma de Frequência dos dados Agrupados de Níquel. 14
Figura 7: Histograma Acumulado dos dados Agrupados de Níquel. 16
Figura 8: Gráfico de Dispersão XY para determinação dos valores limítrofes do locmap. 17
Figura 9: Mapa de Localização das amostras de Cobalto. 18
Figura 10: Mapa de Localização das amostras de Níquel. 19
Figura 11: Histograma de Frequência com dados Desagrupados de Cobalto. 22
Figura 12: Histograma Acumulado com dados Desagrupados de Cobalto. 23
Figura 13: Histograma de Frequência dos dados Desagrupados de Níquel. 24
Figura 14: Histograma Acumulado dos dados Desagrupados de Níquel. 25
Figura 15: Gráfico da Média do Desagrupamento do Cobalto x Tamanho de Célula. 26
Figura 16: Gráfico da Média do Desagrupamento do Níquel x Tamanho de Célula. 26
Figura 17: Correlação bivariada entre Cobalto (%) e Níquel (%). 27
Figura 18: Mapa de pontos para o Cobalto (%) gerado no SGeMS. 28
Figura 19: Mapa de pontos para o Níquel (%) gerado no SGeMS. 28
Figura 20: Variograma de ângulo 0° com estrutura esférica e range de 800m para
30
Cobalto.
Figura 21: Variograma de ângulo 22,5° com estrutura esférica e range de 900m para
30
Cobalto.
31
Cobalto.
31
Cobalto.
32
Cobalto.
Figura 25: Variograma de ângulo 112,5° com estrutura esférica e range de 1000m
32
para Cobalto.
33
Cobalto.
33
Cobalto.
Figura 28: Variograma de ângulo 0° com estrutura exponencial e range de 1100m
34
para Cobalto.
Figura 29: Variograma de ângulo 22,5° com estrutura exponencial e range de 1300m
34
para Cobalto.
35
para Cobalto.
35
para Cobalto.
36
para Cobalto.
36
para Cobalto.
3
37
para Cobalto.
37
para Cobalto.
38
Níquel.
38
Níquel.
39
Níquel.
39
Níquel.
40
Níquel.
Figura 41: Variograma de ângulo 112,5° com estrutura esférica e range de 1000m
40
para Níquel.
41
Níquel.
41
Níquel.
Figura 44: Variograma de ângulo 0° com estrutura exponencial e range de 900m para
42
Níquel.
42
para Níquel.
43
para Níquel.
43
para Níquel.
44
para Níquel.
44
para Níquel.
45
para Níquel.
45
para Níquel.
Figura 52: Variograma Experimental de Cobalto. 46
Figura 53: Variograma Experimental de Níquel. 46
Figura 54: Gráfico em Radar dos valores de continuidade de cada Variável. 47
Figura 55: Mapa de blocos com a estimativa para Cobalto. 50
Figura 56: Mapa de blocos com a variância estimada para Cobalto. 50
Figura 57: Mapa de blocos com a estimativa para Níquel. 51
Figura 58: Mapa de blocos com a variância estimada para Níquel. 51
Figura 59: Valores de Erro do Co, mostrando a amplitude dos dados. 53
Figura 60: Valores de Erro do Ni, mostrando a amplitude dos dados. 54
Figura 61: Histograma de Frequência dos Erros para o Cobalto. 55
Figura 62: Histograma de Frequência dos Erros para o Níquel. 56
Figura 63: Histograma Acumulado dos Erros para o Cobalto. 57
Figura 64: Histograma Acumulado dos Erros para o Níquel. 58
Figura 65: Análise bivariada dos teores verdadeiros contra estimados de Cobalto. 59
4
Figura 66: Análise bivariada dos teores verdadeiros contra estimados de Níquel. 60
Figura 67: Mapa estimado de Cobalto com teor de corte 0. 62
Figura 68: Mapa estimado de Cobalto com teor de corte 0,2. 62
Figura 72: Mapa estimado de Cobalto com teor de corte 1. 64
Figura 75: Mapa estimado de Níquel com teor de corte 0. 67
Figura 76: Mapa estimado de Níquel com teor de corte 0,4. 67
Figura 80: Mapa estimado de Níquel com teor de corte 2. 69
Figura 85: Histograma de Frequências para o Cobalto com teor de corte 0. 72
Figura 86: Histograma de Frequências para o Cobalto com teor de corte 0,2. 72
Figura 92: Histograma de Frequências para o Níquel com teor de corte 0,0. 75
Figura 102: Gráfico Recuperação x Teor de Corte para o Cobalto. 81
Figura 103: Gráfico Teor Médio x Teor de Corte para o Cobalto. 81
Figura 104: Curva de Parametrização para o Cobalto. 82
Figura 105: Gráfico Recuperação x Teor de Corte para o Níquel. 82
Figura 106: Gráfico Teor Médio x Teor de Corte para o Níquel. 83
Figura 107: Curva de Parametrização para o Níquel. 83
5
LISTA DE TABELAS
Tabela 1: Parâmetros para o Variograma. 7

Tabela 2: Valores de continuidade (esférica e exponencial). 7
Tabela 3: Relação do Teor de Corte com a Recuperação e o Teor médio de Co. 80
Tabela 4: Relação do Teor de Corte com a Recuperação e o Teor médio de Ni. 80
6
1. INTRODUÇÃO
1.1. Banco de dados
O banco de dados JuRa consiste em um banco de dados de 359 poços perfurados na

Suíça. O JuRa.dat, banco de dados adquirido, possui 4 colunas de dados, as duas primeiras são
colunas de localização espacial X(m) e Y(m). A terceira e quarta coluna representa os teores, em
porcentagem (%) de Cobalto e Níquel, respectivamente.
O Jura, tal como é conhecido o Maciço do Jura ou a Cordilheira do Jura, é uma cadeia
de montanhas culminando a 1 720 m de altitude, situada ao norte dos Alpes, na França, Suíça e
Alemanha (Figura 1). O maciço estende-se na realidade desde Lägern, um anticlinal no cantão
de Zurique na Suíça, até ao departamento da Isère na França, pelo que tem cerca de 400 km de
comprimento (Figura 3). O Jura deu seu nome a um célebre período geológico do nosso planeta,
o Jurássico, durante a era secundária, entre 210 a 140 milhões de anos atrás. Na verdade, foi
durante esse período que os sedimentos que viriam a formar a cadeia do Jura se depositaram.
Os dados do banco de dados JuRa referem-se à uma área de aproximadamente

14,5km² localizada na região do Jura Suíço (Figura 3). Os dados, coletados pelo Instituto Federal
Suíço de Tecnologia em Lausanne, foram registrados em 359 locais da área e, em cada um deles,
medidas as concentrações de sete metais pesados no solo, entre eles, Cobalto e Níquel, fonte
de estudo desse trabalho. Esta amostragem foi feita sistematicamente, já que há um espaço
regular entre a maioria dos locais de coleta, havendo apenas algumas aglomerações em locais
em que, convenientemente, foram feitas mais amostragens.
Figura 1: Mapa de Localização política da Região de Jura.
7
Figura 2: Mapa de localização da área do Banco de Dados Jura.
Figura 3: Contexto Geológico do Maciço Jura.
8
1.2. Objetivos
1.2.1. Gerais
 O seguinte trabalho tem por objetivo a análise geoestatística do banco de dados

Jura através das rotinas básicas de aplicativos de estatística, como o GSLiv.
1.2.2. Específicos
 Analisar o banco de dados, obtendo medidas de estatística descritiva das

variáveis de interesse;
 Aplicar as rotinas básicas do GSLib para gerar histogramas, mapas de
localização, fazer correlações de variáveis e modelo de krigagem;
 Fazer a modelagem da continuidade espacial das variáveis via SGeMS;
 Estimar e gerar o modelo de blocos das variáveis, com validação cruzada
e histogramas de erros.
 Elaboração de mapas de teor de corte e curvas de parametrização das
variáveis.
1.3. Metodologia
1.3.1. Geoestatística
Geoestatística é um ramo da estatística que une o conceito de variáveis aleatórias com

o conceito de variáveis regionalizadas, gerando um novo conceito de funções aleatórias, que são
posteriormente processadas por aplicativos computacionais. Através destas técnicas, dentre as
quais se destacam a krigagem e a simulação estocástica, é possível calcular um valor de uma
dada propriedade (fácies, permeabilidade, porosidade, etc.) para cada centro da célula de uma
malha tridimensional, valor este condicionado aos dados existentes (dados de poços, sísmica,
etc.) e a uma função de correlação espacial entre estes dados.
A geoestatística tem como objetivo descrever o comportamento espacial dos dados (o

qual é uma característica essencial de muitos fenómenos naturais), estimar o valor médio de
uma variável numa área ou volume, estimar o valor desconhecido numa dada localização,
quantificar a incerteza associada à estimação, usar os valores conhecidos de uma variável para
estimar os valores de outra variável e estimar a distribuição de valores de uma variável numa
área ou volume. Ela oferece um conjunto de ferramentas determinísticas e estatísticas para
compreender e modelar a variabilidade espacial.
O uso da geoestatística é importante por fornecer melhores resultados,

principalmente, quando os dados são escassos. Além disso, permite aumentar a precisão das
estimativas da variável principal usando informação disponível de outras variáveis secundárias
correlacionadas espacialmente. Suas áreas de aplicação são muito variadas, como minas,
petróleo, geofísica, geoquímica, ciências do solo, agricultura, oceanografia, hidrologia, entre
outras. Na geologia é utilizada para amostragem, análise de dados, comprovação de hipóteses,
modelagem e previsão quantitativa.
9
1.3.2. GSLib
O GSLib (Geostatistics Software Library) é um pacote de programas desenvolvido

na Universidade de Stanford sobre a direção de André Journel com utilidade prática no campo
da modelação em geociências, particularmente com geoestatística. Está escrita na
linguagem Fortran e foi utilizada em vários softwares e atualizações para outras linguagens
de programação. É atualmente o pacote mais difundido no campo de geoestatística. Para
funcionar com o GSLIB, é necessário ter à disposição ficheiros de extensão .par onde são
inseridos os parâmetros para a operação que se pretende fazer, e um ficheiro .exe por onde o
programa será lançado. O Programa deve ser inicializado através do prompt de
comando/terminal do sistema operacional.
1.3.3. GSView
O GSView é um programa visualizador de documentos em postscript executado sob o

