Geoestatística SPRING

TEXTO DIDTICO
PROCEDIMENTOS GEOESTATSTICOS COM O

SPRING INPE*

Eymar Silva Sampaio Lopes

* Seminrio apresentado ao final da disciplina ANLISE ESTATISTICA DE VARIVEIS
REGIONALIZADAS ministrada pelo Professor Dr. Prof. Paulo M. Barbosa Landim

Rio Claro Junho de 2003
ANLISE ESTATISTICA DE VARIVEIS REGIONALIZADAS
SUMRIO

1- Introduo......................................................................................................................................................... 3
2- Procedimentos Geoestatsticos com o SPRING............................................................................................... 4
2.1 Entrada de Dados ..................................................................................................................................... 4
2.1.1 Criar um PI numrico da importao de um ASCII .......................................................................... 5
2.1.2 Gerao de pontos amostrais a partir de um cadastro ..................................................................... 10
2.2 Modelagem Geoestatstica da varivel Cdmio ..................................................................................... 13
2.2.1 - Anlise Exploratria ........................................................................................................................ 13
2.2.2 - Gerao do Semivariograma............................................................................................................ 16
2.2.3 - Ajuste do Semivariograma............................................................................................................... 21
2.2.4 - Validao do Modelo de Ajuste....................................................................................................... 23
2.2.5 - Krigagem......................................................................................................................................... 27
2.3 Produtos do produto da Krigagem.......................................................................................................... 29
2.3.1 - Gerar Isolinhas a partir de uma grade .............................................................................................. 29
2.3.2 - Gerar imagem em nveis de cinza e sinttica colorida ..................................................................... 31
2.3.3 - Visualizao em 3D......................................................................................................................... 33
2.3.4 - Fatiamento em classes temticas...................................................................................................... 34
3- Estudo de Caso Fazenda Canchim.............................................................................................................. 36
3.1 - Introduo............................................................................................................................................... 36
3.2 Modelagem Geoestatstica ..................................................................................................................... 37
3.2.1- Anlise Exploratria; ........................................................................................................................ 37
3.2.2- Gerao do Semivariograma;............................................................................................................ 39
3.2.3- Ajuste do Semivariograma;............................................................................................................... 43
3.2.4- Modelagem da Anisotropia............................................................................................................... 45
3.2.5- Validao do Modelo de Ajuste;....................................................................................................... 49
3.2.6- Krigagem; ......................................................................................................................................... 52
3.3 Comparao com outros mtodos de interpolao................................................................................. 55
3.4 Resultados e Concluses ........................................................................................................................ 56
REFERNCIAS BIBLIOGRAFIAS ..................................................................................................................... 57
ANEXO I - Sintaxe dos Comandos..................................................................................................................... 58

Eymar S.S. Lopes essl@rc.unesp.br
1 - 2
1- Introduo
O programa SPRING foi desenvolvido pela DPI (Diviso de Processamento
de Imagens) do INPE (Instituto Nacional de Pesquisas Espaciais) em So Jos dos Campos
SP, onde pode ser obtido gratuitamente em www.dpi.inpe.br/spring. O usurio pode fazer
download do programa ou comprar um CDROM a preo de produo da mdia.
O SPRING completo na modelagem de dados geogrfico, isto , trata de
dados temticos (fenmenos qualitativos), mapas numricos (superfcies), imagens (de
qualquer sensor), mapas cadastrais (objetos com atributos na forma de linhas, pontos ou
polgonos) e mapas de redes (objetos com atributos na forma de ns e linhas orientadas). O
que diferencia o SPRING de outros sistemas so os algoritmos disponveis para cada modelo
de dados, alm do prprio modelo que integra num nico programa as ferramentas para
manipular dados de diferentes fontes.
Neste trabalho ser dado nfase a utilizao do modelo numrico, pois as
ferramentas de geoestatstica exigem um mapa deste modelo. Ser utilizado ainda o modelo
cadastral para armazenar os diferentes atributos dos pontos de amostragem.
Este texto divide-se em duas partes:
1. Descreve as etapas para entrada de dados e manipulao dos recursos de
Geoestatstica do SPRING.
2. Apresenta um estudo de caso com modelagem geoestatstica da porcentagem de
argila.
A primeira parte foi elaborada com a finalidade de reduzir as dificuldades
dos iniciantes no sistema SPRING. Como o software foi construdo sob a filosofia de Sistema
Gerenciador de Banco de Dados Geogrfico (Cmara, 1995), o usurio deve cumprir algumas
etapas antes de ter seu mapa de amostras e , posteriormente, iniciar uma modelagem
geoestatstica. Por isso, so descritos os procedimentos, passo a passo, para o usurio entrar
com os dados, definir um banco de dados e realizar um estudo geoestatstico.
Para esta primeira parte foram utilizados os dados da varivel teor de
cdmio do arquivo Example.dat, que est disponvel junto do software GEOEAS (Englund
e Sparks, 1988), que pode ser obtido gratuitamente em
http://www.epa.gov/ada/csmos/models/geoeas.html
Para o estudo de caso escolheu-se um banco de dados utilizado por
Camargo (1997) em sua dissertao de mestrado, sendo este autor responsvel pela
implementao do primeiro mdulo de Geoestatstica no SPRING. Os dados correspondem ao
levantamento dos solos da Fazenda Canchim, em So Carlos SP, de propriedade do Centro
Nacional de Pesquisas de Solos (CNPS - RJ).

DADOS UTILIZADOS NESTE TRABALHO :Todos os arquivos de dados deste trabalho
esto disponveis para download no mesmo endereo deste documento. Procure pelos
arquivos na pasta Dados, que estaro disponveis ao expandir o arquivo
AEVR_SPR.zip. O caminho C:\springdb\Dados ser criado.

NOTA: Dvidas e sugestes na utilizao deste material podem ser enviadas para Eymar
Lopes - essl@rc.unesp.br. Problemas na utilizao do SPRING podem ser enviadas para
equipe de suporte do INPE, em spring@dpi.inpe.br .
Ps-UNESP- Rio Claro
1 - 3
2- Procedimentos Geoestatsticos com o SPRING
2.1 Entrada de Dados
Para utilizar o SPRING com a finalidade de produzir superfcies por
mtodos de interpolao, seja por modelos determinsticos ou estocsticos (krigagem 2D),
necessrio ter um Plano de Informao (PI) do modelo (categoria) numrico, isto , pontos
amostrados com coordenadas X/Y e um parmetro Z a ser estimado.
Apesar do modelo numrico do SPRING suportar isolinhas e pontos cotados
num mesmo PI como numa carta topogrfica do IBGE, por exemplo, foi utilizado somente
pontos como entrada de dados para os algoritmos de interpolao.
Cada PI numrico do SPRING suporta somente um tipo de varivel a ser
estudada, como por exemplo, concentraes de chumbo no solo, onde cada ponto amostrado
corresponde a uma linha na lista de valores (ver tabela abaixo) e uma representao espacial
bidimensional como na Figura 2.1 abaixo.

Tabela : Coordenadas de pontos amostrais
de um mapa numrico
CoordX CoordY CoordZ
12000.52 2345.56 0.75654
21333.63 4322.43 0.86765

NG

Figura 2.1: Localizao espacial de pontos numricos na
tela de desenho do SPRI
Para criar um PI numrico de pontos amostrais como da figura acima, as
seguintes opes esto disponveis:
1. Importao de outros sistemas, como um arquivo DXF do AutoCad, onde as
entidades POINTs estaro representados em um layer;
2. Importao de arquivos ASCII-SPRING (texto sem formatao), os quais devem
obedecer uma certa sintaxe;
3. Edio de pontos no prprio sistema, via mouse ou mesa digitalizadora;
4. Gerao de pontos amostrais a partir de um PI cadastral. Neste caso, tem-se um
mapa de pontos com coordenadas X/Y e um identificador (Rtulo e Nome) para cada
ponto. Associado aos pontos tem-se uma tabela de atributos que os descrevem, como
por exemplo, a anlise qumica de amostras de solo. A Figura 2.2 mostra um exemplo
de um mapa cadastral de pontos.
1 - 4

IMPORTANTE: Neste texto foram abordadas a criao de PIs numricos a partir das
opes 2 e 4 somente. Neste caso foi utilizado o arquivo Example.DAT disponvel no
software GEOEAS (Englund e Sparks, 1988)
O arquivo Example.DAT do GEOEAS no pode ser importado
diretamente, mesmo sendo um arquivo texto em ASCII como do SPRING. Deve-se fazer
alguns ajustes na sintaxe deste arquivo antes de fazer a importao. So apresentadas a seguir
duas maneiras de importar estes dados:
1. Importar um arquivo no formato ASCII-SPRING, criando um PI do modelo numrico;
2. Importar dois (2) arquivos no formato ASCII-SPRING (Pontos e Tabela), criando um PI
do modelo cadastral, e posteriormente escolhendo um de seus atributos para ser a cota Z
dos pontos num PI numrico.
2.1.1 Criar um PI numrico da importao de um ASCII
Inicialmente, necessrio fazer alguns ajustes no arquivo Example.dat
para import-lo. Originalmente este arquivo tm os atributos Arsenic, Cadmium e
Lead, tendo sido escolhido um para ser a cota Z de um PI numrico no SPRING. Neste
caso, foi utilizado os teores de cdmio (coluna 4). A Figura 2.3 mostra a estrutura original do
arquivo.

