Interpolao e Geoestatstica

GOOGLE EARTH

Cad minha casa?

COMO FUNCIONA?

Natureza do Dado Contnuo

Diferentemente de temas como uso do solo, tipos de solo, unidades geolgicas, etc. mapas poligonais no se aplicam representao da superfcie terrestre dado seu comportamento contnuo e no na forma de objetos discretos; Neste caso pode-se simplificar o fenmeno e represent-lo a partir de isolinhas (isopletas) ou coropletas associadas a intervalos de variao; Todavia, Modelos Digitais de Terreno permitem que se v alm da representao cartogrfica e se realizem anlises numricas de superfcies contnuas em SIG.

O que Interpolao Espacial?

o processo de utilizao de pontos com valores conhecidos para estimar valores de outros pontos Interpolao Espacial, portanto, diz respeito a um conjunto de tcnicas que visam a criao de superfcies contnuas a partir de amostras pontuais

Superfcie Contnua

Dado amostrado

Dado previsto

Modelos de Superfcies Contnuas

(MDT um caso especial de interpolao)

So

representaes digitais (feitas em computador) que caracterizam a variao contnua de atributos espaciais no discretos

FONTES DE DADOS Modelos de Superfcies Contnuas podem derivar de levantamentos de campo, aerofotogrametria ou captura de dados cartogrficos (scaneamento e digitalizao). Em todos os casos, a correta avaliao da densidade de dados amostrados fundamental para a preciso do modelo

CONSTRUO DO MODELO A princpio, um nmero infinito de pontos seria necessrio para gerar um modelo completo de superfcie; como isso no possvel, foram desenvolvidas diferentes propostas de representao, sendo as mais populares o TIN (Triangular Irregular Network) e Grade Regular

MODELOS DE SUPERFCIE CONTNUA

GRID

Armazenamento simples Compatvel com dados de sensoriamento remoto Bons recursos de anlise superficial Processamento lento Pode gerar dados redundantes Tamanho do pixel uniforme

TIN

Menos pontos so necessrios para que se obtenha a mesma preciso A resoluo se adapta ao modelo Armazena a topologia No permite anlise de superfcie Sua estruturao demorada No dispe de algortmos eficientes para algumas operaes

Gerao de um modelo TIN (Grade Triangular)

Clculo de Valores Estimados

=>

Modelo de Grade

Os modelos de grade representam uma superfcie a partir de uma matriz (grade raster) na qual cada clula possui um valor qualificador da propriedade representada (por ex. altitude, temperatura, concentrao de mercrio, etc.)

Interpolao em SIG
Baseia-se

no pressuposto que pontos que esto mais prximos no espao tendem a apresentar valores de atributos semelhantes. Essa propriedade conhecida como autocorrelao espacial positiva Extrapolao refere-se estimativa de valores em pontos fora da rea coberta pelo levantamento

Criando um Modelo de Superfcie Contnua de Grade na Prtica

Tabelas so organizadas de modo a apresentar colunas associadas s dimenses x, y e z de pontos amostrais ou: Mapas pr-existentes so escaneados e georreferenciados A figura raster resultante vetorizada e editada Contornos ou pontos cotados so associados a valores de variao da grandeza z; Contornos adicionais so criados a partir da hidrografia ou linha de costa; Finalmente um algoritmo usado para gerar novos valores de z, atravs de tcnicas de interpolao, para cada n da grade construda.

Est. B01 B02 B03 B04 B05 B06 B07 B08 B09 B10 B11 B12 B13 B14 B15 B16 B17 B18 B19 B20

X UTM 740876 739164 742441 740794 737608 743234 740275 737520 735219 738067 741271 743920 743429 740613 737728 735175 734607 736992 739673 742535

Y UTM 6947225 6948447 6948529 6949646 6949729 6951160 6951411 6951377 6953592 6953486 6953423 6953326 6955430 6955430 6955622 6955501 6957021 6957618 6957521 6957399

