ANLISE GEOESTATSTICA:

UMA INTRODUO

Clia Regina Grego

crgrego@cnpm.embrapa.br
 CONTEDO

1. INTRODUO

2. ANLISE EXPLORATRIA

3. SEMIVARIOGRAMA

4. INTERPOLAO

5. CONSTRUO DE MAPAS
1. INTRODUO
SURGIMENTO
- Daniel G. Krige (1951): frica do sul com
dados de concentrao de ouro verificou que
para encontrar sentido nas varincias era
preciso levar em conta as distancias das
amostras.
- Matheron (1963): desenvolveu a teoria das
variveis regionalizadas com os
fundamentos da geoestatstica, onde so
estudados os fenmenos contnuos no
espao e no tempo.
 VARIVEL REGIONALIZADA
Funo espacial numrica, que varia de
um local para outro, com uma
continuidade aparente e cuja variao
representada por uma funo matemtica
estimada pela semivarincia em funo da
distncia.
 USO DA GEOESTATISTICA

Condio Absoluta: Coordenadas

geogrficas da posio de onde as
amostras foram retiradas (GPS, mtodos
topogrficos, distncias a partir de uma
origem arbitrria)
 GEOESTATSTICA

HIPTESE BSICA:
Dados vizinhos so mais parecidos
que dados distantes.

Tudo depende da intensidade de
amostragem e escala de trabalho.
Vinhedo, SP
Grego (2009)
Vinhedo, SP
Grego (2009)
Vinhedo, SP
Grego (2009)
IAC, Campinas, SP
Grego (2009)
IAC, Campinas, SP
Grego (2009)
Soja, IAC, Campinas, SP
Grego (2009)
Soja, IAC, Campinas, SP
Grego (2009)
Soja, IAC, Campinas, SP
Grego (2009)
 O que VARIABILIDADE ESPACIAL?
Medidas tomadas em locais diferentes
podem apresentar valores diferentes.

Fato incontestvel: Quando houver

vrias medies de um mesmo
parmetro, haver alguma variabilidade.
 EXPERIMENTOS DE CAMPO
- Casualizao e repetio, amostragem ao
acaso, desprezam as coordenadas
geogrficas do ponto amostrado.
- A casualizao no garante a
independncia entre amostras.
 Variabilidade espacial
Deve ser considerada para que se confie
nos nmeros obtidos.
A variao de qualquer fenmeno, no
espao ou no tempo, por processos
naturais ou pelo homem, sempre existiu e
trouxe problemas para qualquer usurio do
meio ambiente.
 AMOSTRAGEM
Avano atual: Sensores. Medidas cada
vez mais precisas e adequadas para
identificar a variabilidade espacial
praticamente impossvel: ter sucesso
no plano de amostragem sem nenhum
conhecimento prvio sobre o ambiente
que se quer caracterizar
PLANEJAMENTO DE AMOSTRAGEM:
Uso de TODAS as facilidades e TODO o
conhecimento a respeito da rea. Tudo
depende da escala ou resoluo desejada.

A variabilidade pode acontecer em

milmetros ou quilmetros.
3,42 ha Faz. Sta Elisa,
IAC, Campinas, SP

302 PONTOS
209 000 ha municpio de
Machadinho dOeste, RO

97 PONTOS
AMOSTRAGEM ADEQUADA
- O espaamento entre as amostras deve
ser menor do que as manchas que se
quer caracterizar;
-Amostragem inteligente usa a
variabilidade de variveis indicativas
para alterar a densidade de amostragem
(como topografia, cor do solo, Ph, CE).
-Locais de grande variabilidade devero
ser amostrados com maior intensidade.
 NMERO DE AMOSTRAS
Conhecimento mnimo sobre o
ambiente ou a varivel que est sendo
amostrada
- recursos financeiros
- recursos humanos disponveis
- objetivo da amostragem
- tempo disponvel
A definio da quantidade de
amostras tarefa difcil. No
existem frmulas mgicas.

Um nmero no pode ser

simplesmente fixado sem que
TODOS os fatores sejam
adequadamente considerados.
ESQUEMAS MAIS COMUNS DE
AMOSTRAGENS

Regular ou
quadrada
Regular ou quadrada com ilhas
Trapezoidal
Ao acaso
GRADE Inteligente`

Centro de frutas, IAC, Jundia, SP

(Valladares et al., 2008)
2. ANLISE EXPLORATRIA

Conjunto de dados
.txt
Estatstica descritiva
.sta

VALORES DISCREPANTES `outliers`

MDIA +/- 4*(DESVIO PADRO)
MAPA DE CLASSES- VERIS, PROF 1
Distribuio de freqncia
Assimetria
 Curtose

