Vous êtes sur la page 1sur 11

INTEGRAO DE GEOESTATSTICA E SISTEMAS DE

INFORMAO GEOGRFICA: UMA NECESSIDADE


EDUARDO CELSO GERBI CAMARGO
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE
DEPARTAMENTO DE PROCESSAMENTO DE IMAGENS - DPI
AV. DOS ASTRONAUTAS, 1758
CEP: 12201-970
SO JOS DOS CAMPOS SO PAULO BRASIL
FONE: (012) 3456524
FAX: (012) 3456468
E-MAIL: eduardo@dpi.inpe.br
ANTONIO MIGUEL VIEIRA MONTEIRO
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE
DEPARTAMENTO DE PROCESSAMENTO DE IMAGENS - DPI
AV. DOS ASTRONAUTAS, 1758
CEP: 12201-970
SO JOS DOS CAMPOS
SO PAULO - BRASIL
FONE: (012) 3456474
FAX: (012) 3456468
E-MAIL: miguel@dpi.inpe.br
CARLOS ALBERTO FELGUEIRAS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - INPE
DEPARTAMENTO DE PROCESSAMENTO DE IMAGENS - DPI
AV. DOS ASTRONAUTAS, 1758
CEP: 12201-970
SO JOS DOS CAMPOS
SO PAULO - BRASIL
FONE: (012) 3456519
FAX: (012) 3456468
E-MAIL: carlos@dpi.inpe.br
SUZANA DRUCK FUKS
EMPRESA BRASILEIRA DE PESQUISA AGROPECURIA - EMBRAPA
CENTRO NACIONAL DE PESQUISAS EM SOLOS
CNPS
RUA JARDIM BOTNICO, 1024
CEP: 22460-000
RIO DE JANEIRO
RIO DE JANEIRO
BRASIL
FONE: (021) 2744999
FAX: (021) 2745291
E-MAIL: suzana@cnps.embrapa.br

RESUMO
Este trabalho tem como objetivo enfatizar a importncia da integrao Geoestatstica e Sistemas de Informao
Geogrfica (SIG). A plataforma de integrao o Sistema de Processamento de Informaes Georreferenciadas
(SPRING), de propriedade do Instituto Nacional de Pesquisas Espaciais, desenvolvido na Diviso de Processamento de
Imagens (DPI). A base conceitual deste trabalho est fundamentada em tcnicas geoestatsticas, as quais so derivadas
da Teoria das Variveis Regionalizadas e formalizadas por Matheron (1971). Um exemplo apresentado. Atravs de
procedimentos geoestatsticos uma anlise espacial do teor de argila realizada, nos solos da Fazenda Canchim em So
Carlos SP, e os resultados so apresentados e discutidos.
ABSTRACT
This work emphasizes the importance of integrating Geostatistics and Geographic Information Systems (GIS). The
Georeferenced Information Processing System (SPRING), developed at the Image Processing Division (DPI) of the
National Institute for Space Research, is used to test such na integration. The conceptual basis of this study finds its
foundations on geostatistics techniques. These techniques are derived from Matherons theory on regionalized variables
(Matheron, 1971). A case study is presented, which applies geostatistics procedures to spatially analyze the amount of
clay on the Canchim Farm soils in So Carlos, SP. Results are then described and discussed.