Microsoft Windows, OS/2 e sistemas operacionais baseados no Unix. Ele é uma interfaçe gráfica
para a suíte Ghostscript e servirá para visualizar os arquivos de saída dos programas do GSLib.
1.3.4. NotePad++
O Notepad++ é um editor de texto e de código fonte de código aberto sob a licença

GPL. Suporta várias linguagens de programação rodando sob o sistema Microsoft Windows
(possível utilização no Linux via Wine). O objetivo do Notepad++ é oferecer um esguio e eficiente
binário com uma interface gráfica totalmente modificável. Ele suporta autocomplemento,
busca e substituição de expressões regulares, divisão de tela, zoom, favoritos, etc. Tem suporte
para macros e plugins. Um plugin de usuário chamado TextFX, que provê opções de
transformação de textos, é incluído por padrão.
1.3.5. S-GeMS
O S-GeMS é um software de modelação em geoestatística que utilizou como base a

biblioteca GsTL. É, possívelmente, o software especializado para geoestatística mais utilizado a
nível mundial e contém os procedimentos mais comuns neste campo sendo usado em áreas
como modelação mineral, ambiental e caracterização de reservatórios petrolíferos. O S-GeMS
tem a grande maioria dos algoritmos mais comuns no campo da geoestatística, além de carregar
e guardar dados em formato GEO-EAS e binários S-GeMS. Ele contém um menu de análise
estatística univariada e bivariada, um menu de variografia e um visualizador tridimensional do
banco de dados.
1.3.6. Microsoft Excel
O Microsoft Office Excel é um editor de planilhas produzido pela Microsoft para

computadores e dispositivos móveis. Seus recursos incluem uma interface intuitiva e
capacitadas ferramentas de cálculo e de construção de gráficos que, juntamente com marketing
agressivo, tornaram o Excel um dos mais populares aplicativos de computador até hoje. É, com
grande vantagem, o aplicativo de planilha electrónica dominante, disponível para essas
plataformas e o tem sido desde a versão 5 em 1993 e sua inclusão como parte da suíte do
Microsoft Office.
10
2. ROTINAS BÁSICAS DO GSLIB I – ANÁLISE DAS VARIÁVEIS DE INTERESSE
2.1. Histograma
O desenvolvimento da análise exploratória e descritiva do banco de dados se dá,

primeiramente, desenvolvendo um histograma do banco de dados utilizando a ferramenta
histplt.exe do Gslib. Com isso fora obitidos os histogramas de frequência e histogramas
acumulativos atravéz de seus arquivos de parâmetros para o Cobalto e para o Níquel.
Parâmetros para o Histograma de Frequência para o Cobalto no arquivo histplt.par
1 Parameters for HISTPLT

2 **********************
3
4 START OF PARAMETERS:
5 JuRa.dat -file with data
6 3 0 - columns for variable and weight
7 -1.0 1.0e21 - trimming limits
8 Co-Histo.ps -file for PostScript output
9 0.0 2.06 -attribute minimum and maximum
10 0 -frequency maximum (<0 for automatic)
11 20 -number of classes
12 0 -0=arithmetic, 1=log scaling
13 0 -0=frequency, 1=cumulative histogram
14 0 - number of cum. quantiles (<0 for all)
15 2 -number of decimal places (<0 for auto.)
16 Histograma Co Agrupado - title
17 1 -positioning of stats (L to R: -1 to 1)
18 -1.1e21 -reference value for box plot
Para estes parâmetros o arquivo de chamada foi o banco de dados JuRa.dat (linha 5),
contendo a coluna da variável Co utilizada representada pelo número 3 (linha 6). Como os dados
são agrupados, o segundo parâmetro da linha 6 foi 0, eliminando este parâmetro na leitura dos
dados pelo programa. Os limites de teores de corte (linha 7) foram estipulados por padrão com
intervalo de -1 a, virtualmente, infinito. O Arquivo de saída (linha 8) chama-se Co-Histo.ps.
Na linha 9 temos os valores mínimo (0) e máximo (2.06) da variável, qe no caso será o
eixo X do histograma e foi condicionada pela origem e pelo teor máximo que a variável
apresenta ao longo das amostragens. Para frequência máxima (linha 10), foi colocado o valor 0
para que o algoritmo do programa gere automaticamente o melhor ajuste. O número de classes
escolhido foi 20 (linha 11), e foi selecionado a plotagem em escala Aritmética, correspondendo
ao valor 0 da linha 12. Para gerar um Histograma de Frequencia, a linha 13 deve corresponter
ao valor 0.
Na linha 14, foi definido o número de quantis para o valor 0, que mostratrá todos. O
número de casas decimais foi estipulado como 2 (linha 15) e o Título do Histograma (linha 16)
foi definido como “Histograma Co Agrupado”. O quadro de estatísticas teve seu valor de posição
1 (linha 17) para que ficasse levemente deslocado para a direita e o valor de referência para o
gráfico de caixa foi deixado como -1.1e21 na linha 18.
11
Com esses parâmetros foi gerado o histograma de frequência dos dados agrupados de
Cobalto (Figura 4).
Figura 4: Histograma de Frequência dos dados Agrupados de Cobalto.
O Histograma Co Agrupado apresenta valores em porcentagem com uma

amplitude de 0,16% a 2,06%, com uma média aritmética de 0,94% referente às 359
amostras, representando o centro de gravidade da distribuição da variável. Mediana 0,98%,
sendo este o valor que divide as observações no meio. O gráfico demostra uma
característica bimodal, onde temos dois grupos de frequências dominantes. O grupo com
teores menores tem seu pico em 0,35% e é caracterizado por uma forte assimetria negativa,
indicando mais dados nos valores finais. Já no outro grupo modal, com teores maiores,
temos uma relativa simetria dos dados, com valores centrais de pico em torno de 1,25%.
Temos no primeiro quartil 0,66% e no ultimo quartil 1.21%.
Ao longo do histograma, a característica bimodal inicia-se no eixo da frequência

com uma curva ascendente de 0 a 80 bastante acentuada até 0,30%, com uma sequência
descendente moderada para 50 para 0,70%, onde encontra-se a intersecção das modas com
uma ascendência agressiva na frequência atingindo o pico de 120 em 1.10%. Em seguida
temos uma oscilação descendente para 100 em 1,20% e ascendente para 118 em 1,30%.
Por fim temos o declínio da frequência para 7 em 1.60% e uma oscilação que não alcança os
10 de frequência até o final do histograma. Os dados de média e mediana reforçam estas
avaliações somadas ao desvio padrão de 0,36%, variância 0,38%.
Mudando o campo Histograma (linha 13) do valor 0 para o valor 1 e o título (linha 16)
para Histograma Co Acumulado Agrupado temos o histograma de frequência acumulada (figura
5) para os mesmos parâmetros anteriores.
12
Parâmetros para o Histograma Acumulado para o Cobalto no arquivo histplt.par

2 **********************
3
8 Co-Histo-Acu.ps -file for PostScript output
16 Histograma Co Acumulado Agrupado - title
Figura 5: Histograma Acumulado dos dados Agrupados de Cobalto.
13
Para gerar o histograma de frequência dos dados agrupados para o Níquel, a partir dos
parâmetros de Frequencia dos dados Agrupado do Cobalto, muda-se o valor de 3 para 4 na linha
6, o nome para “Ni-Histo.ps” na linha 8, valor máximo de variável muda de 2.06 para 5.32 na
linha 9 e no título (linha 16), o nome dado é “Histograma Ni Agrupado”.
Parâmetros para o Histograma de Frequência para o Níquel no arquivo histplt.par

