Conceitos Básicos de Geoestatística

Cláudio Bettini, PhD

UFRJ-CCMN-IGEO-DGEOL
bettini@acd.ufrj.br

Módulo I – Exploração e
Produção Mineral
1. INTRODUÇÃO
1.1. Pré-requisitos e conteúdo

2. DEFINIÇÕES BÁSICAS
2.1. Variável regionalizada (VRe)
2.2. Variável Aleatória Local (VA Local)
2.3. Continuidade espacial.
2.4. Função Aleatória (FA)
2.5. Notação
2.6. Definição (SV)
2.7. Estacionariedade

3. OBJETIVOS DA GEOESTATÍSTICA

4. TÉCNICAS
4.1. Estimação de valores médios
4.2. Simulação

5. MEDIDAS DE CONTINUIDADE ESPACIAL

6. LIMITAÇÕES À ESTIMAÇÃO DE MEDIDAS DE CONTINUIDADE

7. MODELOS PARA MEDIDAS DE CONTINUIDADE

8. MODELAGEM DA ANISOTROPIA

9. TÉCNICAS DE KRIGAGEM
9.1. Krigagem Simples (KS)
9.2. Krigagem Ordinária (KO)
9.3. Outras formas de Krigagem.
9.4. Características gerais da Krigagem

10. SIMULAÇÃO DE FUNÇÕES ALEATÓRIAS

10.1. Características da simulação geoestatística
10.2. Técnicas de simulação geoestatística.

2
 10.3. Pós-processamento da simulação.

11. CONSIDERAÇÕES FINAIS

12. REFERÊNCIAS BIBLIOGRÁFICAS

3
1. INTRODUÇÃO

Geoestatística é o ramo da Estatística Aplicada que desenvolve e aplica

modelos para representar fenômenos naturais cujas propriedades variam
em função da localização espacial dos pontos de observação.

Definição mais rigorosa (MATHERON, 1962),

“Geoestatística é a aplicação do formalismo das funções aleatórias ao
reconhecimento e estimação de fenômenos naturais”.(MATHERON, 1962, apud
JOURNEL & HUIJBREGTS, 1978).
Requer outros termos, definidos adiante.

Motivação inicial: mineração (campo dominante de aplicações até o final

da década de 1980).

Meados dos anos 80: migração progressiva para a modelagem de

reservatórios petrolíferos. Memória 43 AAPG (YARUS & CHANDLER, 1998):
expansão da Simulação Geoestatística na Geoengenharia de Reservatórios
Petrolíferos.
Disseminação paralela: Ciências do Solo, Oceanografia, Epidemiologia,
Hidrogeologia, Meteorologia e Monitoramento Ambiental. (Anais dos Congressos
Internacionais de Geoestatística ).

1.1. Pré-requisitos e conteúdo

Admitem-se conhecidos os conceitos de:

• variável aleatória (VA);
• distribuições de probabilidade de VAs discretas e contínuas, uni e
multivariadas;
• modelos e parâmetros;
• momentos, quantis;
• covariância, correlação, dependência linear;
• amostragem, estatísticas e estimadores.

4
 Conteúdo: conceitos básicos para o leitor compreender as técnicas
geoestatísticas, reconhecendo a possibilidade de aplicá-las em sua área de
interesse.

2. DEFINIÇÕES BÁSICAS

2.1. Variável regionalizada (VRe)

Considere-se um fenômeno que se desenvolve de forma contínua dentro

de um subconjunto A do espaço n-dimensional, A ⊂ Rn.
Exemplo: relevo na região A do plano horizontal local, relativo ao nível do
mar.
Diversas variáveis poderiam ser definidas para representar características
deste fenômeno:
• altitude topográfica em cada ponto de A ⊂ R2;
• declividade em cada ponto;
• outras.

Sob certas condições, a altitude em cada ponto de A, simbolizada por

t(x,y), é uma variável regionalizada.
A declividade d(x,y) seria outra VRe associada à topografia da região A.

A VRe t representa-se matematicamente através de uma função real:

t:A ⊂ R 2
→ R
⎛⎜ x , y ⎞⎟ a t ⎛⎜⎝ x , y ⎞⎟⎠
⎝ ⎠

onde:
(x,y) = localização de um ponto em A
t(x,y)= altitude no ponto (x,y)

A função t, ou t(..), descreve de modo único a distribuição lateral ou

geográfica da VRe altitude na região A, que é o seu domínio.
Ao ponto (x0,y0) corresponde o valor t(x0,y0). (fig. 1).

5
 t0 t(x,y)

t(x0,y

x0 x

y0

y
( x0, y0
A⊂ R2

Fig. 1: Ilustração do conceito de Variável Regionalizada (VRe)

2.2. Variável Aleatória Local (VA Local)

Considere-se o trabalho do topógrafo que pretenda representar o relevo da

região A através de um modelo topográfico: um mapa em curvas de nível, por
exemplo.
Ser-lhe-á fisicamente impossível e economicamente inviável levantar todos
os valores { t(x,y) | (x,y) ∈ A }.
Com base na sua experiência, escolherá um conjunto limitado de pontos
“representativos” do relevo em A:
• nas áreas de relevo suave, pontos mais esparsos;
• nas áreas de relevo acidentado, pontos mais próximos.

Este conceito intuitivo de “representatividade” da amostra, levando em

conta a variabilidade local, é incorporado e formalizado pela Geoestatística.

6
Na figura 2, representa-se em mapa o conjunto de pontos
{ (xi,yi) ∈ A, i = 1,2,...n },
selecionados pelo topógrafo.

x1 x2 x3
x

C D
y0 ? ?

A
y

Fig. 2: Localização em planta dos pontos amostrais (losangos) selecionados e

levantados pelo topógrafo, para representar a VRe t = altitude topográfica na
região A. O traço C-D localiza o perfil topográfico ilustrado na figura 3. Dois
pontos de interrogação ilustram pontos não amostrados, cuja altitude é única,
porém desconhecida.

Para simplificar a representação da superfície através de um perfil

topográfico, considere-se o plano vertical que corta a região A, formando o traço
indicado por C-D, ilustrado na figura 3.

7
 ?
?
t(x,y)

C D
x
(x,y0

Figura 3: Seção vertical da superfície topográfica t(x,y) ao longo do traço CD

(perfil topográfico correspondente ao plano
y = y0 ), ilustrando três pontos amostrais e dois pontos não amostrados, onde a
superfície tem uma altitude única, porém desconhecida. Os valores de t(x0,y)
em ambos os pontos são representados por VAs locais cujas distribuições
condicionais têm dispersões distintas, em função da proximidade de pontos
informantes.

Na figura 3, observa-se que qualquer ponto (xk,yk) tem cota única t(xk,yk).
Entretanto, somente os pontos amostrados têm cota conhecida. Nos demais,
embora única na realidade, a cota é desconhecida, sendo então representada por
uma variável aleatória. No ponto não amostrado (x,y0), por exemplo, a cota real
t(x,y0) será representada pela VA T(x,y0), cuja distribuição está ilustrada pela
figura 4.

8
 f T(x,yo)

σ(x,

t
m(x, VA LOCAL

Figura 4: Ilustração da função de densidade de probabilidade da VA local T(x0,y),

que representa a altitude desconhecida t(x0,y).

Observe-se que, se o fenômeno for espacialmente contínuo, a distribuição

condicional da VA local T(x,y) dependerá da posição de (x,y) em relação aos
pontos conhecidos, bem como da continuidade espacial da variável t.

Quanto mais próximo o ponto (x,y) estiver de um ponto conhecido, e mais

contínuo o fenômeno representado por t, mais o valor esperado condicional
m(x,y | amostra) = E[T(x,y | amostra)]
se aproximará do valor conhecido,
e menor será a incerteza representada por σ(x,y | amostra).

