Professional Documents
Culture Documents
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
2
125
2
35
35
718 . 2517
223 . 228 128 . 119 ) (
o o
o
h h
Gau h
e que relativo direo 125
o
expresso por:
(
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
2
125
2
35
125
719 . 2666
385 . 127 118 . 105 ) (
o o
o
h h
Gau h
onde Gau (h) uma notao representativa do modelo terico gaussiano
normalizado, e (h) tambm foi normalizado em relao ao alcance, pela seguinte expresso:
2
125
2
35
|
|
.
|
\
|
+
|
|
.
|
\
|
=
a
h
a
h
a
h o o
A modelagem da anisotropia combinada consistiu ento em dividir o
semivariograma em faixas, onde cada faixa possa ser modelada como uma anisotropia
geomtrica. A Figura 3.13 mostra a diviso feita no semivariograma.
2666.7 2517.7 0
232.5
347.3
105.1
119.1
1 Faixa
4 Faixa
3 Faixa
2 Faixa
h
h
2
2
8
.
2
1
2
7
.
4
35
o
125
o
Figura 3.13 Anisotropia combinada referente ao teor de argila. Esquema fora de escala.
Uma vez estabelecido de forma conveniente as faixas, a anisotropia foi
decomposta graficamente, conforme ilustra a Figura 3.14, de modo que, cada parcela
representa a anisotropia geomtrica.
Eymar S.S. Lopes essl@rc.unesp.br
1 - 46
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
0
105.1
1 Faixa
h 1
h
2666.7 0
14
2 Faixa
35
o
125
o
h 2
h
h 3
h
h 4
h
+
+
125
o
2666.7 2517.7
0
113.4
3 Faixa
35
o
35
o
125
o
2517.7
0
4 Faixa
114.8
+
+
Figura 3.14 Decomposio da anisotropia combinada em anisotropias geomtricas para teor de argila.
Esquemas fora de escala.
Da figura acima pode-se concluir que a primeira faixa refere-se a um valor
constante, com efeito pepita C
o
= 105.128. O modelo relativo a esta faixa foi, portanto:
128 . 105 ) (
1
= h
Para estabelecer a anisotropia geomtrica na 2
a
faixa foi necessrio utilizar
um artifcio que consiste em utilizar um modelo gaussiano com alcance muito pequeno ().
Isto foi necessrio para modelar o efeito pepita (119.128) relativo direo 35
o
. Com relao
a direo 125
o
, observou-se que a parte do modelo gaussiano participa com uma pequena
contribuio. Desta forma a anisotropia geomtrica foi caracterizada da seguinte forma: em
ambas as direes ocorre modelos gaussianos com contribuio de 14.01 (119.128
105.118), alcance () para a direo de 35
o
e alcance de 2666.719m para a direo 125
o
. O
modelo nico e consistente de semivariograma relativo 2
a
faixa foi, portanto:
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
2
125
2
35
2
719 . 2666
01 . 14 ) (
o o
h h
Gau h
Na 3
a
faixa, a anisotropia geomtrica foi obtida de forma direta. Isto , parte
de ambos modelos contribuem para a caracterizao da anisotropia. Assim, ocorrem modelos
gaussianos com alcance de 2517.718m na direo 35
o
e de 2666.719m para a direo 125
o
,
com uma contribuio de 113.375 (105.118 + 127.385 - 119.128). O modelo nico e
consistente de semivariograma relativo 3
a
faixa foi:
Ps-UNESP- Rio Claro
1 - 47
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
2
125
2
35
3
719 . 2666 718 . 2517
375 . 113 ) (
o o
h h
Gau h
Para estabelecer a anisotropia geomtrica referente 4
a
faixa foi necessrio
empregar outro artifcio, pois observa-se na Figura 3.13 que no existe um modelo associado
direo 125
o
. Para tanto foi necessrio atribuir um alcance muito grande, , a esta direo.