2 **********************
3
8 Ni-Histo.ps -file for PostScript output
16 Histograma Ni Agrupado - title
Figura 6: Histograma de Frequência dos dados Agrupados de Níquel.
14
O Histograma Ni Agrupado apresenta valores em porcentagem com uma
amplitude de 0,20% a 5,32%, com uma média aritmética de 2,00% referente às 359
amostras, representando o centro de gravidade da distribuição da variável. Mediana 2,07%,
sendo este o valor que divide as observações no meio. O gráfico demostra uma leve
assimetria negativa, indicando mais dados nos valores finais. Temos no primeiro quartil
1,46% e no ultimo quartil 2,54%.
Ao longo do histograma, a característica negativa inicia-se no eixo da frequência

com uma curva ascendente de 0 a 75 bastante acentuada até 1,00%, com uma sequência
estável até 1,50%, onde encontra-se uma ascendência agressiva na frequência atingindo o
pico de 155 em 2,25%. Em seguida temos uma variação descendente íngreme para 20 em
3,30% e cum uma leve curva ascendente para 25 em 3,60%. Por fim temos o declínio da
frequência para 7 em 3.80% e frequências esparsos até o final do histograma. Os dados de
média e mediana reforçam estas avaliações somadas ao desvio padrão de 0,81%, variância
0,40%.
Mudando o campo Histograma (linha 13) do valor 0 para o valor 1 e o título (linha 16)
para Histograma Ni Acumulado Agrupado temos o histograma de frequência acumulada (figura
Parâmetros para o Histograma Acumulado para o Níquel no arquivo histplt.par

2 **********************
3
16 Histograma Ni Agrupado - title
15
Figura 7: Histograma Acumulado dos dados Agrupados de Níquel.
2.2. Mapa de localização das amostras
Os mapas de localização espacial das amostras foram elaborados a partir do aplicativo

locmap contido no GSLib. São presentes todas as 359 amostras, contendo teores de Níquel e
Cobalto. Pode-se observar tanto no mapa de localização do Co (figura 8) quanto no do Ni (figura
9), que os mais altos teores são encontrados em regiões diferentes, mostrando uma correlação
espacial bastante fraca. As amostras encontram-se pouco agrupadas devido à forte isotropia das
amostras.
A malha de amostras encontra-se mais adensada somente onde foram encontrados

valores de teor significativos. Cada ponto demonstrado apresenta além da sua localização, o seu
teor correspondente na legenda colorida, com teores maiores em tons mais avermelhados,
teores menores em tons mais azulados e teores próximos à média com tons de cor verde.
Para a geração do mapa de localização, utiliza-se os dados do banco de dados JuRa.dat

tendo previamente os valores do alcance espacial das amostras. Este valor é encontrado
importando o banco de dados no programa Microsoft Excel, selecionando todos os valores
espaciais de X e Y e gerando um gráfico de dispersão XY. Ao ser gerado, o gráfico mostrará os
eixos preferenciais para confecção do mapa de pontos (Figura 8).
O gráfico gerado mostra valores mínimos de 0 para X e para Y e valores máximos em

6000 para ambos. Nota-se que o gráfico não deve ser usado para quaisquer análise que não seja
com a função de determinação limítrofe do mapa de localização do programa locmap.
16
Título do Gráfico
6000
5000
4000
3000
2000
1000
0
0 1000 2000 3000 4000 5000 6000
Figura 8: Gráfico de Dispersão XY para determinação dos valores limítrofes do locmap.
Parâmetros para o Mapa de Localização do Cobalto no arquivo locmap.par
1 Parameters for LOCMAP

2 **********************
3
6 1 2 3 - columns for X, Y, variable
7 -1 1.0e21 - trimming limits
8 Locmap-Co.ps -file for PostScript output
9 0 6000 -xmn,xmx
10 0 6000 -ymn,ymx
11 0 -0=data values, 1=cross validation
13 1 -0=gray scale, 1=color scale
14 0 -0=no labels, 1=label each location
15 0.1 2.1 0.25 -gray/color scale: min, max, increm
16 0.4 -label size: 0.1(sml)-1(reg)-10(big)
17 Mapa de Localizacao Co -Title
contendo as colunas para X, Y e da variável Co utilizada representada pelos números 1, 2 e 3
respectivamentes (linha 6). Os limites de teores de corte (linha 7) foram estipulados por padrão
com intervalo de -1 a, virtualmente, infinito. O Arquivo de saída (linha 8), chama-se Locmap-
Co.ps. Nas linhas 9 e 10, temos os valores mínimo (0) e máximo (6000) da variável X, que no caso
será o eixo X do mapa e foi condicionada pela origem e pelo teor máximo que a variável
apresenta ao longo das amostragens, determinada atravéz do passo anterior no aplicativo
Microsoft Excel. Para os dados (linha 11), foi colocado o valor 0 para que o algoritmo do
programa gere o mapa com os valores puros do banco de dados e foi selecionado a plotagem
em escala Aritmética, correspondendo ao valor 0 da linha 12. Para gerar um Mapa de localização
colorido ao invéz de tons de cinza, a linha 13 deve corresponter ao valor 0.
17
Na linha 14 definimos se queremos que o mapa plote os valores em cada ponto (1) ou
apenas os pontos (0), foi escolhido naõ marcar os pontos, ou seja o valor 0. Na linha 15, os
valores 0.1, 2.1 e 0.25 correspondem, respectivamente ao intervalo mínimo da escala de
coloração/tom de cinza, o intervalo máximo e ao incremento. O Tamanho dos pontos foi
definido como 04 (linha 16) e o título do mapa foi definido como “Mapa de Localização Co”
(linha17). Com esses parâmetros foi gerado, via locmap.exe, o Mapa de Localização dados para
Cobalto (Figura 9).
Figura 9: Mapa de Localização das amostras de Cobalto.
Parâmetros para o Mapa de Localização do Níquel no arquivo locmap.par
1 Parameters for LOCMAP

2 **********************
3
6 1 2 4 - columns for X, Y, variable
8 Locmap-Ni.ps -file for PostScript output
9 0 6000 -xmn,xmx
10 0 6000 -ymn,ymx
11 0 -0=data values, 1=cross validation
14 0 -0=no labels, 1=label each location
15 0.2 5.4 0.8 -gray/color scale: min, max, increm
16 0.4 -label size: 0.1(sml)-1(reg)-10(big)
17 Mapa de Localizacao Ni -Title
18
Para gerar o mapa de localização para o Níquel, a partir dos parâmetros do mapa de
localização do Cobalto, muda-se o valor de 3 para 4 na linha 6, o nome para “Locmap-Ni.ps” na
linha 15, valor mínimo, máximo e de incremento da escala de coloração/teor de cinza para,
respectivamente, 0.2, 5.4 e 0.8 e no título (linha 16), o nome dado é “Mapa de Localizacao Ni”.
Figura 10: Mapa de Localização das amostras de Níquel.
2.3. Desagrupamento
Levando em consideração que as amostras estão levemente agrupadas, pode-se

utilizar o aplicativo declus.exe do GSLib para desagrupá-las utilizando-se da técnica Método da
Célula Móvel (Cell Declustering Method). Nesse método, a área total é dividida em regiões
retangulares chamadas de células.
Cada amostra recebe um peso inversamente proporcional ao número de

amostras que caem dentro da mesma célula. Amostras agrupadas, de maneira geral,
receberão pesos baixos com esse método, pois as células nas quais elas estão
localizadas conterão diversas outras amostras. Histogramas gerados após o
desagrupamento de dados são expostos a seguir nas figuras 11 a 14.
Há dois parâmetros para o método: tamanho de célula e locação da célula no grid

(origem e orientação). O peso de desagrupamento e a média pode ser calculada conforme a
seguinte fórmula:
19
𝜆𝑎 = 1/ 𝐵. 𝑛
𝑚 = ∑𝜆𝑎. 𝑧(𝑢𝑎)
Onde: λa = peso;
B = número de células;
n = número de dados de cada célula;
m = média desagrupada dos dados;
z(ua) = valor da variável resposta no ponto.
Elementos dentro de agrupamentos receberão pesos menores, pois as células nas

quais eles estão também irão conter outros elementos da amostra, ao passo que elementos
distribuídos esparsamente receberão pesos maiores. Além desse método, temos outros 3
métodos que não será utilizáveis no seguinte trabalho, são eles: Método da poligonal, Krigagem
e Inverso da Distância.
O método da poligonal é um método de desagrupamento em que os pesos atribuídos

às amostras são diretamente proporcionais à área do Polígono de Voronoi ao seu redor. Em
zonas de dados agrupados, as áreas dos polígonos tendem a ser pequenas, recebendo, então,
pesos menores. As extremidades da área global recebem um tratamento diferenciado. Uma
amostra localizada perto de uma das extremidades da área de interesse pode não estar
completamente cercada por outras amostras, podendo acarretar a impossibilidade de se ter um
polígono fechado. Uma solução seria a escolha de um limite natural, imitando um contato
geológico, ou mesmo o limite da jazida. Outra maneira seria fechar o polígono com um arco,
com raio definido pelo maior segmento delimitado, a 90º desse.
O método da Krigagem define o grau de dependência ou correlação espacial entre as

amostras por semivariograma. Uma vez modelado o semivariograma, é possível verificar o nível
de anisotropia dos dados, e então definir os melhores pesos para as amostras. A krigagem pode
ser um interpolador tanto exato como suavizador.
O método do inverso da distância faz com que os pesos dos dados sejam avaliados
durante o processo de interpolação, tal que a influência de cada ponto é inversamente
proporcional à distância do nó da malha. O fator peso pode ser pré-determinado pelo usuário,
sendo que quanto maior o valor escolhido, menor será a influência dos pontos mais distantes
do nó. Inversamente, quanto menor for o peso, maior o efeito de pontos distantes sobre toda a
malha. Uma característica negativa deste método é a geração de efeito mira ao redor dos pontos
observados. Este é um método rápido e requer pouco custo computacional.
Parâmetros para o desagrupamento da variável Cobalto no arquivo declus.par
1 Parameters for DECLUS