2.3. Continuidade espacial.

Da continuidade espacial decorre que:

• VAs locais em pontos próximos são correlacionadas;

• seus valores esperados têm pequena diferença;
• aumentando a separação, diminui a correlação.

9
 A maior ou menor intensidade com que a correlação decresce, em função
do aumento da separação do par de pontos, quantifica a continuidade espacial do
fenômeno. A Geoestatística utiliza-se das chamadas “funções estruturais”,
descritas adiante, para representar este conceito.

2.4. Função Aleatória (FA)

A generalização do conceito de VA local conduz ao modelo probabilístico

chamado Função Aleatória (FA), que representa a Variável Regionalizada em
todo o seu domínio.

No exemplo dado, a FA T(. .) representa a VRe t(. .) em qualquer ponto

(x,y) ∈ A⊂ R2.

Sejam Tk = T(xk, yk), k=1,2,3,... VAs locais componentes da FA T(. .).

Esta se caracteriza pela distribuição conjunta:

FT1T 2L ( t1, t2 ,L) = P[ T (x1, y1) ≤ t1; T (x2 , y2) ≤ t2 ; K]

2.5. Notação

Para simplificar a notação, adotam-se as seguintes convenções:

• Serão tratadas apenas VRe com domínio A⊂ R2;
• O vetor (x,y), que representa a localização de um ponto de observação no
domínio A⊂ R2 será representado por
u = (x,y);
• O valor esperado da VA local Z( u ) será representado por E[Z( u )] =
m( u ) ;
• A variância da VA Z( u ) será:
VAR [Z( u ) ] = E{ [Z( u ) – m( u )]2 } = σ2( u ) ;
• A covariância entre VAs Z( u1 ) e Z( u2 ) será:
COV [Z( u1 ) , Z( u2 ) ] = C( u1 , u2 );

10
 • Sendo a separação entre dois pontos h = u2 - u1 , então, COV(u2 - u1 ) =
C(h)

2.6. Definição

O variograma entre as VAs locais Z( u1 ) e Z( u2 ) é a variância da

diferença
[Z( u1 ) - Z( u2 )], a saber:

2 γ (u 1 , u 2 ) = VAR [Z (u 1 ) − Z (u 2 )] =

{ }
= E [Z (u1 ) − Z (u2 )] −[m(u1)−m(u2)]
2 2

Chama-se semivariograma a função definida por:

1
γ (u1, u2) = VAR[Z (u1 ) − Z (u2 )]
2

2.7. Estacionariedade

Uma FA Z(.) é estritamente estacionária se todos os seus momentos forem

invariantes por translação em todo o domínio da VRe z(.).
Esta propriedade é essencial para que se possa inferir cada VA local nos
pontos não amostrados.
Entretanto, demonstrar sua validade seria inviável na maioria das
situações práticas. Por outro lado, para aplicações usuais de Geoestatística
linear, é necessário admitir a estacionariedade apenas para os momentos de
primeira e segunda ordem da FA.

11
 Diz-se que uma FA Z(.) é estacionária de segunda ordem sse (⇔ ) :
(1) ∃ E[Z(u)] = m ∀ u ∈ A ⊂ R2
(2) ∃ COV [Z(u) , Z(u+h)] = C(h)

A existência da covariância (item 2, acima) implica a existência do

semivariograma, o qual então não depende do par de pontos, mas apenas de
sua separação h, isto é:

γ (h ) = γ [Z (u ), Z (u + h )]= E {[Z (u ) − Z (u + h )] 2 }
1
2

Fenômenos que atendem a esse nível de estacionariedade são chamados

de “fenômenos de transição” e caracterizam-se pelo fato de o semivariograma
atingir um valor máximo, denominado “patamar”, o qual equivale ao limite da
covariância entre dois pontos, quando sua separação tende a zero, isto é,

lim C (h ) = lim COV [Z (u ), Z (u + h )] =

h→0 h→0

COV [Z (u ), Z (u + 0 )] = C (0 ) = VAR [Z (u )] = σ 2Z

A figura 4.5 ilustra a seguinte relação, válida para fenômenos de

transição:

C (h ) + γ (h ) = C (0 )

12
 C(h) γ(h)
C(0) patamar

0
0 interdistância a=
h

Figura 5: Relação entre semivariograma (linha sólida) e covariograma

(tracejada) em fenômenos de transição.

Na figura 5, observa-se o valor h = |h| = a, denominado alcance, a partir

do qual a covariância se anula e o semivariograma atinge o patamar. Este
parâmetro quantifica o grau de continuidade da FA Z(.): quanto maior o alcance,
mais contínuo o fenômeno representado.

Entretanto, há funções aleatórias cujo semivariograma cresce sem limite,

não atingindo um patamar, por mais que se amplie a separação |h| do par de
pontos (u, u+h). Nestes casos, o semivariograma existe, mas não a covariância.
Diz-se que a FA Z(.) é intrínseca sse:

(1) ∃ E[Z(u)] = m ∀ u ∈ A ⊂ R2
(2) ∃ γ(h) = (1/2) E{ [Z(u) - Z(u+h)]2 } ∀ u ∈ A ⊂ R2

Determinados fenômenos claramente invalidam a hipótese de

estacionariedade, quando tratados em certas escalas.

É o caso da cota batimétrica na plataforma continental, por exemplo,

quando tratada em larga escala. Há uma nítida tendência para incremento de
E[Z(u)], à medida que o ponto u se afasta do litoral.

Entretanto, o pesquisador pode admitir estacionariedade, se restringir a

inferência a uma vizinhança em que o fenômeno tenha comportamento

13
aproximadamente estacionário. Neste caso, diz-se que o fenômeno é localmente
estacionário.

A figura 6 descreve, através de um semivariograma, a continuidade de um

fenômeno que apresenta estacionariedade local. A partir de uma separação h =
d, observa-se um crescimento acelerado do semivariograma, configurando o que
se chama de “drift” (tendência). Numa vizinhança de diâmetro d, o fenômeno
pode ser tratado como estacionário.

γ(h

drift

0 h
0 a d

Figura 6: Semivariograma hipotético, representando um fenômeno localmente

estacionário dentro de uma vizinhança de diâmetro d.

A importância da hipótese (ou decisão) de estacionariedade reside na

possibilidade de se tratar o conjunto de pares de pontos separados pelo vetor h (
com tolerâncias angulares e de comprimento) como replicações do processo de
amostragem da mesma FA ao longo de todo o domínio considerado estacionário.

14
3. OBJETIVOS DA GEOESTATÍSTICA

Conceitualmente, os objetivos básicos da Geoestatística consistem em:

1. Representar a VRe z(.) pelo modelo probabilístico Z(.), isto é, por uma
FA;
2. Representar a continuidade espacial da FA Z(.) através das chamadas
“funções estruturais”;
3. Inferir a FA Z(.) em pontos não amostrados u ∈ A ⊂ Rn , através das
distribuições de VAs locais, condicionadas aos valores conhecidos;

Do ponto de vista das aplicações, os objetivos genéricos da Geoestatística

são:

4. Estimar os valores esperados da FA em pontos específicos ou valores

médios em suportes operacionais, tais como blocos em mineração,
parcelas de terreno em agricultura ou suporte sísmico em exploração de
petróleo;
5. Representar a variabilidade espacial da propriedade de interesse, através
de coleções de imagens simuladas equiprováveis;
6. Quantificar a precisão (ou incerteza) das estimativas através de mapas ou
volumes, expressando quantis, probabilidades ou envelopes de confiança;
7. Prover planos de amostragem que minimizem o custo e maximizem a
precisão das estimativas, levando em conta a continuidade espacial da
variável estimada.
8. Quantificar o risco de se ultrapassarem valores extremos em estudos de
viabilidade técnico-econômica nas atividades de mineração, produção de
petróleo, agricultura e hidrogeologia, entre outras, bem como em estudos
de monitoramento ambiental.

