Anda di halaman 1dari 15

ARTIGO

Sobre Geoestatstica e mapas

Paulo M. Barbosa Landim


Departamento de. Geologia Aplicada Instituto de Geocincia e Cincias Exatas Universidade Estadual Paulista UNESP/Rio Claro plandim@rc.unesp.br

RESUMO A Geologia, at h bem pouco tempo, era freqentemente considerada uma cincia baseada em interpretaes puramente qualitativas dos fenmenos geolgicos. Nos ltimos 40 anos, porm, tem sido notvel a mudana da fase descritiva para a utilizao de mtodos quantitativos, principalmente na rea da Geologia Aplicada. Entre tantos temas relacionados com a quantificao em Geologia o assunto abordado neste artigo, que pretende ser de cunho didtico, diz respeito aplicao da Geoestatstica na confeco de mapas geolgicos. Na primeira parte do trabalho feita uma introduo sobre os aspectos quantitativos na interpretao dos fenmenos geolgicos, em seguida conceitos bsicos sobre a metodologia geoestatstica e, na ltima parte, uma aplicao clssica da geoestatstica linear, baseada nos conceitos de estacionaridade da covarincia e do variograma, para a confeco de mapas. PALAVRAS-CHAVE Geoestatstica, krigagem ordinria, mapeamento ABSTRACT Until very time ago Geology was frequently considered a science based on purely qualitative interpretations of the geological phenomena. In the last 40 years, however, occurred a notable change from the descriptive phase to utilization of quantitative methods, mostly in the Applied Geology area. Among many related subjects to the quantification in Geology the boarded one in this paper concern the application of Geostatistics in geological mapping. In the first part of the article is introduced quantitative aspects in the interpretation of the geological phenomena, soon after basic concepts concerning geostatistical methodology and, finally, a classical application of lineal geostatistics, based on covariance and variogram stationary concepts, for spatial estimation and contouring. KEYWORDS Geostatistics, ordinary kriging, spatial estimation and contouring
TERR DIDATICA 2(1):19-33, 2006

* Este documento deve ser referido como segue: Landim P.M.B. 2006. Sobre Geoestatstica e mapas. Terr Didatica, 2(1):19-33. <http://www.ige.unicamp.br/ terraedidatica/>

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006

Introduo
A tentativa de aplicao de mtodos quantitativos em Geologia coincide com o seu estabelecimento como cincia moderna e um exemplo marcante a subdiviso do Tercirio, feita por Lyell em 1830, baseada na proporo de espcies recentes de moluscos presentes nos diversos estratos da Bacia de Paris. No alcanou, todavia, o mesmo estgio comparvel quele existente nas outras Cincias Naturais como a Fsica ou a Qumica. A Geologia, at a bem pouco tempo, era freqentemente considerada uma cincia qualitativa, isto , descritiva. Nos ltimos 40 anos, porm, tem sido notvel a mudana da fase puramente descritiva dos fenmenos geolgicos para um enfoque quantitativo. Esse processo de transformao das Cincias da Terra baseia-se em trs fatores principais: a introduo do conceito de modelos matemticos para a explicao de fenmenos geolgicos, a procura da integrao dos diversos fenmenos geolgicos atravs da Teoria da Deriva Continental e a facilidade de acesso a computadores digitais. A aceitao por parte dos gelogos tem sido bem maior no tocante Tectnica Global, e isso pode ser facilmente constatado nos livros textos de Geologia bsica recentes, que apresentam e discutem tais conceitos. O mesmo no acontece com a aplicao de modelos quantitativos, utilizando-se ou no de computadores, e isso porque os gelogos acostumados com o mtodo das mltiplas hipteses julgam que conseguem lidar com fenmenos naturais apenas em termos qualitativos, e acabam por criar uma barreira entre os dados obtidos e seu manuseio. Um dos motivos alegados, inclusive, que os mtodos quantitativos apresentados so tidos como extremamente complexos e numa linguagem matemtica de difcil entendimento. As discusses geolgicas geralmente tratam de questes sobre o que aconteceu no passado e em que ordem cronolgica. Por exemplo, se numa determinada bacia ocorreu deposio de sedimentos marinhos e estes se apresentam hoje em dia erodidos na sua parte superior isso implica que aps a deposio teria ocorrido uma regresso marinha. Todavia, para um estudo quantitativo, informaes numricas so exigidas sobre quo profunda era a lmina de gua na poca da deposio, por quanto tempo demorou tal deposio, quando ocorreu a regresso marinha e com que taxa de soerguimento regional. Em outras palavras, aps entendida a seqncia de fenmenos geolgicos torna-se necessrio estabelecer equaes matemticas que os representem e talvez aqui resida a grande dificuldade.
20

Nesse sentido, muito importante entender que a matemtica mais uma linguagem do que propriamente uma cincia. Ela muito mais um mtodo de comunicao para descrever quantitativamente uma srie de eventos do que um conjunto de conhecimentos sobre esses eventos. Seja um lago que est sendo assoreado e, portanto, as lminas mais inferiores so as mais antigas e que a taxa de sedimentao conhecida e constante. Isto significa que a idade das lminas proporcional profundidade de soterramento e tal relao pode ser matematicamente expressa por: Idade=k.profundidade, sendo k a taxa constante de sedimentao. Isso tambm pode ser representado por I = k.p ou mesmo i = k., ou ainda por caracteres hebreus, pictogramas chineses, hierglifos egpcios. tudo uma questo de conveno para representar o mesmo fenmeno e nesse sentido, por tradio, as letras gregas tm a preferncia dos matemticos. Um outro exemplo refere-se conhecida formula estatstica usada como medida de tendncia central:

Ela tanto expressa num texto em portugus, como em ingls ou alemo, que a mdia de valores de uma amostra (representada pela letra latina x com um travesso superposto) igual somatria dos valores de 1 at n dessa amostra, dividida pelo nmero n de valores. A formula, em linguagem matemtica, sempre a mesma. Em muitas circunstncias, a formulao matemtica no oferece nada mais do que j se sabia a respeito do fenmeno, mas em muitas outras vezes o manuseio e a combinao de expresses matemticas oferecem novas e mais claras vises sobre o processo geolgico, pois so consistentes fornecendo sempre os mesmos resultados quando usados os mesmos dados. Podem, tambm, serem verificadas para, caso estejam corretas, serem utilizadas em previses. Desse modo, espera-se que o processo de atribuio de valores, de acordo com certas regras, aos dados de campo ou laboratrio e o subseqente tratamento matemtico dessas observaes, traga uma sensvel melhoria nos seguintes campos de atividade em Geologia: a) na amostragem, pelo fornecimento de critrios segundo os quais as amostras geolgicas