Tal artifcio foi utilizado apenas para estabelecer a anisotropia geomtrica. Isto no influencia
em nada no modelo final a ser determinado. O resultado foi uma estrutura gaussiana com
alcance de 2517.718 na direo 35
o
, alcance infinito na direo 125
o
e uma contribuio
de 114.848 (119.128 + 228.223 - 105.118 - 127.385). O modelo nico e consistente de
semivariograma relativo 4
a
faixa foi:
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
2
125
2
35
4
718 . 2517
848 . 114 ) (
o o
h h
Gau h
Finalmente, o modelo completo e consistente para qualquer distncia e
direo do vetor h, resume-se na seguinte soma:
) ( ) ( ) ( ) ( ) (
4 3 2 1
h h h h h + + + =
A tabela abaixo resume os parmetros estruturais utilizados para compor o
modelo expresso na equao acima. Tais parmetros foram definidos ainda na fase de ajuste
do semivariograma, segundo opo disponvel no menu do SPRING.
Nmero de Estruturas 3
Efeito Pepita 105.118
Primeira Estrutura Tipo : Gaussiana
Contribuio 14.01 ngulo de anisotropia 35
o
Menor Alcance 0.000001 Maior Alcance 2666.719
Segunda Estrutura Tipo : Gaussiana
Contribuio 113.375 ngulo de anisotropia 35
o
Menor Alcance 2517.718 Maior Alcance 2666.719
Terceira Estrutura Tipo : Gaussiana
Contribuio 114.848 ngulo de anisotropia 35
o
Menor Alcance 2517.718 Maior Alcance 10000000
Eymar S.S. Lopes essl@rc.unesp.br
1 - 48
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
3.2.5- Validao do Modelo de Ajuste;
Aps ter gerado os semivariogramas experimentais, para o caso isotrpico e
anisotrpico, assim como os modelos de ajuste, fez-se a validao do modelo, pois sempre
existe um certo grau de incerteza sobre os parmetros utilizados. Esta etapa recomendvel,
antes da krigagem, para verificar possveis problemas com os parmetros de entrada (por
exemplo, a especificao dos semivariogramas) ou com os dados (por exemplo, valores
aberrantes, ou "outliers"). Nesta validao os seguintes produtos foram gerados:
Diagrama espacial do erro;
Histograma do erro;
Estatsticas do erro;
Diagrama dos valores Observados x Estimados.
CASO ISOTRPICO
Os smbolos, tipo cruz, na Figura 3.15 indicam a localizao geogrfica da
amostragem e a magnitude do erro (para os smbolos pequenos o erro menor e vice-versa).
Apontando o mouse sobre os pontos no mapa, o rodap da janela mostra o erro associado.
No foi detectado nenhum valor muito diferente dos demais.
Figura 3.15 Distribuio espacial do erro para o caso isotrpico.
Ps-UNESP- Rio Claro
1 - 49
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
Observou-se pelos valores estatsticos e do histograma do erro (Figura 3.16)
que ocorre uma distribuio aproximadamente simtrica em torno da mdia, pois a mdia (-
0.214) est aproximadamente entre o mnimo (-35.555) e mximo (35.267). No h, portanto,
nenhuma suspeita de valores anmalos - outliers . O Valor da assimetria bem baixo (-
0.114), prximo de zero, indicando simetria, e o achatamento (4.003) com distribuio
ligeiramente leptocrtica, indicando uma concentrao maior dos erros em torno da mdia.
E S T A T S T I C A S D O E R R O
================================
=> Plano de Informao: argila
=> Nmero de amostras ...................... 85
=> Nmero de amostras ...................... 85
=> Mdia .............................................. -0.214
=> Varincia ......................................... 140.198
=> Desvio Padro .................................. 11.841
=> Coeficiente de Variao ................ -55.421
=> Coeficiente de Assimetria .............. -0.114
=> Coeficiente de Curtose ........ ........... 4.003
=> Valor Mnimo ................................ -35.555
=> Valor Mximo ................................. 35.267
Figura 3.16 Histograma e estatstica do erro para o caso isotrpico.