NTU 0,6 3,0 1,8 1,3 4,4 1,1 0,4 0,8 1,8 0,4 2,3 1,1 2,3 0,4 1,8 1,1 2,0 3,5 7,3 5,9

6964000

BN40

BN39

BN37

BN38

6962000

BN36

BN35

BN34

BN33

6960000

Ponta da Daniela
BN32 BN31 BN30 BN29

Enseada de Ratones
BN28

Rio Ratones

6958000

Ilha Ratones Grande

BN26 BN25 BN24 BN23 BN22

Rio Bigua

6956000

Ilha Ratones Pequeno

BN20 BN19 BN18 BN17

BN21

6954000

BN16

Baa Norte
BN15 BN14 BN11 BN10 BN09

BN13

BN12

6952000

BN08

6950000 Continente 6948000

BN07

Ilhas Guarazes
BN06 BN05 BN04

BN02

BN01

6946000

Estreito

Florianpolis (centro)

0m

500m 1000m

734000

736000

738000

740000

742000

744000

746000

Mtodos de Interpolao
A maioria dos procedimentos de interpolao assume que existe um gradiente contnuo e regular entre os pontos de amostragem. Esse gradiente pode ser linear ou no linear. Na figura os valores observados so 1.000 e 2.000 m. A estimativa dos pontos intermedirios pode ser feita a partir da funo:

z=f(x)

Mtodos de Interpolao
Globais:

Locais:

consideram uma zona prxima ao ponto que est sendo interpolado

Polgonos de Thiessen Vizinho Mais Prximo Inverso da Distncia Spline Krigagem

Anlise de Superfcie de Tendncia Modelos de Regresso Polinomial Anlise Espectral (Sries de Fourier)

consideram toda a populao de pontos

Tipos de Interpoladores
Determinsticos:

no permitem a avaliao de erros associados aos valores previstos Estocsticos: permitem a avaliao de erros de previso com base na estimativa das varincias

Tipos de Interpoladores
Tcnicas

de interpolao que prevm valores idnticos aos medidos so conhecidos como interpoladores exatos Interpoladores inexatos predizem um valor diferente do medido. So utilizados para evitar isolinhas de geometria irreal.

Figure 2 Exact interpolation (a) and inexact interpolation (b).

Global Deterministic Trend surface (inexact)* Stochastic Regression (inexact)

Local Deterministic Stochastic

Thiessen (exact) Kriging Density estimation (exact) (inexact) Inverse distance weighted (exact) Splines (exact)