2 **********************
3
5 JuRa.dat - file with data
6 1 2 0 3 - columns for X, Y, Z, and variable
8 Co-Desagrupado.sum - file for summary output
20
9 Co-Desagrupado.out - file for output with data & weights
10 1.0 1.0 - Y and Z cell anisotropy (Ysize=size*Yanis)
11 0 - 0=look for minimum declustered mean (1=max)
12 100 50 5000 - number of cell sizes, min size, max size
13 4 - number of origin offsets
contendo as colunas para X, Y, Z e da variável Co utilizada representada pelos números 1, 2, 0 e
3 respectivamentes (linha 6). Os limites de teores de corte (linha 7) foram estipulados por
padrão com intervalo de -1 a, virtualmente, infinito.
Os arquivos de saída chamam-se Co-Desagrupado.sum (linha 8) e Co-Desagrupado.out

(linha 9). Na linha 10, temos os valores de anisotropia da célula móvel, para célular retangulares
utiliza-se os valores 1 e 1. Para os dados (linha 11), foi colocado o valor 0 para que a média
desagrupada fosse a mínima possível.
O número de células móveis, tamanho mínimo e máximo foram escolhidos,

respectivamente, como 100, 50, 5000 (linha 12). Na linha 13, definimos o número de torelância
a partir da origem com o valor em 4. Com esses parâmetros foi gerado 2 arquivos de saída, Co-
Desagrupado.sum e Co-Desagrupado.out. Para gerar o histograma desagrupado, é utilizado
novamente o programa histplt.exe, mas agora com os novos parâmetros.
Parâmetros para o Histograma de Frequência para Cobalto com valores Desagrupados

no arquivo histplt.par

2 **********************
3
5 Co-Desagrupado.out -file with data
8 Co-Declus.ps -file for PostScript output
16 Histograma Co Desagrupado - title
Para estes parâmetros o arquivo de chamada foi o arquivo de saída do desagrupamento

Co-Desagrupado.out (linha 5). As colunas para variável e peso foram, respectivamente as
colunas 3 e 5 (linha 6). Teores de corte (Linha 7) mantido os mesmos. Nome do arquivo de saída
escolhido foi “Co-Declus.ps” (Linha 8). Valores de variável mínimo de 0 e máximo de 2.06 (linha
9). Até a linha 15, é idêntico ao Histograma do Co Agrupado, na linha 16, o nome do título é
“Histograma Co Desagrupado”. Linhas 17 e 18 mantidas como no Histograma do Co Agrupado.
21
Figura 11: Histograma de Frequência com dados Desagrupados de Cobalto.
O Histograma Desagrupado diferiu do Agrupado na média aritmética e mediana,

de 0,94% e 0,96% para 0,93% e 0,97%, respectivamente. O gráfico também demostra uma
característica bimodal, porém o grupo com teores maiores apresentou uma simetria mais
concisa, com valores centrais de pico em torno de 1,10%. Temos no primeiro quartil 0,69%
e no ultimo quartil 1.19%. Após a intersecção das duas modas, a moda simétrica atinge um
valor mais ameno em relação às classes vizinhas. Os dados de desvio padrão ficaram em de
0,34%, variância 0,37%. A variação total foi em torno de 2% em relação ao Agrupado.
Mudando o campo Histograma do valor 0 para o valor 1, temos o histograma Acumulado para
os mesmos parâmetros:

2 **********************
3
5 Co-Desagrupado.out -file with data
8 Co-Declus-Acu.ps -file for PostScript output
16 Co Desagrupado Acumulado - title
22
Figura 12: Histograma Acumulado com dados Desagrupados de Cobalto.
Para o níquel foi feito o mesmo procedimento de desagrupamento. Parâmetros para

o desagrupamento da variável Cobalto no arquivo declus.par
1 Parameters for DECLUS

2 **********************
3
5 JuRa.dat - file with data
6 1 2 0 4 - columns for X, Y, Z, and variable
8 Ni-Desagrupado.sum - file for summary output
9 Ni-Desagrupado.out - file for output with data & weights
10 1.0 1.0 - Y and Z cell anisotropy (Ysize=size*Yanis)
11 0 - 0=look for minimum declustered mean (1=max)
12 100 50 5000 - number of cell sizes, min size, max size
13 4 - number of origin offsets
Para estes parâmetros, em relação aos parâmetros do Declus do Cobalto, temos as

mudanças na linha 6, onde a variável de 3 passa para 4. Nas linhas 8 e 9, os arquivos de saída
mudam o seu nome para “Ni-Desagrupado.sum” e “Ni-Desagrupado.out”.
Com esses parâmetros foi gerado 2 arquivos de saída, Ni-Desagrupado.sum e Ni-

Desagrupado.out. Para gerar o histograma desagrupado, é utilizado o programa histplt.exe com
os novos parâmetros.
23
Parâmetros para o Histograma de Frequência para Cobalto com valores Desagrupados
no arquivo histplt.par

2 **********************
3
5 Ni-Desagrupado.out -file with data
8 Ni-Declus.ps -file for PostScript output
16 Histograma Ni Desagrupado - title
Para estes parâmetros, em relação aos parâmetros do histplt.par do Cobalto, temos as

mudanças na linha 5, onde o arquivo de entrada é o “Ni-Desagrupado.out”, na linha 6 temos a
mudança da variável de 3 para 5. Na linha 8 temos a mudança do nome de saída para “Ni-
Declus.ps”, na linha 9 temos os valores de teor mínimo e máximo, respectivamente, 0,0 e 5,32.
E, por fim, temos o Título do Histograma como “Histograma Ni Desagrupado”.
Figura 13: Histograma de Frequência dos dados Desagrupados de Níquel.
24
Em relação ao Histograma Ni Agrupado, o Histograma de Frequência com os dados
Desagrupados de Níquel, diferencia-se em 1% na média, 1.99% contra 2% do agrupado, na
mediana, 2,06% contra 2,07% do agrupado, e nos quartis, temos no primeiro quartil 1,39%
e no ultimo quartil 2,55% nos desagrupados e, para os dados agrupados temos no primeiro
quartil 1,46% e no ultimo quartil 2,54%. Em relação às frequências temos apenas uma
anomalia em 1,20%, apresentando um pico de 90 de frequência. O desvio padrão foi de
0.78% contra 0,81% do agrupado e a variância foi de 0,40% para 0.39% no desagrupado.
Mudando o campo Histograma (linha 13) do valor 0 para o valor 1 e o título (linha 16) para
Histograma Ni Acumulado Desagrupado, temos o histograma de frequência acumulada (figura
Parâmetros para o Histograma Acumulado com dados desagrupados para o Níquel.

2 **********************
3
16 Histograma Ni Desagrupado - title
Figura 14: Histograma Acumulado dos dados Desagrupados de Níquel.
25
2.4. Análise comparativa
Através do Excel, foram executados os arquivos de sumário “Co-Desagrupado.sum” e

“Ni-Desagrupado.sum”, onde está presente na coluna 1 o tamanho da célula e, na coluna 2, a
média dos valores desagrupados. Com esses dados, foi feito o gráfico para o Cobalto
Desagrupado (Figura 15) e para o Níquel Desagrupado (Figura 16) de dispersão apresentando a
análise do comportamento da média a medida que se aumenta o tamanho de célula para o
banco de dados.
Cobalto Desagrupado
1,01
Média do Desagrupamento (%)
1,00
0,99 y = 3E-12x3 - 3E-08x2 + 5E-05x + 0,943
0,98 R² = 0,4067
0,97
0,96
0,95
0,94
0,93
0 1000 2000 3000 4000 5000 6000
Tamanho da Célula (m)
Figura 15: Gráfico da Média do Desagrupamento do Cobalto x Tamanho de Célula.
Níquel Desagrupado
2,14
Média do Desagrupamento (%)
2,12
y = 6E-12x3 - 4E-08x2 + 6E-05x + 2,0375
2,10 R² = 0,4459
2,08
2,06
2,04
2,02
2,00
1,98
1,96
0 1000 2000 3000 4000 5000 6000
Tamanho da Célula (m)
Figura 16: Gráfico da Média do Desagrupamento do Níquel x Tamanho de Célula.
A análise do gráfico mostra claramente, juntamente com a análise dos histogramas,

que o desagrupamento para este banco de dados pode ser considerado insignificante para o
estudo das variáveis de interesse. Com mudanças da ordem de 1-3% nos resultados dos
histogramas e com a variação com uma amplitude virtualemtne constante nos gráficos, o uso
do desagrupamento para este banco de dados não é aconselhável.
26
3. ROTINAS BÁSICAS DO GSLIB II – CORRELAÇÃO BIVARIADA
Com a existência de mais de uma variável para cada amostra, uma análise da existência
de correlação entre as variáveis se torna necessária. Com o programa scatplt.exe do Gslib, foi
gerado os gráficos de correlação entre Co e Ni. Os parâmetros para a correlação Níquel x cobalto
no arquivo scatplt.par são:
1 Parameters for SCATPLT