Verificou-se ainda o diagrama de valores observados x estimados (Figura
3.17), onde os pontos esto razoavelmente alinhados na direo 45
o
. Alguns pontos mais
dispersos poderiam indicar valores anmalos, que o usurio pode verificar.
Figura 3.17 Distribuio espacial do erro para o caso isotrpico.
Eymar S.S. Lopes essl@rc.unesp.br
1 - 50
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
CASO ANISOTRPICO
Os smbolos, tipo cruz, na Figura 3.18 indicam a localizao geogrfica da
amostragem e a magnitude do erro (para os smbolos pequenos o erro menor e vice-versa).
Apontando o mouse sobre os pontos no mapa, o rodap da janela mostra o erro associado.
No foi detectado nenhum valor muito diferente dos demais.
Figura 3.18 Distribuio espacial do erro para o caso anisotrpico.
Observou-se pelos valores estatsticos e do histograma do erro (Figura 3.19)
que ocorre uma distribuio aproximadamente simtrica em torno da mdia, pois a mdia (-
0.079) est aproximadamente entre o mnimo (-38.941) e mximo (35.837). No h, portanto,
nenhuma suspeita de valores anmalos - outliers . O Valor da assimetria bem baixo (-
0.341), prximo de zero, indicando simetria, e o achatamento (4.243) com distribuio
ligeiramente leptocrtica, indicando uma concentrao maior dos erros em torno da mdia.
E S T A T S T I C A S D O E R R O
================================
=> Plano de Informao: argila
=> Nmero de amostras ...................... 85
=> Mdia ............................................ -0.079
=> Varincia ..................................... 147.275
=> Desvio Padro ............................... 12.136
=> Coeficiente de Variao ............... -154.519
=> Coeficiente de Assimetria .............. -0.341
=> Coeficiente de Curtose ................... 4.243
=> Valor Mnimo ................................ -38.941
=> Valor Mximo ................................. 35.837
Figura 3.19 Histograma e estatstica do erro para o caso anisotrpico.
Ps-UNESP- Rio Claro
1 - 51
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
Verificou-se ainda o diagrama de valores observados x estimados (Figura
3.20), onde os pontos esto razoavelmente alinhados na direo 45
o
. Alguns pontos mais
dispersos poderiam indicar valores anmalos, que o usurio pode verificar.
Figura 3.20 Distribuio espacial do erro para o caso anisotrpico.
3.2.6- Krigagem;
Tendo definido os modelos para o caso isotrpico e anisotrpico, executou-
se a krigagem ordinria para cada caso.
CASO ISOTRPICO
Os parmetros utilizados foram
Resoluo da grade: Res X = 25 metros e Res Y = 25 metros
Nmero de Pontos no Elipside de Busca: Mnimo = 4 e Mximo = 20
Elipside de busca: Raio Mnimo : 2457, Raio Mximo : 2457, ngulo 0
o
Aps executar a krigagem, utilizou-se o limites da rea para recortar a grade
nos limites da Fazenda Canchim. A Figura 3.21 mostra a superfcie interpolada e a varincia
da krigagem.
CASO ANISOTRPICO
Os parmetros utilizados foram
Resoluo da grade: Res X = 25 metros e Res Y = 25 metros
Nmero de Pontos no Elipside de Busca: Mnimo = 4 e Mximo = 20
Elipside de busca: Raio Mnimo : 2517, Raio Mximo : 2666, ngulo 35
o
Aps executar a krigagem, utilizou-se o limites da rea para recortar a grade
nos limites da Fazenda Canchim. A Figura 3.22 mostra a superfcie interpolada e a varincia
da krigagem.
Eymar S.S. Lopes essl@rc.unesp.br
1 - 52
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
132.31
495.69
8.35
61.96
Figura 3.21 Superfcies por krigagem e varincia da krigagem caso isotrpico.
8.93
61.80
140.13
568.40
Figura 3.22 Superfcies por krigagem e varincia da krigagem caso anisotrpico
Ps-UNESP- Rio Claro
1 - 53
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
Fez-se em seguida um fatiamento das grades interpoladas (Figura 3.23) para
comparao com o mapa geolgico (Figura 3.24).