Exemplos
Triangulao (Delaunay)
6957000

Inverso da Distncia ao Quadrado

6957000

6956000

6956000

6955000

6955000

6954000

6954000

6953000

6953000

6952000

6952000

6951000

6951000

6950000

6950000

6949000

6949000

6948000

6948000

735000 736000 737000 738000 739000 740000 741000 742000 743000

735000 736000 737000 738000 739000 740000 741000 742000 743000

Exato - Local - Determinstico

Exato - Local - Determinstico

Exemplos
Vizinho mais Prximo
6957000

Spline
6957000

6956000

6956000

6955000

6955000

6954000

6954000

6953000

6953000

6952000

6952000

6951000

6951000

6950000

6950000

6949000

6949000

6948000

6948000

735000 736000 737000 738000 739000 740000 741000 742000 743000

735000 736000 737000 738000 739000 740000 741000 742000 743000

Exato - Local - Determinstico

Exato - Local - Determinstico

Exemplos
Regresso Polinomial
6957000 6957000

Krigagem

6956000

6956000

6955000

6955000

6954000

6954000

6953000

6953000

6952000

6952000

6951000

6951000

6950000

6950000

6949000

6949000

6948000

6948000

735000 736000 737000 738000 739000 740000 741000 742000 743000

735000 736000 737000 738000 739000 740000 741000 742000 743000

Inexato - Global - Estocstico

Exato - Local - Estocstico

Theissen

Inverso da Distncia

Krigagem

General Gridding Recommendations (SURFER HELP) Inverse Distance to a Power is fast but has the tendency to generate "bull's-eye" patterns of concentric contours around the data points. Inverse Distance to a Power does not extrapolate Z values beyond the range of data. Kriging is one of the more flexible methods and is useful for gridding almost any type of data set. With most data sets, Kriging with the default linear variogram is quite effective. In general, we would most often recommend this method. Kriging is the default gridding method because it generates a good map for most data sets. For larger data sets, Kriging can be rather slow. Kriging can extrapolate grid values beyond your data's Z range. Minimum Curvature generates smooth surfaces and is fast for most data sets but it can create high magnitude artifacts in areas of no data. The internal tension and boundary tension allow you control over the amount of smoothing. Minimum Curvature can extrapolate values beyond your data's Z range. Natural Neighbor generates good contours from data sets containing dense data in some areas and sparse data in other areas. It does not generate data in areas without data. Natural Neighbor does not extrapolate Z grid values beyond the range of data. Nearest Neighbor is useful for converting regularly spaced (or almost regularly spaced) XYZ data files to grid files. When your observations lie on a nearly complete grid with few missing holes, this method is useful for filling in the holes, or creating a grid file with the blanking value assigned to those locations where no data are present. Nearest Neighbor does not extrapolate Z grid values beyond the range of data. Polynomial Regression processes the data so that underlying large-scale trends and patterns are shown. This is used for trend surface analysis. Polynomial Regression is very fast for any amount of data, but local details in the data are lost in the generated grid. This method can extrapolate grid values beyond your data's Z range. Radial Basis Function is quite flexible. It compares to Kriging since it generates the best overall interpretations of most data sets. This method produces a result quite similar to Kriging. Modified Shepard's Method is similar to Inverse Distance to a Power but does not tend to generate "bull's eye" patterns, especially when a smoothing factor is used. Modified Shepard's Method can extrapolate values beyond your data's Z range. Triangulation with Linear Interpolation is fast. When you use small data sets, Triangulation with Linear Interpolation generates distinct triangular faces between data points. Triangulation with Linear Interpolation does not extrapolate Z values beyond the range of data. Moving Average is most applicable to large and very large data sets (e.g. > 1,000 observations). Moving Average extracts intermediate-scale trends and variations from large, noisy data sets, and it is fast even for very large data sets. This gridding method is a reasonable alternative to Nearest Neighbor for generating grids from large, regularly spaced data sets. Data Metrics is used to create grids of information about the data. Local Polynomial is most applicable to data sets that are locally smooth (i.e. relatively smooth surfaces within the search neighborhoods). The computational speed of the method is not significantly affected by the size of the data set.

Vizinho Mais Prximo

O

valor estimado ser o mesmo do ponto amostrado mais prximo.

Inverso da Distncia

Os valores estimados so funo da distncia e magnitude dos pontos adjacentes. O inverso da distncia potncia utilizado para atenuar a influncia de pontos distantes. Esse processo baseado no pressuposto de existncia de correlao espacial positiva.

Exemplos

=>

=>

GEOESTATSTICA
A

Geoestatstica define um conjunto de procedimentos matemticos que permite que se reconhea e descreva relacionamentos espaciais existentes. Neste processo, admite-se que a posio de uma amostra to importante quanto o valor medido. Tudo est relacionado com tudo, mas o que se encontra mais prximo est mais relacionado...

PENSAMENTO:

Pressupostos
Dados

ambientais frequentemente so espacialmente relacionados devido ao controle exercido pela topografia, geologia, clima, massas dgua, batimetria, etc. Desta forma, amostras prximas entre si tendem a ser mais semelhantes que amostras distantes entre si As anlise espacial baseia-se em pressupostos da estatstica clssica: as amostras podem ser fortuitamente tomadas de uma populao descrita por uma distribuio normal

Como amostrar?
Perfil amostral
Estratgia 1 Estratgia 2

Valor Distncia
A fim de descrever uma tendncia espacial, amostras mltiplas devem ser tomadas, considerando a representatividade espacial do fenmeno