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

coletadas sejam representativas das populaes sob estudo; b) na anlise de dados, pelo registro sistemtico e ordenado dos valores obtidos e pela representao grfica que resuma os resultados, e tambm pela identificao de tendncias, agrupamentos e correlaes; c) na comprovao de hipteses de trabalho, pela verificao de conceitos ou modelos de processos geolgicos; d) na previso quantitativa, quando da soluo de problemas especficos que envolvam interpolaes e extrapolaes. Somente desse modo que a Geologia conseguir, alm da sua caracterstica fundamental de cincia que estuda o presente para interpretar o passado, passar a ser tambm uma cincia que entende o presente para prever o futuro. Na rea mineral, com destaque para a do petrleo, onde a interpretao geolgica, alem de estar fundamentada em conceitos cientficos, precisa ter enfoque econmico, observa-se, felizmente, uma marcante tendncia quantitativa que vem possibilitando avanos importantes no uso de tcnicas espaciais. Ver a propsito Houlding (2000). Em Geologia, onde normalmente os dados so coletados segundo um plano de amostragem com coordenadas definidas, torna-se muito importante, quando de sua anlise, que a configurao geomtrica espacial seja considerada. Com freqncia, resultados devem ser apresentados sob a forma de mapas, o que exige uma metodologia especfica. Entre tantos outros temas relacionados com a quantificao em Geologia, este o assunto a ser abordado neste artigo, que pretende ser de cunho didtico e endereado para servir de consulta inicial queles que desejam entender o significado da Geoestatstica. Na primeira parte do trabalho feita uma introduo sobre os aspectos quantitativos na interpretao dos fenmenos geolgicos, em seguida conceitos bsicos sobre a metodologia geoestatstica e, finalmente, uma aplicao clssica da geoestatstica linear, baseada nos conceitos de estacionaridade da covarincia e do variograma, para a confeco de mapas.

1 2 5

Figura 1 Geometria do bloco a ser estimado a partir de 5 amostras

O que significa Geoestatstica?


Para muitos gelogos geoestatstica significa simplesmente a aplicao de mtodos estatsticos em Geologia, o que no corresponde definio do termo. Na frica do Sul, o engenheiro de minas Daniel G. Krige e o estatstico H.S. Sichel, desenvol21

veram empiricamente uma tcnica prpria de estimativa para o clculo de reservas minerais, a qual posteriormente recebeu tratamento formal por G. Matheron, nos incio dos anos 60 do sculo passado, na Frana com o nome Geoestatstica, para o estudo das chamadas variveis regionalizadas, ou seja, variveis com condicionamento espacial. O trabalho de Krige foi publicado em 1951 e os primeiros trabalhos de Matheron foram realizados aps sua viagem frica do Sul quando conheceu Krige. A primeira publicao, descrevendo os resultados de Krige foi em co-autoria com Duval e Levy em 1955. Nos anos seguintes vieram as obras mais completas de Matheron, j com o arcabouo completo da Geoestatstica Linear (Matheron 1962, 1963 e 1965). Em Chils e Delfiner (1999) apresentada uma reviso histrica sobre a Geoestatstica com uma sntese sobre o desenvolvimento de suas ferramentas. A estimativa de reservas sempre se constituiu parte fundamental do planejamento mineiro. O conhecimento geolgico que se tenha a respeito do bem mineral a ser explorado, as eficientes instalaes na boca da mina, os detalhes precisos sobre a commoditie em questo so variveis importantes, mas o que vai decidir se o empreendimento ser lucrativo ou no, dentro de um intervalo de tempo considerado, a reserva medida com preciso. No planejamento mineiro tal estimativa realizada por meio de blocos onde as reservas minerveis so amalgamadas para produzir reservas globais e curvas de teor/tonelagem. O processo todo, e para cada bloco, baseado na coleta de amostras pontuais, ou seja, com volumes menores que os blocos. As amostras, com teores conhecidos, que iro estimar o teor mdio dos blocos, a duas ou a trs dimenses. Seja, portanto, um bloco a ser estimado a partir de 5 amostras (Fig. 1). Supondo que ocorra uma relao espacial entre os teores, ou seja, os valores sero muito

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006

prximos em dois pontos vizinhos e progressivamente mais diferentes medida que os pontos vo ficando mais distantes, intuitivo esperar que o teor da amostra 3 seja similar, porem no necessariamente idntico, ao teor mdio do bloco. Pode-se esperar que as amostras 1, 4 e 5 tambm apresentem teores similares ao valor mdio do bloco, mas no tanto como o teor em 3. Finalmente, com relao amostra 2, situada mais distante, seria necessrio um conhecimento melhor sobre a disposio espacial de valores no depsito para decidir se ela tem, ou no, relao com o valor mdio do bloco. Em outras palavras, amostras situadas perto do bloco devero apresentar teores altamente relacionados com ele e podero, portanto, serem utilizadas para estimar o seu valor mdio, e medida que se situem a distncias maiores o seu relacionamento diminui at se tornar independente. O peso da influncia de cada amostra , pois, inversamente correspondente distncia e essa noo pode ser aplicada para a estimativa do valor mdio do bloco utilizando para tanto amostras com valores conhecidos, mas situadas a distancias julgadas convenientes. Quanto mais prximas estiverem maior ser o seu peso no processo de estimativa. Nesta estimativa surgem, evidentemente, algumas questes: At que distncias devem ser consideradas as amostras? Quantas devem ser usadas? Aquela eventualmente colocada no centro do bloco ter um peso maior que as demais? Se amostras formarem grupos, qual a influncia desses agrupamentos? Como evitar que os resultados sejam sub ou super estimados? A relao espacial, em termos geomtricos, entre as amostras estimadoras e o bloco a ser estimado, tem importncia? Essa tcnica de estimativa pode ser utilizada indistintamente para depsitos do tipo cobre porfirtico, lateritas niquelferas, veios de cassiterita, depsitos de urnio e outros? Para responder a essas questes que surgiu a geoestatstica, a preocupar-se com o entendimento, por meio de anlise matemtica, da gnese e leis naturais que governam fenmenos interpretados como regionais. Isso traz como conseqncia direta a estimativa das variveis regionais usando informaes e relaes a partir de um conjunto discreto de amostras, juntamente com a avaliao dos erros de estimativa, para estabelecer o grau de segurana em previses e os padres timos de amostragem, que assegure que um erro mximo de estimativa no seja excedido. Inicialmente a aplicao era apenas para situaes em geologia mineira na lavra e prospeco e,
22