Figura 3.23 Superfcies por krigagem: Isotrpica (esquerda) e Anisotrpica (direita)
Figura 3.24 Mapa Geolgico
Eymar S.S. Lopes essl@rc.unesp.br
1 - 54
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
3.3 Comparao com outros mtodos de interpolao
Apenas para efeito de comparao (Figura 3.25), gerou-se superfcies por
outros mtodos de interpolao determinsticos. Os resultados so apresentados nas Figuras
3.26 a 3.28.
8.93
61.80
4.01
72.91
Figura 3.25 Krigagem anisotrpica Figura 3.26 Inverso da Distncia
4.65
69.75
4.0
73.0
Figura 3.27 Mdia Simples Figura 3.28 Vizinho mais prximo
Ps-UNESP- Rio Claro
1 - 55
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
3.4 Resultados e Concluses
A qualidade dos mapas obtidos por krigagem ordinria mostrou-se mais
adequado ao fenmeno estudado, isto , teores de argila, principalmente quando comparado
com o mapa geolgico e com outros mtodos de inferncia. A grande diferena que a
krigagem permite tratar adequadamente a anisotropia, enquanto nos mtodos determinsticos
isto sempre ignorado.
Vrias tcnicas puderam ser utilizadas para detectar a anisotropia espacial
na varivel em estudo. A simples plotagem das amostras agrupadas em quartis j mostrava a
presena de anisotropia. Utilizando, entretanto, a superfcie de semivariograma foi possvel
mais facilmente identificar as direes de maior (35
o
) e menor (125
o
) variabilidade.
Na validao do modelo, o caso anisotrpico mostrou algumas vantagens
em relao ao isotrpico. Observou-se que a mdia mais centrada em zero no caso
anisotrpico o que fez com que o coeficiente de curtose tivesse um valor maior, indicando
erros menores quanto tratada adequadamente a anisotropia.
Os mapas da varincia da krigagem mostram claramente o comportamento
quanto distribuio espacial das amostras, sem considerar os valores de teores de argila.
Comparando os diferentes mtodos de interpolao (item 3.3), a krigagem
ordinria, diferente dos mtodos determinsticos, permitiu representar com melhor qualidade,
a variabilidade espacial inerente propriedade em estudo. Alm de que a krigagem ordinria
fornece a varincia da estimativa, sendo tal informao um indicativo de reas que esto sub-
amostradas.
O fatiamento das classes de teores de argila, segundo classificao
apresentada no incio do trabalho, mostrou que o mapa onde foi tratada a anisotropia
apresenta-se mais parecido com o mapa geolgico.
O algoritmo de mdia ponderada pelo inverso do quadrado da distncia
(IQD) produziu um resultado que se assemelha ao resultado da krigagem ordinria. O
problema que nas regies onde h agrupamento dos pontos amostrados, o IQD gera picos
mais intensos. J a krigagem ordinria, por utilizar intrinsecamente uma estrutura de
covarincia, consegue tratar redundncias (cluster), isto , atribuir pesos adequados para os
agrupamentos de amostras. Alm disso, na krigagem ordinria, a rea de influncia para a
interpolao indicada pelo alcance, enquanto pelo IQD, e outros mtodos determinsticos, o
raio de busca arbitrrio.
Os mapas gerados por mdia simples e vizinho mais prximo so menos
expressivos com relao aos demais. O algoritmo de mdia simples produz resultado que
apresenta imbricao, principalmente na regio central da rea de estudo. J o algoritmo de
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
til na deteco de valores anmalos.
Eymar S.S. Lopes essl@rc.unesp.br
1 - 56
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
REFERNCIAS BIBLIOGRAFIAS
Akaike, H. A New Look at Statistical Model Identification, IEEE Transactions on Automatic
Control, 19 (6): 716-723, Dec. 1974.
Burrough, P. A. Principles of geographical information systems for land resources
assessment. Oxford, Clarendon Press, 1987. 193p.