Variabilidade de Propriedades dos Solos

Property pH Yield

COV (%) 8-14 8-29

Spatial Range (m) 20-132 70-700 112-114 68-145

Org. Mtr. 21-41 Avail. P 39-157

Wollenhaupt, et al., 1997

Tendncias Espaciais
Como

nem todas as variveis permitem a definio de intervalos amostrais rgidos, a Geoestatstica auxilia na avaliao da representatividade da estratgia adotada. Ela considera:
Isotropia - a tendncia de variao funo apenas da distncia de um ponto amostrado Anisotropia - a tendncia de variao funo tanto da distncia quanto da direo a partir de um ponto com valor conhecido

Variabilidade Isotrpica
A

variao de uma propriedade em funo da distncia pode ser estimada comparando-se amostras distribudas em diferentes intervalos de distncia de separao entre elas.

Tomam-se distncias par a par

d1 d2

d3

Cada distncia denominada lag (h)

Variabilidade entre os lags

A semivarincia (() calculada para descrever o desvio esperado nos valores das amostras (z) em funo da distncia (h) entre pares de amostra

1 (h) = 2 N (h)

N (h) i =1

(z

zi =h )

Grfico de semivarincia vs. lag

Semivariance
60 50 40 30 20 10 0 0 50 100 150 200

Lag (m)

VARIOGRAMA
Instrumento que descreve quantitativamente a variao no espao de um fenmeno regionalizado
Base

conceitual: se os pontos so muito correlacionados a varincia das diferenas ser menor. Quando esta representada em funo da distncia (h) fica demonstrada a correlao espacial (covarincia) de um fenmeno regionalizado e torna-se possvel a construo de um variograma

Semivariograma
Semivariance
60 50 40 30 20 10 0 0 50

Alcance Patamar

Pepita
100 150 200

Lag (m)

Descritores de um Variograma
Alcance: a distncia a partir da qual as amostras passam a ser independentes. Em outras palavras, o alcance reflete o grau de homogeneizao entre as amostras, ou seja, quanto maior for o alcance maior ser a homogeneidade entre as amostras. O alcance a distncia que separa o campo estruturado (amostras correlacionadas) do campo aleatrio (amostras independentes); Patamar: o valor no qual o variograma estabiliza-se (no campo aleatrio), o ponto a partir do qual as amostras tornam-se independentes devido grande distncia que as separa; Efeito pepita: o valor da funo variograma na origem (h=0). Teoricamente esse valor deveria ser zero, pois duas amostras tomadas no mesmo ponto (h=0) deveriam ter os mesmos valores; entretanto quando no assim, atribuise, esta diferena, geralmente, a erros de amostragem e/ou anlise. Como os erros analticos atualmente so desprezveis, o efeito pepita deve-se a erros de amostragem devido variabilidade natural da varivel;

O variograma pode ser modelado por um funo matemtica terica!

(h )
Experimental Terico

Sill

Nugget Effect

Range

Modelos de Semivariograma
Linear

uma linha reta com uma rampa ascendente; ((h) = C0+bh Esfrico aumenta rapidamente e ento inflexiona; ((h) = C0+C1[1.5(h/a)-

0.5(h/a)3]

Exponential

aumenta de modo gradual e torna-se assinttico ((h) = C0+C1[1-e(-h/a)]

C - coefficients, a - alcance

Direcionalidade
Nem

todos os variogramas so unidirecionais Anisotropia a propriedade espacial para a qual a dependncia espacial (autocorrelao) muda tambm devido direo entre amostras.

Exemplo de Anisotropia

Efeitos Direcionais

Krigagem

Desenvolvido para interpolao de dados dispersos e pouco abundantes. Analisa as seguintes componentes de variao espacial:
Variaes determinsticas (tendncias; nveis) Dados autocorrelacionados espacialmente Rudo no correlacionado

Boa aplicao em dados nos quais se reconhece a existncia de correlao espacial e/ou controle direcional (geologia; pedologia, geomorfologia, oceanografia) Na krigagem realizada, previamente interpolao, uma anlise da estrutura espacial dos dados, considerando sua varincia e correlao!