INTRODUO
Os Sistemas de Informao Geogrfica (SIGs), devido a sua crescente utilizao, vem incorporando novos
princpios e procedimentos de anlise espacial. Esse esforo deve-se ao consenso, hoje existente, de que o futuro
sucesso da tecnologia dos SIGs depende de sua capacidade de gerar cenrios confiveis, atravs de um conjunto de
procedimentos e ferramentas para a modelagem espacial, que possam representar adequadamente, em meio digital, as
propriedades, os processos e suas imprecises.
Alguns processos espaciais, principalmente aqueles observados em aplicaes ambientais, apresentam indexao
no espao e trazem como caracterstica comum a continuidade, observando que seus valores variam de forma gradual
numa determinada vizinhana. A representao destas propriedades nos SIGs, em geral, so oriundas de modelos
limitados e, como consequncia, o produto final uma simplificao porque no trabalha a variabilidade espacial das
propriedades e fenmenos ambientais em estudo.
A associao de procedimentos de estatsticas espaciais aos SIGs importante porque permite representaes
com hipteses mais prximas do contnuo dos fenmenos ambientais e tambm porque quantifica as imprecises
associadas aos produtos trabalhados.
Neste contexto, este trabalho apresenta o componente de anlise espacial, baseado nas tcnicas geoestatsticas,
integrado ao Sistema de Processamento de Informao Georreferenciada - SPRING. O componente consiste de um
conjunto de procedimentos integrados ao sistema, que possibilita novos modelos inferenciais e utiliza-se da biblioteca
geoestatstica, de domnio pblico, GSLIB (Deutsch e Journel, 1992).
Um exemplo apresentado. Partindo de um conjunto de amostras de solos, foram aplicadas tcnicas
geoestatsticas para se obter a espacializao da variao do teor de argila nos solos da Fazenda Canchim, em So
Carlos, SP. Uma anlise comparativa, da representao espacial oriunda de procedimentos geoestatsticos, com outros
mtodos disponveis no sistema SPRING foi realizada e os resultados so apresentados e discutidos.
FUNDAMENTOS DE GEOESTATSTICA
A geoestatstica envolve anlise e inferncia de fenmeno espacial e ou temporal, tal como concentrao de
poluentes, variao do teor de zinco no solo, preo do petrleo no tempo, etc. A geoestatstica teve sua origem na rea
de minerao (Krige, 1951). Atualmente, geoestatstica justamente um nome associado com uma classe de tcnicas
usada para analisar e inferir valores de uma varivel distribuda no espao e ou no tempo. Tais valores so
implicitamente assumidos ser correlacionados com outros, e o estudo de tal correlao denominada de anlise
estrutural ou modelagem do variograma. Depois da anlise estrutural, inferncias em localizaes no amostradas so
realizadas usando Krigeagem ou podem ser Simuladas usando simulaes condicionais. Resumidamente, os passos
num estudo empregando tcnicas geoestatsticas inclui: (a) anlise exploratria dos dados, (b) anlise estrutural (clculo
e modelagem do variograma) e (c) realizao de inferncias (Krigeagem ou Simulao). Este trabalho, limita-se
realizar inferncias utilizando as tcnicas de Krigeagem Simples e Ordinria.
O sucesso e as suposies das tcnicas geoestatsticas esto fundamentadas na Teoria das Variveis
Regionalizadas, desenvolvida por Matheron (1963, 1971). A varivel regionalizada uma varivel distribuda no
espao (ou tempo). A teoria diz que alguma medida pode ser vista como uma realizao de uma funo aleatria (ou
processo aleatrio, ou campo aleatrio, ou processo estocstico). Esta teoria consolida o alicerce da geoestatstica.
Segundo Burrough (1987), a variao espacial de uma varivel regionalizada pode ser expressa pela soma de trs
componentes: a) uma componente estrutural, associada a um valor mdio constante ou a uma tendncia constante; b)
uma componente aleatria, espacialmente correlacionada; e c) um rudo aleatrio ou erro residual.
Se x representa uma posio em uma, duas ou trs dimenses, ento o valor da varivel Z, em x, dada por:
Z(x) = m(x) + (x) +

(1)

onde:

m(x) uma funo determinstica que descreve a componente estrutural de Z em x;

(x) um termo estocstico, que varia localmente e depende espacialmente de m(x);

um rudo aleatrio no correlacionado, com distribuio normal com mdia zero e varincia 2.

A Figura 1(a) e 1(b) ilustram as trs componentes principais da variao espacial. A Figura 1(a) apresenta uma
componente determinstica que varia abruptamente, enquanto a componente determinstica, na Figura 1(b), apresenta
uma tendncia constante.