Estimador beta 0 para assimetria e 3 para curtose

Estimador Gama 0 para assimetria e curtose
Teste de normalidade (revisores) -
Kolmogorov-Smirnov

Porm, anormalidade no fator impeditivo

para anlise de dependncia espacial
3. SEMIVARIOGRAMA
Medidor do grau de
semelhana entre vizinhos.
a grandeza mais apropriada
para decidir se a dependncia
espacial existe ou no.
 SEMIVARINCIA

E pode ser estimada atravs de

N(h)
1
(h) =
*
[Z( xi ) - Z( xi + h) ] 2

2 N(h) i=1

onde N(h) o nmero de pares

de valores medidos Z(xi), Z(xi+h),
separados por um vetor h.
 CARACTERSTICAS DO SEMIVARIOGRAMA

12
Co+C1
Semivarincia

10
8 C1
6 a
4 Dados
2 Co Modelo
0
0 50 100 150 200
Distncia
 CARACTERSTICAS DO
SEMIVARIOGRAMA
C0 Efeito pepita: variabilidade a
distncias < amostrada; Quanto menor for
em relao ao patamar, maior a
dependncia espacial
C1 Varincia estrutural;
a Alcance da dependncia espacial;
Distncia a dados so independentes
uns dos outros;
C0+C1 Patamar. varincia;
 MODELOS
O grfico do semivariograma tem uma
srie de pontos discretos para a qual,
uma funo contnua deve ser
ajustada.
Ajuste de modelo ao semivariograma
um dos aspectos mais importantes
das aplicaes da Geoestatstica
Modelo tem que ter positividade
definida condicional.
 MODELOS
Clculos de Geoestatstica dependem
do valor do modelo do
semivariograma para cada distncia
especificada.
Ajuste por mtodos automticos,
embora possa ser usado, no
adequado.
Tentativa e erro + "jack-knifing", so
suficientes.
 MODELOS
a) Linear
(h)= C0 +(C1 /a) h 0 <h<a
(h)= C0 +C1 h>a
C1/a=coeficiente angular para 0<h<a.
Patamar determinado por inspeo.
 MODELOS
Linear
12
10
Semivarincia

8
6
4 Dados
2 Linear
0
0 50 100 150 200
Distncia
 MODELOS
b) Esfrico (um dos mais usados)
(h) = C 0 + C 1 [3/2(h/a) - 1/2(h/a ) ] 0 < h < a
3

(h) = C 0 + C 1 h > a
1. Seleciona-se o efeito pepita, C0, e o
patamar, C0 + C1.
2. O modelo esfrico tem duas estruturas
(esfrica e linear)
 MODELOS
Esfrico

12
Semivarincia

10
8
6 Dados
4 Esfrico
2
0
0 50 100 150 200
Distncia
 MODELOS
c) Exponencial

(h)= C0 +C1 [1- exp(-3h/a)] 0 <h<d

1. d=mxima distncia na qual o
semivariograma definido.
2. Modelo atinge patamar
exponencialmente.
 MODELOS
Exponencial
12
Semivarincia

10
8
6
4 Dados
2 Exponencial
0
0 50 100 150 200
Distncia
 MODELOS
d) Gaussiano

(h) = C 0 + C 1 [1 - exp(-3 h / a )]
2 2

1. Gaussiano representa o processo

mais contnuo possvel na pequena
distncia
2. Ponto de inflexo logo nas
primeiras distncias
 MODELOS
Gaussiano
12
10
Semivarincia

8
6 Dados
4
Gaussiano
2
0
0 50 100 150 200
Distncia
 14
12
Semivarincia

10
8 Esfrico
6 Exponencial
4 Linear
Gaussiano
2
Hole Effect
0
0 20 40 60 80 100 120 140 160 180 200
Distncia, m
Flutuao em torno do valor da varincia - as
amostras so independentes e tm distribuio
totalmente ao acaso .

K+

0.03

0.02

0.01
K+
0
0 20 40 60 80 100

Efeito pepita puro

 TENDNCIA
Quando se tem tendncia
(semivariograma sem patamar)
0.03

0.025
Semivarincia

0.02

0.015

0.01

0.005 DEASD
0
0 2 4 6 8 10 12
Distncia, m O que fazer?
1) Ajustar uma superfcie de
tendncia por quadrados
mnimos;

2) Subtrair dos dados originais,

gerando uma varivel
RESIDUAL
 JACK KNIFING

1. Para se saber se as hipteses de

estacionaridade esto corretas, se o
modelo ajustado est bom, e qual a
vizinhana ideal para fazer uma
estimativa deve-se usar o jack
knifing.
 JACK KNIFING