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.
Cmara, G. Modelos, Linguagens e Arquiteturas para Bancos de Dados Geogrficos. So
Jos dos Campos. 264 p. (http://www.dpi.inpe.br/teses/gilberto/). Tese (Doutorado
em Computao Aplicada) Instituto Nacional de Pesquisas Espaciais, 1995.
Camargo, E. C. G. Desenvolvimento, implementao e teste de procedimentos
geoestatsticos (krigeagem) no Sistema de Processamento de Informaes
Georeferenciadas (SPRING). So Jos dos Campos. 124 p. (INPE-6410-TDI/620)
(http://www.dpi.inpe.br/teses/eduardo/). Dissertao (Mestrado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas Espaciais, 1997.
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.
Englund, E.; Sparks A. GEO-EAS 1.2.1 Geostatistical Environmental Assessment Software
Users Guide. Nevada: United States Environmental Protection Agency, 1988.
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.
Olea, R. A.; Jian, X.; Yu, Y. Semivariogram modeling by weighted least squares. Computers
& Geosciences, 22 (4): 387-397, 1996.
Ps-UNESP- Rio Claro
1 - 57
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
ANEXO I - Sintaxe dos Comandos
Neste texto so utilizados sequncias de procedimentos padronizados para descrever a operao
nas diversas janelas do sistema SPRING. Os procedimentos para realizao dos exerccios
prticos seguem a seguinte sintaxe:
Descreve uma sequncia de operaes:
* inicia-se uma sequncia de procedimentos (exemplo abaixo)
Iniciando o SPRING e criando um banco:
# Comando a ser executado a partir do menu Iniciar do Windows
* ex: # Iniciar - Programas - Spring<nun_verso> - Spring<nun_verso>
[Funo] - opo do menu principal a selecionar ou boto na barra de ferramentas
ex: - [Arquivo] [Banco de Dados...] ou boto
{Nome: Nome a preencher} - nome de um campo a preencher
ex: - {Nome: Curso}
{Campo - Nome: Nome a preencher} - nome de campo especfico a preencher
ex: - {Classes Temticas - Nome: Principais }
{Campo - Nome1: Nome1 a preencher, Nome2: Nome2 a preencher} - nomes de campos
ex: - {Retngulo Envolvente - X1: 183000, X2: 195000, Y1:8745000, Y2:8780000}
(Boto) - boto a clicar
ex: - (Criar)
(Campo Boto) - boto de campo especfico a clicar e selecionar
ex: - (Gerenciador Access)
(Lista | Elemento) - Elemento de lista a selecionar
ex: - (Banco de Dados | Curso)
(Lista | Elemento1, Elemento2, Elemento3, ...) - Elementos de lista no exclusiva a selecionar
ex: - (Imagens | banda1, banda2, banda3)
Janela - Janela de comandos ativa a operar
ex: - Banco de Dados
* Ative um PI no Painel Comentrio ou descrio de um procedimento a ser executado
Botes de atalho, como Banco de Dados , esto disponveis somente na barra de ferramentas.
Eymar S.S. Lopes essl@rc.unesp.br
1 - 58
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
Veja a seguir o exemplo de um procedimento sobre a janela Banco de Dados:
Iniciando o SPRING e criando um banco:
- # Iniciar Programas Spring<nun_verso> - Spring<nun_verso>
- [Arquivo] [Banco de Dados...] ou boto
Banco de Dados
- (Diretrio...) selecionar o caminho C:\Curso_spr\springdb
- {Nome: Curso}
- (Gerenciador Access)
- (Criar) responda No a pergunta para inserir senha.
- (Banco de Dados | Curso)
- (Ativar) Responda Sim caso tenha outro Banco/Projeto ativo.
- (Banco de Dados | Curso)
- {Nome: Curso} - (Ativar)
- (Gerenciador Access)
- (Diretrio...)
Banco de Dados - [Arquivo] [Banco de Dados...] ou boto
Ps-UNESP- Rio Claro
1 - 59