(b)

m(x )

(a)

(x)
Dado Amostral

m(x)
(x)
Dado Amostral

X
Figs. 1(a) e 1(b) - Principais componentes da variao espacial.
FONTE: Modificada de Burrough (1987), p. 155.

Diferente de outras tcnicas de inferncia, a Krigeagem Simples e ou Ordinria requer algumas hipteses
(Burrough, 1987 e David, 1977). No caso mais simples, admite-se que a componente determinstica, m(x), constante
(no h tendncias na regio). Ento, m(x) igual ao valor esperado da varivel aleatria Z na posio x, e a diferena
mdia entre os valores observados em, x e x+h, separados por um vetor de distncia h (mdulo e direo) nula.
E[Z(x) - Z(x+h)] = 0

ou

E[Z(x)] = E[Z(x+h)] = m(x) = m

(2)

Admite-se tambm a estacionariedade da covarincia, isto , a covarincia entre dois pares quaisquer Z(x) e
Z(x+h), separados por um vetor distncia h, existe e depende somente de h. Ento:
C(h) = Cov [Z(x), Z(x+h)] = E[Z(x).Z(x+h)]-m2, x;

(3)

A estacionariedade da covarincia tambm implica na estacionariedade do variograma , definido por:


2(h) = E{[Z(x)-Z(x+h)]2}

(4)
a

As consideraes acima resumem a hiptese de estacionariedade de 2 ordem. Porm, na geoestatstica adota-se


uma hiptese de estacionariedade menos restritiva denominada Intrnseca. Neste caso, admite-se que E[Z(x)] = m(x) =
m, x e que a varincia das diferenas depende somente do vetor distncia h, isto :
Var[Z(x) - Z(x+h)] = E{[Z(x)-Z(x+h)]2} = 2(h)

(5)

onde 2(h) o variograma, conforme definido anteriormante.


Se as condies especificadas pela hiptese intrnseca so contempladas, ento o semivariograma pode ser
estimado a partir do dado amostral:

( h) =

N( h )
2
[ z( x i ) - z( x i + h ) ]
2N( h ) i =1
1

( 6)

onde N(h) o nmero de pares de pontos amostrais separados pelo vetor distncia h.
O grfico (h) versus h conhecido como
semivariograma experimental. A Figura 2 ilustra um
semivariograma experimental com caractersticas muito
prximas do ideal. O seu padro representa o que,
intuitivamente, se espera de dados de campo, isto , que as
diferenas {Z(xi) - Z(xi + h)} decresam medida que h
diminui. esperado que observaes mais prximas
geograficamente tenham um comportamento mais semelhante
entre si do que aquelas separadas por maiores distncias. Desta
maneira, esperado que (h) aumente com a distncia h.

(h)

Patamar (C)

Contribuio (C1)

Alcance (a)

Efeito Pepita (C )
o

Fig. 2 Semivariograma Experimental.


O procedimento de ajuste, do semivariograma experimental, no direto e automtico, como no caso de uma
regresso, por exemplo, mas sim interativo, pois nesse processo o intrprete faz um primeiro ajuste e verifica a

adequao do modelo terico. Resumidamente, os modelos de ajuste esto divididos em dois tipos (Isaaks e Srivastava,
1989): modelos com patamar e modelos sem patamar. Modelos do primeiro tipo so referenciados na geoestatstica
como modelos transitivos. Exemplos de modelos transitivos so: Esfrico, conforme definido na equao (7),
Exponencial e Gaussiano.