como exemplos, podem ser citados o livro clssico sobre o assunto de Journel e Huijbregts (1978) e as obras em portugus de Valente (1982) e Yamamoto (2001). Posteriormente se estendeu para outros campos, especialmente nesses ltimos anos, com aplicao em agricultura de preciso, cartografia, climatologia, geologia ambiental, geotecnia, hidrogeologia, pedologia, entre outros. Praticamente todas as ltimas verses de softwares para Confeco de Mapas ou Sistemas de Informaes Georreferenciadas apresentam mtodos geoestatsticos. Atualmente o termo Geoestatstica acha-se consagrado como um tpico especial da estatstica aplicada que trata de problemas referentes s variveis regionalizadas, as quais tm um comportamento espacial mostrando caractersticas intermedirias entre as variveis verdadeiramente aleatrias e as totalmente determinsticas. Nesse sentido pode-se afirmar que tal metodologia representa a grande contribuio da Geologia para a Estatstica Aplicada. As variveis regionalizadas so constitudas por um duplo aspecto contraditrio. Pela sua caracterstica aleatria apresenta irregularidades e variao imprevisvel de um ponto para outro e pela sua caracterstica estrutural apresenta relaes existentes entre os pontos no espao motivadas pela sua gnese. Em outras palavras: impossvel prever com exatido o teor do minrio num determinado ponto da jazida (aspecto aleatrio), mas provvel que se encontre minrio rico perto de minrio rico (aspecto estrutural). No estudo do comportamento das variveis regionalizadas duas so as ferramentas fundamentais dos mtodos geoestatsticos: o semivariograma e a krigagem.

O semivariograma
Seja uma varivel regionalizada x(i) coletada em diversos pontos i regularmente distribudos por certa regio. O valor de cada ponto est relacionado de algum modo com valores obtidos a partir de pontos situados a certa distncia, sendo razovel pensar que a influncia tanto maior quanto menor for a distncia entre os pontos. Para expressar essa relao definido o vetor de distncia h , o qual tem uma orientao especfica. O grau de relao entre pontos numa certa direo pode ser expresso pela covarincia e, embora a covarincia exista entre todas as distncias possveis ao longo de h, pode ser estipulado que somente sejam considerados valores entre pontos regularmente espaados por mltiplos inteiros de h.

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

A covarincia entre valores encontrados nessas distncias separadas por h ao longo de h

onde m a mdia da varivel regionalizada x(i). Isso significa que a covarincia igual mdia dos produtos-cruzados dos valores x(i) encontrados nos pontos i pelos valores x(i+h) nos pontos i+h, distantes a um intervalo h, subtrados do quadrado da mdia da varivel regionalizada x(i); e n representa o nmero de pares de valores comparados. Como a covarincia depende do tamanho do vetor h, se h=0, C(h) passar a representar a varincia, representada por C(0).

Desse modo, pode-se calcular uma funo, denominada semivarincia, definida como metade da varincia das diferenas.

Lembrando que Var[X]=E[X 2 ]-E[X] 2 pode-se representar (h) por:

Como a mdia da varivel regionalizada x(i) tambm a mdia da varivel regionalizada x(i+h), pois se trata da mesma varivel, apenas tomadas em lugares i e em i+h, tem-se que:

e desenvolvendo o 1o termo:

e isso significa que (h) = C(0) - C(h). Em outras palavras, o vetor h apresentandose infinitamente pequeno faz com que a varincia seja mnima e a covarincia mxima. Haver um valor h para o qual ambas podem apresentar valores aproximadamente iguais, porm, medida que h aumenta a covarincia diminui enquanto a varincia aumenta, porque ocorre progressivamente maior independncia entre os pontos a distncias cada vez maiores. A semivarincia distribui-se assim de zero, quando h=0, at um valor igual varincia das observaes para um alto valor de h, se os dados forem estacionrios, isto , no ocorrer a presena de tendncia nos valores. Essas relaes so mostradas quando a funo (h) colocada em grfico contra h para originar o semivariograma. A distancia segundo a qual (h) atinge um patamar, denominado soleira ou patamar (sill), igual varincia priori dos dados, chamada de alcance
23

ou amplitude (range). Geralmente a soleira representada por C e o alcance por a. A semivarincia no apenas igual mdia das diferenas ao quadrado entre pares de pontos espaados as distncias h, mas tambm igual varincia dessas diferenas. O semivariograma mostra a medida do grau de dependncia espacial entre amostras ao longo de um suporte especfico e, para sua construo, so usados simplesmente as diferenas ao quadrado dos valores obtidos, assumindo-se uma estacionaridade nos incrementos. Isso significa que o semivariograma uma medida da variabilidade geolgica condicionada pela distncia. Tal variabilidade pode ser bastante diferente quando consideradas diferentes direes. Por exemplo, em estratos sedimentares com inclinao ocorre maior correlao de valores na direo das camadas do que no sentido do mergulho das mesmas.