Figura 2.2 Exemplo de um mapa (PI) cadastral de
pontos e sua tabela de atributos.
Figura 2.3: Arquivo Example.DAT original do GEOEAS
Ps-UNESP- Rio Claro
1 - 5
Aps os ajustes necessrios, o usurio deve ter um arquivo ASCII-SPRING
do tipo SAMPLE (Figura 2.4). Observar que as palavras reservadas devem obedecer a uma
sintaxe prpria, sendo todas elas em maisculas (ver seta em vermelho). No final do arquivo
deve-se ter duas (2) vezes a palavra END, isto porque podem existir outras entidades, tipo
isolinhas, no mesmo arquivo. A extenso do arquivo deve ser necessariamente *.spr, para
que aparea na lista de importao.

Figura 2.4 - Arquivo Example_cd.spr s com a varivel cdmio

NOTA: sugerido utilizar a planilha eletrnica Excel para facilitar a manipulao entre as
diferentes colunas de dados. Aps os ajustes, salvar a planilha como tipo Texto (separado
por tabulaes) (*.txt), substituindo a extenso por *.spr. Criar um arquivo de nome
Example_cd.spr e salvar em C:\springdb\Dados. (Se no tiver esta pasta em seu micro,
cri-la).
Uma informao importante antes de importar o arquivo, so as
coordenadas limites (mnimo e mximo) em X e Y, pois o SPRING exige um retngulo
envolvente dos dados para limitar a rea de trabalho. Isto corresponde a definio de um
projeto, com ou sem projeo cartogrfica.
Normalmente, o usurio ao iniciar o SPRING deseja ver rapidamente seus
dados (mapas e tabelas) na tela do sistema, mas antes deve-se definir algumas entidades, que
fazem parte da estrutura do banco de dados geogrfico do sistema (veja Figura 2.5). Algumas
etapas, portanto, devem ser definidas, na seguinte a ordem:
1. Criar um Banco de Dados onde definido um nome, um diretrio e um sistema
gerenciador de sua escolha; posteriormente este banco deve estar ativo.
2. Dentro do banco ativo, criar um Projeto definido por um nome, projeo e
retngulo envolvente (coordenadas X/Yque envolvem os dados). Posteriormente este
projeto deve estar ativo;
3. Definir para o banco ativo um Modelo de Dados. Corresponde a criao de
categorias, que podem ser do tipo Numrico, Cadastral, Objeto, Temtico, Imagem,
Redes ou No-Espacial. Cada categoria s pode ser de um tipo, podendo ter vrias
categorias do mesmo tipo, porm com nomes diferentes (por exemplo: Uso_Solo
como temtico e Geologia tambm como temtico). Observe na Figura 2.5 que as
categorias podem ser utilizadas por vrios PIs em qualquer projeto de um
determinado banco.
1 - 6
4. Finalmente, criar um PI definido por um nome, escala, resoluo X / Y e
retngulo envolvente (que pode ser igual ou menor do que o projeto). A condio de
existncia de um PI estar dentro de um projeto e pertencer a uma nica categoria do
banco. Entretanto, uma categoria pode conter vrios PIs, num mesmo projeto.

Nome
Diretrio
Gerenciador
BANCO DE DADOS
Nome
Projeo
Retngulo Envolvente
PROJETO 1
Nome , Categoria
Escala
Retngulo Envolvente
Objeto associado
PI Cadastral
Nome
Projeo
Retngulo Envolvente
PROJETO 2
Nome , Categoria
Escala
Resoluo
Retngulo Envolvente
PI Numrico
Nome , Categoria
Escala
Resoluo
Retngulo Envolvente
PI Numrico
Categoria : Cadastral
Categoria : Objeto
Categoria : Numrica
MODELO DE DADOS

Figura 2.5 Esquema de Banco de Dados no SPRING

A seguir so descritos os procedimentos para criar um esquema, como da
figura acima, supondo que o usurio j tenha disponvel o arquivo Example_cd.spr no
formato ASCII-SPRING.
NOTA: utilizado a pasta (diretrio) de nome springdb na raiz do drive C:\ , para criar o
banco, mas nada impede o usurio de escolher outro caminho.

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:\springdb
- {Nome: Seminario}
- (Gerenciador Access)
- (Criar) responda No a pergunta para inserir senha.
- (Ativar) responda Sim caso tenha outro Banco/Projeto ativo.

Ps-UNESP- Rio Claro
1 - 7
Para criar o projeto deve-se conhecer os valores extremos de um retngulo
envolvente s coordenadas dos pontos. Assim, dos valores dos atributos Easting (X) e
Northing (Y), temos que, Xmim= 254.5, Xmax= 492, Ymin= 118 e Ymax= 315. Entretanto,
recomendado definir um retngulo um pouco maior para que nenhum ponto fique prximo ao
limite da rea. Desse modo, foram utilizados os seguintes valores:
X1 = 240 X2 = 510
Y1 = 100 Y2 = 325
NOTA: Como no h informaes dos parmetros cartogrficos, nenhuma projeo foi
utilizada. Caso contrrio, o usurio dever definir corretamente tais parmetros.

Criando o Projeto:
- [Arquivo] [Projeto...] ou boto
Projetos
- {Nome: Example_GEOEAS}
- (Projeo...)
Projees
- (Sistemas | NO PROJECTION)
* Observe que pode-se escolher uma entre treze projees. Dependendo da escolha
outros parmetros devem ser definidos, como por ex: Hemisfrio, Latitude e/ou
Longitude de Origem e Paralelos Padro. No nosso caso, no necessrio informar mais
nenhum parmetro.
- (Executar)
Projetos
- (Retngulo Envolvente - Coordenadas Planas)
* Observar que um projeto pode ser definido em coordenadas Planas (metros) ou Geogrficas
(grau, minuto e segundo). No caso utilizado coordenadas planas, em
funo da projeo escolhida.
- {Retngulo Envolvente - X1: 240.0, Y1: 100.0}
- {Retngulo Envolvente - X2: 510.0, Y2: 325.0}
* Necessariamente deve-se definir as coordenadas do ponto 1 (X1/Y1)
como canto inferior esquerdo e ponto 2 (X2/Y2) como canto superior
direito, como mostra o esquema ao lado.
- (Criar)
- (Ativar)

Agora, necessrio definir a categoria que ser utilizada para importar o
arquivo de dados, criando assim um PI.
Definindo uma categoria numrica no banco :
- [Arquivo] [Modelo de Dados...] ou boto
Modelo de Dados
- {Categorias - Nome: Amostras_MNT }
- (Modelo MNT)
- (Categorias Criar)
- (Executar) - para salvar a categoria criada.
- (Fechar)

Importa-se em seguida o arquivo de pontos amostrais, onde Z representa a
varivel Cdmio.
1 - 8
Importando amostras para a categoria definida acima :
SPRING
- [Arquivo][Importar...]
Importao
- (Diretrio... : C:\springdb\Dados\)
- (Formato ASCII-SPRING : Example_cd.spr)
- (Entidade Amostra(MNT)), (Unid. m), {Escala : 1000}
- {Resoluo X(m): 10, Y(m): 10}
- Projeo e Retngulo Envolvente - No necessrios, assume do projeto ativo
- Projeto - No necessrio, projeto ativo
- (Categoria...)
Lista de Categorias
- (Categorias | Amostras_MNT)
- (Executar)
Importao
- {PI: Amostras_cd} nome do PI a ser criado ao executar em seguida
- (Executar)
- (Fechar)
* Verificar no Painel de Controle que o PI Amostras_cd estar disponvel.

Visualizando o PI criado acima na tela principal:
Painel de Controle
- (Ativar Tela 1)
- (Categorias | Amostras_MNT )
- (Plano de Informao | Amostras_cd)
- (Amostras)
SPRING
- [Executar] [Desenhar] ou boto

Como cada ponto cotado tem um valor Z associado, foi utilizado este
valor para criar a representao de texto ao lado dos pontos.
Gerando textos p/ amostras de PI numrico:
- Mantenha ativo o plano Amostras_cd
- [MNT][Gerao de Textos...]
Gerao de Textos
- (Seleo Pontos e Mestras)
- (# Casas Decimais 2)
- (Visual...) para definir as caractersticas visuais do texto
Apresentao Grfica para Textos
- (Cor...)
Seleo de Cores
- Clique em preto (BLACK)
- (OK)
- {Altura: 2} (CR)
- (Executar)
Gerao de Textos
- (Executar)
* Observe que o texto apresentado na tela de desenho.
- (Fechar)
Ps-UNESP- Rio Claro
1 - 9
2.1.2 Gerao de pontos amostrais a partir de um cadastro
Para utilizar a ferramenta que cria automaticamente um PI numrico,
necessrio para a modelagem geoestatistica, descrito primeiramente como importar os
dados, para criar um PI cadastral de pontos, associados a vrios atributos.
Um mapa cadastral de pontos, como apresentado na Figura 2.2 acima,
precisa de dois arquivos no formato ASCII-SPRING para serem importados. O primeiro
arquivo (tipo POINT2D) descreve a geometria dos pontos e seus identificadores, que devem
pertencer a uma categoria de objetos. O segundo arquivo (tipo TABLE) relaciona-se com o
primeiro atravs dos identificadores dos pontos, que so caracterizados por atributos. O
esquema abaixo (Figura 2.6) mostra os dois arquivos que foram modificados com ajuda do
Excel.
A identificao de objetos no SPRING d-se por um rtulo + nome que so
associados aos elementos grficos (pontos, linhas ou polgonos). O rtulo nico para uma
determinada categoria de objetos. Entretanto, pode-se ter um ou mais elementos grficos
associados ao mesmo rtulo. O nome no nico, podendo se repetir num mesmo tipo de
objeto, mas o sistema automaticamente cria um nome igual ao do rtulo, quando no
informado.