2 **********************
3
6 4 3 0 0 - columns for X, Y, wt, third var.
8 scatplt.ps -file for Postscript output
9 0.0 6.0 0 -X min and max, (0=arith, 1=log)
10 0.0 6.0 0 -Y min and max, (0=arith, 1=log)
11 0 -plot every nth data point
12 1.0 -bullet size: 0.1(sml)-1(reg)-10(big)
13 0.0 2.0 -limits for third variable gray scale
14 Ni vs Co -title
Para estes parâmetros o arquivo de chamada foi o banco de dados JuRa.dat (linha 5).
As colunas para variável forma 4 para X e 3 Para Y (linha 6). Os limites de teor de corte (linha 7)
foram padrão. O arquivo de saída (linha 8) é “satplt.ps”. Os valores limítrofes do gráfico (linhas
9 e 10) foram definidos em 0,0 e 6,0. Foi escolhido não plotar cada dado nos pontos na linha 11
setando o valor em 0, bem como tamanho do ponto na linha 12, deixado como 1. A linha 13 naõ
se aplica pois não há uma terceira variável e na linha 14 o título escolhido foi “Ni vs Co”.
Figura 17: Correlação bivariada entre Cobalto (%) e Níquel (%).
27
Como visto na figura 17, temos uma correlação de 0.744 entre os dados, indicando
uma dispersão significante de correlação na nuvem de pontos, porém ainda assim a correlação
é válida. Os dados mostran um natureza linear na correlação de Ni vs Co.
4. MODELAMENTO DA CONTINUIDADE ESPACIAL DAS VARIÁVEIS
Para o modelamento da continuidade espacial das variáveis, foi utilizado o programa

SGeMS, onde o arquivo de entrada foi o Banco de Dados JuRa.dat. Ao carregar o boanco de
dados definimos o tipo de objeto como “point set” (Conjunto de pontos) assim temos uma
visualização do mapa para Cobalto (Figura 18) e para o Níquel (Figura 19).
Figura 18: Mapa de pontos para o Cobalto (%) gerado no SGeMS.
Figura 19: Mapa de pontos para o Níquel (%) gerado no SGeMS.
28
A medida da continuidade espacial das variáveis através do programa SGeMS inicia no
menu “Data Analysis” e em “Variogram”. No modelador do Variograma Escolhemos o banco de
dados JuRa.dat e as propriedades da variável (Co-Co ou Ni-Ni). Os parâmetros são definidos
(Tabela X) e os Variogramas são gerados (Tabela Y).
Tabela 1: Parâmetros para o Variograma.

N° de Lags 52
Separação de Lags 100 m
Tolerância de Lags 50 m
Direções: 8
Mergulho: 0°
Tolerância Angular: 22,5°
Largura de Faixa: 100 m
Tabela 2: Valores de continuidade (esférica e exponencial)

Ângulos Co (Exp) Co (Esf) Ni (Exp) Ni (Esf)
0° 1100 800 900 820
22,5° 1300 900 1000 900
45° 1800 1200 1100 1000
67,5° 2000 1500 1600 1300
90° 1600 1200 1500 1100
112,5° 1400 1000 1400 1000
135° 1200 800 1000 900
157,5° 1000 700 800 800
Efeito Pepita 0,007 0.005
Sill 0,12 0.65
157,5° 157,5° 157,5° 157,5°
Ranger Menor (1000m) (700m) (800m) (800m)
67,5° 67,5° 67,5° 67,5°
Ranger Maior (2000m) (1500m) (1600m) (1300m)
No caminho para obtenção destes dados, obtivemos os Variogramas de Cobre e Níquel

com ajuste na continuidade por dois meios, um esférico (ESF) e outro exponencial (EXP).
Os dados mostraram uma maior continuidade no ângulo de 67,5° para ambos os

ajustes, e para ambas variáveis, cobalto e níquel.
Apesar da diferença nos ranges de continuidade, em torno de 1750m para o Cobalto e

1450m para o Níquel no eixo maior, no eixo menor temos 850m para o Cobalto e 800m para o
Níquel.
O que identifica o gráfico de correlação mostrado anteriormente, com a relação entre

Cobalto e Níquel bastantes dispersa, mas ainda válida nos termos do estudo.
29
Os Variogramas com seus respectivos ranges são mostrados a seguir:
Figura 20: Variograma de ângulo 0° com estrutura esférica e range de 800m para Cobalto.
Figura 21: Variograma de ângulo 22,5° com estrutura esférica e range de 900m para Cobalto.
30
31
Cobalto.
32
33
Cobalto.
Figura 29: Variograma de ângulo 22,5° com estrutura exponencial e range de 1300m para
Cobalto.
34
Cobalto.
Cobalto.
35
Cobalto.
Cobalto.
36
Cobalto.
Cobalto.
37
Figura 36: Variograma de ângulo 0° com estrutura esférica e range de 820m para Níquel.
Figura 37: Variograma de ângulo 22,5° com estrutura esférica e range de 900m para Níquel.
38
39
40
41
Figura 44: Variograma de ângulo 0° com estrutura exponencial e range de 900m para Níquel.
Níquel.
42
Níquel.
Níquel.
43
Níquel.
Níquel.
44
Níquel.
Níquel.
45
Figura 52: Variograma Experimental de Cobalto.
Figura 53: Variograma Experimental de Níquel.
46
A continuidade espacial pode ser demonstrada por uma modelagem em gráfico em
forma de radar. Nela conseguimos notar claramente a direção preferencial da estrutura. Foi
plotada as variáveis Cobalto e Níquel nos estudos das estruturas exponenciais e esféricas para a
continuidade através do programa Microsoft Excel. A direção de maior alcance define a direção
preferencial de correlação entre as amostras. E esta informação é utilizada para a realização da
interpolação de dados através de Krigagem.
0
337,5 2000 22,5
315 1500 45
1000
292,5 67,5
500 Co (Exp)
Co (Esf)
270 0 90
Ni (Exp)
Ni (Esf)
247,5 112,5
225 135
202,5 157,5
180
Figura 54: Gráfico em Radar dos valores de continuidade de cada Variável.
5. VALIDAÇÃO
5.1. Krigagem
A krigagem é um dos métodos de interpolação mais utilizado e aceito dentro das

geociências. Este método tem como objetivo realizar a estimativa de dados em pontos onde não
existe informação disponível por meio da correlação levando sempre em consideração a posição
espacial das amostras. Desta forma a transformação de dados pontuais em modelos de blocos
torna-se executável.
A ferramenta kt3d.exe (Gslib) fornece o número de blocos gerado e o seu teor de corte
pela krigagem de blocos. Com o executável KT3D.exe e seu respectivo parâmetro, foi
selecionada a variável cobre do banco de dados JuRa.dat para ser trabalho, gerando dois
arquivos de saída, um “.dbg” e outro “.out”.
No parâmetro o tamanho de bloco (que é dependente da amostragem) representa o

tamanho da área de amostragem e o número de células representa seu divisor em uma escala
apropriada para o trabalho.
Outro parâmetro modificado foi a discretização de blocos, que corrige quando possui
bloco com muitas amostras e blocos com poucas amostras, criando linhas diagonais em cada
amostra, linhas na forma de losango, estimando uma média de todas as médias, para um
determinado bloco quando neste possui agrupamento de muitas amostras.
47
Parâmetros para a Krigagem do banco de dados JuRa para o Cobalto:
1 Parameters for KT3D

2 *******************
3
6 0 1 2 0 3 0 - columns for DH,X,Y,Z,var,sec var
7 -1.0e21 1.0e21 - trimming limits
8 0 -option: 0=grid, 1=cross, 2=jackknife
9 xvk.dat -file with jackknife data
10 1 2 0 3 0 - columns for X,Y,Z,vr and sec var
11 3 -debugging level: 0,1,2,3
12 kt3d-Co.dbg -file for debugging output
13 kt3d-Co.out -file for kriged output
14 45 450 100 -nx,xmn,xsiz
15 52 500 100 -ny,ymn,ysiz
16 1 0.5 1.0 -nz,zmn,zsiz
17 5 5 1 -x,y and z block discretization
18 2 12 -min, max data for kriging
19 0 -max per octant (0-> not used)
20 2000 700 0 -maximum search radii
21 67.5 0.0 0.0 -angles for search ellipsoid
22 1 0 -0=SK,1=OK,2=non-st SK,3=exdrift
23 000000000 -drift: x,y,z,xx,yy,zz,xy,xz,zy
24 0 -0, variable; 1, estimate trend
25 extdrift.dat -gridded file with drift/mean
26 4 - column number in gridded file
27 1 0.007 -nst, nugget effect
28 1 0.12 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
29 2000 700 1 -a_hmax, a_hmin, a_vert
Os parâmetros da Krigagem tem como arquivo de entrada (linha 5) o banco de dados

JuRa.dat. As colunas utilizadas (linha 6) será 0 para DH, 1 para X, 2 para Y, 0 para Z, 3 para a
variável e 0 para a segunda variável. Valores de corte (linha 7) padrão.
Linhas 8, 9 ,10 e 11 não se aplicam. Linhas 12 e 13 são os arquivos de saída, “kt3d-

