2. Estatística espacial
Estatística clássica
variáveis independentes
sem continuidade espacial
Estatística espacial
valores associados à localização no espaço e/ou no tempo
distribuição contínua dos valores
Geoestatística
variáveis regionalizadas: fenômeno natural
aspecto estrutural (determinístico)
aspecto errático (casual)
correlação espacial
Procedimentos em geoestatística
análise exploratória dos dados
calculo do variograma experimental
modelagem
krigagem: estimativa e interpolação
simulação
3. Geoestatística
Metodologia para
determinar se existe uma autocorrelação
espacial entre dois pontos amostrados
quantificar o efeito da localização
espacial sobre a variabilidade amostral
Baseia-se no pressuposto que pontos
mais próximos normalmente estão mais
relacionados entre si do que pontos
muito afastados.
4. A hipótse intrínsica
A hipótese intrínsica estabelece que
a distribuição das diferenças entre
pares de valores obtidos em locais
de amostragem é a mesma em toda a
área, dependendo apenas da
distância e da orientação entre os
pontos.
Em outras palavras, as diferenças
devem ser consistentes, NÃO
constantes por toda a área.
5. Variograma e krigagem
Geoestatística: variograma e krigagem.
Variograma: descrição matemática da
relação entre a variância de pares de
observação (pontos de amostragem) e a
distância que separa essas observações
Krigagem: a autocorrelação espacial pode
ser usada para estimar valores em
pontos não amostrados.
6. para a utilização do semivariograma as
seguintes suposições básicas são requeridas:
a) as diferenças entre pares de valores de
amostras são determinadas apenas pela
orientação espacial relativa dessas amostras;
b) o interesse é enfocado apenas na média e
na variância das diferenças, significando que
esses dois parâmetros dependem unicamente da
orientação (hipótese intrínseca);
c) por conveniência assume-se que os valores
da área de interesse não apresentam tendência
que possa afetar os resultados e assim a
preocupação será apenas com a variância das
diferenças entre valores das amostras.
7. Semivariograma mostra, pela análise estrutural, o
comportamento espacial da variável regionalizada ou
de seus resíduos, quando na presença de tendência:
tamanho da zona de influência em torno de uma
amostra; toda amostra cuja distância ao ponto a
ser estimado for menor ou igual ao alcance,
fornece informações sobre o ponto
anisotropia, quando os semivariogramas se mostram
diferentes para diferentes direções de linhas de
amostragem;
continuidade, pela forma do variograma quando
para h=0 γ(h) já apresenta algum valor (efeito
pepita/nugget); pode ser atribuído à erros de
medição ou ao fato de que os dados não foram
coletados a intervalos suficientemente pequenos
para mostrar o comportamento espacial subjacente
do fenômeno em estudo.
9. semivariograma experimental
mínimo de 30 pares
remoção de valores anômalos
maior ∆h, a metade da maior distância existente entre
os pontos.
grau de casualidade dos dados, E = Co/C
E<0,15: componente aleatória pequena
0,15 < E < 0,30: componente aleatória significante
E > 0,30: componente aleatória muito significativa
extremo do grau de casualidade é o modelo de pepita
pura, onde não ocorre covariância entre os valores e a
análise semivariográfica não se aplica
iniciar com semivariograma omnidirecional
semivariograma teórico
modelagem: processo que envolve várias tentativas e
no qual a experiência pesa muito
pode-se optar por um ajuste manual, mais sujeito à
erros, ou com o auxílio de algoritmos
10. Ajuste do variograma
experimental a um modelo
variográfico teórico
Comparação visual
Técnicas de ajuste automático:
Método dos mínimos quadrados
Critério AIC (Akaike Information
Criterion)
Critério Cressie
Critério Variowin, etc.
Validação cruzada
11. Modelos variográficos
As funções
matemáticas
dos modelos
devem permitir
que a matriz de
covariâncias,
nele baseada,
possa ser
invertida, como
ocorre na
krigagem.