Nome da categoria
de objetos deve ser
o mesmo nos dois
arquivos
Nome
no informado
ter o mesmo
contedo do rtulo
Cada rtulo no arquivo POINT2D
corresponde a um registro no
arquivo TABLE, definindo a
ligao entre os arquivos
Rtulo
nico para
cada ponto
Figura 2.6 Esquema dos arquivos ASCII-SPRING para pontos cadastrais
1 - 10
NOTAS:
Palavras chave dos arquivos ASCII-SPRING devem ser todas em maisculas;
Linhas de comentrio so permitidas no cabealho desde que precedida por //;
O separador entre os itens dos dados podem ser vrgula ou ponto-vrgula;
Os atributos no arquivo TABLE podem ser dos tipos:
o Inteiro ex: IDADE ; INTEGER ; 10 ; 0
o Real ex: XCOLLAR ; REAL ; 17 ; 0
o Data ex: DATAF ; DATE ; 8 ; 0
o Texto ex: RESP ; TEXT ; 30 ; 0 (onde 30 nmero limite de caracteres
geoestatsticos especificado para cada atributo)
A definio do atributo que identifica os rtulos deve ter necessariamente a sintaxe:
o T_KEY ; TEXT ; 32 ; 0

NOTA: Caso utilize a planilha eletrnica Excel para ajustar os dados, salvar cada planilha
como tipo CSV (separado por vrgulas) (*.csv), substituindo posteriormente a extenso dos
arquivos por *.spr. Criar um arquivo de nome Example_P2D.spr (para os pontos
tipo POINT2D) e outro Example_TAB.spr (para a tabela de atributos tipo TABLE).
Utilizar a pasta C:\springdb\Dados. Se no tiver esta pasta em seu micro, crie-a.
DICA: Todos os arquivos de dados deste trabalho esto disponveis para download no mesmo
endereo deste documento. Ao descomprimir o arquivo de dados, o caminho
C:\springdb\Dados ser criado.
Ser utilizado o mesmo banco de dados e projeto criados no item 2.1.1.
Portanto, se no completou os procedimentos deste item, execute os procedimentos descritos
em:
e
Criando o Projeto:

Com o banco de dados Seminario ativo, adicionado uma nova categoria
do modelo cadastral para importar os dados. No h necessidade de criar a categoria de
objeto, pois esta ser criada durante a importao do arquivo Example_P2D.spr.

Definindo uma categoria cadastral no banco :
Modelo de Dados
- {Categorias - Nome: Cad_amostras }
- (Modelo Cadastral)
- (Executar) para salvar a categoria criada.
- (Fechar)
Ps-UNESP- Rio Claro
1 - 11
Agora, possvel importar os arquivos de pontos cadastrais e sua tabela de
atributos.
Importando pontos para PI cadastral:
SPRING
- [Arquivo][Importar...]
Importao
- (Diretrio...: C:\springdb\Dados\)
- (Formato ASCII-SPRING : Example_P2D.spr)
- (Entidade Ponto 2D), (Unid. m), {Escala: 1000}
* Projeo e Retngulo Envolvente - No necessrios, assume do projeto ativo
* Projeto - No necessrio, projeto ativo
- (Categoria...)
Lista de Categorias
- (Categorias | Cad_amostras)
- (Executar)
Importao
- {PI: Mapa_Amostras) nome do PI a ser criado ao executar em seguida
- (Executar) responda SIM para criar a categoria Sample
* Um sumrio no final da importao deve confirmar que 60 pontos foram importados e
rotulados.
- (Fechar)
* Verificar no Painel de Controle que o PI Mapa_Amostras estar disponvel. Clique sobre
Objetos e desenhe na tela ativa.

Importar a seguir a tabela de atributos em ASCII, tipo TABLE.

Importando os atributos para a categoria de objetos criada acima:
SPRING
- [Arquivo][Importar Tabela...]
Importao de Tabelas
- (Formato ASCII-SPRING : Example_TABLE.spr)
- (Operao Atualizar Cat.Objetos/Tab.Atributos)
- (Executar)
- (SIM) responda Sim pergunta para inserir atributos categoria de objeto.
- (OK) observe quantos atributos foram atualizados.
- (Fechar)

NOTA: O mapa cadastral de pontos com atributos associados ao objeto Sample estar
disponvel no Painel de Controle. Utilizar o boto ou [Exibir] [Cursor de Info] no menu
principal para mostrar todas informaes sobre os pontos desenhados na tela ativa. Ao ativar
este boto, o cursor passa para a forma de uma cruz (+) e quando se clica na tela ativa,
todas informaes na posio indicada so apresentadas na janela de "Relatrio de Dados".
Para restaurar o cursor na forma de uma seta, clique novamente no boto de info.

possvel, ento, criar um mapa numrico a partir do mapa cadastral. Ser
utilizado a ferramenta de gerao de pontos amostrais, onde escolhido o atributo
CADMIUM como cota Z dos pontos.

1 - 12
Gerando pontos amostrais para a varivel cdmio:
- Mantenha ativo o PI Mapa_Amostras da categoria cadastral Cad_amostras
SPRING
- [Ferramentas][Gerao de Pontos Amostrais...]
Gerao de Pontos Amostrais
- (Categoria de Sada...)
Lista de Categorias
- (Categorias | Amostras_MNT)
- (Executar)
Gerao de Pontos Amostrais
- {PI de Sada: Amostras_cd} nome do PI a ser criado ao executar em seguida
- (Categorias | Sample)
- (Categorias | CADMIUM)
- (Executar)
- (Fechar)
* Verificar no Painel de Controle que o PI Amostras_cd_P2D estar disponvel. Clique sobre
Amostras e desenhe na tela ativa. O Sufixo _P2D includo por conta da ferramenta, com
objetivo de identificar sua origem.

NOTA: Os dois PIs Amostras_cd e Amostras_cd_P2D da categoria
Amostras_MNT so exatamente iguais, porm criados de modos diferentes. Escolha um
deles para prosseguir com a modelagem geoestatstica.
2.2 Modelagem Geoestatstica da varivel Cdmio
Assim como em outros sistemas, as seguintes etapas devem ser feitas na
modelagem geoestatstica:
1. Anlise Exploratria;
2. Gerao do Semivariograma;
3. Ajuste do Semivariograma;
4. Validao do Modelo de Ajuste;
5. Krigagem;

NOTA: no ajuda do SPRING descreve-se cada uma das etapas, assim como uma base
conceitual resumida. Para mais detalhe consultar a bibliografia recomendada.

2.2.1 - Anlise Exploratria
Este mdulo tem por finalidade proceder anlise exploratria dos dados
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. Caractersticas importantes do histograma so: Medidas de localizao: mdia,
valor mnimo, quartil inferior, mediana, quartil superior e valor mximo; Medidas de
disperso: varincia e desvio padro, e Medidas de forma: coeficiente de assimetria,
coeficiente de curtose e coeficiente de variao.

IMPORTANTE : Mantenha sempre o PI ativo sobre o qual deseja analisar. PI ativo aquele
que encontra-se selecionado no Painel de Controle.
Ps-UNESP- Rio Claro
1 - 13
Ativando e Visualizando o PI a ser analisado:
Painel de Controle
- (Ativar Tela 1)
- (Categorias | Amostras_MNT )
- (Plano de Informao | Amostras_cd ) ou o PI Amostras_cd_P2D
- (Amostras)
SPRING

Executando a anlise exploratria para a varivel cdmio:
SPRING
- [Anlise][Geoestatstica][Anlise Exploratria...]
Anlise Exploratria
- (Estatstica Estatstica Descritiva)
- (Executar)
Relatrio de Dados
* a janela apresenta uma lista de valores
- (Salvar...) se desejar criar um arquivo TXT com os valores

E S T A T S T I C A S: Amostras_cd_P2D

=> Nmero de amostras ...................... 60
=> Nmero de amostras vlidas ...... 60
=> Mdia ................................................... 7.88500001
=> Varincia ............................................. 15.27260860
=> Desvio Padro ....................................... 3.90801850
=> Coeficiente de Variao ........................ 0.49562695
=> Coeficiente de Assimetria ................... -0.15100410
=> Coeficiente de Curtose .......................... 2.46386218
=> Valor Mnimo ....................................... 0.00000000
=> Quartil Inferior ...................................... 5.40000010
=> Mediana ................................................ 7.94999981
=> Quartil Superior .................................. 10.89999962
=> Valor Mximo .................................... 16.70000076

* ainda na janela
Anlise Exploratria
- (Estatstica Histograma)
- (Executar)
Histograma
* a Figura 2.7 mostra a janela apresentada
* se desejar alterar o intervalo de classes gerado, proceder:
- (Nmero de Classes ? )

1 - 14

Figura 2.7 Histograma para a varivel cdmio

* ainda na janela
Anlise Exploratria
- (Estatstica Grfico de Probabilidade Normal)
- (Executar)
Grfico de Probabilidade Normal
* a Figura 2.8 mostra a janela apresentada

Figura 2.8 Grfico de Probabilidade Normal para a varivel cdmio
Ps-UNESP- Rio Claro
1 - 15
Pela observao dos valores estatsticos e do histograma verifica-se uma
distribuio aproximadamente simtrica em torno da mdia, pois a mdia (7.885) e a mediana
(7.950) esto muito prximas, alm de estarem aproximadamente na metade entre os valores
mnimo (0) e mximo (16.700). Portanto, no h nenhuma suspeita de valores anmalos -
outliers . O Valor da assimetria bem baixo (-0.151), prximo de zero, indicando boa
assimetria, e o achatamento (2.464) ligeiramente com distribuio platicrtica, isto , pouco
menor que 3.
O grfico de probabilidade normal acumulado (Figura 2.8) mostra os pontos
com bom ajuste a uma reta, o que indica uma distribuio prxima da normal. Portanto, no
h necessidade de nenhuma transformao, log-normal por exemplo, que justifique ser
executada para se fazer as anlises posteriores.