3 | h |


! ( h ) = C + C

o
1 2 a

C o +C1

, | h |= 0
3
= C o + C1 [Sph (| h |)] , 0 <| h |a
2 a

, | h |> a

1 | h |

(7)

onde:
Co o efeito pepita, C1 a contribuio do modelo terico e a o alcance.
Modelos do segundo tipo no atingem o patamar, e continuam aumentanto enquanto a distncia aumenta. Tais
modelos so utilizados para modelar fenmenos que possuem capacidade infinita de disperso. Exemplo deste ltimo
podemos citar o modelo Potncia.
Quantos aos mtodos de inferncia de Krigeagem Simples e Ordinria, seus estimadores so conforme as
equaes (8) e (9) respectivamente (Journel, 1988):
n
*
Z x =m + i [Z( x i ) - m ]
0
i=1

(8)

n
n
*
Z x = i Z ( x i ) , com i =1
0 i =1
i =1

(9)

Nas equaes (8) e (9) o que difere o estimador de Krigeagem Simples do estimador de Krigeagem Ordinria,
que este ltimo no requer o prvio conhecimento da mdia amostral m.
A grande diferena entre a Krigeagem e outros mtodos de inferncia a maneira como os pesos so atribudos
s diferentes amostras. No caso da interpolao por mdia simples, por exemplo, os pesos so todos iguais a 1/N (N =
nmero de amostras); na interpolao baseada no inverso do quadrado das distncias, os pesos so definidos como o
inverso do quadrado da distncia que separa o valor interpolado dos valores observados. Na Krigeagem, o procedimento
semelhante ao de interpolao por mdia mvel ponderada, exceto que aqui os pesos so determinados a partir de uma
anlise espacial, baseada no semivariograma experimental.
Journel (1988) mostra que, o sistema de Krigeagem simples e ordinria podem ser escritos em notao matricial
como:
K.=k = K

(10)

.k

onde, K e k so matrizes das covarincias (ou variogramas) e o vetor dos pesos.


Por exemplo, no caso da Krigeagem Ordinria as matrizes so assim definidas:
C11 C12 .........C1n 1

#1

C10

C 21 C 22 .........C 2n 1

C 20

K= :

C n1 C n2 .........C nn 1
1

1 ............ 1 0

, = : e k=
#
"

:
C n0
1

Determinado os pesos, equao (10), aplica-se o estimador da equao (8) ou (9). Alm da inferncia de valores,
esta tcnica fornece tambm uma medida de impreciso denominada de Varincia de Krigeagem (Simples ou
2
T
Ordinria), dada por (Journel, 1988) como: k = C( 0 ) # .k
(11)

O MDULO DE GEOESTATSTICA NO SPRING


O Mdulo de procedimentos geoestatsticos, integrado ao sistema SPRING, tem como objetivo a anlise em duas
dimenses, para dados espacialmente distribudos, no que diz respeito a inferncia de superfcies geradas a partir de
amostras georreferenciadas. A estrutura implementada utiliza a biblioteca de procedimentos geoestatsticos GSLIB e
segue o modelo apresentado na Figura 3.

E NTRADA:

SPRING
Plano Informao
Representao: Amostra
Modelo: Numrico

Anlise
exploratria

Anlise espacial
por semivariograma

Modelos Tericos
GSLIB

Modelagem do
semivariograma

Validao do
modelo de ajuste

Krigeagem 2D

SA DA:

SPRING
Plano Informao
Representao: Grade
Modelo: Numrico

Fig. 3 Estrutura do Mdulo de Geoestatstica no SPRING

Inicialmente sobre o dado de entrada, neste caso proveniente de um Plano de Informao (PI), realizado uma
anlise exploratria atravs de estatsticas univariadas e bivariadas. As estatsticas univariadas fornecem um meio de
organizar e sintetizar um conjunto de valores, que se realiza principalmente atravs do histograma. As estatsticas
bivariadas fornecem meios de descrever o relacionamento entre duas variveis, isto , entre dois conjuntos de dados ou
de duas distribuies. Esta relao pode ser visualizada atravs do diagrama de disperso. Seguindo, uma anlise de
continuidade espacial baseada em semivariograma realizada. A anlise completa do semivariograma compreende os
seguintes passos: (a) levantamento do semivariograma experimental, (b) ajuste a uma famlia de modelos de
semivariogramas e (c) validao do modelo a ser utilizado nos procedimentos da Krigeagem. Para finalizar, a inferncia
dos dados realizada utilizando as tcnicas de Krigeagem e o resultado armazenado num Plano de Informao do
sistema SPRING.