2. Para tanto, elimina-se cada um dos

valores medidos sussessivamente
estimando-o usando o
semivariograma ajustado e uma
vizinhana (nmero de vizinhos)
escolhida.
 JACK KNIFING

3. No final deste processo, tem-se um

conjunto de N valores medidos, Z(xi),
N valores estimados, Z*(xi), e N
varincias da estimativa, 2(xi).
 JACK KNIFING

4. Com estes nmeros, pode-se fazer

um estudo de erros os quais TEM
QUE NECESSARIAMENTE estar
dentro de alguns padres
estatsticos
 JACK KNIFING

REGRESSO ABSOLUTO REDUZIDO

VIZINHOS LINEAR ANGULAR r2 MDIA VARINCIA MDIA VARINCIA DISTNCIA
4 -0.0007 0.938 0.6639 0.0007 0.0336 0.0033 0.878 4
8 -0.0004 0.982 0.6453 0.0004 0.0350 0.0016 0.957 6
12 -0.0005 1.013 0.6512 0.0005 0.0345 0.0020 0.947 8
16 -0.0004 1.021 0.6513 0.0004 0.0345 0.0016 0.947 8
20 -0.0003 1.023 0.6509 0.0003 0.0345 0.0014 0.948 10
24 -0.0004 1.021 0.6508 0.0004 0.0345 0.0016 0.949 10
28 -0.0004 1.019 0.6502 0.0004 0.0346 0.0015 0.950 12
32 -0.0004 1.018 0.6501 0.0004 0.0346 0.0018 0.950 12
40 -0.0005 1.016 0.6503 0.0005 0.0346 0.0021 0.950 14

Coef.linear = 0
Angular = 1
Media erro reduzido = 0 e variancia=1
4. INTERPOLAO
Interpoladores determinsticos
(IWD, polinomial global e local)
Interpoladores estocsticos
(krigagem)
Veris
Alberto Bernardi (2009)
Assume que cada ponto tem
influncia local diminuda com a
distncia
Krigagem ordinria

Os pesos so determinados a partir

da dependncia espacial expressa
no semivariograma
 Krigagem
Pesos pela analise de correlao
rea de influncia pelo alcance

Outros mtodos
Pesos s em funo da distncia
Raio de busca arbitrrio
QUANDO NO USAR KRIGAGEM
1 Amostragem insuficiente para
detectar a dependncia espacial
2 No removeu valores discrepantes
3 EFEITO PEPITA PURO
 KRIGAGEM
1. Objetivo: estimar valores, z*, para
qualquer local, x0.
2. Estimativa = combinao linear de valores
medidos, ou seja

N
Z * ( x0 )= i z( x i )
i =1
N=nmero de valores medidos, Z(xi),
envolvidos na estimativa, e li so os pesos
associados.
 KRIGAGEM
As condies requeridas para que o
estimador seja timo:
1. No pode ter vis:

i., na mdia no deve super nem sub

estimar valores.
2. Tem que ter varincia mnima:

i., a incerteza na estimativa tem que

ser mnima.
Tipos de krigagem
1. Ordinria No h necessidade de
se conhecer a mdia (cte)
2. Simples H necessidade de se
conhecer a mdia
3. Indicativa H necessidade de se
conhecer o valor de corte (varivel
original transformada em binria)
5. MAPEAMENTO
RESISTNCIA DO SOLO A PENETRAO
Penetrmetro de impacto
Resistncia do solo penetrao
RP FRACA
DEPENDNCIA
ESPACIAL (DADO
MUITO PONTUAL)

GUEDES FILHO, 2009

GUEDES FILHO, 2009
CUIDADO!
 Programas
FORTRAN (Vieira)
GS++
Geo R
Spring
Vesper
Geostatistical analyst
Referncias
VIEIRA, S. R. Uso de geoestatstica em estudos de
variabilidade espacial de propriedades do solo. In: NOVAIS,
R. F. (Ed.), Tpicos em Cincia do Solo 1. Viosa:
Sociedade Brasileira de Cincia do Solo, p. 3-87, 2000.
VIEIRA, S. R.; MILLETE, J. A.; TOPP, G. C.; REYNOLDS, W.
D. Handbook for Geostatistical analysis of variability in soil
and meteorological parameters. In: ALVAREZ, V. H. (Ed.)
Tpicos em Cincia do Solo 2. Viosa: Sociedade Brasileira
de Cincia do Solo, p 1-45, 2002.
GOOVAERTS, P. Geostatistics for natural resources
evaluation. New York: Oxford University Press, 1997. 476p.
 OBRIGADA PELA ATENO

Clia Regina Grego

crgrego@cnpm.embrapa.br
Embrapa Monitoramento por Satlite