* ainda na janela
Anlise Exploratria
- (Fechar)

2.2.2 - Gerao do Semivariograma
Inicialmente, gerou-se um semivariograma ominidirecional para
maximizar o nmero de pares em cada intervalo de distncias, produzindo um variograma
mais suavizado.
Executando a anlise variogrfica para a varivel cdmio:
SPRING
- [Anlise][Geoestatstica][Gerao do Semivariograma...]
Gerao do Semivariograma
- (Anlise Unidirecioal)
- (Opes Semivariograma)
- Parmetros de Lag - no modificaremos inicialmente estes valores
- Parmetros de Direo : (v)1 - {Dir1: 0.00} - {Tol1: 90.00}
* este parmetros geram um semivariograma ominidirecional
- (Executar)
* a janela grfica Semivariograma apresentada.
Veja Figura 2.9.

Figura 2.9 Semivariograma ominidirecional p/ varivel cdmio
1 - 16

* ainda na janela
- (Resultado Numrico...)
Resultado Numrico
* a janela apresenta uma lista de valores (veja abaixo)

No. Lag:10 Incremento:11.25 Tolerncia:5.63
=================================================
Direo: 0.00 Tol.Angular: 90.00 Mxima Bw: 1000000.00
=================================================

Lag No. Pares Distncia Semivariograma
1 0 0.000 0.00000
2 40 12.616 6.10075
3 114 23.738 9.53105
4 116 34.301 8.50259
5 158 44.582 13.49152
6 188 56.076 12.53569
7 210 67.281 13.85262
8 272 79.194 15.12717
9 278 89.595 15.11712
10 302 100.996 16.15990
11 248 111.890 17.18153
12 230 123.987 17.72500
===================================================

Observar que utilizando os valores default dos parmetros de lag no
produzido um semivariograma adequado, pois o efeito pepita zero (ver resultado para o
primeiro lag acima). Isto ocorre porque a GSLIB utiliza o valor da tolerncia do incremento
para calcular o valor do semivariograma somente para o primeiro Lag. A partir dos Lag's
seguintes, o clculo realizado utilizando o valor do incremento +/- tolerncia. Outro motivo
deste efeito que no sabe a priori as distncias mnima e mxima entre os pares de amostras.
Em outros programas como GEOEAS e VARIOWIN existe o arquivo *.pcf (pair comparison
file), que computa todos os pares de dados possveis e suas distncias, e serve como pr-
processamento para produzir os semivariogramas.
Sabe-se que a distncia mnima entre as amostras de 6.0 metros e a
mxima de 302. Entretanto, o valor inicial do SPRING mostra 5.625 como tolerncia, que fica
abaixo da menor distncia. Isto faz com que no se tenha nenhum par de dados para ser
includo no primeiro lag.
A experincia mostra que no existem receitas para se produzir
semivariogramas adequados aos modelos ideais. Vrias tentativas devem ser testadas. Os
valores dos parmetros de Lag escolhidos foram:
* ainda na janela
- Parmetros de Lag : {No Lag: 9} - {Incremento: 26} - {Tolerncia: 17}
- Parmetros de Direo : (v)1 - {Dir1: 0.00} - {Tol1: 90.00}
- (Executar)
* a janela grfica Semivariograma atualizada. Veja Figura 2.10.

Ps-UNESP- Rio Claro
1 - 17

Figura 2.10 Semivariograma ominidirecional p/ varivel cdmio
modificado os parmetros de Lag.

Observe que a janela de Resultado Numrico tambm atualizada, onde
agora temos um nmero significativo de 40 pares de amostras no primeiro Lag.
=================================================
=================================================
1 40 12.616 6.10075
2 316 29.360 9.25304
3 526 53.443 13.25968
4 754 78.951 14.89832
5 808 103.147 16.09416
6 618 129.058 16.46654
7 576 156.536 16.58316
8 444 180.182 16.35536
9 268 206.692 19.82310
10 142 232.002 18.14127
11 50 253.867 16.26020

Em seguida foi feita a anlise direcional do semivariograma, pois suspeita-
se da existncia de anisotropia dos dados. Vrios testes foram feitos em vrias direes com
diferentes valores de Lag. O procedimento que melhor detectou a anisotropia foi:

Executando a anlise variogrfica direcional para a varivel cdmio:
SPRING
- Parmetros de Direo
- (v)1 - {Dir1: 0.00} - {Tol1: 90.00} linha em vermelho
- (v)2 - {Dir2: 0.00} - {Tol1: 22.5} linha em verde
1 - 18
- (v)3 - {Dir3: 90.00} - {Tol1: 22.5} linha em azul
- (Executar)
* a janela grfica Semivariograma atualizada. Veja Figura 2.11.

Figura 2.11 Semivariogramas direcionais em verde 0
o
e 22.5 de tolerncia em azul 90
o
e
22.5 de tolerncia. Em vermelho semivariograma ominidirecional.

Por esta combinao de direes, apresentadas na Figura 2.11, fica claro que
existe uma anisotropia, onde a direo de maior e menor continuidade espacial do fenmeno
(teor de cdmio) so 0
o
e 90
o
respectivamente. A curva do semivariograma ominidirecional na
posio intermediria mostra a tendncia de suavizar a variabilidade em todas as direes.
Outra maneira de detectar a anisotropia atravs da superfcie do
semivariograma (Figura 2.12). Este semivariograma um grfico 2D que fornece uma viso
geral da variabilidade espacial do fenmeno em estudo. Permite identificar facilmente os
eixos de anisotropia, isto , as direes de maior e menor continuidade espacial da varivel
em estudo. O resultado apresentado em uma tela grfica, mas pode tambm ser armazenado
em um PI do modelo numrico. Ver os procedimentos a seguir.
Criando um semivariograma de superfcie para a varivel cdmio:
SPRING
- (Anlise Superfcie)
- Parmetros do Mapa de Superfcie
- {No LagX: 12} - {No LagY: 12} - {No Pares: 4}
- {Tol.LagX: 17} - {No LagX: 17}
* este valores foram obtidos em coerncia aos valores utilizados na anlise unidirecional acima.
- (Executar)
* a janela grfica Superfcie de Semivariograma apresentada. Veja Figura 2.12.
Ps-UNESP- Rio Claro
1 - 19

Figura 2.12 Superfcie de Semivariograma p/ varivel
cdmio.

SUGESTO: Para obter uma superfcie de semivariograma colorida, semelhante ao
apresentado pelo programa VARIOWIN, seguir os passos:
1. criar uma categoria do modelo imagem em [Arquivo Modelo de Dados...] ;
2. na janela de Gerao de Semivariograma, ativar a opo Gerar, selecionar a
categoria numrica e digitar um nome para o PI de sada.
3. ativar o PI criado acima no Painel de Controle e escolher o menu [MNT- Gerao de
Imagem...] ;
4. selecionar imagem Nvel de Cinza, a categoria de sada criada no passo 1 e um
nome para o PI de sada, para executar;
5. ativar e desenhar este novo PI, depois clique no menu [Imagem- Contraste...] ;
6. na janela de contraste, clique em [Operao Fatiamento Arco-Iris] e Aplicar. Para
salvar esta imagem, digite um nome para tipo sinttica e clique em [Executar
Salvar]. O resultado estar disponvel no Painel de Controle.

IMPORTANTE: Como observado nas Figuras 2.11 e 2.12 existe uma anisotropia para o
fenmeno em estudo, porm, no ser tratada aqui. Foi considerado apenas o caso isotrpico
para a varivel teor de cdmio. Assim, foi utilizado o semivariograma ominidirecional
apresentado na Figura 2.10 para definir um modelo de ajuste. Um exemplo da modelagem de
uma anisotropia apresentada na segunda parte deste trabalho, no estudo de caso.