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006


6 5 4 3 2 1 0 44 42 37 35 36 38 37 38 35 37 36 35 40 43 37 42 42 35 35 35 40 39 38 37 34 30 39 39 37 36 33 37 41 37 36 32 29 36 40 33 35 29 30 28 32 38 34

Para construir um semivariograma necessrio, portanto, dispor de um conjunto de valores obtidos a intervalos regulares dentro de um mesmo suporte geomtrico. Sendo x(1), x(2), x(i), x(n), valores de uma varivel regionalizada a seguinte frmula fornece uma estimativa no tendenciosa da semivarincia:

O estudo feito em uma direo ao longo de uma linha ou ao longo de uma srie de linhas paralelas, utilizando n possveis diferenas a intervalos h ou mltiplos de h. Em lugar do termo semivariograma muito comum o uso mais simplificado da expresso variograma, porm, para o calculo sempre levado em considerao a diviso por 2n. Em Clark 1979 apresentada a construo de um semivariograma a partir de uma rede regular, com espaamento entre os pontos de 100 ps (Fig. 2). Trata-se de um depsito estratiforme de ferro com valores em porcentagem por peso. Para o clculo dos semivariogramas, em diversas direes, so encontradas as somatrias dos quadrados das diferenas e posterior diviso por duas vezes o nmero dessas diferenas. Assim para a direo Leste-Oeste inicia-se com o menor intervalo possvel, ou seja, 100 ps da seguinte maneira: *(100) = [(40 - 42) + (42 - 40) + (40 - 39) + (39 - 37)2 + (37 - 36)2 + (43 - 42)2 + (42 39)2 + (39 - 39)2 + (39 - 41)2 + (41 - 40)2 + (40 - 38)2 + (37 - 37)2 + (37 - 37)2 + (37 35)2 + (35 - 38)2 + (38 - 37)2 + (37 37)2 + (37 - 33)2 + (33 - 34)2 + (35 - 38)2 + (35 37)2 + (37 - 36)2 + (36 - 36)2 + (36 - 35)2 + (36 - 35)2 + (35 - 36)2 + (36 - 35)2 + (35 34)2 + (34 - 33)2 + (33 - 32)2 + (32 - 29)2 + (29 - 28)2 + (38 - 37)2 + (37 - 35)2 + (29 30)2 + (30 - 32)2 ] / [2 x 36] = 1,46
2 2 2

-1 -1 0 1 2 3 4 5 6 7 8 9

Figura 2 Mapa de localizao dos teores de ferro (Clark 1979)

Tabela 1 Valores da funo semivariograma calculados para as direes Leste-Oeste e Norte-Sul

Direo
Leste-Oeste

Distncia Semivariograma N Pares


100 200 300 400 100 200 300 1,46 3,30 4,31 6,70 5,35 9,87 18,88 36 33 27 23 36 27 21

Norte-Sul

E assim por diante, tanto para esta direo como para a Norte-Sul. O resultado apresentado na Tabela 1. Estes resultados permitem a construo dos semivariogramas experimentais (Fig. 3), nas duas direes consideradas, e o que se pode perceber que h uma distinta diferena na estrutura dos dados, ou seja, a presena de uma anisotropia. Na direo Norte-Sul os valores aumentam muito mais rapidamente, sugerindo uma maior continuidade na direo Leste-Oeste. Os semivariogramas expressam o comportamento espacial da varivel regionalizada e mostram: a) o tamanho da zona de influncia em torno de uma amostra, pois toda amostra cuja distncia ao ponto a ser estimado for menor ou igual ao alcance, fornece informaes sobre o ponto; b) a anisotropia, quando os semivariogramas mostram diferentes comportamentos para diferentes direes de linhas de amostragem e de estudo da varivel; neste caso a anisotropia pode ser geomtrica quando o alcance varia de acordo com as diversas direes consideradas, mantendo constante a soleira e zonal quando
24

Para o intervalo de 200 ps: *(200) = [ (44 - 40) + (40 - 40) + (42 - 39) + (40 - 37)2 + (39 - 36)2 + (42 - 43)2 + (43 39)2 + (42 - 39)2 + (39 - 41)2 + (39 - 40)2 + (41 - 38)2 + (37 - 37)2 + (37 - 35)2 + (37 38)2 + (35 - 37)2 + (38 - 37)2 + (37 33)2 + (37 - 34)2 + (38 - 35)2 + (35 - 36)2 + (37 36)2 + (36 - 35)2 + (36 - 36)2 + (35 - 35)2 + (36 - 34)2 + (35 - 33)2 + (34 - 32)2 + (33 29)2 + (32 - 28)2 + (38 - 35)2 + (35 - 30)2 + (30 - 29)2 + (29 32 ] / [2 x 33] = 3,30
2 2 2

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

o alcance permanece constante e a soleira varia conforme for modificada a direo; c) continuidade, pela forma do semivariograma, em que para h 0, (h) j apresenta algum valor. Essa situao conhecida como efeito pepita (nugget effect) e representada por C0. O efeito pepita pode ser atribudo a erros de medio ou ao fato de que os dados no foram coletados a intervalos suficientemente pequenos para mostrar o comportamento espacial subjacente do fenmeno em estudo. Na construo do semivariograma, as somatrias necessrias para o clculo de (h) devem ser constitudas por um nmero suficiente de pares, que tornem o resultado consistente. Como regra prtica adota-se para tanto um mnimo de 30 pares, o que pode ser conseguido se for escolhido como maior h, a metade da maior distncia existente entre os pontos. Isto significa que, para uma anlise geoestatstica, exige-se que o nmero mnimo de pontos amostrados seja razovel, por volta de 30 a 40. Uma outra considerao importante a ser feita determinar o grau de aleatoriedade presente nos dados pela frmula E = C0 /C (Guerra 1988): E<0,15: componente aleatria pequena; 0,15 E 0,30: componente aleatria significante; E > 0,30: componente aleatria muito significativa. O extremo dessa situao o modelo de pepita pura, onde no ocorre covarincia entre os valores e, portanto, a anlise semivariogrfica no se aplica, sendo sugerido o uso de outros mtodos de interpolao. De posse do semivariograma experimental necessrio ajust-lo a um modelo terico, ou seja,
30 N-S 25

a uma funo que definir os parmetros do semivariograma, efeito pepita, alcance e patamar. Entre os modelos disponveis estes so os mais utilizados: a) Modelos com patamar a.1) Modelo esfrico para h < a , para h a, neste modelo a inclinao da tangente junto origem (h0) 3C/2a; o modelo mais comum, podendo-se afirmar que equivale funo de distribuio normal da estatstica clssica. a.2) Modelo exponencial

neste modelo a inclinao da tangente junto origem C/a; C a assntota de uma curva exponencial e pode ser equalizada junto soleira; a corresponde ao alcance prtico igual distncia segundo a qual 95% da soleira foi alcanada. a.3) Modelo gaussiano

a curva parablica junto origem e a tangente nesse ponto horizontal, o que indica pequena variabilidade para curtas distncias; a corresponde ao alcance prtico igual distncia segundo a qual 95% da soleira foi alcanada. b) Modelos sem patamar b.1) Modelo potencial