15
4. TÉCNICAS

Para atender aos seus objetivos práticos, a Geoestatística dispõe de duas

classes de técnicas, com finalidades distintas:

4.1. Estimação de valores médios

Utilizam-se técnicas coletivamente denominadas “Krigagem”, para estimar

valores médios em diversos suportes.
No suporte pontual, em cada localização u ∈ A ⊂ Rn, estima-se o valor
esperado da VA local Z( u ) através da média ponderada dos vizinhos, os quais
ocorrem dentro de uma vizinhança cuja forma e dimensões dependem da
continuidade espacial do fenômeno estudado (figura 6).

u2 SÍMBOLOS:
u1
Ponto a estimar
u
Ponto amostrado

u3

Z * (u ) = ∑ λ k Z (u k )
3

k =1

Malha

Figura 4.6: Ilustração do princípio básico de estimação do valor esperado de

uma VA local no ponto u , a partir dos pontos amostrais uk localizados na
vizinhança marcada pela linha tracejada.

16
 O princípio da Krigagem é, portanto, análogo ao dos métodos convencionais,
baseados na média ponderada dos vizinhos. O caráter distintivo do método
geoestatístico é o modo de calcular os pesos λk, os quais dependem não só da
distância de cada ponto informante ao ponto sendo estimado, mas também da
continuidade espacial e do arranjo geométrico do conjunto ilustrado na figura
4.6.
Um elemento crítico, portanto, na determinação dos pesos de Krigagem,
consiste na cuidadosa especificação do modelo de continuidade espacial.

4.2. Simulação

A simulação geoestatística tem por finalidade representar a variabilidade

espacial da propriedade modelada ou quantificar a incerteza associada às
estimativas locais da mesma.
Portanto, não faz sentido comparar a precisão local de um mapa krigado com
a de outro simulado, uma vez que ambos têm finalidades distintas,
complementares.
Característica marcante da simulação: gerar número arbitrário de imagens
equiprováveis.

Classificação operacional em duas categorias:

• “Incondicional”, no sentido de que não envolve diretamente os dados

experimentais, mas apenas a função que representa a variabilidade
espacial, que pode ser derivada dos dados de uma região análoga;

• Condicionada aos dados experimentais. Neste caso, cada imagem reproduz:

(1) valores exatos dos pontos experimentais;

(2) variabilidade espacial (semivariograma de entrada);
(3) distribuição de freqüência dos dados condicionantes.

Há flutuação estatística nas duas últimas representações.

Simulação condicional na indústria do petróleo Æ quantificar incerteza em
mapas de propriedades petrofísicas de reservatórios.

17
 Mesmo tipo de uso expande-se em outras áreas de aplicação, tais como na
caracterização de solos e aqüíferos (Kitanidis, 1997), Soares (2000).

5. MEDIDAS DE CONTINUIDADE ESPACIAL

Ambas as técnicas básicas da Geoestatística dependem do modelo de

continuidade espacial.
Variabilidade espacial de uma FA pode ser representada por várias medidas:
• Semivariograma (autovariograma);
• Covariograma;
• Correlograma;
• Semivariograma cruzado;
• Semivariograma dos logaritmos;
• Semivariograma relativo local;
• Semivariograma relativo global;
• Semimadograma;
• Rodograma;
• Semivariograma das indicatrizes.

Semivariograma da FA Z(.) é a semivariância das diferenças da mesma

propriedade representada por Z em todos os pares de pontos separados pelo
vetor h :

γ(h) = (1/2) E{ [Z(u) - Z(u+h)]2 }

O estimador de γ(h), aplicado a um conjunto amostral com n(h) pares de

pontos separados por h, é dado por:

γˆ (h) =
1 n(h )
[
∑ Z ( u k ) − Z ( uk + h )
2n(h) k =1
] 2

Aplicando esta função a um conjunto experimental de dados, obtém-se o

semivariograma experimental, cujo aspecto ilustra-se na figura 7.

18
 Observe-se a tendência crescente de γ(h), à medida que
h = |h| cresce. Entretanto, há oscilações aleatórias em torno da tendência
crescente.

γ(h

0 h
0 Interdistân

Figura 7: Semivariograma experimental hipotético, mostrando oscilações

aleatórias em torno de uma tendência crescente, à medida que a
interdistância h cresce.

A covariância entre duas VAs locais separadas pelo vetor h, quando

existe, é definida por:

C(h) = E {[Z (u) −m][Z (u + h ) −m]} = E[ Z (u) Z (u + h) ] − m2

sendo estimada por:

1
Cˆ ( h) = ∑[Z (uk ) Z (uk + h)] − m2
n

n k=1

19
 Quando h = 0, tem-se:

C(h) = C(0) = σ 2 =VAR[Z(u)] ∀u∈ A

O Correlograma descreve a variação do coeficiente de correlação entre duas
VAs locais, Z(u) e Z(u+h), em função da interdistância h:

C ( h) C (h ) C (h )
ρ (h ) = = =
σ (u ) σ (u + h ) σ2 C (0)

Para fenômenos de transição, C(h) e γ(h) são complementares, conforme

verificado anteriormente:

C (h) = C (0) − γ (h)

Dividindo ambos os membros por C(0), padronizam-se as funções acima,
obtendo-se um novo patamar unitário:

C (h ) C (0 ) γ (h )
= −
C (0 ) C (0 ) C (0 )

Donde:

γ (h )
ρ (h ) = 1 −
C (0 )

Portanto, ρ(h) é a própria covariância padronizada em relação ao patamar

unitário.
Na figura 7, observa-se que, à medida que a separação h aumenta, as VAs
locais tornam-se menos correlacionadas.

20
 De modo complementar, aumenta a variância da diferença [Z(u)-Z(u+h)] e
cresce valor do semivariograma.
Portanto, em condições ideais, o semivariograma é uma função crescente
entre a origem e o alcance (a, na figura 7), onde atinge o patamar, quando este
existe.

O variograma tradicional, definido na seção 5, é também chamado de

“autovariograma”, para distingui-lo do variograma cruzado, que representa a
covariância das diferenças de duas propriedades em dois pontos separados pelo
vetor h:

γ ZW (h ) = E { [Z (u ) − Z (u + h ) ][W (u ) − W (u + h )]}
Esta medida é necessária para aplicação da cokrigagem.

γ(h) C(h)

C(0)

0 h
0 a

γ(h)/C
ρ(h)

0 h
0 a

21
 Figura 8: Relações entre semivariograma (linha sólida), covariograma (linha
tracejada) e correlograma (linha pontilhada), em fenômenos de
transição.

6. LIMITAÇÕES À ESTIMAÇÃO DE MEDIDAS DE CONTINUIDADE

ESPACIAL

As técnicas de amostragem podem gerar dois tipos de arranjo de pontos

amostrais:
a) Disposição irregular (comum nas geociências);
b) Malha regular (comum em sensoriamento remoto, levantamentos
sísmicos 3D e ciência de solos).

No primeiro caso, dado um vetor h, com sua direção e módulo, é

praticamente inviável encontrar um número de pares separados por h, que
permita a estimação de γ(h).
Para viabilizar a estimativa, determinam-se duas tolerâncias, uma angular,
outra linear, de modo a selecionar um número de pares {[Z(uk), Z(uk+h)],
k=1,2...n(h)} cuja separação seja aproximadamente igual a h.