DICA: importante que o semivariograma experimental tenha uma aparncia mais prxima
de um modelo terico (esfrico, exponencial, gaussiano, potncia) a ser ajustado. Isto garante
que o ajuste ser mais representativo, isto , que o modelo ajustado represente a tendncia de
) (h
)
em relao a h. Deste modo, as estimativas obtidas a partir da krigagem sero mais
exatas e, portanto, mais confiveis.
1 - 20
2.2.3 - Ajuste do Semivariograma
Esta etapa corresponde a definio do modelo terico que melhor se ajusta
ao semivariograma experimental. Isto permite estimar os valores de efeito pepita C
o
, a
contribuio C e o alcance para um determinado modelo.
No SPRING utilizado o modo automtico, baseado no algoritmo de Olea
et al. (1996), o qual baseia-se no mtodo dos mnimos quadrados. Este algoritmo fornece
tambm uma medida quantitativa, denominada informao de Akaike (Akaike, 1974), que
reporta para qual modelo o ajuste mais preciso.
IMPORTANTE: Como foi considerado um modelo isotrpico para a varivel em estudo,
importante que o semivariograma ominidirecional seja o ltimo a ser gerado na etapa anterior.
Portanto, utilizar os seguintes parmetros para prosseguir:
- Parmetros de Direo - (v)1 - {Dir1: 0.00} - {Tol1: 90.00}
- (Executar)

Executando o ajuste do semivariograma para a varivel cdmio:
SPRING
- [Anlise][Geoestatstica][Ajuste do Semivariograma...]
Ajuste do Semivariograma
- (Ajuste Automtico)
- (Nmero de Estruturas 1)
- (Modelos : Modelo 1 Esfrico)
- (Executar)
- (Verificar Ajustes | Amostras_cd_0.var) corresponde a um arquivo interno onde
ficou(ram) armazenado(s) o(s) ltimo(s) semivariograma(s) experimental(ais) para o PI ativo,
criado na etapa anterior.
* a janela grfica Modelo de Ajuste = Esfrico apresentada (Figura 2.13). Assim como a janela
de Relatrio de Dados.

Figura 2.13 Semivariograma ajustado com modelo esfrico.
Ps-UNESP- Rio Claro
1 - 21
A J U S T E D O S E M I V A R I O G R A M A
**********************************************************
Sumrio:
Arquivo: c:\springdb\Seminario\Example_GEOEAS/GeoStatistic\Amostras_0.var
No. de variveis: 3
No. de Lags: 8
No. de Lags usados: 8

Parmetros iniciais:
Efeito Pepita (Co): 3.726
Para modelo transitivo: Esfrico
Contribuio (C1): 12.687
Alcance (a): 89.451

Modelo de Semivariograma Esfrico

No. Akaike Efeito Pepita Contribuio Alcance
----- ------------------- ------------------- ------------------- -------------------
1 -60.387 3.748 12.483 97.341
2 -60.740 3.786 12.485 99.300
3 -60.748 3.796 12.481 99.603

importante testar outros modelos (exponencial, gaussiano e potncia) para
verificar o melhor ajuste. O melhor ajuste definido pelo menor valor de Akaike, de onde
foram obtidos os valores; efeito pepita C
o
, a contribuio C e o alcance. Assim, foi
verificado que o modelo esfrico o que apresenta melhor ajuste, com Akaike de 60.748.
DICA: Para obter melhores ajustes procurar reduzir ao mximo o nmero de Lags definido
na etapa anterior, pois as menores distncias a regio mais importante do semivariograma.
Como o ajuste automtico, ver o que ocorre se for aumentado para 10 o nmero de Lags,
mantendo constante os demais parmetros. O valor de Akaike aumenta para -47.077 e o
ajuste do modelo esfrico no fica to bom quanto na situao anterior (veja Figura 2.14).

Figura 2.14 Semivariograma ajustado com modelo esfrico onde foi aumentado o nmero de
Lags para 10, mantendo o Incremento de 26 e a Tolerncia de 17.
1 - 22
O prximo passo consiste em armazenar o parmetros do modelo para a
etapa seguinte. Entretanto, isto deve ser feito manualmente, utilizando os resultados
apresentados no relatrio (ver valores em negrito no relatrio acima).
* ainda na janela
- (Definir...)
Parmetros Estruturais
- (Nmero de Estruturas 1)
- {Efeito Pepita: 3.796}
- (Primeira Estrutura - Tipo Esfrico)
- {Primeira Estrutura Contribuio : 12.481}
- {Primeira Estrutura ngulo Anis. : 0} - para modelo isotrpico
- {Primeira Estrutura Alcance Max. : 99.603}
- {Primeira Estrutura Alcance Min. : 99.603}
- (Executar)
- (Fechar)
- (Fechar)

A seguir, recomendvel verificar a validao do modelo. Esta verificao
no obrigatria, mas nesta etapa que problemas com o modelo ou os dados podem ser
identificados.

2.2.4 - Validao do Modelo de Ajuste
Aps o trabalho de gerao do semivariograma experimental e de seu
modelo de ajuste, sempre existe um certo grau de incerteza sobre os parmetros utilizados.
Esta incerteza o erro da estimativa, o qual pode ser obtido atravs do procedimento
chamado validao do modelo. Resumidamente, o processo de validao envolve a re-
estimao dos valores conhecidos atravs dos parmetros ajustados ao modelo do
semivariograma.
Antes de executar a Krigagem, na prxima etapa, recomendvel verificar
os resultados da validao. Problemas bvios podem ser identificados com os parmetros de
entrada (por exemplo, a especificao do semivariograma) ou com os dados (por exemplo,
valores aberrantes, ou "outliers"). O mdulo de validao disponvel no Spring utiliza a
subrotina "kt3d" da GSLIB (Deutsch e Journel, 1992) e fornece as seguintes sadas:
Diagrama espacial do erro;
Histograma do erro;
Estatsticas do erro;
Diagrama dos valores Observados x Estimados;
Resultados Numricos.
Ver a seguir como proceder:
Ps-UNESP- Rio Claro
1 - 23
Executando a validao do modelo de ajuste para a varivel cdmio:
SPRING
- [Anlise][Geoestatstica][Validao do Modelo de Ajuste...]
Validao do Modelo
* Verifique que o PI ativo corresponde a varivel em estudo.
- (Verificar Modelo...)
* somente para confirmar os parmetros salvos na etapa anterior
- (Fechar)
Validao do Modelo
- Em Parmetros de Interpolao Nmero de Pontos no Elipside de Busca
- {Mnimo : 4} - {Mximo : 60}
- Em Parmetros de Interpolao Elipside de Busca (Raio e Orientao)
- {R.Mn : 351.46} - {R.Mx : 351.46} {ngulo : 0}
- (Executar) observe que os resultados ficam habilitados.
- (Resultados Diagrama Espacial do Erro)
* a janela grfica Distribuio espacial do erro apresentada (Figura 2.15).
Figura 2.15 Distribuio espacial do erro. A seta em vermelho indica a posio onde o erro est
indicado no rodap da janela.

Os smbolos tipo cruz na figura acima indicam a localizao geogrfica das
amostragem e a magnitude do erro (para os smbolos pequenos o erro menor e vice-versa).
Informaes mais especficas so obtidas da seguinte forma: apontar com o mouse a
localizao desejada (seta em vermelho na figura) e em seguida pressionar o boto esquerdo
do mesmo. O resultado desta ao informado no rodap da janela, conforme a figura acima.
1 - 24
Analogamente, pressionando-se as opes Estatsticas do Erro e
Histograma do Erro, ocorre a abertura das janelas mostradas nas figuras abaixo,
respectivamente
* ainda na janela
Validao do Modelo
- (Resultados Estatsticas do Erro)
- (Resultados Histograma do Erro)
* a janela grfica Histograma do Erro e Relatrio de Dados so apresentadas (Figura 2.16).

E S T A T S T I C A S D O E R R O
=> Plano de Informao: Amostras_cd

=> Mdia ............................................. 0.105
=> Varincia ...................................... 10.636
=> Desvio Padro ................................ 3.261
=> Coeficiente de Variao ............... 30.969
=> Coeficiente de Assimetria .............. 0.191
=> Coeficiente de Curtose ................... 2.557
=> Valor Mnimo ............................... -6.812
=> Valor Mximo ................................ 6.847
Figura 2.16 Histograma do Erro e Estatstica do Erro na validao do modelo.

Pela observao dos valores estatsticos e do histograma do erro
encontrados, verifica-se uma distribuio aproximadamente simtrica, em torno da mdia,
pois a mdia (0.105) est aproximadamente entre o mnimo (-6.812) e mximo (6.847).
Portanto, no h nenhuma suspeita de valores anmalos - outliers . O Valor da assimetria
bem baixo (0.191), prximo de zero, indicando boa assimetria, e ligeiro achatamento (2.557)
ligeiramente com distribuio platicrtica, isto , pouco menor que 3.
Outra opo na validao do modelo o diagrama de valores observados x
estimados. Esta ao leva abertura da janela mostrada na Figura 2.17 abaixo.
* ainda na janela
Validao do Modelo
- (Resultados Diagrama Observado X Estimado)
* a janela grfica Diagrama Observado X Estimado apresentada (Figura 2.17).

A ltima opo na validao a tela de resultados numricos, apresentada a
seguir.
* ainda na janela
Validao do Modelo
- (Resultados Numrico)
* a janela grfica Relatrio de Dados apresentada (veja abaixo). Apenas parte dos valores esto
apresentados.