(h)=Ch , com a potncia assumindo


valores entre zero e prximo a 2;

20

15

10 E-W 5

(h)= ph, sendo p a inclinao da reta;

quando = 1 o modelo torna-se linear;

o modelo mais simples e representado por uma reta passando pela origem do grfico.
500

0 0 100 200 300 400

Distncia entre pontos

Figura 3 Semivariogramas experimentais calculados para as direes Leste-Oeste e Norte-Sul

Para dados que esto irregularmente distribudos no espao bidimensional no possvel, em princpio, encontrar pares de amostras suficientes com exatamente o mesmo espaamento h para o clculo
25

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006

em uma determinada direo, como feito com dados dispostos em malha regular. Para contornar essa situao define-se uma distncia de tolerncia h para o espaamento h entre os pares de amostras de um ngulo de tolerncia para a direco considerada. Assim, para o clculo do semivariograma de uma distribuio irregular de pontos ao longo de uma determinada direo , consideramse todas as amostras que se encontram no ngulo , e, em seguida, classificam-se os pares de amostras em classes de distancia h h, 2h h, onde h a distncia bsica (Fig. 4). As direes consideradas e seus respectivos ngulos de tolerncia devem cobrir a rea toda. Para a estimativa do semivariograma experimental, no se tendo certeza se o fenmeno sob estudo isotrpico ou anisotrpico no espao bidimensional, inicialmente consideram-se quatro direes, E-W, N-S, NE-SW e NW-SE, com um ngulo de abertura com tolerncia de 45. Quando se constata uma direo bem marcante de anisotropia deve-se adotar tal direo com um pequeno ngulo de tolerncia (0 0) para estimar o semivariograma nessa direo. Melhores estimativas so obtidas quando os modelos so baseados em semivariogramas experimentais que apresentam a menor razo efeito pepita/patamar e, tambm, o maior alcance. Em resumo, para a utilizao do semivariograma as seguintes suposies bsicas so requeridas: a) as diferenas entre pares de valores de amostras so determinadas apenas pela orientao espacial relativa dessas amostras; b) o interesse enfocado apenas na mdia e na varincia das diferenas, significando que esses dois parmetros dependem unicamente da orientao; c) por convenincia assume-se que os valores da rea de interesse no apresentam tendncia que

ngulo de tolerncia Intervalo de tolerncia Y

o Dire

X Z(X0)

a sic ia b nc Dist

Figura 4 Esquema para localizao de pontos em distribuies irregulares para clculo de variogramas experimentais

possa afetar os resultados e, assim, a preocupao apenas com a varincia das diferenas entre valores das amostras. A modelagem, ou seja, o ajuste de um variograma experimental a uma funo um passo fundamental na anlise variogrfica, sendo um processo que envolve vrias tentativas e na qual a experincia pesa muito. Pode-se optar por um ajuste manual por comparao visual, mais sujeito a erros, ou, com o auxlio de algoritmos, para ajustes automticos como apresentado, entre outros, em Pannatier (1996). Acrescentar, em seguida, a essa verificao a validao cruzada. Nessa anlise, depois de obtido o modelo variogrfico, cada valor original removido do domnio espacial e, usando-se os demais, um novo valor estimado para esse ponto. Desse modo, um grfico pode ser construdo mostrando a relao entre valores reais e estimados. A validao cruzada, porem, no prova que o modelo escolhido o mais correto, mas sim que o mesmo no inteiramente incorreto. A melhor verificao, ento, aquela resultante do confronto entre os valores estimados e a realidade de campo.

5770 648

Semivarincia

4327

2885

Valores reais
0 4 7 10 14

579

510

1442

442

373 373 442 510 579 648

Distncia h

Valores estimados

Figura 5 Ajuste ao modelo esfrico (0,548) e diagrama de disperso da validao cruzada

26

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

Uma comparao entre os ajustes a um modelo esfrico e a um modelo linear apresentada a seguir e o ajuste indicado, no grfico, pela relao entre a reta a 45 e a obtida pela anlise (Figs. 5 e 6). Um valor igual a 1,0 significa a indicao de ajuste perfeito. Num estudo geoestatstico, a parte fundamental refere-se determinao do semivariograma. Isso importante e todo o cuidado deve ser tomado na anlise variografica para que possa obter uma criteriosa anlise geoestatstica.

mdio de uma jazida a partir de informaes obtidas de testemunhas de sondagens; Em todas essas situaes o mtodo fornece, alm dos valores estimados, o erro associado a tal estimativa, o que o distingue dos demais algoritmos disposio. A krigagem usa informaes a partir do semivariograma para encontrar os pesos timos a serem associados s amostras que iro estimar um ponto, um rea ou um bloco. Como o semivariograma uma funo da distncia entre locais de amostragens, mantendo o mesmo nmero de amostras, os pesos so diferentes de acordo com o seu arranjo geogrfico. O uso do semivariograma para a estimativa por krigagem no exige que os dados tenham distribuio normal, mas a presena de distribuio assimtrica, com muitos valores anmalos, deve ser considerada, pois a krigagem um estimador linear.