No segundo caso, os alinhamentos de pontos na malha regular limitam as

direções em que o semivariograma pode ser estimado. Nesse caso, as
tolerâncias são desnecessárias, facilitando a elaboração dos algoritmos
computacionais.

22
7. MODELOS PARA MEDIDAS DE CONTINUIDADE

Sobre o mesmo conjunto de dados, a cada uma das medidas de

continuidade espacial descritas no item 5 corresponde um gráfico específico,
análogo ao ilustrado pela figura 7. Somente o semivariograma experimental será
mencionado a partir deste ponto.

Com referência à figura 7, observa-se que:

a) O semivariograma experimental está estimado somente para um número

limitado de valores de h = |h|, chamados interdistâncias ou lags. Para
interdistâncias intermediárias, o semivariograma deveria ser interpolado.

b) Para alguns pares de interdistâncias contíguas, (hj , hj+1), tem-se γ(hj+1)

< γ(hj), o que contraria a noção de que o semivariograma é crescente
entre a origem e o alcance.

c) Limitações práticas reduzem o número de direções em que o

semivariograma experimental pode ser avaliado.

Os resultados dos métodos de estimação e de simulação dependem do

modelo de continuidade espacial da FA.

Em termos operacionais, a Krigagem requer que se estime o semivariograma

para todos os pares formados pelo ponto a ser estimado e pelos pontos
amostrais vizinhos ( informantes ).

Na figura 6, com 3 pontos informantes, são necessários 3 valores de γ(hj)

entre os pontos informantes e 3 valores de γ(hk) entre o ponto estimado e cada
um dos informantes.

Os seis vetores h dependem do particular arranjo de pontos informantes em

relação ao ponto estudado.

23
 Para cada novo ponto estimado, o número e o arranjo de pontos informantes
varia de modo imprevisível, fazendo com que qualquer conjunto de
semivariogramas experimentais seja insuficiente para determinar o valor de γ(h)
para todos os pares de pontos utilizados no processo de estimação.
Necessita-se, portanto, de um modelo de continuidade que forneça γ(h) para
qualquer vetor h ligando pares de pontos amostrais entre si, ou pontos
estimados a pontos amostrais vizinhos ( figura 9 ).

γ(h

0 h
0 Interdistân

Figura 9: Ajuste de um modelo matemático a um semivariograma

experimental hipotético.

Nem toda função numérica pode ser utilizada como modelo matemático de
γ(h). Para que uma função γ se torne modelo válido de variabilidade espacial da
FA Z, é necessário que satisfaça as seguintes condições:

γ (0) = 0
γ (h ) ≥ 0
− γ (h ) é positiva definida

A última condição é necessária para garantir a existência e a unicidade da

solução para o sistema de krigagem.

24
 Sua verificação é matematicamente elaborada. Entretanto, é dispensável na
prática, desde que se utilizem modelos básicos já elaborados e disponíveis na
literatura.
Semivariogramas experimentais que se afastem demasiadamente dessas
funções básicas poderão ser ajustados por combinações lineares das mesmas.
Combinação linear de modelos positivos definidos, com coeficientes
positivos, gera um novo modelo positivo definido.

Os modelos básicos classificam-se em:

(1) Modelos com patamar:

• Modelo esférico:

⎧ ⎡ ⎛h⎞
⎪ c ⎢1 .5 ⎜ ⎟ − 0 .5
γ (h ) = ⎨ ⎣ ⎝ a ⎠
h
a
() 3
⎤
⎥
⎦
se h ≤ a
⎪c se h > a
⎩

onde:
c = patamar
a = alcance

• Modelo exponencial:

⎡ ⎛ − 3h ⎞⎤
γ (h ) = c ⎢ 1 − exp ⎜ ⎟⎥
⎣ ⎝ A ⎠⎦

onde:
c = patamar (assintótico)
A= alcance prático, onde o semivariograma atinge 95% da
altura do patamar.
Tende para o patamar à medida que h cresce sem limite.

25
 • Modelo Gaussiano (superfícies lisas):

⎡ ⎛ − 3 h2 ⎞⎤
γ (h ) = c ⎢ 1 − exp ⎜⎜ 2 ⎟⎟⎥
⎣ ⎝ A ⎠⎦

onde:
c = patamar (assintótico)
A= alcance prático, onde o semivariograma atinge 95% da altura
do patamar.
Tende para o patamar à medida que h cresce sem limite.

• Modelo de Efeito de Pepita Puro.

⎧0, se h = 0
γ (h ) = ⎨
⎩σ , se h > 0
2

Fenômenos sem qualquer continuidade espacial, isto é, duas

amostras a qualquer distância, por menor que seja, não são
correlacionadas.

Caso limite do modelo esférico, quando o alcance tende a zero.

Este conceito é importante para a construção de modelos
compostos.

(2) Modelos sem patamar:

• Modelo de potência:

26
 γ (h ) = a h , Θ ∈ ( 0, 2 )
Θ

• Modelo linear:

Caso particular do modelo de potência, com Θ =1

(3) Modelos cíclicos:

• Modelo de efeito-buraco (hole effect):

sen h
γ (h ) = 1 − , h em radianos
h
Outras expressões.

(4) Modelos compostos:

Combinação de modelos válidos com coeficientes positivos gera novos

modelos válidos, podendo ajustar-se a semivariogramas experimentais
cuja forma não pode ser descrita adequadamente pelos modelos
simples. Tais modelos são chamados “imbricados” (nested).

Considere-se a situação representada na Figura 10.

O modelo composto pode ser expresso como:

27
γ (h ) = c0 + c1 γ (h ) + c2 γ (h )
1 2

onde :
c 0
= 4; c
1
= 3; c 2
= 2;

γ (h) = Esf (a ; h) ;
1 1 γ (h) = Esf (a ; h);
2 2

a 1
= 2; a 2
= 6;
Esf (a; h ) = esférico de alcance = a

γ(h)

4 C0

3 C1

2 C2

0 h
2 6

γ(h)

9
C2
7

C1

C0

28
 Figura 10: Combinação de modelos variográficos para compor um
modelo imbricado. No gráfico superior, os três modelos simples,
referidos ao mesmo par de eixos coordenados. No inferior, o modelo
imbricado, resultante da soma dos três. Notar a posição do “cotovelo”,
em que γ(2) = c0 + c1 + c2γ2(2)

8. MODELAGEM DA ANISOTROPIA.

Fenômenos estudados pelas geociências são freqüentemente

anisotrópicos, significando variação do grau de continuidade em função da
direção.
Anisotropia se reconhece quando o alcance ou o patamar do
semivariograma, ou ambos variam com a direção.
Classificação da anisotropia:

• Geométrica: apenas os alcances variam com a direção;

• Zonal: apenas o patamar varia com a direção
• Combinada (híbrida): alcances e patamar variam.

A figura 11 ilustra as três situações.

29
 γ(h)

EW
(a)
NS

γ(h)
EW

NS
(b)

h
a1 =

γ(h)

NS
(c)
EW

h
a1 a2

Figura 11: Ilustração dos três casos de anisotropia em VRe de domínio

bidimensional: (a) geométrica; (b) zonal; (c) combinada.

Anisotropia é detectada experimentalmente através de um mapa de

variograma ou de um conjunto de semivariogramas em várias direções.
Uma das técnicas consiste em marcar os alcances dos semivariogramas
direcionais sobre um conjunto de segmentos de retas que irradiam do mesmo
ponto ( “rosácea” ).
Ajusta-se um círculo ou uma elipse aos pontos marcados, conforme sua
tendência.

