Integraçao de Dados

Martin Handford, Wheres Wally?
Parte IV Integrao de Dados

Silvana Amaral
Antonio Miguel V. Monteiro
{silvana@dpi.inpe.br, miguel@dpi.inpe.br}

CST 310: Populao, Espao e Ambiente
Abordagens Espaciais em Estudos de Populao:
Mtodos Analticos e Tcnicas de Representao
3. Interpolao por Krigagem

Referncia
Geoestatstica para geoprocessamento Eduardo G. Camargo
O que geoestatstica?
uma abordagem PROBABILSTICA de modelagem, que
engloba um conjunto de mtodos estatsticos, para a
anlise e mapeamento de dados distribudos no espao
e/ou no tempo.

Requer o conhecimento de alguns conceitos bsicos:
Varivel aleatria (V.A.)
Momentos da V.A. Exs: E[X]), C[X,Y];
Funo densidade de probabilidade (FDP);
Funo de Distribuio Acumulada (FDA): univariada e bivariada;
Funo aleatria (FA), etc.

1) Anlise: objetiva descrever a variabilidade espacial do fenmeno em estudo,
denominada de anlise estrutural ou modelagem do semivariograma.

2) Inferncia: objetiva estimar valores de uma varivel distribuda no espao em
locais no amostrados, denominada de krigeagem.

3) Simulao: objetiva construir um conjunto de realizaes equiprovveis ou
igualmente representativa do fenmeno em estudo.

Regio de estudo
interpolao
krigeagem
anlise
estrutural
Construo de cenrios
Mapas de incerteza
simulao
condicionada
Realizaes equiprovveis
Superfcie estimada
do fenmeno
investigado
Superfcie da varincia
da estimativa
anlise
exploratria
Etapas da modelagem geoestatstica
Etapas da modelagem geoestatstica
30/11/2012
Interpoladores
rea de Estudo
P r o c e d i m e n t o s d e t e r m i n s t i c o s
geoestatstica
Amostras de campo
0 100 25 50 75
% teor de argila
inverso da distncia
mdia Simples
vizinho + prximo
Fazenda Canchim
So Carlos - SP
Porque usar geoestatstica?
30/11/2012
Principais conceitos tericos
Varivel aleatria (V.A.): Uma viso prtica no contexto da geoestatstica.

u: um vetor de coordenadas geogrficas [u(x,y)];
localizaes geogrficas onde a varivel Z
medida ou observada, denotado por z(u), u e
A.
A
z(u)
z(u)
z(u)
x
y
Z representa a varivel em estudo.
Varivel aleatria (V.A.): Uma viso prtica no contexto da geoestatstica.

Localmente, um valor z(u), u e A, interpretado como uma das possveis realizaes da
varivel aleatria Z(u).
A
z(u) =45
V.A. Z(u)
F(u, z) = Prob[Z(u) z]
Funo de Distribuio Acumulada (FDA)
univariada
Z(u)
FDA
0
1
p=0,4
z=45
F(u, z) | (n) = Prob[Z(u) z | (n)]
z*=51
p=0,8
z(u)
A
h um vetor distncia entre dois pontos.
z(u+h)
h
Na geoestatstica um caso de particular
interesse de F.A. a FDA bivariada.
F(u, u+h; z
1
, z
2
) = Prob[Z(u) z
1
, Z(u+h) z
2
]
Momento da FDA bivariada: Covarincia
C[Z(u),Z(u+h)] = E[Z(u).Z(u+h)] E[Z(u)].E[Z(u+h)]
Funo aleatria (F.A.): Uma viso prtica no contexto da geoestatstica.

O conjunto de V.A., {Z(u), u A}, uma F.A. Z(u).

Parte 2
PROBLEMA: como deduzir a lei de probabilidade da F.A. Z(u) a partir de
uma nica realizao da mesma?
O que conhecemos de fato at agora?
Em outras palavras, tudo o que se sabe da F.A. Z(u) uma nica realizao.
{z(u), u e A}
A
z(u)
Resposta: uma nica amostragem do fenmeno de interesse.
O paradigma que se estabelece, para inferir as FDA e interpolar valores em
localizaes no amostradas, o de assumir a hiptese de
estacionariedade.
a estacionariedade uma propriedade do modelo probabilstico, uma hiptese
necessria para realizao de inferncias;
no uma caracterstica do fenmeno espacial em estudo;
uma deciso feita pelo analista, afim de verificar a adequao do modelo
realidade a ser investigada.
Hiptese de estacionariedade de 2
a
ordem
Considera somente o primeiro e o segundo momentos invariantes da F.A.
1) E[Z(u)] = m, u e A