Krigagem
Krigagem um processo de estimativa de valores de variveis distribudas no espao, e/ou no tempo, a partir de valores adjacentes enquanto considerados como interdependentes pelo semivariograma. Trata-se, em ltimo caso, de um mtodo de estimativa por mdias mveis. O termo, traduo do francs krigeage, e do ingls kriging, foi cunhado pela escola francesa de geoestatstica em homenagem ao engenheiro de minas sul-africano e pioneiro na aplicao de tcnicas estatsticas em avaliao mineira, Daniel G. Krige. A krigagem pode ser usada, como algoritmo estimador, para: a) previso do valor pontual de uma varivel regionalizada em um determinado local dentro do campo geomtrico; um procedimento de interpolao exato que leva em considerao todos os valores observados, o qual pode ser a base para cartografia automtica por computador quando se dispe de valores de uma varivel regionalizada dispostos por uma determinada rea; b) clculo mdio de uma varivel regionalizada para um volume maior que o suporte geomtrico como, por exemplo, no clculo do teor

Krigagem ordinria
A metodologia geoestatstica apresenta diversas tcnicas de estimativas disponveis e a mais usual a krigagem ordinria Seja um ponto que se deseja estimar, sendo o valor real desconhecido representado por V. O valor estimado (V*) calculado, utilizando n amostras localizadas segundo coordenadas conhecidas, com valores x1, x2, x3xn (conjunto S), de forma linear, como por exemplo, atravs da tcnica da ponderao pelo inverso das distncias. V* = p1 x1 + p2x2 + p3x3 + + pnxn, onde os pi so os pesos atributos a cada amostra i. evidente que existe associado a esse estimador um erro =V-V* e que se, teoricamente, diversas estimativas forem feitas a mdia de erros zero. Se os erros, portanto, apresentarem valores prximos a zero, o estimador de confiana e isso pode ser

6093 5870

Semivarincia

4570

3047

Valores reais
0 4 7 10 14

4071

2271

1523

471

-1328 -1328 471 2271 4071 5870

Distncia h

Valores estimados

Figura 6 Ajuste ao modelo linear (0,004) e diagrama de disperso da validao cruzada

27

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006

verificado pela distribuio desses valores. A maneira mais simples de medir estatisticamente tal distribuio via o desvio padro ou a varincia. No caso em questo, porm, a varincia no pode ser obtida porque no se conhece o valor real que se esta estimando e, portanto, tambm no se sabe qual o erro associado. Varincia dos erros = = desvios ao quadrado em relao ao erro mdio = mdia de (V-V*)2. Para encontro da varincia pode-se, porm, utilizar o semivariograma, em que so medidas as diferenas ao quadrado. Num semivariograma, previamente calculado, dada uma distncia h entre os pontos, pode-se estimar a varincia simplesmente lendo o valor no eixo dos s e multiplicando-o por 2

Estas equaes constituem equaes normais a n+1 incgnitas, as quais podem ser resolvidas, para a obteno dos coeficientes, por clculo matricial, segundo:

[X][A]=[Y]
Multiplicando ambos os termos da equao pelo inverso de [X], isto , [X]-1:

[X]-1. [X] . [A] = [X]-1 [Y];


como [X]-1.[X]=[I] (matriz de identidade) e [I].[A]=[A],

[A].[X] -1 = [Y] .
Em notao matricial:

Desse modo, para o processo de estimativa de um ponto utilizando o mtodo da krigagem, procede-se da seguinte maneira:

Se a soma dos pesos for igual a 1 e no ocorrer tendncia local dos valores, esse estimador o melhor e no tendencioso, pois a partir dos pesos atribudos a cada amostra, minimiza a estimativa da varincia.

,
Isso obtido construindo-se um sistema de n equaes com n incgnitas (1, 2, 3, n) e havendo a restrio de que i=1, passa-se a n+1 equaes. Como se tem apenas n incgnitas desconhecidas, introduz-se uma outra, tambm desconhecida, para balancear o sistema, ou seja, o chamado multiplicador de Lagrange, . , se O objetivo da krigagem procurar pelo conjunto timo de ponderadores de modo que a varincia do erro de estimativa seja a menor possvel. Para tanto, organizado um sistema de equaes com n+1 incgnitas, para a estimativa de um ponto (So):
1 (S1,S1) + 2 (S1,S2)+ 3 1 (S2,S1) + 2 (S2,S2)+ 3 (S ,S )+ (S ,S )+ 1 n 1 2 n 2 3 1 + 2 + (S1,S3)++ = (S1,S0) (S2,S3)++ = (S2,S0) (S ,S )++ = (S ,S ) n 3 n 0 3 ++ 0 = 1
28

A matriz [Si,Si] contm os valores obtidos no semivariograma referentes s distncias entre as amostras estimadoras; o vetor [Si,S0] contm os valores obtidos no semivariograma referentes s distncias entre cada amostra e o ponto (So) a ser estimado e o vetor [i] contm os ponderadores a serem calculados. Resolvido o sistema de equaes, obtm-se os pesos i e o multiplicador de Lagrange, , segundo:

[i] = [Si,Si]-1 [Si,So]


Para o ponto S0 a ser estimado, obtm-se uma combinao linear dos valores dos pontos vizinhos e respectivos pesos

S0 = iSi
Para o clculo da varincia () associada ao valor S0 obtido por estimativa usa-se a expresso:

,
sendo [i] = vetor transposto com os pesos i e [Si,So] = vetor com os valores obtidos no semivariograma referentes s distncias entre cada amostra e o ponto (So) a ser estimado.

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim
100 100

Interpolao de pontos para a confeco de mapas de contornos

90

80

80

70

60

60

Existe disposio diversos algoritmos para a estimativa de pontos que so utilizados na interpolao para a confeco de mapas, como o inverso ao quadrado da distncia, curvatura mnima, vizinho mais prximo, regresso polinomial, entre outros, alm da krigagem. A diferena entre os diversos mtodos est em como, a partir de valores conhecidos, podem ser estimados os ns da rede regular. Alm disso, a krigagem se destaca por levar em considerao a variabilidade espacial dos dados. Normalmente nesse tipo de estudo parte-se de uma srie de pontos irregularmente distribudos com valores conhecidos e a Figura 7 Pontos de dados amostrais (superior esquerdo); malha regular superposta (superior direito); estimativa do bloco no ponto de partir deles procura-se por conscoordenadas em vermelho (inferior esquerdo) e estimativa dos truir uma rede regular de ponpontos da malha regular (inferior direito) tos interpolados (Fig. 7). Seja uma situao hipotti2380 ca (Fig. 8) em que 5 pontos foram amostrados para 3 2370 teores de U3O8 e se pretende a partir deles estimar 2360 o valor no ponto A (Clark 1979). 2350 Aplicando, inicialmente, o mtodo do inA 5 2 2340 verso da distncia, onde os pesos so corrigidos para 1 obter uma soma igual a um, obtido o resultado 2330 apresentado na Tabela 2. 2320 4 Aplicando-se a equao da mdia ponderada, 2310 tem-se: 2300
50 40 40 30 20 20 10 0 0 0 20 40 60 80 100 0 10 20 30 40 50 60 70 80 90 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 20 10 10 0 0 0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90