30
 O ajuste próximo de um círculo indica isotropia.
No caso da anisotropia, o semi-eixo maior da elipse indica a direção de
maior continuidade e o respectivo alcance. Na direção perpendicular considera-se
a menor continuidade.
A razão entre o semi-eixo maior e o menor é a razão de anisotropia, a
qual (na ordem mencionada) tende a ser subestimada em conjuntos de dados
irregularmente espaçados, como conseqüência da tolerância angular na seleção
dos pares de pontos (item 6). Quanto maior a tolerância, mais atenuada é a
razão de anisotropia inferida a partir dos semivariogramas experimentais.

Modelar a anisotropia consiste em:

(1) decompor a semivariância em componentes isotrópicos ou com

anisotropia geométrica;

(2) transformar o conjunto obtido numa soma de modelos isotrópicos de

alcance unitário, exceto o efeito pepita isotrópico, representado por uma
constante.

A figura 12 ilustra a decomposição de um semivariograma com

anisotropia híbrida em 4 “camadas” cuja “espessura” representa a respectiva
contribuição à variância global (altura do patamar).

31
 γ(h)
NS
7

C3

EW

1
h

0 5
3 10

Figura 12: Ilustração do processo de decomposição da semivariância global

anisotrópica em 4 componentes.

32
 O modelo analítico que representa o semivariograma composto
representado na figura 4.12 é o seguinte:

γ (h ) = c0 + c1 γ (h ) + c2 γ (h) + c3 γ (h)
1 2 3

onde:
c0 = 1 ; c1 = 1 ; c2 = 2 ; c3 = 3 ;
h = (hx, hy), sendo hx = componente do vetor h na direção EW.

⎡ 2 ⎤
⎛ hy ⎞
2
⎢ ⎛ hx ⎞ ⎥
γ 1 (h ) = Esf ⎢ ⎜ ⎟ + ⎜⎜ ⎟⎟ ⎥
⎢
⎢⎣ ⎝ε ⎠ ⎝5⎠ ⎥
⎥⎦

⎡ 2 ⎤
⎛ hy⎞
2
⎢ ⎛ hx ⎞ ⎥
γ (h ) = Esf ⎢ ⎜ ⎟ + ⎜⎜ ⎟⎟ ⎥
⎢ ⎝ 3 ⎠ ⎝ 5 ⎠ ⎥
2

⎣⎢ ⎦⎥

⎡ 2 ⎤
⎛ hy ⎞
2
⎢ ⎛ hx ⎞ ⎥ ⎛ hx ⎞
γ 3 (h ) = Esf ⎢ ⎜ ⎟ + ⎜⎜ ⎟⎟ ⎥ = Esf ⎜⎜ ⎟⎟
⎢
⎣⎢
⎝3⎠ ⎝∞⎠ ⎥
⎦⎥
⎝ 3 ⎠

onde:

Esf(.) = modelo esférico de alcance e patamar unitários.

ε = valor arbitrariamente pequeno de hx ,
tal que Esf(hx /ε) = 1 ∀ hx ≥ ε

33
 Na figura 12, a camada inferior é um efeito pepita isotrópico, sendo
representado no modelo analítico pela constante c0 = 1.
A segunda camada, de contribuição c1 = 1, combina um efeito pepita na
direção NS e uma estrutura de alcance a = 5 na direção EW. Está sendo
representada por um modelo esférico de alcance a = ε na direção NS e alcance a
= 5 na direção EW. Trata-se de um artifício para se obter uma anisotropia
geométrica de razão 5/ε.
A terceira camada, de contribuição c2 = 2, é representada por um modelo
esférico de alcance a = 3 na direção NS e a = 5 na direção EW. Tem-se uma
anisotropia geométrica de razão 5/3.
A quarta camada, de contribuição c3 = 3 somente na direção NS, é
conseqüência da anisotropia zonal. Está sendo representada por um modelo
esférico de alcance a = 3 na direção NS e alcance a = ∞ na direção EW. Trata-se
de um artifício para representar uma anisotropia geométrica de razão ∞/3.

34
 Verifica-se, portanto, que as três camadas superiores foram representadas
por modelos esféricos com anisotropia geométrica. A razão para esta
representação baseia-se na facilidade para se modelar a anisotropia geométrica.
Seu tratamento matemático consiste nos seguintes passos:

(1) transformar as coordenadas originais através de uma rotação (R)

seguida de uma mudança de escala (T), de modo a obter um novo
sistema de coordenadas em que a continuidade espacial do fenômeno
estudado seja representada por um modelo variográfico isotrópico de
alcance unitário. Para uma variável regionalizada de domínio
bidimensional anisotrópico, dado um ponto u = (x,y)T, tem-se:

⎡ x ⎤ ⎡ cos α sin α ⎤ ⎡ x ⎤ ⎡ x′ ⎤
R⎢ ⎥=⎢ ⎥ ⎢ ⎥ =⎢ ⎥
⎣ y ⎦ ⎣− sin α cos α ⎦ ⎣ y ⎦ ⎣ y′⎦

⎡ x⎤ ⎡1 a x′ 0 ⎤ ⎡ x′ ⎤ ⎡ x′′ ⎤
TR⎢ ⎥= ⎢ ⎥⎢ ⎥=⎢ ⎥
⎣ y⎦ ⎢⎣ 0 1 a y′⎥⎦ ⎣ y′⎦ ⎣ y′′⎦

onde:
α = ângulo de rotação que faz o eixo das abcissas coincidir com
a direção de maior continuidade do fenômeno estudado;
ax´ = alcance na direção de maior continuidade
ay´ = alcance na direção de menor continuidade.

A figura 13 ilustra a transformação TR.

(2) Registrar os parâmetros da transformação;

35
 (3) Efetuar os procedimentos de estimação ou simulação dentro do
sistema isotrópico de coordenadas;
(4) Retornar ao sistema original de coordenadas anisotrópico, através da
transformação inversa de TR.

y1

y2

x
x1 x2

ROTAÇÃO α

y’ x’

y’2
α
x’2
y’1 x’1

MUDANÇA
DE ESCALA
y’’

x’’
y’’2
y’’1 x’’2
x’’1

Figura 13: Ilustração do processo de modelagem da anisotropia geométrica: uma

elipse com eixo maior na direção de maior continuidade, no campo anisotrópico,
transforma-se num círculo no campo isotrópico. Note a alteração nas
coordenadas e na posição relativa de dois pontos representados por triângulos.

36
9. TÉCNICAS DE KRIGAGEM

Diversas técnicas geoestatísticas de estimação foram desenvolvidas, no

intuito de tirar o máximo proveito das características dos dados amostrais ou
adaptar-se às suas limitações. O modelo genérico, em que se baseiam as várias
técnicas, consiste em adicionar à média local, no ponto estimado, uma
combinação linear dos resíduos calculados nos pontos amostrais vizinhos, como
segue:

Z (u ) = m (u ) + ∑ λ [Z (u ) − m (u )]
n
*
0 0 i i i
i =1

9.1. Krigagem Simples (KS)

Se a FA Z(.) for estacionária, com E[Z(u)] = m ∀ u , o estimador fica:

Z (u ) = m + ∑ λ [Z (u ) − m]
n
*
KS 0 i i
i =1

Onde:

Z*KS(u0) = valor estimado no ponto u0 ;

m = média global conhecida;
Z(ui) = valor da propriedade z nos pontos amostrais vizinhos.

Os pesos λ1, λ2, ... λi,... λn são determinados sob a condição de minimizar
a variância do erro de estimação.