Os procedimentos gerais que compem o mdulo esto agrupados no menu principal do SPRING, conforme
mostra a Figura 4, e possibilitam que as etapas fundamentais da geoestatstica sejam executadas.

Fig. 4 Tela Principal do sistema SPRING

EXEMPLO
Este exemplo tem como objetivo enfatizar, atravs de um experimento prtico, a importncia da integrao
Geoestatstca - SIG na anlise e inferncia de dados espacialmente distribudos.
Os dados utilizados, de propriedade do Centro Nacional de Pesquisas de Solos (CNPS - RJ), foram obtidos no
levantamento dos solos da Fazenda Canchim. Estes se referem a uma amostragem de 85 observaes georreferenciadas
coletadas no horizonte Bw (camada do solo com profundidade mdia de 1m). Dentre as variveis disponveis,
selecionou-se para estudo o teor de argila.
Considera-se o teor de argila ao longo do perfil, classificado do seguinte modo (Calderano Filho et al., 1996):

MUITO ARGILOSO: solos que apresentam 59% ou mais de argila;


ARGILOSO: solos que apresentam de 35% a 59% de argila;
MDIO: solos que apresentam de 15% a 35% de argila;
ARENOSO: solos que apresentam menos de 15% de argila.

Para tal experimento, so realizados os seguintes procedimentos: (a) anlise exploratria (b) anlise estrutural do
teor de argila (modelagem variograma) (c) inferncia de valores atravs de Krigeagem Ordinria (d) anlise e
apresentao dos resultados obtidos e (e) comparao dos resultados obtidos com outros mtodos convencionais de
estimao.

FAZENDA CANCHIM
o

W 47 51

W 47 50

W 47 49
o

S 21 55

S 21 55

S 21 56

S 21 56

o
o

S 21 57

S 21 57

o
o

S 21 58

S 21 58

A regio de estudo refere-se rea da Fazenda


Canchim, base fsica do Centro de Pesquisa Pecuria do
Sudeste (CPPSE- EMBRAPA), no municpio de So Carlos,
Estado de So Paulo, cobrindo uma rea de 2.660 hectares,
entre as coordenadas de 215500 - 215900 S e
474800 e 475200 W. O mapa de localizao da regio
em estudo apresentado na Figura 5.

o
o

S 21 59

S 21 59

W 47 51

W 47 50

W 47 49

Fig. 5 Mapa de localizao da Fazenda Canchim.

A anlise exploratria dos dados uma etapa de fundamental importncia e obrigatria dentro de qualquer
estudo geoestatstico. uma etapa precursora introduzida para averiguar as propriedades estatsticas e matemticas dos
dados (Burrough et al., 1996).
A partir da distribuio das observaes, Figura 5, pode-se proceder a uma anlise preliminar baseada em
inspeo visual. Essa anlise permite a identificao de alguns problemas, tais como escassez ou excesso de observaes
em determinado local, ocorrncia de valores aberrantes, etc. Aps a anlise preliminar, foram obtidas algumas
estatsticas da amostra, conforme ilustra a Tabela 1. Alm das estatsticas referidas, utilizou-se tambm, para uma
melhor caracterizao, os recursos grficos de histograma, conforme apresentado na Figura 6.
TABELA 1 ESTATSTICAS DO TEOR DE ARGILA.
Nmero de observaes
Mdia
Varincia
Desvio Padro
Coeficiente de variao
Coeficiente de assimetria
Coeficiente de curtose
Valor mnimo
Quartil Inferior
Mediana
Quartil superior
Valor mximo
.

85
33,035
288,034
16,972
0,514
0,214
2,344
4
10
33
43
73
Fig. 6 Histograma do teor de argila.