100

100

A = (0,319*400) + (0,137*380) + (0,217*450) + (0,229*280) + (0,098*320) = 372,8 ppm Neste caso, para estimar um valor desconhecido a partir de valores conhecidos importa apenas as distncias euclidianas para a atribuio dos pesos e isso vlido para todos os outros algoritmos, com exceo da krigagem. Na krigagem h necessidade de encontrar, preliminarmente, a variabilidade espacial dos dados o que conseguido por uma anlise variogrfica. Em outras palavras, antes da aplicao da krigagem preciso calcular um semivariograma experimental e em seguida model-lo. Tendo isso sido feito encontrou-se um modelo esfrico, com os seguintes parmetros: amplitude de influncia (a),
29

4070 4080 4090 4100 4110 4120 4130 4140 4150 4160 4170 4180 4190 4200 4210

Figura 8 Configurao de pontos de amostragem para estimativa no ponto A Tabela 2 Pesos calculados pelo inverso da distncia para estimativa do ponto A

Pontos
A 1 2 3 4 5

U33O88 Distncias
? 400 380 450 280 320 00.00 21,54 50,00 31,62 30,00 70,00

1/D

Pesos

4150 2340 4170 2332 4200 2340 4160 2370 4150 2310 4080 2340

0,0464 0,319 0,0200 0,137 0,0316 0,217 0,0333 0,229 0,0143 0,098

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006


1000.

100 ps; valor da soleira (C), 700 ppm e um efeito pepita(C0) da ordem de 100 ppm (Fig. 9). Na krigagem para a estimativa de A so necessrios no apenas os valores das distncias de cada um dos 5 pontos em relao a A, mas tambm as distncias entre os pontos. No so as distncias euclidianas, porm, que so utilizadas, mas sim os valores resultantes da anlise espacial pelo variograma modelado. Isso pode ser obtido graficamente colocando os valores no semivariograma ou analiticamente utilizando a frmula de um modelo, no caso, esfrico. A Figura 10 mostra as relaes entre amostras (em preto) e entre as amostras e o ponto a ser estimado (em vermelho). Assim a distncia euclidiana entre o ponto 1, o mais prximo, e A de 21,54 ps, a qual corresponde, pelo variograma modelado, ao valor 322,7 (Fig. 11). Esse valor tambm pode ser encontrado segundo:

Modelo esfrico

800.

600.

400.

200.

0. 0. 40. 80. 120. 160. 200.

Distncia h

Figura 9 Modelo de variograma para os dados da Figura 8

2380 2370 2360 2350 2340 2330

A 1

(modelo esfrico)

2320 2310 2300 4070 4080 4090 4100 4110 4120 4130 4140 4150 4160 4170 4180 4190 4200 4210

De modo idntico so encontrados todos os demais valores (Tab. 3):


Tabela 3 Distncias e valores das funes semivariograma para estimativa do ponto A na Figura 8

Figura 10 Inter-relaes entre amostras e ponto a ser estimado para clculo das equaes de krigagem

Pontos
p1-A p2-A p3-A p4-A p5-A p1-p2 p1-p3 p1-p4 p1-p5 p2-p3 p2-p4 p2-p5 p3-p4 p3-p5 p4-p5

Distncias
21,54 50 31,62 30 70 31,05 39,29 29,73 90,35 50,00 58,31 120,00 60,83 85,44 76,16 322,67 581,25 420,94 405,55 714,95 415,53 491,35 402,99 790,55 581,25 642,86 800 659,92 778,82 745,06

A
21, 54

Co+C
322.7
100 (Co)

800

21.54 100 Figura 11 Esquema mostrando a transformao da distncia euclidiana (21,54 ps) em valor da funo semivariograma (322,7 ppm)

De posse desses valores, pode-se organizar o sistema de equaes normais para o clculo dos pesos i e do multiplicador de LaGrange :
30

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

Para o clculo do teor em A: A = (0,3760*400) + (-0,0347*380) + (0,3017*450) + (0,2668*280) + (0,0901*320) = 376,55 ppm Este resultado bastante prximo ao obtido pelo mtodo do inverso da distncia, mas ambos os valores esto a indicar simplesmente aproximaes com relao ao verdadeiro valor de A, havendo necessidade do estabelecimento de um intervalo de confiana. A varincia associada estimativa pela krigagem : S2k = 0,3760(322,7) - 0,0347(581,3)+0,3017(420,9)+0,2668(405,5)+0,0901(714,9)+10,0816 = 410,8867 Sk = 20,27034 Usando este desvio padro para estabelecer um intervalo de confiana e supondo que a distribuio dos valores da estimativa apresente distribuio normal em torno do valor real e que, portanto, 95% dessa distribuio esto no intervalo de mais ou menos 1,96 desvios padro, tem-se que o intervalo de confiana da ordem de 19,77 * 1,96= 39,73 (Fig. 12). O verdadeiro valor do ponto A deve estar, portanto entre 336,82 e 416,28 ppm. Esse resultado para o intervalo de confiana j era esperado tendo em vista que no modelo variogrfico, no qual a krigagem foi baseada, o valor para o efeito pepita de
31