Em cada ponto a estimar, os pesos resultam da solução de um sistema de

n equações lineares do tipo:

37
 n

∑ C λ =C
j =1
ij j 0i
, i = 1,2,...n

onde:
n = número de pontos amostrais dentro de uma vizinhança definida com
base na continuidade espacial;
Cij = covariância entre dois pontos informantes (amostrais);
Coi = covariância entre o ponto estimado e um ponto informante.

Este sistema de Krigagem Simples (KS) estacionário pode ser expresso na

forma matricial:

⎡C11 C K C ⎤ ⎡ λ1 ⎤ ⎡C 01 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
12 1n

⎢C 21 C 22
K C
2n⎥ λ C
⎢ 2 ⎥ = ⎢ 02 ⎥
⎢ M M O M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣C n1 C n2
L C nn ⎥⎦ ⎢⎣λ n ⎥⎦ ⎢⎣C 0 n ⎥⎦

Observe-se que os pesos λi dependem do arranjo espacial do subconjunto

de pontos amostrais em torno do ponto estimado, bem como da função de
continuidade espacial.

No caso presente, a matriz de covariância representa a relação espacial

entre os pontos informantes. A redundância de dois pontos amostrais muito
próximos entre si é detectada através de uma covariância elevada, relativamente
aos demais pares de pontos. Os pesos de pontos redundantes são penalizados
pela Krigagem.

O vetor de covariâncias Coi representa a relação espacial entre o ponto

estimado e os pontos informantes. Um ponto amostral próximo ao ponto a ser
estimado é representado neste vetor por uma covariância alta e tende a receber
um peso λ elevado.

38
 Entretanto, convém frisar que o peso de cada ponto depende de todo o
arranjo espacial em torno do ponto estimado.
Na construção do sistema de Krigagem, as covariâncias podem ser
substituídas por semivariogramas.
Na forma aqui utilizada, observa-se que o sistema de equações é formado
apenas por pesos (as incógnitas do sistema) e covariâncias, as quais só
dependem do arranjo espacial dos pontos, incluindo o estimado, e da função
estrutural. Este fato é importante para se entender o significado da variância de
Krigagem, expressa por:

σ (u ) = C (0) − ∑ λ C
n
2
SK 0 i 0i
i =1

Note-se que esta expressão, a ser calculada após a resolução do sistema

de equações, não inclui os valores da FA Z(.). Portanto, esta variância não
permite calcular a precisão da estimativa dada por Z*SK(u0).

Por outro lado, a variância de Krigagem é útil como um índice da qualidade

do arranjo local de pontos amostrais em torno do ponto estimado, relativa a
outros pontos estimados. Em caso de amostragem complementar, alocam-se os
novos pontos às áreas do mapa estimado com maior variância.

Se a Krigagem for aplicada a um conjunto de pontos irregularmente

espaçados, com a finalidade de interpolar uma malha regular, cada nó da mesma
terá um valor estimado e uma variância de Krigagem. Tanto os valores
estimados quanto as variâncias podem ser então representados na forma de
mapas de isolinhas, ou em cores ou em tons de cinza.
No mapa de variância, identificam-se as áreas mais elevadas,
correspondentes a estimativas de menor precisão, possivelmente requerendo
amostragem complementar.
Entretanto, a precisão local da estimativa, em forma quantificada, requer a
distribuição condicional da VA local em cada nó da malha, o que será viabilizado
através da simulação.

39
9.2. Krigagem Ordinária (KO)

Nas situações em que se possa admitir apenas a estacionariedade local, a

Krigagem simples (KS) não pode ser aplicada, uma vez que requer o
conhecimento da média estacionária em toda a área de interesse.
Nestes casos, aplica-se o estimador de Krigagem Ordinária (KO), que
estima localmente a média. A KO caracteriza-se pela inclusão da chamada
“condição de não-viés” no sistema de Krigagem, a saber, a soma dos pesos deve
ser igual a 1:

∑λ
i =1
i
=1

O sistema KO passa a ter n+1 equações, tornando-se necessário

incorporar o multiplicador de Lagrange ao vetor de incógnitas:

⎧n
⎪⎪∑ C ij λ j + µ = C 0i , i = 1,2,...n
j =1
⎨ n
⎪⎩ i =1 λ i
⎪∑ =1

Em forma matricial, o sistema KO fica:

⎡C11 C L C 1⎤ ⎡ λ1 ⎤ ⎡C 01 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
12 1n

⎢C 21 C 22
L C 2n
1⎥ ⎢λ 2 ⎥ ⎢C 02 ⎥
⎢ M M O M M⎥ ⎢ M ⎥ = ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢C n1 C n2 C nn
1⎥ ⎢λ n ⎥ ⎢C 0 n ⎥
⎢⎣ 1 1 L 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦

40
 A variância de KO no ponto estimado u0 será:

σ (u ) = C (0) − ∑ λ C
n
−µ
2
KO 0 i 0i
i =1

9.3. Outras formas de Krigagem.

Quando os dados apresentam uma tendência, esta pode ser incorporada

no sistema de Krigagem através de monômios. Esta forma de Krigagem com
tendência foi identificada nos primórdios da Geoestatística como “Krigagem
Universal” (JOURNEL & HUIJBREGTS, 1978).
É comum haver uma variável “secundária”, observada em pontos
amostrais comuns com a variável de maior interesse, identificada como
“primária”.
Se, nos pontos comuns, as duas variáveis são correlacionadas e, além
disso, a variável secundária tem outros pontos de observação em que não se
registraram os valores da primária, pode-se aplicar as seguintes técnicas:

a) Cokrigagem: o sistema de equações inclui autocovariâncias das variáveis

primária e secundária, além de covariâncias cruzadas entre ambas.
b) Quando a variável secundária representa superfície suave e se localiza em
malha regular, aplica-se a Krigagem com deriva externa.

A Krigagem de indicatrizes pode aplicar-se a variáveis regionalizadas

contínuas ou discretas. No primeiro caso, baseia-se na aproximação da
distribuição acumulada de uma variável aleatória por uma coleção de variáveis
binárias, denominadas “indicatrizes”. Dado um valor de “corte” arbitrário zc ,
define-se:

⎧ 0 se Z > zc
I (z | zc ) = ⎨
⎩1 se Z ≤ zc
41
 A variável binária I(z|zc) tem distribuição de Bernoulli com parâmetro p,
isto é:

I (z | z c ) : B ( p ) onde : p = P[I ( z | z c ) = 1]

Uma VA de Bernoulli tem valor esperado igual ao parâmetro, isto é:

E [I ( z | zc )] = p

Considere-se agora a probabilidade acumulada de Z no valor zc:

F (z ) = P [Z ≤ z ]
Z c c

Pela definição da VA binária, os eventos [Z ≤ zc] e [I(z|zc)=1] são

equivalentes, logo:

P [Z ≤ z c ] = P [I ( z | z c ) = 1] = p = E [I ( z | z c )] = F Z ( z c )

Para cada nó da malha de Krigagem, o valor krigado das indicatrizes dos

pontos vizinhos, todas referidas ao mesmo “corte” zc , é uma estimativa de
E[I(z|zc)] e, portanto, de FZ(zc).
Tem-se, portanto, um par [zc , ^FZ(zc) ] da distribuição condicional local
em cada nó da malha.
Repetindo-se o procedimento para uma coleção de “cortes” {z1 < z2
...<zm}, tem-se em cada nó da malha de krigagem a distribuição acumulada
condicional local de FZ(u)[z|(n)], representada por m pares: { [zk , ^FZ(zk) ] ,
k=1,2...m}.

42
 De posse da distribuição local em cada nó da malha, pode-se fazer
diversos tipos de mapa:
a) Mapas de quantis ( percentis, decis, quartis, mediana);
b) Mapas de probabilidade :
P[Z > z0] , P[Z ≤ z0], P[z1 < Z ≤ z2]
c) Mapas de valor esperado;
d) Mapas de envelope de confiança.