O histograma apresentado na Figura 6 mostra que a distribuio do teor de argila levemente alongada direita.
Neste caso, a distribuio dita ser positivamente assimtrica (Costa Neto, 1977, p. 30), com coeficiente de assimetria,
expresso na Tabela 1, igual a 0,214. Quanto ao grau de achatamento, o coeficiente de curtose (2,344) indica que a
distribuio ligeiramente platicrtica (Costa Neto, 1977, p. 32). Dentre outros valores apresentados na Tabela 1, notase que a mdia e a mediana, medidas que procuram caracterizar o centro da mesma distribuio de freqncias, possuem
valores prximos (33,035 e 33,0), respectivamente. Assim sendo, embora a distribuio da varivel em estudo seja
aproximadamente normal, sups-se a hiptese de normalidade dos dados.

A anlise estrutural do teor de argila realizada com o auxlio do semivariograma. Esta uma das etapas mais
importantes, pois o modelo de semivariograma escolhido representa a estrutura de correlao espacial a ser utilizada nos
procedimentos inferenciais de Krigeagem Ordinria. Os resultados obtidos da anlise dos semivariogramas direcionais
esto apresentados na Figura 7.

Semivariograma
na direo 0o

435,0

352,0

Semivariograma
na direo 90o

210,0

255,5

Modelos
Esfricos

83,0
45,5
0

1883,0

4031,0

Fig. 7 - Semivariogramas direcionais e omnidirecional do teor de argila.


Conforme ilustra a Figura 7, os semivariogramas que apresentaram maior e menor alcance, foram detectados nas
direes 0o e 90o, respectivamente. O semivariograma relativo direo 0o possui um alcance prximo a 4000m,
enquanto o semivariograma relativo direo 90o possui um alcance prximo a 2000m. O semivariograma com maior
patamar foi ajustado com um efeito pepita de (83,0), uma estrutura esfrica com contribuio (352,0) e alcance
(4.031,0). De maneira anloga, o semivariograma na direo 90o foi ajustado com efeito pepita (45,5), uma estrutura
esfrica com contribuio (210,0) e alcance (1.883,0).
A anisotropia presente do tipo zonal combinada, esta deve ser considerada e modelada, a fim de retratar a
verdadeira continuidade espacial do fenmeno. Um mtodo para combinar os modelos direcionais num nico modelo
consistente para todas as direes apresentado por Isaaks e Srivastava (1989, p. 377-386). O modelo nico, expresso
atravs da seguinte equao:



2
2
h 0o h 90o

!( h ) =45,5+ 210,0 Sph


+142,0 Sph
+

4031,0 1883,0






+ 37,5 Sph

2
h 0o
4031,0

2
h 90o
+

h 0 o h 90 o

.
$

(12)

O modelo completo, apresentado na equao (12), composto de quatro termos, a saber:

O primeiro termo referente ao efeito pepita (Co), igual a 45,5.

O segundo termo referente 1a componente estrutural, um modelo esfrico com contribuio 210, alcance
4031,0 na direo Norte (0o) e alcance 1883,0 na direo Leste (90o).

O terceiro termo referente 2a componente estrutural, um modelo esfrico com contribuio 142,0 e alcance
4031,0 relativo direo Norte (0o).

Por ltimo, o quarto termo referente 3a componente estrutural, um modelo esfrico com contribuio
37,5 e alcance muito pequeno, , relativo direo Norte (0o). Ainda com relao ao quarto termo da
equao (12), este um artifcio empregado para representar o segundo efeito pepita.

Uma vez definido o modelo que descreve a continuidade espacial do teor de argila., torna-se necessrio realizar o
processo de validao do modelo proposto. Esta uma etapa que precede a Krigeagem, e seu principal objetivo
avaliar a adequao do modelo sugerido no processo que envolve a re-estimao dos valores amostrais conhecidos. Os
resultados obtidos da validao como: estatsticas e histograma do erro, diagrama espacial do erro e grfico de valores
verdadeiros versus estimados, foram cuidadosamente analisados e o modelo proposto na equao (12) foi dado como
aceito.
Como resultado final da integrao Geoestatstica SIG, as Figuras 8(a) e 8(b) apresentam os resultados obtidos
relativos tcnica de Krigeagem Ordinria. A figura 8(a) refere-se continuidade espacial do teor de argila dentro dos
limites da Fazenda Canchim. A Figura 8(b) refere-se Varincia de Krigeagem, a qual pode ser utilizada como um
indicador para as regies em que a amostragem deve ser melhorada. Observe na Figura 8(b) que prximo dos pontos
amostrais o valor da Varincia de Krigeagem baixo e aumenta medida em que se afasta dos mesmos.