Co.dbg” e “kt3d-Co.out”. As linhas 14, 15 e 16 definem, respectivamente, para os valores em X,
Y e Z, o número de blocos, o mínimo e o tamanho de bloco, definidos como 45, 450 e 100 para
a linha 14; 52, 500 e 100 para a linha 15; e deixado como padrão para a linha 16.
Na linha 17 temos os valores de discretização para X, Y e Z como 5, 5 e 1,

respectivamente. Na linha 18 temos 2 e 12 como valores mínimos e máximos de dados para a
Krigagem. A linha 19 não é aplicável.
Os parâmetros de entrada da linha 20 foram obtidos pelos alcances máximo e mínimo

das direções variográficas, i.e., 700 e 2000. Na linha 21 é utilizado o ângulo máximo de
continuidade espacial do elipsoide variográfico (67,5°). A linha 22 é definida como 1 para que o
algoritmo faça a Krigagem ordinária. A linha 23, 24, 25 e 26 não se aplicam.
48
Na linha 27 é definida o número de estruturas (1) e o efeito pepita (0,007). Na linha 28
são definidos a presença de sill (1) e o seu valor (0,12). Finalmente , na linha 29 é definido o
range máximo e mínimo, respectivamente 2000 e 700.
Parâmetros para a Krigagem do banco de dados JuRa para o Níquel:

2 *******************
3
14 45 450 100 -nx,xmn,xsiz
15 52 500 100 -ny,ymn,ysiz
16 1 0.5 1.0 -nz,zmn,zsiz
28 1 0.12 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
As linhas a serem atualizada para os parâmetros em função do Níquel são as linhas 6

(valor 3 para 4), 12 (kt3d-Ni.dbg), 13 (kt3d-Ni.out), 20 (1600, 800 e 0), 27 (1 e 0,005), 28 (1 e
0,65) e a linha 28 (1600, 800 e 1).
Após isso, os arquivos “kt3d-Co.out” e “kt3d-Ni.out” são abertos no programa SGeMS

como grade cartesiana no tipo de objeto.
Nas dimensões da grade, o número de células em X é 45, em Y é 52 e em Z é 1. Em

tamanho de célula, o tamanho em X é 105, em Y é 105 e em Z é 1. As coordenadas de Origem
são definidas em 400 para X, 400 para Y e 0 para Z. Foram excluídos os dados com valores
definidos de -999.
49
Para tal, gerou o seguinte mapa de Krigagem:
Figura 55: Mapa de blocos com a estimativa para Cobalto.
Figura 56: Mapa de blocos com a variância estimada para Cobalto.
50
Figura 57: Mapa de blocos com a estimativa para Níquel.
Figura 58: Mapa de blocos com a variância estimada para Níquel.
51
5.2. Validação cruzada
Para fazer a validação cruzada, pegamos o parâmetro do arquivo kt3d.par e mudamos

na linha 8 de 0 para 1 e na linha 7 de -1.0e21 para 0. Abaixo temos os parâmetros para a
Krigagem Cruzada do banco de dados JuRa para o Cobalto:

2 *******************
3
7 0 1.0e21 - trimming limits
14 45 450 100 -nx,xmn,xsiz
15 52 500 100 -ny,ymn,ysiz
16 1 0.5 1.0 -nz,zmn,zsiz
28 1 0.12 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
Para os parâmetros de Krigagem Cruzada do banco de dados JuRa para o Níquel, os

valores mudados em relação ao do Cobalto são nas linhas 6 e 10 (o valor 3 muda para 4), o
arquivo de saída (linhas 12 e 13 mudam para “kt3d-Ni-Cross.dbg” e “kt3d-Ni-Cross.out”
respectivamente), os raios de busca máximos na linha 20 (1600, 800 e 0), o efeito pepita na linha
27 (0,005) e, por fim, na linha 28 muda-se os parâmetros para 1600, 800 e 1 como pode ser visto
abaixo:

2 *******************
3
7 0 1.0e21 - trimming limits
52
12 kt3d-Ni-Cross.dbg -file for debugging output
13 kt3d-Ni-Cross.out -file for kriged output
14 45 450 100 -nx,xmn,xsiz
15 52 500 100 -ny,ymn,ysiz
16 1 0.5 1.0 -nz,zmn,zsiz
28 1 0.12 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
Com esses parâmetros foram gerados os arquivos “kt3d-Co-Cross.out” e “kt3d-Ni-

Cross.out”. Esses novos arquivos serão usados para gerar o histograma de erros. Primeiramente
devemos abrir os arquivos .out e verificar o valores menor e maior na coluna 7. Foi observado
que os valores estremos no “kt3d-Co-Cross.out” estão entre -0,942 e 0,966 e no “kt3d-Ni-
Cross.out” estão entre -2,357 a 2,176.
Sendo assim o arquivo de parâmetros para gerar o histograma de erros mudará no

arquivo de entrada
1,5
0,5
0
0 50 100 150 200 250 300 350 400
-0,5
-1
-1,5
Figura 59: Valores de Erro do Co, mostrando a amplitude dos dados.
53
2,5
2
1,5
1
0,5
0
-0,5 0 50 100 150 200 250 300 350 400
-1
-1,5
-2
-2,5
-3
Figura 60: Valores de Erro do Ni, mostrando a amplitude dos dados.
5.3. Histogramas de erros
Os histogramas de erros são gerados a partir dos histogramas normais, apenas

utilizando o arquivo de entrada (linha 5) como sendo o “kt3d-Co-Cross.out” para o Cobalto e o
“kt3d-Ni-Cross.out” para o Níquel. Na linha 6 mudará da coluna 5 para a coluna 7. O Arquivo de
saída será “Co-Histo-Freq-Erro.ps” para o Cobalto e “Ni-Histo-Freq-Erro.ps” para o Níquel.
Nas linhas 7 e 9, teremos os valores descobertos anteriormente na nuvem de dados

de erro. Correspondente a -1 e 1 para o Cobalto e -2,4 e 2,2 para o Níquel. Por último, o título
do Histograma será “Histograma Co Erros” para o cobalto e “Histograma Ni Erros” para o Níquel.
Parâmetros para o Histograma de Erro para Cobalto:

2 **********************
3
5 kt3d-Co-Cross.out -file with data
7 -1.0 1.0 - trimming limits
8 Co-Histo-Freq-Erro.ps -file for PostScript output
9 -1 1 -attribute minimum and maximum
16 Histograma Co Erros
54
Figura 61: Histograma de Frequência dos Erros para o Cobalto
O Histograma Co Erros apresenta valores com uma amplitude de -0,942 a 0,966,

com uma média aritmética de 0,003 referente às 359 amostras, representando o centro de
gravidade da distribuição da variável. Mediana 0,004, sendo este o valor que divide as
observações no meio. O gráfico demostra simetria, indicando mais dados nos valores
centrais e igualmente distribuída. O primeiro quartil ficou em -0,133 e o ultimo em 0,128.
Ao longo do histograma, a característica simetrica inicia-se no eixo da frequência

com uma curva ascendente do início do histograma até seu ponto central para, em seguida,
apresentar uma curva descendente até o final dos dados em 1. Os dados de média e
mediana reforçam estas avaliações somadas ao desvio padrão de 0,226.
Parâmetros para o Histograma de Erro para Níquel:

2 **********************
3
5 kt3d-Ni-Cross.out -file with data
8 Ni-Histo-Freq-Erro.ps -file for PostScript output
9 -2.4 2.2 -attribute minimum and maximum
55
16 Histograma Ni Erros
Figura 62: Histograma de Frequência dos Erros para o Níquel
O Histograma Ni Erros apresenta valores com uma amplitude de -2,36 a 2,18, com
uma média aritmética em zero, referente às 359 amostras, representando o centro de
gravidade da distribuição da variável. Mediana -0,01, sendo este o valor que divide as
observações no meio. O gráfico demostra simetria, indicando mais dados nos valores
centrais e igualmente distribuída. O primeiro quartil ficou em -0,33 e o ultimo em 0,30.
Ao longo do histograma, a característica simétrica inicia-se no eixo da frequência

com uma curva ascendente do início do histograma até seu ponto central para, em seguida,
apresentar uma curva descendente até o final dos dados em 2,18. Os dados de média e
mediana reforçam estas avaliações somadas ao desvio padrão de 0,55.
Para os histogramas acumulados os parâmetros serão os mesmos apenas mudando a

linha 8 para “Co-Histo-Acu-Erro.ps” para o Cobalto e “Ni-Histo-Acu-Erro.ps” para o Níquel. A
linha 13 de ambos mudará de 0 para 1 e na linha 16 para o Cobalto será “Histograma de Erros
Co” e para o Níquel será “Histograma de Erros Ni” como mostrado abaixo.
56
Parâmetros para o Histograma Acumulado de Erro para Cobalto:

2 **********************
3
8 Co-Histo-Acu-Erro.ps -file for PostScript output
9 -1 1 -attribute minimum and maximum
16 Histograma de Erros Co
Figura 63: Histograma Acumulado dos Erros para o Cobalto
57
Parâmetros para o Histograma Acumulado de Erro para Níquel:

2 **********************
3
8 Ni-Histo-Acu-Erro.ps -file for PostScript output
9 -2.4 2.2 -attribute minimum and maximum
16 Histograma de Erros Ni
Figura 64: Histograma Acumulado dos Erros para o Níquel
58
5.4. Modelo de blocos
Para o modelo de blocos, usamos o programa scatplt.exe do GSLib. Utilizando os

sequintes parâmetros:

2 **********************
3
8 scatplt-Co-Cross.ps -file for Postscript output
9 0.0 45 0 -X min and max, (0=arith, 1=log)
10 0.0 52 0 -Y min and max, (0=arith, 1=log)
14 Cobalto: Verdadeiro vs Estimado -title
O arquivo de entrada deste parâmetro é o “kt3d-Co-Cross.out” (linha 5), onde são

usadas as colunas 4 e 5 como X e Y, respectivamentes (linha 6). Os valores de teor de corte são
definidos no extremos do programa, -1.0e21 e 1.0e21 (linha 7). O arquivo de saída (linha 8) é
“scatplt-Co-Cross.ps”. Para valores de X e Y do mapa foi definido como 0 a 45 para X e 0 a 52
para Y (linhas 9 e 10). Linhas 11, 12 e 13 foram deixadas no padrão. Linha 14 contém o título do
mapa, definido como “Cobalto: Verdadeiro vs Estimado”.
Figura 65: Análise bivariada dos teores verdadeiros contra estimados de Cobalto
59
Parâmetros para o modelo de blocos para o Níquel no scatplt.exe:

2 **********************
3
8 scatplt-Ni-Cross.ps -file for Postscript output
9 0.0 45 0 -X min and max, (0=arith, 1=log)
10 0.0 52 0 -Y min and max, (0=arith, 1=log)
14 Níquel: Verdadeiro vs Estimado -title
O arquivo de entrada deste parâmetro é o “kt3d-Ni-Cross.out” (linha 5), onde são

usadas as colunas 4 e 5 como X e Y, respectivamentes (linha 6). Os valores de teor de corte são
definidos no extremos do programa, -1.0e21 e 1.0e21 (linha 7). O arquivo de saída (linha 8) é
“scatplt-Nio-Cross.ps”. Para valores de X e Y do mapa foi definido como 0 a 45 para X e 0 a 52
para Y (linhas 9 e 10). Linhas 11, 12 e 13 foram deixadas no padrão. Linha 14 contém o título do
mapa, definido como “Níquel: Verdadeiro vs Estimado”.
Figura 66: Análise bivariada dos teores verdadeiros contra estimados de Níquel
60
Para gerar os mapas com teor de corte vamos para o programa pixelplt.exe e definimos
os parametros do pixelplt.par como:
1 Parameters for PIXELPLT

2 ***********************
3
5 kt3d-Co.out -file with gridded data
6 1 - column number for variable
7 0 1.0e21 - data trimming limits
8 pixelpltCo0.ps -file with PostScript output
9 1 -realization number
10 45 450 100 -nx,xmn,xsiz
11 52 500 100 -ny,ymn,ysiz
12 1 0.5 1.0 -nz,zmn,zsiz
13 1 -slice orientation: 1=XY, 2=XZ, 3=YZ
14 1 -slice number
15 Mapa Estimado - Teor de Corte: 0 -Title
16 East -X label
17 North -Y label
20 0 -0=continuous, 1=categorical
21 0.0 1.6 0.1 -continuous: min, max, increm.
22 4 -categorical: number of categories
23 1 3 Code_One -category(), code(), name()
24 2 1 Code_Two
25 3 6 Code_Three
26 4 10 Code_Four
27
28 Color Codes for Categorical Variable Plotting:
29 1=red, 2=orange, 3=yellow, 4=light green, 5=green, 6=light blue,
30 7=dark blue, 8=violet, 9=white, 10=black, 11=purple, 12=brown,
31 13=pink, 14=intermediate green, 15=gray
O arquivo de entrada deste parâmetro é o “kt3d-Co.out” (linha 5), onde é usada a

colunas 1 para variável (linha 6). Os valores de teor de corte são definidos como 0 e 1.0e21 (linha
7). O arquivo de saída (linha 8) é “pixelpltCo0.ps”. O número de etapas é definido como 1 (Linha
9). Para valores de X e Y do mapa para número de célula, foi definido como 45, 450 e 100 para
X e 52, 500 e 100 para Y (linhas 10 e 11). Linhas 12 a 14 não se aplicam.
A Linha 14 contém o título do mapa, definido como “Mapa Estimado - Teor de Corte:
0”. Linhas 16 a 20 foram deixadas como padrão. Na linha 21, definimos a escala de cor do mapa
para ir de 0 a 1.6 com incremento de 0,1. As demais linhas não se aplicam.
Para os demais teores de corte, os parâmetros a serem mudadas são: o teor que será
de 0.2, 0.4, 0.6, 0.8, 1.0, 1.2 e 1.4 (linha 7), o nome do arquivo (linha 8) e o seu respectivo título
(linha 14). Todos coerentes com a linha 7.
61
Figura 67: Mapa estimado de Cobalto com teor de corte 0
Figura 68: Mapa estimado de Cobalto com teor de corte 0,2
62
63
Figura 72: Mapa estimado de Cobalto com teor de corte 1
64
65
O mesmo é feito para o Níquel, apenas trocando o arquivo de entrada (linha 5) para
“kt3d-Ni.out”, o arquivo de saída para “pixelpltNi0.ps” (linha 8), o título do mapa para “Mapa
Estimado – Teor de Corte: 0” (linha 15) e na linha 21 agora definimos a escala de cor do mapa
para ir de 0 a 4 com incremento de 0.4, Conforme visto abaixo:
1 Parameters for PIXELPLT

2 ***********************
3
5 kt3d-Ni.out -file with gridded data
6 1 - column number for variable
7 0 1.0e21 - data trimming limits
8 pixelpltNi0.ps -file with PostScript output
9 1 -realization number
10 45 450 100 -nx,xmn,xsiz
11 52 500 100 -ny,ymn,ysiz
12 1 0.5 1.0 -nz,zmn,zsiz
13 1 -slice orientation: 1=XY, 2=XZ, 3=YZ
14 1 -slice number
15 Mapa Estimado - Teor de Corte: 0 -Title
16 East -X label
17 North -Y label
20 0 -0=continuous, 1=categorical
21 0.0 4.0 0.4 -continuous: min, max, increm.
22 4 -categorical: number of categories
23 1 3 Code_One -category(), code(), name()
24 2 1 Code_Two
25 3 6 Code_Three
26 4 10 Code_Four
27
28
29 Color Codes for Categorical Variable Plotting:
30 1=red, 2=orange, 3=yellow, 4=light green, 5=green, 6=light blue,
31 7=dark blue, 8=violet, 9=white, 10=black, 11=purple, 12=brown,
32 13=pink, 14=intermediate green, 15=gray
Para os demais teores de corte, os parâmetros a serem mudadas são: o teor que será
de 0.4, 0.8, 1.2, 1.6, 2.0, 2.4 e 2.8, 3.2 e 3.6 (linha 7), o nome do arquivo (linha 8) e o seu
respectivo título (linha 14). Todos coerentes com a linha 7.
Com isso geramos os mapas estimados em diferentes teores para o níquel.
66
Figura 75: Mapa estimado de Níquel com teor de corte 0
Figura 76: Mapa estimado de Níquel com teor de corte 0,4
67
68
Figura 80: Mapa estimado de Níquel com teor de corte 2
69
70
71
Os Histogramas desses mapas foram gerados no Programa SGeMS:
Figura 85: Histograma de Frequências para o Cobalto com teor de corte 0
Figura 86: Histograma de Frequências para o Cobalto com teor de corte 0,2
72
73
74
Figura 92: Histograma de Frequências para o Níquel com teor de corte 0,0
75
76
77
78
79
5.5. Parametrização
Tabela 3: Relação do Teor de Corte com a Recuperação e o Teor médio de Co.

Teor de Corte (%) Teor Médio (%) Blocos Recuperação (%)
0,0 0,915602 2165 100,00
0,2 0,915602 2165 100,00
0,4 0,929763 2113 97,60
0,6 1,092890 1409 65,08
0,8 1,169860 994 45,91
1,0 1,299530 340 15,70
1,2 1,440570 47 2,17
Tabela 4: Relação do Teor de Corte com a Recuperação e o Teor médio de Ni.