Do ponto de vista teórico, a Krigagem de indicatrizes tem alguns pontos

sensíveis, entre os quais se destaca a possibilidade de se obterem valores de
probabilidade fora do intervalo [0,1].
Outra possibilidade é a transgressão da propriedade essencial das
distribuições de probabilidade acumulada:
(z1 < z2) Æ [F(z1) ≤ F(z2)].

Os algoritmos computacionais para este tipo de Krigagem incluem

procedimentos para corrigir esses erros.
Uma vantagem deste tipo de Krigagem é a possibilidade de incluir dados
imprecisos do tipo z<a, z>b, z∈(a,b). Neste último caso, pode-se também
especificar a distribuição de probabilidade da variável no intervalo (a,b).

9.4. Características gerais da Krigagem

O estimador de Krigagem é um filtro “passa-baixa”, isto é, gera

estimativas suavizadas da FA Z(.), quando comparadas com os valores
verdadeiros da VRe z(.).
Significa que há uma tendência para subestimar os valores elevados e
superestimar os valores baixos.
Entretanto, o conjunto dos erros de estimação tem distribuição com valor
esperado nulo e mínima variância, na classe dos estimadores lineares. Nos
pontos amostrais, o estimador de Krigagem é exato.

10. SIMULAÇÃO DE FUNÇÕES ALEATÓRIAS

43
 Simulação é uma técnica de modelagem de sistemas que consiste em duas
etapas básicas:
a) Criação de um modelo do sistema real;
b) Realização de experiências sobre o modelo.

Modelo é um sistema artificial que representa um sistema real de modo

simplificado, tendo em vista o grande número de seus componentes e a
complexidade de suas interações. A necessidade do modelo também decorre do
conhecimento incompleto do sistema, cujos atributos são parcialmente
observados, descritos ou medidos em alguns pontos amostrais.
Para que se possa fazer uma inferência dedutiva de aspectos do sistema
em pontos não observados, é necessário que antes se faça uma inferência
indutiva da amostra para o modelo representativo do sistema.

Os modelos podem ser físicos, conceituais e matemáticos. Estes

representam os componentes dos sistemas reais, tais como forças, massas,
distâncias, velocidades, tempos, teores, etc., e suas interações, por meio de
variáveis, constantes, operadores, condições de contorno, etc.

Se o modelo matemático, que pode ser estático ou dinâmico, inclui

variáveis aleatórias, classifica-se como probabilista. Se um modelo matemático
probabilista representa um processo que varia aleatoriamente no tempo ou no
espaço, classifica-se como estocástico.
O mesmo sistema pode ser representado por modelos distintos, todos
igualmente adequados, dependendo da finalidade da modelagem. Assim, a
essência da modelagem consiste em incluir no sistema artificial apenas os
componentes que representem aspectos relevantes do sistema natural, tendo em
vista os objetivos.

A segunda etapa da simulação tem por objetivo orientar a análise de

decisão em ambiente de incerteza. Desse modo, realizam-se experiências sobre
o modelo no sentido de escolher o melhor procedimento, antes de correr riscos
sobre o sistema real.

44
 Um exemplo típico dos aspectos envolvendo a simulação até este ponto é
a simulação de reservatórios petrolíferos em subsuperfície, extensamente
documentada por YARUS & CHANDLER, 1994.

O procedimento básico consiste em:

a) Criar um modelo geoestatístico (matemático probabilista) para representar

aspectos geológicos estáticos da jazida petrolífera, tais como: espessura e
forma das camadas, sua litologia, porosidade e permeabilidade;

b) Realizar simulações numéricas do fluxo de fluidos (modelo matemático

determinista dinâmico) no espaço permo-poroso da rocha-reservatório,
para diversas alternativas de projetos de produção, variando o número, a
localização, o tipo e a função dos poços a serem perfurados. Considerando
as diversas alternativas simuladas, otimiza-se uma função-objetivo que
leva em conta os custos, o retorno do investimento, o fator de
recuperação, o tempo de vida útil da jazida, etc.

10.1. Características da simulação geoestatística

A simulação dita incondicional produz uma ou mais imagens, cada uma

das quais reproduzindo de forma aproximada a função estrutural e o histograma
dados como entrada. Simulações incondicionais são úteis para gerar bases de
dados de referência, os quais são tratados como populações em testes numéricos
de técnicas de amostragem e inferência estatística ou geoestatística.

A simulação condicional produz uma coleção de imagens equiprováveis,

cada uma das quais honrando:
• os dados,
• o histograma e
• a função estrutural de entrada.

Consequentemente, todas as imagens coincidem nos pontos conhecidos e

têm valores cada vez mais dispersos, à medida que o ponto simulado se afasta
dos pontos amostrais. Esta característica é ilustrada pela figura 14.

45
 t(x,

C D
x

Figura 14: Seção vertical esquemática da superfície topográfica t(x,y) ao longo

do traço CD (figuras 4.2 e 4.3), ilustrando a coleção de imagens equiprováveis
oriundas da simulação condicional.

10.2. Técnicas de simulação geoestatística.

Simulações incondicionais podem ser obtidas através de médias móveis

aplicadas a campos aleatórios em domínios n-dimensionais. Para obter uma
simulação incondicional ao longo de um segmento de reta, por exemplo,
procede-se do seguinte modo:
a) Geram-se números aleatórios no intervalo (a,b) ao longo do segmento;
b) Estabelece-se uma janela móvel de amplitude d;
c) Desloca-se a janela ao longo do segmento, calculando a média dos
números aleatórios abrangidos pela mesma em cada posição;
d) Atribui-se a média à posição correspondente ao centro da janela em cada
posição da mesma.

O conjunto de médias obtidas nas respectivas posições ao longo do

segmento constitui uma imagem simulada cujo semivariograma é linear com
alcance igual à amplitude da janela utilizada (d). Alterando-se a semente do
gerador de números aleatórios e repetindo o processo, obtém-se outra imagem

46
simulada incondicionalmente, distinta da primeira, porém com o mesmo
semivariograma.
Procedimento análogo em R2, utilizando-se uma janela circular de
diâmetro d, gera imagens simuladas com semivariograma circular com alcance d.
Em R3, utilizando-se uma janela esférica, obtêm-se imagens simuladas
com semivariograma esférico de alcance igual ao diâmetro da janela.
JOURNEL e HUIJBREGTS (1978) descrevem um processo
computacionalmente mais eficiente que o descrito acima, denominado “bandas
rotativas”. A primeira técnica de condicionamento da simulação aos dados
também é descrita pelos referidos autores.

Atualmente, as técnicas mais efetivas de simulação condicional utilizam

algoritmos seqüenciais (JOURNEL e ALABERT, 1988), conceitualmente baseados
no teorema de Bayes. As técnicas seqüenciais têm em comum os seguintes
passos:
a) Estabelecer a malha de simulação com m nós;
b) Gerar todos os números inteiros do conjunto{1,2,...,m} em ordem
aleatória;
c) Estabelecer uma ordem aleatória para “visitas” não repetidas a todos
os nós (uj) da malha;
d) Em cada nó da malha, gerar a distribuição condicional da VA local,
^Z[uj | (n+k)], onde n = número de pontos amostrais, k = número de
nós da malha previamente simulados;
e) Extrair amostra aleatória (um único valor) zs da distribuição de ^Z[uj |
(n+k)];
f) Atribuir o valor zs ao respectivo nó da malha, tornando-se zs(uj) ;
g) Incorporar o valor zs(uj) ao conjunto de pontos condicionantes;
h) Retornar ao item (d) enquanto houver nós da malha a simular e
completar o ciclo.