Ps-UNESP- Rio Claro
1 - 25

Figura 2.17 Diagrama Observados X Estimados movendo o mouse sobre a tela, o rodap
apresenta os valores correspondentes.
NOTA: A tela acima mostra uma posio indicada pela seta vermelha, com valores observado
= 8.860 e estimado = 14.390, podendo indicar um possvel valor errado. Uma investigao
mais detalhada em pontos como este seria conveniente.

RELATRIO NUMRICO DA VALIDAO
Infolayer: Amostras_cd
7 = Number of Variables
X Localization
Y Localization
Z Localization (not used)
Observed
Estimated
Variance Estimation
Error = Estimated - Observed
288.000 311.000 0.000 11.500 4.960 11.130 -6.540
285.600 288.000 0.000 8.500 6.855 9.042 -1.645
273.600 269.000 0.000 7.000 7.053 8.435 0.053
280.800 249.000 0.000 10.700 8.690 8.554 -2.010
273.600 231.000 0.000 11.200 10.567 7.871 -0.633
276.000 206.000 0.000 11.600 10.099 7.651 -1.501
285.600 182.000 0.000 7.200 8.222 8.666 1.022
288.000 164.000 0.000 5.700 6.400 8.918 0.700
... ... ... ... ... ... ...

DICA: O resultado numrico acima est num formato que pode ser salvo e utilizado por
outros programas como GEOEAS e SURFER. Assim, outras anlises podem ser feitas, como
anlise de regresso dos resduos e clculo do coeficiente de determinao.

No havendo alteraes a serem feitas nas anlises anteriores pode-se
prosseguir com a krigagem.

1 - 26
2.2.5 - Krigagem
Neste etapa criada pelo mtodo da krigagem uma grade regular (numa
categoria do modelo numrico) de valores a partir dos dados (pontos) amostrados. O mdulo
de Krigagem implementado no SPRING baseia-se na subrotina "kt3d" da GSLIB (Deutsch e
Journel, 1992), a qual engloba krigeagem simples, krigeagem ordinria e krigeagem com
vrios modelos de tendncia em duas dimenses (2D) ou trs dimenses (3D). Neste caso, foi
utilizado a krigagem ordinria 2D.
NOTA: Como necessrio uma categoria numrica de sada para os planos que sero criados,
foi includo no banco uma nova categoria. Apenas por questes de organizao no foi
utilizado a categoria Amostras_MTN. Ver os procedimentos:
Definindo uma nova categoria numrica no banco :
Modelo de Dados
- {Categorias - Nome: Resultados_Krigagem }
- (Modelo MNT)
- (Fechar)
Executando a krigagem para a varivel cdmio:
SPRING
- [Anlise][Geoestatstica][Krigeagem...]
Krigeagem
* Verifique que o PI ativo corresponde a varivel em estudo.
- (Verificar Modelo...)
* somente para confirmar os parmetros salvos na etapa anterior
- (Fechar)
Krigeagem
- (Krigeagem - Tipo Ordinria)
- {Definio da Grade - ResX : 1, ResY: 1} - os campos Res.X e Res.Y so preenchidos
com valores default de modo a proporcionar uma grade de sada cuja dimenso 200 colunas por
200 linhas.
- Em Parmetros de Interpolao Nmero de Pontos no Elipside de Busca
- {Mnimo : 4} - {Mximo : 40}
- Em Parmetros de Interpolao Elipside de Busca (Raio e Orientao)
- {R.Mn : 350.0} - {R.Mx : 350.0} {ngulo : 0}
Os campos R.min, R.max e ngulo so inicializados, para um caso isotrpico, com
valores default: R.min e R.max equivalem, em metros, diagonal do retngulo envolvente
do Projeto e o ngulo igual a zero. Evidentemente que se a anisotropia faz-se presente,
esses parmetros devem ser ajustados e escolhidos de acordo.
- (Categoria...) para definir a categoria do PI de sada
Lista de Categorias
- (Categorias | Resultados_Krigagem )
- (Executar)
Krigeagem
- {Plano de Informao : Krig_ISO_cd}
- (Executar)
* aps o trmino, verifique no Painel de Controle que estaro disponveis os planos criados, isto
a superfcie estimada para a varivel cdmio (Figura 2.18) e a varincia da krigagem (Figura
2.19).
Ps-UNESP- Rio Claro
1 - 27
NOTA: Os campos Res.X e Res.Y referem-se s resolues em X e Y da grade de sada.
Estes campos podem ser alterados desde que os novos valores no proporcionem uma grade
de sada com nmero de coluna e ou de linha maior que 1000 colunas por 1000 linhas. Isto
devido a limitaes da biblioteca GSLIB utilizada.

Figura 2.18 Superfcie estimada pela krigagem ordinria para a varivel cdmio.

Figura 2.19 Varincia da krigagem para a varivel cdmio.
1 - 28
2.3 Produtos do produto da Krigagem
Aps criar os PIs resultantes da krigagem acima, tem-se apenas um produto
com uma representao numrica (grade) e uma imagem em nveis de cinza, que podem ser
selecionadas no Painel de Controle (Figura 2.20).

Figura 2.20 Representaes grade e imagem da varivel cdmio.

A seguir so apresentados outros sub-produtos que podem ser obtidos:
1. Gerar Isolinhas a partir de uma grade
2. Gerar imagem em nveis de cinza e sinttica colorida
3. Visualizao em 3D
4. Fatiamento em classes temticas.
2.3.1 - Gerar Isolinhas a partir de uma grade
Esta opo permite gerar isolinhas a partir de uma grade retangular no
espaamento definido pelo usurio.

Gerando Isolinhas de grade regular :
SPRING
- Ativar banco de dados Seminario
- Ativar projeto Example_GEOEAS
- Ativar o plano de informao Krig_ISO_cd da categoria Resultados_Krigagem
- [MNT][Gerao de Isolinhas...]
Gerao de Isolinhas
- (Gerar Arquivo) cria permanentemente a representao Isolinhas para PI ativo
- (Entrada Grade)
Ps-UNESP- Rio Claro
1 - 29
- (Passo Fixo)
- {Passo: 1}
- (Executar)
* Clique novamente no PI Krig_ISO_cd . Observe que a opo Isolinhas no painel ficou
habilitada. Ative esta opo e mande desenhar em seguida.

Como cada isolinha est associada a um teor de cdmio, foi utilizado este
valor para criar a representao de texto na tela.

Gerando textos p/ amostras de PI numrico:
- Mantenha ativo o plano Krig_ISO_cd
- [MNT][Gerao de Textos...]
Gerao de Textos
- (Seleo Pontos e Mestras)
- (Seleo Alterar Mestras)
- {Distncia entre textos (m): 6000}
- {Isolinha inicial (m): 0}
- {Intervalo linhas mestras (m): 3}
- (# Casas Decimais 0)
- (Visual...) para definir as caractersticas visuais do texto
- (Cor...)
Seleo de Cores
- Clique em preto (BLACK)
- (OK)
- {Altura: 2.5} (CR)
- (Executar)
Gerao de Textos
- (Executar) - observe que o texto apresentado na tela de desenho.
- (Fechar)

SUGESTO: Executar o mesmo procedimento para o PI com varincia da krigagem.

NOTA: Caso o resultado no seja adequado (como na Figura 2.21 da esquerda), experimentar
alterar os parmetros acima e gerar novamente. Outra opo utilizar a edio de texto em
[Editar- Textos...] e fazer as correes como na Figura 2.21 da direita.

Figura 2.21 Exemplo de isolinhas geradas (esquerda) e correes no texto (direita).
1 - 30
2.3.2 - Gerar imagem em nveis de cinza e sinttica colorida
A representao imagem disponvel para o PI Krig_ISO_cd s est
habilitada porque existe uma grade retangular associada ao PI. Sobre esta imagem no
possvel realizar outros processamentos, e assim, ser criado fisicamente um PI do modelo
Imagem, com a mesma aparncia da imagem do PI numrico.
O SPRING permite, a partir de uma grade, criar imagens em nveis de cinza
ou relevo sombreado. Neste caso, deve-se criar uma nova categoria do modelo imagem no
banco de dados, para armazenar tais imagens.

Definindo uma categoria imagem no banco :
SPRING
Modelo de Dados
- {Categorias - Nome: Imagens_krig }
- (Modelo Imagem)
- (Fechar)

Gerando imagem em nvel de cinza:
- [MNT][Gerao de Imagem...]
Gerao de Imagem MNT
- (Imagem Nvel de Cinza)
Lista de Categorias
- (Categorias | Imagens_krig) categoria sugerida acima e previamente criada.
- (Executar)
Gerao de Imagem MNT
- {Plano de Sada: NC_Krig_ISO_cd}
- (Executar)
* Ativar o PI NC_Krig_ISO_cd . Observar que a opo M R G e B no painel ficaram habilitadas.
Ativar a opo M e desenhar em seguida.

Gerando imagem sombreada:
- [MNT][Gerao de Imagem...]
Gerao de Imagem MNT
- (Imagem Sombreada)
Lista de Categorias
- (Categorias | Imagens_krig) categoria sugerida acima e previamente criada.
- (Executar)
Gerao de Imagem MNT:
- {Plano de Sada: SOM_Krig_ISO_cd }
Ps-UNESP- Rio Claro
1 - 31
- {Azimute (graus): 45}
- {Elevao (graus): 45}
- {Exagero de Relevo: 10}
- (Executar)
* Ativar o PI SOM_Krig_ISO_cd . Observar que a opo M R G e B no painel ficaram
habilitadas. Ativar a opo M e desenhar em seguida.