Krigagem

Krigagem
Rastreia

mudanas na dependncia espacial ao longo da rea de estudo

Gera

uma superfcie interpolada suave Variograma (indica o quo bem os valores das clulas individuais se ajustam ao modelo geral) Possui ferramentas de diagnstico para refinar o modelo Busca obter valores de varincia prximas a zero
Concede

ao usurio grande flexibilidade na definio do modelo a ser usado na interpolao.

Vantagens da Krigagem
Considera

o nmero de pontos necessrio para se calcular uma mdia local Integra as caractersticas espaciais dos pontos amostrais (tamanho, orientao e forma da distribuio) Otimiza a interpolao atravs do uso de pesos Aponta a incerteza atravs da estimativa da confiabilidade da superfcie interpolada

COMPONENTES DAS VARIVEIS REGIONALIZADAS

Pontos amostrais Componente estrutural

Espacialmente Correlacionada

Rudo Aleatrio

Componentes das variveis regionalizadas

ESTRUTURAL

representada pela mdia ou tendncia constante ESPACIALMENTE CORRELACIONADA Habitualmente dados exibem correlao espacial positiva RUDO ALEATRIO Erros de medida, outros erros.

TIPOS DE KRIGAGEM

Krigagem Ordinria assume que a mdia local no necessariamente prxima mdia da populao Krigagem Universal utilizada quando se espera que haja uma tendncia de variao dos valores mdios entre as amostras

Variograma: Esfrico Circular Exponencial Gaussiano Liner Alm disso, existe: Krigagem anisotrpica Krigagem estratificada Co-Krigagem Krigagem multivariada

Como usar bem a Krigagem?

1.

Amostrar preferencialmente com resolues diferentes 2. Calcular o variograma experimental 3. Modelar o variograma empregando diferentes funes 4. Reaplicar a krigagem com o modelo que obteve melhor desempenho 5. Calcular o erro da estimativa baseado na localizao dos dados 6. Refazer os passos 3, 4 e 5

Efeitos da Incerteza
Interpolation based on 100 points Error map
Low

Original surface

High

Interpolation based on 10 points

Error map

Exemplo: Batimetria LC

Interpolao Automtica
6944000 6943500 0 -0.5 -1 -1.5 6943000 -2 -2.5 -3 -3.5 6942500 -4 -4.5 -5 -5.5 -6 6942000 -6.5

748500

749000

749500

750000

750500

Validao (resduos)
6944000

6943500 2 1.8 1.6 6943000 1.4 1.2 1 0.8 6942500 0.6 0.4 0.2 0 -0.2 -0.4 6942000 -0.6 -0.8 -1 -1.2 -1.4 6941500 -1.6 748500 749000 749500 750000 750500

Variograma
Column C Direction: -180.0 Tolerance: 39.0

100

200

300

400

500

600

700

800

900

1000

1100

Lag Distance

Modelado pelo Variograma

6944000

6943500

6943000

6942500

6942000

6941500 748500 749000 749500 750000 750500

Surfer Golden Software

http://www.goldensoftware.com/

SURFER (Golden Software)

5120000 5120000 5120000 5118000

5118000

5118000 5116000

5116000

5116000 5114000

5114000

5112000

5114000

5112000

5110000

5112000

5110000 558000 560000 562000 564000 566000

5110000

558000

560000

562000

564000

566000

558000

560000

562000

564000

566000

Analise de agrupamento

Minimum variance
SM2 SM3 SM1 C11 C10 C9 C8 C7 SM4 SM5 C6 C5 C4 C2 C3 C1

48

40

32

24

16

Squared Euclidean

Batimetria

45000

40000

35000

0 -0.5 -1 -1.5 -2 -3 -4 -5 -6 -7 -8 -10 -15 -20 -30

0

30000

25000
-5

-10

-15

-20

20000

-25

-30

1000

2000

SALINIDADE - 01/02/2001
6990000
Ilha da Gal

33.2 33.0 32.8 32.6 32.4 32.2 32.0 31.8 31.6 31.4 31.2 31.0 30.8 30.6 30.4 30.2 30.0 29.8 29.6 29.4 29.2