O que diferencia as diversas técnicas seqüenciais é o modo de estimar a

distribuição condicional local ^Z[uj | (n+k)].

Na técnica de simulação por indicatrizes, em cada nó da malha faz-se uma

krigagem de indicatrizes dos pontos vizinhos, para obter a distribuição

47
acumulada local, em forma discreta, à qual se ajusta uma função monótona
crescente (na situação ideal).

Na técnica de simulação condicional Gaussiana, em cada nó da malha, faz-

se uma Krigagem dos valores z(u) vizinhos, obtendo-se um valor estimado
(krigado) zK(uj) e uma variância σ2K(uj). Define-se então uma distribuição
normal
N[zK(uj) , σ2K(uj) ],
da qual se extrai uma amostra aleatória [um valor de zs(uj)].

Em ambos os casos, em cada nó da malha, extrai-se uma amostra

aleatória da distribuição condicional local, utilizando-se o seguinte procedimento:
a) Define-se a distribuição condicional acumulada local: ^F[z; uj | (n+k)];
b) Gera-se um número aleatório p ∈ (0,1), a ser tratado como
probabilidade acumulada;
c) Inverte-se a função de distribuição acumulada local, para obter o
quantil zp(uj):
zp(uj) = ^F-1(p)

Este procedimento está ilustrado na figura 15

F(z;u) φ(z;u)
1

0,5

0
zp zK(u) zp

Figura 15: Ilustração do processo de amostragem aleatória da distribuição

condicional acumulada local em cada nó da malha simulada, nos procedimentos
seqüenciais por indicatrizes (esquerda) e Gaussiano (direita).

48
 Uma vez geradas m imagens simuladas, todas georreferenciadas à mesma
malha básica, cada nó comum (uj) localiza m valores simulados, distintos, da VA
local Z(uj). Ordenando-se os m valores simulados no ponto uj , tem-se:

z1(uj ) ≤ z2(uj ) ≤ ... zk(uj ) ≤ ... zm(uj )

Atribuindo-se a cada valor desta ordenação uma probabilidade acumulada

k/(m+1), tem-se uma aproximação discreta da distribuição acumulada local,
ilustrada na figura 16:

^F(z;uj) = {[ z1(uj ), 1/(m+1)], ... [ zk(uj ), k/(m+1)], ... [ zm(uj ), m/(m+1)] }

^F(z;uj
1/(m+

1/(m+
z
z1 zm

Figura 16: Ilustração da função de distribuição condicional acumulada local em

cada nó da malha, depois de geradas m imagens.

O valor médio desta distribuição tem o mesmo significado que o valor

krigado, mas a variância é diferente da variância de Krigagem, podendo agora
ser usada para quantificar a incerteza ou a precisão da estimativa local.

10.3. Pós-processamento da simulação.

49
 De posse da distribuição condicional acumulada local em todos os nós da
malha simulada, é possível confeccionar os seguintes mapas:

a) Mapa do valor médio, que se aproxima do mapa krigado à medida que

aumenta o número de simulações;

b) Mapas de quantis (percentis, decis, quartis e mediana). Os mapas de

quantis afastados da mediana são especialmente úteis para identificar
anomalias confiáveis, altas ou baixas. Por exemplo, no mapa do primeiro
decil, identificam-se os altos confiáveis, pois, dada uma curva de nível com
valor alto, z0,10 = A, tem-se, por definição de p-quantil: P[Z ≤ z0,10 ] = 0,10,
donde: P[Z > A] = 1- P[Z ≤ z0,10 ] = 0,90. Significa que uma curva de nível
fechada com valor alto tem probabilidade de 90% de ser ainda mais alta. De
forma oposta, no mapa do nono decil, identificam-se os baixos confiáveis. Se
z0,90 = B, P[Z ≤ B] = 0,90.

c) Mapas de intervalo entre quantis, representando envelopes de

confiança. Convém notar que a precisão da estimativa dada pelo mapa médio
depende do conjunto (n) de pontos dados, e não do número de simulações.
Quanto maior este número, mais refinada a distribuição acumulada local, sem
contudo alterar sua escala de dispersão.

d) Mapas de probabilidade dos tipos: P[Z ≤ zc ] ; P[Z > zc ] ; P[z1 < Z ≤

z2 ], onde zc , z1 , z2 são valores de corte com significado para análise de
decisão.

50
11. CONSIDERAÇÕES FINAIS

Os dois procedimentos básicos e complementares da Geoestatística, a

Krigagem e a simulação, dependem do modelo de variabilidade espacial.
Portanto, devem ser precedidos de uma análise estrutural (variográfica)
criteriosa.
Para se obter um bom modelo variográfico, o cuidado começa pelo plano
de amostragem. A localização dos pontos amostrais deve levar em conta o
entendimento do fenômeno natural envolvido no projeto, bem como o
conhecimento aproximado da continuidade espacial das variáveis a serem
modeladas, quando disponível através da literatura ou de projetos afins em áreas
análogas. Caso contrário, a campanha de amostragem pode ser dividida em duas
etapas, a saber:
(a) etapa orientativa, com parte das amostras autorizadas ao projeto
dispostas estrategicamente em alinhamentos e espaçamentos que
permitam a avaliação preliminar dos semivariogramas em algumas
direções e uma Krigagem preliminar;
(b) etapa complementar, com a disposição de pontos amostrais orientados
pelo mapa de variância de Krigagem, entre outras possibilidades.

O trabalho final de variografia é uma combinação de arte e técnica,

devendo-se evitar o ajuste automático de semivariogramas. O especialista deve
interagir com o geoestatístico no sentido de ajustar semivariogramas coerentes
com a natureza do fenômeno modelado.

Em algumas áreas interdisciplinares das geociências, tais como a geo-

engenharia de reservatórios petrolíferos, a Geoestatística tornou-se uma
eficiente linguagem de comunicação entre especialistas de formações
distintas. Através da simulação geoestatística, os geólogos e geofísicos
conseguem transmitir aos engenheiros as informações que descrevem
detalhadamente a heterogeneidade do reservatório, tais como a estratigrafia de
alta resolução, as variações de fácies e as propriedades petrofísicas de uma
camada.

51
12. REFERÊNCIAS BIBLIOGRÁFICAS

BUSSAB, W. O. e MORETTIN, P.A., Estatística Básica. São Paulo: Atual Editora, 4ª

ed., 321p., 1995.
DEUTSCH, C.V. e JOURNEL, A. G., GSLIB – Geostatistical Software Library and
User’s Guide. New York: Oxford Univ. Press, 2ª ed., 369p., 1998.
ISAAKS, E. e SRIVASTAVA, R.M., Na Introduction to Applied Geostatistics. New
York: Oxford Univ. Press, 561p., 1989.
JOURNEL, A.G. e HUIJBREGTS, Ch.J., Mining Geostatistics. London: Academic
Press, 600p., 1978.
JOURNEL, A.G. e ALABERT, F., Focusing on Spatial Connection of Extreme-valued
Attributes: Stochastic Indicator Models of Reservoir Heterogeneities. SPE
Paper 18324, 1988.
KITANIDIS, P.K., Introduction to Geostatistics – Applications in Hydrogeology.
New York: Cambridge Univ. Press, 249p., 1997.
SOARES, A., Geoestatística para as Ciências da Terra e do Ambiente. Lisboa: IST
Press, 206p., 2000.
YARUS, J.M. e CHANDLER, R.L. (eds.), Stochastic Modeling and Geostatistics –
Principles, Methods and Case Studies. AAPG Computer Applications in
Geology, No. 3, Tulsa: AAPG, 379p., 1994.

52