Somente certos
modelos podem
ser usados.
12. Dados
1ª. Variável: cádmio (example.dat/GEOEAS)
2ª. Variable: valor de cádmio+100
As coordenadas X e Y são as mesmas para ambas as variáveis
ID X Y Cd Cd100
1 288 311 11.5 111.5
2 285.6 288 8.5 108.5
3 273.6 269 7 107
4 280.8 249 10.7 110.7
5 273.6 231 11.2 111.2
6 276 206 11.6 111.6
7 285.6 182 7.2 107.2
8 288 164 5.7 105.7
9 292.8 137 5.2 105.2
10 278.4 119 7.2 107.2
11 360 315 3.9 103.9
12 355.2 291 9.5 109.5
13 367.2 272 8.9 108.9
14 367.2 250 11.5 111.5
15 352.8 226 10.7 110.7
16 350.4 203 8.3 108.3
…
60 ...
14. Determinação de h
Maior “h”: metade da maior
distância entre pontos
E-W: 492-254= 238
N-S: 315-118 = 197
Maior distância = (2382
+ 1972
)1/2
= 309
Maior “h” = 150
Extensão do menor “h”?
Extensão do intervalo x número de
pares no intervalo
27. Escolha do modelo linear (default do
SURFER) para a variável Cd
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
L a g D is ta n c e
0
2
4
6
8
1 0
1 2
1 4
1 6
1 8
2 0
Variogram
D ir e c tio n : 0 .0 T o le r a n c e : 9 0 .0
C o lu m n D : C d
28. Escolha do modelo linear (default do
SURFER) para a variável Cd100
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
L a g D is ta n c e
0
2
4
6
8
1 0
1 2
1 4
1 6
1 8
2 0
Variogram
D ir e c tio n : 0 .0 T o le r a n c e : 9 0 .0
C o lu m n E : C d 1 0 0
29. Krigagem da variável Cd e respectivo mapa de desvios padrão
dos valores estimados pela krigagem
Modelo adotado: linear (SURFER)
3 0 0 3 5 0 4 0 0 4 5 0
1 5 0
2 0 0
2 5 0
3 0 0
0
1
2
3
4
5
6
7
8
9
1 0
1 1
1 2
1 3
1 4
1 5
1 6
1 7
3 0 0 3 5 0 4 0 0 4 5 0
1 5 0
2 0 0
2 5 0
3 0 0
0
0 . 5
1
1 . 5
2
2 . 5
3
3 . 5
4
4 . 5
5
5 . 5
6
6 . 5
7
C d : m o d e lo lin e a r
31. CONCLUSÕES
O aspecto geral dos dois mapas para a variável Cd,
resultantes da krigagem, é praticamente o mesmo.
Idem em relação à variável Cd100
No primeiro caso, tendo sido ajustado o melhor modelo
(exponencial), o resultado, para ambas as variáveis, com
relação ao intervalo de valores de desvios padrão é o mesmo
(1,65-3,05), independentemente da escala dos valores em
Cd e Cd100.
Quando, porem, é adotado um modelo que não reflete o
comportamento espacial dos dados (modelo linear), os desvios
padrão se apresentam com valores maiores (0-7), para
ambas as situações.
Os menores valores de desvio-padrão estão, sempre,
associados aos locais com pontos de amostragem.
32. Isso porque:
O semivariograma mostra a medida do
grau de dependência espacial entre
valores e é uma medida da variabilidade
em relação à distância. A krigagem usa
essas informações para encontrar os
pesos ótimos a serem associados às
amostras que irão estimar um ponto.
A variância da krigagem é independente
dos valores dos pontos usados para
obter os estimadores Zi* e mede
somente a configuração espacial dos
dados. Sendo a krigagem baseada
apenas no variograma, que é global, os
valores da variância independe dos
valores locais dos pontos de
amostragem.