TEMPERATURA - 01/02/2001
6990000
Ilha da Gal

C
29.4 29.2 29.0 28.8

DISTRIBUIO DAS PROPRIEDADES FSICO-QUICAS DAS GUAS SUPERFICIAIS

6985000
Baa de Tijucas
Calhau de So Pedro

6985000
Baa de Tijucas
Calhau de So Pedro

Ilha Deserta

Ilha Deserta

28.6 28.4 28.2 28.0 27.8 27.6 27.4 27.2

6980000
Ilha do Arvoredo

6980000
Ilha do Arvoredo

6975000 735000 740000 745000 750000 755000 760000 765000

6975000 735000 740000 745000 750000 755000 760000 765000

pH - 01/02/2001
6990000 8.27 6990000 8.26 6985000
Baa de Tijucas
Calhau de So Pedro

OXIGNIO DISSOLVIDO - 01/02/2001

mg/l

Ilha da Gal

Ilha da Gal

6.8 6.7

8.25 6985000 8.24

Ilha Deserta

Baa de Tijucas

6.6
Calhau de So Pedro

Ilha Deserta

Malha Amostral
1 2 3 4 5

6980000

8.23 6980000 8.22 8.21 6975000

Ilha do Arvoredo

6.5 6.4 6.3

Ilha do Arvoredo

90000
11 10 9

Ilha da Gal
8 7 6

6975000 735000 740000 745000 750000 755000 760000 765000

8.20

85000

12

13

14

15

735000

740000

745000

750000

755000

760000

765000

6.2

16

17

18

19

20

Baa de Tijucas
29 28 27 26 25

Calhau de So Pedro

24

23

80000
30 31 32 33 34

22

21

Ilha Deserta

Ilha do Arvoredo
35 36 37

Turbidez - 01/02/2001
6990000

Transparncia - 01/02/2001
NTU
6990000
3.3 2.8
Ilha da Gal

m
10.0 9.5 9.0 8.5 8.0 7.5 7.0 6.5 6.0 5.5 5.0 4.5 4.0 3.5 3.0 2.5 2.0 1.5 1.0

75000
43 42 41 40 39 38

Ilha da Gal

735000

740000

745000

750000

755000

760000

6985000
Baa de Tijucas
Calhau de So Pedro

2.3 1.8
Ilha Deserta

6985000
Baa de Tijucas
Calhau de So Pedro

Ilha Deserta

6980000
Ilha do Arvoredo

1.3 0.8

6980000
Ilha do Arvoredo

6975000 735000 740000 745000 750000 755000 760000 765000

0.3

6975000 735000 740000 745000 750000 755000 760000 765000

Analise de agrupamento

6842000
Banhados

1 6840000
Banhados

1 2

6838000

Rio Congonhas

Banhados

Canal de Ligao Dunas ativas

6836000

3 4 3 4 3 3
Dunas ativas

4 6834000

2
Dunas ativas

Urbanizao Barra do Camacho

6832000 700000

Oceano Atlntico 710000 712000 714000 716000

702000

704000

706000

708000

Mapa sntese da setorizao das lagunas

ndice Hidrolgico
Lagoas do Camacho / Garopaba do Sul e Santa Marta
10 9 8 7 6 5 4 3 2 1 0
704000 708000 712000

Ideal Satisfactory Recommended with restrictions

6840000

6836000

Inadequate

6832000 700000

Amostras 3D

RIO BIGUAU
Janeiro 2002
SALINIDADE

Fevereiro 2002

Maro 2002

pH

TURBIDEZ

TEMPERATURA

PRECIPITAO

11

13

15

17

19

21

23

25

27

29

31

11

13

15

17

19

21

23

25

27

11

13

15

17

19

21

23

25

27

29

31