Fig. 8(a)- Resultado da Krigeagem Ordinria

Fig. 8(b)- Resultado da Varincia de Krigeagem

O resultado obtido expressivo e coerente. Isto pode ser verificado comparando a variabilidade espacial do teor
de argila, mostrada na Figura 8(a), com o mapa geolgico da regio de estudo conforme Figura 9.
Dentro dos limites da Fazenda Canchim, afloram as seguintes
litologias:
! Arenito Superficial predomina sobre a regio norte-nordeste.
Neste tipo de litogia encontram-se os solos com baixo teor de argila e
os solos arenosos. Observe ento a variabilidade espacial do teor de
argila expresso na Figura 8(a) e compare-a com o mapa geolgico.
! Formao Serra Geral (Diabsio) est localizado na regio
central da Fazenda Canchim. Neste tipo de litologia encontram-se os
solos muito argilosos. De maneira anloga anterior, observe a
variabilidade espacial expressa na Figura 8(a) e compare-a com a
Figura 9.
! Arenito Botucatu predomina sobre as demais regies, conforme
ilustra a Figura 9. Aqui encontram-se os solos com teor mdio de
argila.

Fig. 9 Mapa de Geologia da Fazenda Canchim


Seguindo apresenta-se, de forma comparativa, os resultados obtidos da krigeagem com outros mtodos de
estimao, como: mdia ponderada pelo inverso do quadrado da distncia, mdia simples e vizinho mais prximo. No

o objetivo aqui detalhar cada um destes mtodos, pois os mesmos so descritos na literatura, como, por exemplo, em
Burrough (1987).

Fig.10- Krigeagem

Fig.11- Inverso Distncia

Fig.12- Mdia Simples

Fig.13 Vizinho + Prximo

Atravs das imagens apresentadas nas Figuras 10 a 13, pode-se constatar alguns fatos. Com algumas ressalvas, o
mtodo da Mdia Ponderada pelo Inverso do Quadrado da Distncia, Figura 11, produz resultado que se assemelha ao
resultado da Krigeagem, Figura 10. O ponto crtico, porm, ocorre em regies onde h superestimao e subestimao
do teor de argila, o que difere do resultado oriundo da krigeagem, onde as mudanas de valores do teor de argila so
graduais. Os resultados produzidos pelos mtodos Mdia Simples, Figura 12, e Vizinho mais Prximo, Figura 13, so
menos expressivos com relao aos demais. O mtodo da Mdia Simples produz resultado que apresenta imbricao,
principalmente na regio central da rea de estudo. J o mtodo de inferncia relativo ao Vizinho mais Prximo,
embora sendo o que pior expressa a variabilidade espacial do fenmeno estudado, revela a rea de influncia de cada
ponto de observao. Tal informao de grande valia, como, por exemplo, numa anlise preliminar para deteco de
valores amostrais suspeitos.
Para finalizar, a Tabela 2 apresenta de forma sintetizada as principais razes pelas quais os resultados obtidos
pela krigeagem produziram resultados mais significativos em relao aos outros mtodos de inferncia.
TABELA 2 - CARACTERSTICAS DOS MTODOS DE INFERNCIA.
Mtodos Geoestatsticos

Mtodos Convencionais

Os pesos so determinados a partir de uma anlise


de correlao espacial baseada no semivariograma.
i = f [(h)]

Os pesos so determinados meramente em


funo da distncia. i = f (di)

rea de influncia na interpolao indicada pelo


alcance.

Raio de busca arbitrrio.