Teor de Corte (%) Teor Médio (%) Blocos Recuperação (%)
0,0 1,988560 2130 100,00
0,4 1,989310 2129 99,95
0,8 2,024550 2073 97,32
1,2 2,178810 1797 84,37
1,6 2,329390 1507 70,75
2,0 2,473820 1174 55,12
2,4 2,717720 618 29,01
2,8 3,038170 194 9,11
3,2 3,393810 32 1,50
3,6 3,774000 2 0,09
80
100,00 100,00
Recuperação do Cobalto
97,60
100
90
80
70 65,08
RECUPERAÇÃO (%)
60
45,91
50
40
30
15,70
20
10 2,17
0
0,0 0,2 0,4 0,6 0,8 1,0 1,2
TEOR DE CORTE (%)
Figura 102: Gráfico Recuperação x Teor de Corte para o Cobalto.
Teor Médio do Cobalto

1,6
1,441
1,4 1,300
1,170
1,2 1,093
TEOR MÉDIO (%)
0,930
1,00,916 0,916
0,8
0,6
0,4
0,2
0,0
0,0 0,2 0,4 0,6 0,8 1,0 1,2
TEOR DE CORTE (%)
Figura 103: Gráfico Teor Médio x Teor de Corte para o Cobalto.
81
Cobalto: Parametrização
120 1,6
1,4
100
1,2
RECUEPRAÇÃO (%)
TEOR MÉDIO (%)

80
1,0
60 0,8
0,6
40
0,4
20
0,2
0 0,0
0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4
TEOR DE CORTE (%)
Recuperação Teor Médio
Figura 104: Curva de Parametrização para o Cobalto.
100,00 99,95
Recuperação do Níquel
97,32
100
90 84,37
80 70,75
70
RECUPERAÇÃO (%)
60 55,12
50
40
29,01
30
20
9,11
10 1,50 0,09
0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
TEOR DE CORTE (%)
Figura 105: Gráfico Recuperação x Teor de Corte para o Níquel.
82
Teor Médio do Níquel
4,0 3,774
3,394
3,5
3,038
3,0 2,718
2,474
TEOR MÉDIO (%)
2,329
2,5 2,179
1,989 1,989 2,025
2,0
1,5
1,0
0,5
0,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
TEOR DE CORTE (%)
Figura 106: Gráfico Teor Médio x Teor de Corte para o Níquel.
Níquel: Parametrização
120 4,0
3,5
100
3,0
RECUEPRAÇÃO (%)
TEOR MÉDIO (%)

80
2,5
60 2,0
1,5
40
1,0
20
0,5
0 0,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
TEOR DE CORTE (%)
Recuperação Teor Médio
Figura 107: Curva de Parametrização para o Níquel.
83
6. Conclusões
Para os estudos geoestatísticos, as ferramentas disponíveis possuem crucial

importância para a análise de variáveis, tal como teores, uma vez que também levam em
consideração a localização geográfica dos dados. Essas ferramentas foram muito importantes
para a análise geoestatística do banco de dados suíço JuRa.dat. O GSLib, aliado ao programas
utilizados durante o relatório, se mostraram bastante eficientes na estimativa e interpolação
dos dados.
Os mapas e histogramas serviram como bases iniciais para a avaliação estatística,

bem como a análise bivariada dos dados. O processamento dos variogramas e da krigagem
responderam satisfatoriamente aos resultados esperados. Os dados sobre o erro da
estimativa serviram como parâmetro para esta avaliação, somado ao scatterplot dos dados
reais e dos estimados onde nota-se uma correlação positiva dos dados com existência de
alguma porção de erro, gerando alguns dados extrapolados mas dentro do esperado.
Devido às amostras não estarem muito agrupadas e essa confirmação através do

uso do aplicativo declus.exe, não houve necessidade de desagrupamento, logo, não
houveram mudanças nos parâmetros em relação ao agrupamento.
Com isso o banco de dados foi analisado, obtendo as medidas de estatística

descritiva das variáveis de interesse ao aplicar as rotinas básicas do GSLib, gerando
histogramas, mapas de localização, correlações de variáveis e modelos de krigagem, bem
como a modelagem da continuidade espacial das variáveis via GSeMS. Com isso, foi possível
estimar e gerar o modelo de blocos das variáveis, com validação cruzada e seus histogramas
de erros. Esses dados serviram de base para a elaboração de mapas de teor de corte e curvas
de parametrização das variáveis de modo satisfatório.
84
REFERÊNCIAS
ANDRIOTTI, J.L.S. Fundamentos de estatística e geoestatística. Porto Alegre: Unisinos, 2003.
BRAGA, Luis Paulo. Compreendendo Probabilidade e Estatística. 1. ed. Brasil: Editora E-papers.
2010.
DEUTSCH, C.V; Journel, A. G.1996 – GSLIB – Geostatistical Software Library – Second Edition,
Oxford University Press, New York/Oxford, 1996.
FAGUNDES, T. VALLE, B. SAMPAIO, L. Análise Geoestatística do Atributo Co no DATASET jura.

Disponível em : http://geojuracobalto.blogspot.com.br. Acessado em: 04/12/2015.
ISAAKS, E. H.; SRIVASTAVA, R. M. Applied Geostatistics. New York: Oxford University Press, 1989.
LANDIM P.M.B. Introdução a análise geoestatística. Rio Claro: UNESP, 2003.
LANDIM, P.M.B. & MONTEIRO, R. C. Introdução ao GSLIB (Geostatistical Software Library).

DGA,IGCE,UNESP/Rio Claro, Lab. Geomatemática,Texto Didático 01, 19 pp. 2000.
MOURA, L; ROCA, M; DUTRA, Verônica. Análise Geoestatística: Atributo Cr no DATASET Jura, 2013.
Site:http://crjura.blogspot.com.br/p/o-que-e-geoestatistica.html
PIRES, C. A. F.; STRIEDER A. J.; DAL’ASTA A. P. Geoestatística Caderno Técnico – Grupo de

Pesquisa Quantificação Aplicada à Ciências da Terra e Meio Ambiente. Universidade Federal de
Santa Maria, RS. Departamento de Geociências, 2011
REMY, N.; BOUCHER, A.; Applied Geostatistics with SGeMS: A User's Guide, Cambridge University
Press, 2009.
85

Relatório III Vinicius Gomes

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Relatório III Vinicius Gomes

Caricato da

Copyright:

Formati disponibili

UNIVERSIDADE FEDERAL PELOTAS

ESTUDO GEOESTATÍSTICO DO BANCO DE

Vinicius Ferreira Gomes

Figura 1: Mapa de Localização política da Região de Jura. 7

Tabela 1: Parâmetros para o Variograma. 7

1.1. Banco de dados

O banco de dados JuRa consiste em um banco de dados de 359 poços perfurados na

Os dados do banco de dados JuRa referem-se à uma área de aproximadamente

Figura 1: Mapa de Localização política da Região de Jura.

Figura 3: Contexto Geológico do Maciço Jura.

 O seguinte trabalho tem por objetivo a análise geoestatística do banco de dados

 Analisar o banco de dados, obtendo medidas de estatística descritiva das

Geoestatística é um ramo da estatística que une o conceito de variáveis aleatórias com

A geoestatística tem como objetivo descrever o comportamento espacial dos dados (o

O uso da geoestatística é importante por fornecer melhores resultados,

O GSLib (Geostatistics Software Library) é um pacote de programas desenvolvido

O GSView é um programa visualizador de documentos em postscript executado sob o

O Notepad++ é um editor de texto e de código fonte de código aberto sob a licença

O S-GeMS é um software de modelação em geoestatística que utilizou como base a

1.3.6. Microsoft Excel

O Microsoft Office Excel é um editor de planilhas produzido pela Microsoft para

O desenvolvimento da análise exploratória e descritiva do banco de dados se dá,

Parâmetros para o Histograma de Frequência para o Cobalto no arquivo histplt.par

1 Parameters for HISTPLT

Figura 4: Histograma de Frequência dos dados Agrupados de Cobalto.

O Histograma Co Agrupado apresenta valores em porcentagem com uma

Ao longo do histograma, a característica bimodal inicia-se no eixo da frequência

1 Parameters for HISTPLT

Figura 5: Histograma Acumulado dos dados Agrupados de Cobalto.

Parâmetros para o Histograma de Frequência para o Níquel no arquivo histplt.par

1 Parameters for HISTPLT

Figura 6: Histograma de Frequência dos dados Agrupados de Níquel.

Ao longo do histograma, a característica negativa inicia-se no eixo da frequência

Parâmetros para o Histograma Acumulado para o Níquel no arquivo histplt.par

1 Parameters for HISTPLT

2.2. Mapa de localização das amostras

Os mapas de localização espacial das amostras foram elaborados a partir do aplicativo

A malha de amostras encontra-se mais adensada somente onde foram encontrados

Para a geração do mapa de localização, utiliza-se os dados do banco de dados JuRa.dat

O gráfico gerado mostra valores mínimos de 0 para X e para Y e valores máximos em

Figura 8: Gráfico de Dispersão XY para determinação dos valores limítrofes do locmap.

Parâmetros para o Mapa de Localização do Cobalto no arquivo locmap.par

1 Parameters for LOCMAP

Figura 9: Mapa de Localização das amostras de Cobalto.

Parâmetros para o Mapa de Localização do Níquel no arquivo locmap.par

1 Parameters for LOCMAP

Figura 10: Mapa de Localização das amostras de Níquel.

Levando em consideração que as amostras estão levemente agrupadas, pode-se

Cada amostra recebe um peso inversamente proporcional ao número de

Há dois parâmetros para o método: tamanho de célula e locação da célula no grid

Elementos dentro de agrupamentos receberão pesos menores, pois as células nas

O método da poligonal é um método de desagrupamento em que os pesos atribuídos

O método da Krigagem define o grau de dependência ou correlação espacial entre as

Parâmetros para o desagrupamento da variável Cobalto no arquivo declus.par

1 Parameters for DECLUS

Os arquivos de saída chamam-se Co-Desagrupado.sum (linha 8) e Co-Desagrupado.out

O número de células móveis, tamanho mínimo e máximo foram escolhidos,

Parâmetros para o Histograma de Frequência para Cobalto com valores Desagrupados

1 Parameters for HISTPLT

Para estes parâmetros o arquivo de chamada foi o arquivo de saída do desagrupamento

O Histograma Desagrupado diferiu do Agrupado na média aritmética e mediana,

1 Parameters for HISTPLT

Para o níquel foi feito o mesmo procedimento de desagrupamento. Parâmetros para

1 Parameters for DECLUS