2,5%

2,5%

Figura 12 Intervalo de confiana em torno do valor estimado por krigagem ordinria

P.M.B. Landim

TERR DIDATICA 2(1):19-33, 2006

16.500 100 ps. Pela equao do semivariogra310. 15.000 ma de se esperar que o valor de 0 seja 13.500 zero, mas quando isso no ocorre ind12.000 260. cio de descontinuidade para distncias 10.500 menores do que a menor distncia entre 9.000 os pontos e que parte dessa desconti210. 7.500 nuidade pode ser devida a erros de me6.000 dio ou a variabilidade numa escala me4.500 160. nor do que aquela amostrada. Quanto 3.000 menor a proporo do efeito pepita para 1.500 o patamar, menor a varincia da estima110. .0 250. 300. 350. 400. 450. 500. tiva e, portanto, maior a confiana que Figura 13 Mapa de localizao de pontos de amostragem se pode ter na estimativa. Esta medida do erro associado estimativa que distingue o mtodo da (|h|) krigagem em relao aos demais algo16 ritmos e, desse modo, quando da sua aplicao sempre resultam dois mapas: um 14 com a distribuio dos valores inter12 polados e outro com a varincias, ou o 10 desvios padro, referentes aos valores es8 timados. Nestes a localizao dos meno6 res valores coincide com as reas com 4 maior densidade de pontos. 2 Um exemplo apresentado a seguir 0 para uma distribuio de 60 pontos 0 20 40 60 80 100 120 140 160 (Fig. 13). |h| Figura 14 Modelo de variograma ajustado ao variograma A anlise variogrfica indicou que o experimental para os dados do exemplo da Figura 13 melhor modelo ajustado seria o exponencial com C= 11,84; a = 129,58 e C0 ra minimizar a varincia estimada a partir de um = 4,8 (Fig. 14). Baseado nesse modelo, a krigagem modelo prvio que leva em conta a dependncia ordinria forneceu o mapa com valores estimados estocstica entre os dados distribudos no espao. (Fig. 15) e o respectivo mapa com os valores de Com a krigagem calculada a melhor estimativa desvios-padro da krigagem (Fig. 16). possvel para locais no amostrados, pela minimiA krigagem, entendida como um estimador que zao da varincia do erro. se baseia em tcnicas de anlise de regresso, procu-

Figura 15 Mapa estimado pelo mtodo da krigagem ordinria para os dados do exemplo da Figura 13

Figura 16 Mapa de desvios-padro da krigagem associados aos valores estimados da Figura 15

32

TERR DIDATICA 2(1):19-33, 2006

P.M.B. Landim

Consideraes finais
Neste texto foi dado nfase a uma das possveis aplicaes da Geoestatstica, ou seja, na elaborao de mapas de contornos, os quais mostram linhas que representam medidas interpoladas com iguais valores. Valores regionalizados esses que mudam de local para local e apresentam uma variabilidade espacial. Quando de um levantamento topogrfico, o cartgrafo tem condies de ver o terreno e decidir coletar mais pontos nas regies mais acidentadas, ou seja, com maior variabilidade, e menos nas regies planas, com menor variabilidade, com a inteno de melhor representar no mapa, em duas dimenses, a realidade em trs dimenses. possvel que, nesta circunstncia, a krigagem nem seja de grande valia. Ela se torna, porem, importante para o mapeamento de superfcies outras, que procuram modelar a distribuio de variveis geoqumicas, geofsicas, hidrogeolgicas, geotcnicas, etc. Mesmo sendo a krigagem o melhor estimador linear no tendencioso, o mtodo apresenta, porm, limitaes. Isso porque o semivariograma mostra a medida do grau de dependncia espacial entre valores e uma medida da variabilidade em relao distncia. A krigagem usa essas informaes para encontrar os pesos timos a serem associados s amostras que iro estimar um ponto e a varincia da krigagem independente dos valores dos pontos usados para obter os estimadores Zi* e mede somente a configurao espacial dos dados. Alm disso, no h garantia que o mapa obtido pela krigagem tenha o mesmo histograma, a mesma varincia e o mesmo semivariograma dos dados originais, pois trata-se, pela prpria natureza do mtodo, de um mapa com valores suavizados, sendo a suavizao inversamente proporcional densidade dos pontos amostrados. A Geoestatstica, porm, no apenas krigagem, como aqui apresentado. Existem tambm disposio as ferramentas da simulao, que permitem infinitas realizaes de mapas, cada qual com aproximadamente o mesmo semivariograma e a mesma varincia que os dados originais. Teoricamente a mdia de um grande nmero de mapas simulados deve fornecer resultados mais reais e, conseqentemente, mais confiveis para predies. Numa frase final: a simulao tenta atingir realismo e a estimativa por krigagem, acurcia.
33

Agradecimentos
Aos dois relatores que com suas crticas construtivas melhoraram, e muito, a qualidade deste texto.

Referncias
Chils J.P.; Delfiner P. 1999. Geostatistics : modeling spatial uncertainty. New York: John Wiley and Sons. 695p. Clark I. 1979. Practical Geostatistics. London: Applied Science Publishers Ltd. 129p. <http://uk.geocities.com/drisobelclark/ practica.html>. ltimo acesso: 24/12/2006. Duval R.; LEvy R.; Matheron G. 1955. Travaux de D. G. Krige sur lvaluation des gisements dans les mines dor Sud-africaines. Annales des Mines, Paris, 12:3-49. Krige D.G. 1951. A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Chemical, Metallurgical and Mining Society of South Africa, Dec. 1951:119-139. Guerra P.A.G. 1988. Geoestatstica operacional. Rio de Janeiro: Departamento Nacional da Produo Mineral. Houlding S.W. 2000. Practical Geostatistics : modeling and spatial analysis. Berlin: Springer Verlag. 159p.+CD. Journel A.G., Huijbregts C.J. 1978. Mining Geostatistics. London: Academic Press. 600p. Matheron G. 1962. Trait de Gostatistique Applique, Tome I : Mmoires du Bureau de Recherches Gologiques et Minires. Pairs: Editions Technip, vol. 14. Matheron G. 1963. Trait de Gostatistique Applique, Tome II : Mmoires du Bureau de Recherches Gologiques et Minires. Paris: Editions Technip, vol. 24. Matheron G. 1965. Les variables rgionalises et leur estimation: une application de la thorie des fonctions alatoires aux sciences de la nature. Paris: Masson et Cie. Pannatier Y. 1996. Variowin. Software for Spatial Data Analysis in 2D. New York: Springer-Verlag. 91p + Disquete 3,5. <http://www-sst.unil.ch/research/variowin/ index.html>. ltimo acesso: 24/12/2006. Valente J.M.G.P. 1982. Geomatemtica. Lies de Geoestatstica: Ed. Fundao Gorceix, vol. I-VIII. Yamamoto J.K. (ed.) 2001. Avaliao e classificao de reservas minerais. So Paulo: Edusp.
Submetido em 23 de fevereiro de 2006. Aceito em 18 de julho de 2006.