Modela anisotropia, isto , detecta as direes de


maior e menor continuidade espacial do fenmeno.

Anisotropia ignorada.

Trata redundncia (Clusters), isto , atribui


pesos adequados para agrupamentos de amostras.

Redundncia ignorada. Neste caso, podem


ocorrer superestimao ou subestimao de
valores.

CONCLUSO
A qualidade dos mapas oriundos da krigeagem (Figuras 10 e 11), revelou a boa adequao do modelo
empregado. Os resultados foram de certa forma expressivos quando comparados ao mapa geolgico da regio e a outros
mtodos de inferncia. O sucesso dos resultados obtidos se deve principalmente s caractersticas intrnsecas do
interpolador de krigeagem (Tabela 2). Ficou constatado, por exemplo, que o teor de argila varia mais intensamente
numa direo do que em outra. Tal fato refere-se anisotropia do fenmeno, a qual considerada na krigeagem e
ignorada nos mtodos tradicionais de inferncia. O resultado disto que modelos provenientes da krigeagem
proporcionam resultados mais prximos realidade.

Desta forma, conclui-se que possvel melhorar a anlise de dados espaciais significativamente quando a
geoestatstica aplicada. Muitos aspectos particulares dos dados ficariam ocultos se no fosse o uso de
semivariogramas, mostrando, por exemplo, a tendncia da variabilidade espacial nos dados de teor de argila.
Informaes como estas no so apresentadas quando se usam apenas parmetros clssicos como mdias e varincias.
Um outro aspecto que deve ser ressaltado a utilizao da potencialidade do SIG na apresentao e anlise dos
resultados. Neste sentido, a integrao geoestatstica e SIG mostrou-se extremamente conveniente e deve ser adotada
sempre que possvel como rotina em anlises de dados espaciais, possibilitando mtodos inferenciais com controle mais
siginificativos sobre os parmetros do interpolador usado.

REFERNCIAS BIBLIOGRFICAS
Burrough, P. A. Principles of geographical information systems for land resources assessment. Oxford, Clarendon
Press, 1987. 193p.
Burrough, P. A.; Varekamp C.; Skidmore, A.K. Using Public Domain Geostatistical and GIS Software for Spatial
Interpolation. Photogrammetric Engineering & Remote Sensing, 62 (7): 845-854, 1996.
Calderano Filho, B.; Fonseca, O. O. M.; Santos, H. G.; Lemos A. L. Levantamento Semidetalhado dos Solos da
Fazenda Canchim So Carlos - SP. Rio de Janeiro, EMBRAPA- CNPS, 1996. 261p.
Costa Neto, P. L. O. Estatstica. So Paulo, Edgard Blcher, 1977. 264p.
David, M. Geostatistical ore reserve estimation. New York, Elsevier Scientific, 1977. 364p.
Deutsch, C.V.; Journel, A. G. GSLIB: Geostatistical Software Library and users guide. New York, Oxford
University Press, 1992. 339p.
Instituto Nacional de Pesquisas Espaciais. Departamento de Processamento de Imagens. (INPE/DPI). Sistema de
Processamento de Informaes Georreferenciadas (SPRING). http://www.inpe.br/spring. Maro, 1977.
Isaaks, E. H.; Srivastava R. M. An Introduction to Applied Geostatistics. New York, Oxford University Press, 1989.
560p.
Journel, A.G. Fundamentals of geostatistics in five lessons. California, Stanford Center for Reservoir Forecasting
Applied Earth Sciences Department, 1988.
Krige, D.G. A statistical approch to some basic mine evaluation problems on the Witwatersrand. Johanesburg
Chemistry Metallurgy Mining Society South African, 52 (6): 119-139, 1951.
Matheron, G. The theory of regionalized variables and its applications. Paris, Les Cahiers du Centre de
Morphologie Mathematique de Fontainebleu, 1971. 211p.
Matheron, G. Principles of geostatistics. Economic Geology, 58 (8): 1246-1266, Dec. 1963.