As imagens criadas acima so monocromticas. Ser utilizado a ferramenta
de contraste para criar uma imagem sinttica em cores.

Visualizando a imagem monocromtica para criar uma colorida:
Painel de Controle
- (Categorias | Imagem_krig)
- (Planos de Informao | NC_Krig_ISO_cd), (M)
SPRING

Definindo um contraste para a imagem da krigagem:
SPRING
- [Imagem][Contraste...]
Contraste
- [Operao] [Fatiamento] [Arco-ris]
- (Aplicar)

Salvando a imagem colorida da krigagem:
Contraste
- { Salvar Imagem - Nome: Color_Krig_ISO_cd}
- (Salvar Imagem Sinttica)
- [Executar] [Salvar] a imagem sinttica estar disponvel no Painel de Controle.
- [Executar] [Fechar] ou boto X (canto superior direito da janela)
- (No) para no manter nenhuma equao de contraste na memria.
* Ativar o PI Color_Krig_ISO_cd . Observar que a opo Sinttica no painel fica habilitada.
Ativar esta opo e desenhar em seguida. O resultado apresentado na Figura 2.22.

Figura 2.22 Exemplo de imagem sinttica da krigagem.
1 - 32
2.3.3 - Visualizao em 3D
A visualizao 3D gerado pela projeo geomtrica planar de uma
grade regular de relevo com textura definida pelos dados de uma imagem de textura ( PI
de uma categoria do modelo Imagem). O produto final uma imagem do relevo, com
textura definida pelo usurio, projetada na tela ativa do SPRING. Essa imagem em
projeo pode ser salva, para uso em outras aplicaes, pela opo Salvar como Imagem
JPEG... do menu Arquivo. A seguir, os passos para executar o procedimento de
visualizao 3D.

Visualizao 3D:
SPRING
- [MNT][Visualizao 3D...]
Visualizao 3D
- (Plano de Textura...)
Categorias e Planos
- (Categorias | Imagens_krig)
- (Planos de Informao | Color_Krig_ISO_cd) como imagem de textura.
- (Executar)
Visualizao 3D
- (Projeo Paralela)
- {Azimute: 45}
- {Elevao: 35}
- {Exagero Vertical: 0.4}
- (Executar) o resultado apresentado na Figura 2.23.
* Testar com outros valores de azimute, elevao e exagero vertical

Figura 2.23 Exemplo de imagem sinttica 3D da krigagem.
Ps-UNESP- Rio Claro
1 - 33
2.3.4 - Fatiamento em classes temticas
Outra opo criar um mapa temtico com classes (intervalos) de teores de
cdmio, atravs da operao de fatiamento da grade numrica.
NOTA: Ser necessrio criar uma categoria temtica Teores de cdmio (com suas
respectivas classes).

Definindo uma categoria temtica e classes no banco :
SPRING
Modelo de Dados
- {Categorias - Nome: Teores de cdmio }
- (Modelo Temtico)
- {Classes Temticas - Nome: 0 - 2 } - (Criar)
* Para as classes criadas, deve-se definir um visual (cores) para cada classe.
Modelo de Dados
- (Categorias | Teores de cdmio)
- (Classes Temticas | 0 2 )
- (Visual...)
Visuais de Apresentao Grfica
- Em reas (Cor...)
Seleo de Cores
- Selecionar uma cor
- (OK)
- (Executar)
* Definir tambm o visual de outras classes que tenha criado.
- (Fechar)
Modelo de Dados
- (Fechar)

Agora possvel executar o fatiamento.

Fatiamento de grade regular - resultado da krigagem:
- [MNT][Fatiamento...]
Fatiamento MNT
Lista de Categorias
1 - 34
- (Categorias | Teores de cdmio)
- (Executar)
Fatiamento MNT
- {PI de Sada: Mapa_Krig_ISO_cd }
- (Definio de Fatias...)
Definio de Fatias
- (Passo Varivel)
- {Inicial: 0} - {Final: 2} - (Inserir)
- (Executar)
Fatiamento MNT
- (Associao Fatias-Classes...)
Fatias-Classes
- (Classes | 0 - 2)
- (Associao: Fatias -Classes | 0.00000 2.00000 -> 0-2 )
* Automaticamente os intervalos de corte estaro associados com a sequncia de classes
criadas acima. Se houver necessidade poder alterar associao.
- (Executar)
Fatiamento MNT
- (Executar)
* Ativar o PI Mapa_Krig_ISO_cd. Observar que a opo Matriz no painel fica habilitada.
Ativar esta opo e desenhar em seguida. O resultado apresentado na Figura 2.24.

Figura 2.24 Exemplo de mapa temtico de teores de cdmio.

Ps-UNESP- Rio Claro
1 - 35
3- Estudo de Caso Fazenda Canchim
3.1 - Introduo
Os dados utilizados neste texto so de propriedade do Centro Nacional de
Pesquisas de Solos (CNPS - RJ), e foram obtidos no levantamento dos solos da Fazenda
Canchim, em So Carlos - SP. Referem-se a uma amostragem de 85 observaes
georreferenciadas coletadas no horizonte Bw (camada do solo com profundidade mdia de
1m), conforme ilustra a Figura 3.1. Dentre as variveis disponveis, selecionou-se para este
estudo de caso o teor de argila.

Figura 3.1 Mapa de Localizao da Fazenda Canchim.
Considera-se o teor de argila, ao longo do perfil, segundo a classificao
proposta por Calderano Filho et al., 1996:
MUITO ARGILOSO: solos que apresentam 55% ou mais de argila;
ARGILOSO: solos que apresentam de 35% a 55% de argila;
MDIO: solos que apresentam de 15% a 35% de argila;
ARENOSO: solos que apresentam menos de 15% de argila.

1 - 36
3.2 Modelagem Geoestatstica
A anlise geoestatstica do teor de argila foi realizada segundo as seguintes
etapas:
1. Anlise Exploratria;
2. Gerao do Semivariograma;
3. Ajuste do Semivariograma;
4. Modelagem da Anisotropia
5. Validao do Modelo de Ajuste;
6. Krigagem;
3.2.1- Anlise Exploratria;
Primeiramente, fez-se um agrupamento por quartil dos valores de argila
com a respectiva posio espacial das amostras (Figura 3.2). Nota-se que h uma
concentrao dos maiores valores na poro central da rea (de 43.0 a 73.0), uma
concentrao dos valores menores na parte norte/nordeste (de 4.0 a 19.0) e de valores mdios
na poro sul, indicando uma anisotropia, melhor analisada frente.

Figura 3.2 Mapa de distribuio dos pontos com agrupamento quartil.
Ps-UNESP- Rio Claro
1 - 37
Em seguida, a estatstica univariada foi utilizada para descrever os dados
atravs do histograma e grfico de probabilidade normal. A Figura 3.3 mostra o histograma
com a estatstica descritiva.

Histograma em 10 classes
E S T A T S T I C A S: argila

=> Nmero de amostras .................. 85
=> Nmero de amostras vlidas ...... 85
=> Mdia ..................................... 33.03529412
=> Varincia .............................. 288.03404844
=> Desvio Padro ........................ 16.97156588
=> Coeficiente de Variao .......... 0.51374042
=> Coeficiente de Assimetria ....... 0.21392033
=> Coeficiente de Curtose ............ 2.34402510
=> Valor Mnimo ............................... 4.0
=> Quartil Inferior ............................ 19.0
=> Mediana ....................................... 33.0
=> Quartil Superior ........................... 43.0
=> Valor Mximo .............................. 73.0
Figura 3.3 Histograma e estatstica descritiva para teor de argila

Nota-se pelo histograma que a distribuio aproximadamente simtrica em
torno da mdia, pois a mdia (33.035) e a mediana (33.0) esto muito prximas, alm de
estarem na metade entre os valores mnimo (4.0) e mximo (73.0). Portanto, no h nenhuma
suspeita de valores anmalos - outliers . O valor da assimetria baixo (0.21), prximo de
zero, indicando boa assimetria, e o achatamento (2.34) com distribuio ligeiramente
platicrtica, isto , pouco menor que 3.
O grfico de probabilidade normal acumulado (Figura 3.4) mostra os pontos
com bom ajuste a uma reta, o que indica uma distribuio prxima da normal. No h
necessidade, portanto, de nenhuma transformao, log-normal por exemplo, que justifique ser
executada para se fazer as anlises geoestatsticas posteriores.

Figura 3.4 Grfico de probabilidade normal acumulado.
1 - 38
3.2.2- Gerao do Semivariograma;
Como suspeitava-se de anisotropia dos dados (Figura 3.2), a anlise
variogrfica foi dividida em caso isotrpico e anisotrpico.
CASO ISOTRPICO
Inicialmente, gerou-se um variograma ominidirecional para maximizar o
nmero de pares em cada intervalo de distncias, produzindo um variograma mais suavizado,
o que permite estimar melhor os valores de efeito pepita, o patamar (sill) e alcance para um
determinado modelo. A Figura 3.5 mostra o semivariograma calculado.

Figura 3.5 Semivariograma experimental inicial.

Observa-se que variograma gerado com os valores default do SPRING no
produzem um resultado adequado (ver valores utilizados na tabela abaixo), quando
comparado com modelos tericos (esfrico, exponencial, gaussiano). Sabe-se que a menor
distncia entre os pares de pontos de 126 metros e que a tolerncia inicialmente utilizada foi
de 175, o que gera um nmero de pares muito pequeno para o primeiro Lag (12 pares). O
usurio deve, portanto, alterar os parmetros do Lag para valores mais adequados.

===============================================
1 12 150.824 220.58333
2 172 385.877 141.13953
3 302 722.053 164.96689
4 354 1068.300 181.62994
... ... ... ...
12 416 3849.724 321.41346

Ps-UNESP- Rio Claro
1 - 39
Aps vrios testes, chegou-se aos seguintes valores para o Lag:
Nmero de Lags = 4
Incremento = 750
Tolerncia = 375
A Figura 3.6 mostra o semivariograma modificado. Como de interesse as
menores distncias, o nmero de Lags foi reduzido, pois a partir do lag 7 tm-se um aumento
significativo no valor de semivariograma, indicando no mais correlao entre os pontos nesta
faixa de distncia. O nmero de pares para o primeiro Lag tornou-se mais significativo (88
pares ver tabela abaixo).

Figura 3.6 Semivariograma experimental alterado.

===============================================
1 88 280.722 120.17045
2 640 793.969 163.61094
3 1060 1517.530 264.62264
4 1126 2248.746 306.41119
5 1120 2983.695 320.17946
6 918 3737.579 328.19935

NOTA: O ajuste do semivariograma ominidirecional experimental do modelo acima esta
descrito no item 3.2.3. A seguir apresentado o caso anisotrpico para a varivel argila.
CASO ANISOTRPICO
A maneira mais fcil e direta de detectar a anisotropia atravs da
superfcie de semivariograma (Figura 3.7), pois alm de fornecer uma viso geral da
variabilidade espacial do fenmeno em estudo, permite identificar facilmente os eixos de
anisotropia, isto , as direes de maior e menor variabilidade espacial.
1 - 40

Regio de alta variabilidade, porm
distncia acima de 2400 metros. No
interessa esta direo, pois encontra-
se alm da regio estruturada d
semivariograma
o
Direo de maior variabilidade at
a distncia de aprox. 2400 metros.
Ortogonal a esta direo tem-se a
menor variabilidade
Figura 3.7 Semivariograma de superfcie e parmetros utilizados.
Observar que foi considerado a direo de maior variabilidade como sendo
35
o
, at uma distncia de aproximadamente 2400 metros, pois acima desta o semivariograma
torna-se aleatrio. Conseqentemente, a direo de menor variabilidade a de 125
o
.
Fez-se em seguida vrios semivariograma direcionais, onde constatou-se
que realmente as direes 35
o
e 125
o
apresentam maior e menor variabilidade
respectivamente. A Figura 3.8 mostra estas duas direes, juntamente com semivariograma
ominidirecional que ocupa uma posio intermediria entre as duas curvas.

Figura 3.8 Semivariogramas direcionais 35
o
(verde), 125
o
(azul) e ominidirecional (vermelho).
Ps-UNESP- Rio Claro
1 - 41
Confirmada a anisotropia, definiu-se individualmente novos parmetros de
Lag nas direes 35
o
e 125
o
, para produzir semivariogramas experimentais que se ajustassem
melhor a modelo terico. Os valores obtidos e os semivariogramas so apresentados na Figura
3.9.

Direo 35
o

No. Lag:3 Incremento:700.00
Tolerncia:448.00
============================
Direo: 35.00 Tol.Angular: 35.00
Mxima Bw: 1000000.00
============================
Lag Pares Distncia Semivariog.
1 31 340.445 143.11290
2 141 752.564 159.58511
3 282 1441.596 261.32270
4 311 2112.071 350.81190
5 298 2754.227 327.62416
============================
Direo 125
o

No. Lag:4 Incremento:760.00
Tolerncia:380.00
==========================
Direo: 125.00 Tol.Angular: 22.50
Mxima Bw: 1000000.00
===========================
Lag Pares Distncia Semivariog.
1 9 250.187 113.38889
2 80 810.220 127.08750
3 106 1543.205 197.72170
4 131 2262.506 220.03053
5 106 3021.629 229.92925
6 68 3842.208 227.08088
===========================
Figura 3.9 Semivariogramas direcionais 35
o
(verde), 125
o
(azul) e parmetros escolhidos.

A seguir foram feitos os ajustes dos semivariogramas ominidirecional
(para o caso isotrpico) e direcionais 35
o
e 125
o
(para o caso anisotrpico).

1 - 42
3.2.3- Ajuste do Semivariograma;
Nesta etapa definiu-se o modelo terico que melhor se ajusta ao
semivariograma experimental, em cada caso. Utilizou-se o modo automtico, que est
baseado no algoritmo de Olea et al. (1996), o qual baseia-se no mtodo dos mnimos
quadrados. Este algoritmo fornece tambm uma medida quantitativa, denominada
informao de Akaike (Akaike, 1974), que reporta para qual modelo o ajuste mais preciso.
Assim, foram modelos com os valores de efeito pepita C
o
, a contribuio C e o alcance,
para cada semivariograma.
CASO ISOTRPICO
Utilizando o ajuste automtico, foi obtido um modelo gaussiano (Figura
3.10), com os seguintes resultados numricos abaixo.

Ominidirecional
Figura 3.10 Semivariogramas ominidirecional ajustado com modelo gaussiano.

Sumrio:
Arquivo: c:\springdb\SaoCarlos\Canchim/GeoStatistic\argila_0.var
No. de variveis: 3
No. de Lags: 6
Parmetros iniciais:
Para modelo transitivo: Gaussiano
Alcance (a): 1868.789

Modelo de Semivariograma Gaussiano

1 -42.677 113.586 208.915 2357.818
2 -47.439 110.481 215.356 2460.961
3 -47.444 110.356 215.524 2457.526
Foi utilizado o menor valor de Akaike para executar a krigagem ordinria
(valores em negrito no resultado acima), mas antes fez-se a validao do modelo (item 3.2.5).
Ps-UNESP- Rio Claro
1 - 43
CASO ANISOTRPICO
Utilizando os parmetros na gerao individual do semivariograma na
direo 35
o
, o modelo de ajuste com menor valor de Akaike foi o gaussiano. A Figura 3.11
abaixo mostra o semivariograma ajustado e o resultado numrico.

DIREO
35
o

Figura 3.11 Semivariogramas ajustado direcionais 35
o
.

Sumrio:
No. de variveis: 3
No. de Lags: 5

Parmetros iniciais:
Alcance (a): 1377.114


1 -17.939 160.149 166.861 2437.894
2 -24.997 121.018 229.557 2649.767
3 -25.129 119.128 228.223 2517.718

Tambm utilizando os parmetros na gerao individual do semivariograma
na direo 125
o
, o modelo de ajuste com menor valor de Akaike foi o gaussiano. A Figura
3.12 abaixo mostra o semivariograma ajustado e o resultado numrico.

1 - 44

DIREO
125
o

Figura 3.12 Semivariogramas ajustado direcionais 125
o
.

Sumrio:
No. de variveis: 3
No. de Lags: 6

Parmetros iniciais:
Alcance (a): 1921.104


1 -36.051 110.404 120.701 2689.343
2 -37.324 105.040 127.304 2656.918
3 -37.325 105.118 127.385 2666.719

3.2.4- Modelagem da Anisotropia
Observando os valores (tabela abaixo) obtidos no ajuste aos modelos, para o
caso anisotrpico, verifica-se a presena de uma anisotropia combinada, que refletida por
diferentes patamares, diferentes alcances e diferentes efeitos pepitas, porm segundo o mesmo
modelo gaussiano.

Direo Modelo Efeito pepita Contribuio Alcance
35
o
Gaussiano 119.128 228.223 2517.718
125
o
Gaussiano 105.118 127.385 2666.719

Ps-UNESP- Rio Claro
1 - 45
Dos valores acima possivel escrever que o modelo do semivariograma
relativo direo 35
o
expresso por:
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
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.
1 - 46
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
(
(
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
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
o

Menor Alcance 2517.718 Maior Alcance 2666.719
Terceira Estrutura Tipo : Gaussiana
o

Menor Alcance 2517.718 Maior Alcance 10000000

1 - 48
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
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
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.

================================

=> Plano de Informao: argila

=> 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.
1 - 50
CASO ANISOTRPICO
Os smbolos, tipo cruz, na Figura 3.18 indicam a localizao geogrfica da
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.

================================

=> Plano de Informao: argila

=> 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
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.

1 - 52

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
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

1 - 54
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
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.

1 - 56

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
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)
# 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.

1 - 58

Veja a seguir o exemplo de um procedimento sobre a janela Banco de Dados:

- [Arquivo] [Banco de Dados...] ou boto
Banco de Dados
- (Diretrio...) selecionar o caminho C:\Curso_spr\springdb
- {Nome: Curso}
- (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)
- (Diretrio...)
Banco de Dados - [Arquivo] [Banco de Dados...] ou boto

Ps-UNESP- Rio Claro
1 - 59

Geoestatística SPRING

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Geoestatística SPRING

Uploaded by

Copyright:

Available Formats

TEXTO DIDTICO

PROCEDIMENTOS GEOESTATSTICOS COM O

You might also like