E[Z(u)] = E[Z(u+h)] = m ou E[Z(u)] - E[Z(u+h)] = E[Z(u) - Z(u+h)] = 0

A
z(u+h)
z(u)
a
ordem
2) a covarincia entre os pares Z(u) e Z(u + h), separados por um vetor distncia h,
estacionria.
C[Z(u), Z(u + h)] = E[(Z(u).(Z(u + h)] E[Z(u)].E[Z(u + h)] u

e A
A
z(u)
z(u+h)
a
ordem
3) A estacionariedade da covarincia implica na estacionariedade da varincia:

Var[Z(u)] = E[Z(u) m]
2
= E[Z
2
(u)] 2.E[Z(u)].m + m
2
=
= E[Z(u).Z(u + 0)] 2m
2
+ m
2
=
= E[Z(u).Z(u + 0)] m
2
=

C(0), u e A
A
z(u)
o
2
o
2
o
2
o
2
o
2
o
2
o
2
o
2
o
2
Covarincia
Hiptese de estacionariedade intrnseca
1) E[Z(u) Z(u + h)]=0 , u e A.

2) Var[Z(u) Z(u + h)] = E{[Z(u) Z(u + h)]
2
} = 2(h)

em que:

2(h) denominado de funo variograma e (h) de semivariograma
(h) = C(0) C(h)
a covarincia C(h) e o semivariograma (h) so ferramentas equivalentes para
caracterizar a dependncia espacial.
estabelece que os incrementos [Z(u) Z(u + h)] tem esperana zero e varincia somente em
funo de h, assim:
(h) = C(0) C(h)
relao entre as funes semivariograma e covarincia
Varincia =
Variograma 2(h)
O variograma uma ferramenta bsica de suporte s tcnicas de geoestatstica, que
permite representar quantitativamente a variao de um fenmeno regionalizado no
espao (Huijbregts, 1975).
A
z(u + h)
z(u)
2(h) mede o grau de dissimilaridade entre pares
de observao separados pelo vetor distncia h;

funo do vetor distncia h;

depende da geometria de amostragem.
Variograma 2(h)
Definio: esperana matemtica (E) do quadrado da diferena entre os
valores de pontos no espao separados pelo vetor distncia h.
2(h) = E{[z(u) z(u + h)]
2
}
Atravs de um conjunto amostral, {z(u
1
), z(u
2
), ..., z(u
N
)}, o variograma pode ser
estimado por:
[ z(u
i
) z(u
i
+ h)]
2
N(h)
1

i = 1
N(h)
2(h) =
^
N(h): o nmero de pares, z(u
i
) e z(u
i
+ h), separados por h;
2(h): o estimador de variograma;
^
z(u
i
) e z(u
i
+ h): so valores observados nas localizaes u
i
e u
i
+ h.
h: o vetor distncia (modulo e direo) entre pares de observao;
em que:
Semivariograma (h)
Definio: metade da esperana matemtica (E) do quadrado da diferena entre
os valores de pontos no espao separados pelo vetor distncia h.
Atravs de um conjunto amostral, {z(u
1
), z(u
2
), ..., z(u
N
)}, o semivariograma pode
ser estimado por:
(h): o estimador de semivariograma;
^
h, N(h), z(u
i
) e z(u
i
+ h): conforme definidos anteriormente.
em que:
(h) = E{[z(u) z(u + h)]
2
}
1
2
Semivariograma (h)
A figura ilustra um semivariograma emprico (ou experimental) com caractersticas
muito prximas do ideal.
Semivariograma (h)
Clculo do semivariograma a partir de amostras regularmente espaadas.
o
vetor distncia h
0
o

90
o

180
o

45
o

N
S
L
direes de anlise
(h) = (h)
funo simtrica
C
0

a
C
h (km) 1 2 3 4 5 6 7 8 9
1km
1km
Semivariograma (h)
Clculo do semivariograma a partir de amostras irregularmente espaadas.
parmetros adicionais
tolerncia do incremento (lag)
tolerncia angular
largura de banda
Semivariograma (h)
Semivariograma omnidirecional => tolerncia angular = 90
o

direo de anlise (do vetor h) no importa.

0
o

90
o

270
o

180
o

4
3
2
1
6
5
h (|h|; o)
C
0

a
C
h (km) 1 2 3 4 5 6 7 8 9
Exemplo:
incremento (lag) = 1 km
tolerncia lag = 0,5 km
direo de anlise

tolerncia angular = 90
o

o

90
o
0
o
180
o
Semivariograma (h)
Semivariograma direcional => tolerncia angular < 90
o

0
o

90
o

270
o

180
o

4
3
2
1
8
5
(h)
direo do vetor h

90
o
Exemplo:
incremento (lag) = 1 km
tolerncia lag = 0,5 km
direo de anlise = 90
o

o

55
o
90
o
125
o

|______|_______|
h (|h|; o)

6
7
C
0

a
C
h (km) 1 2 3 4 5 6 7 8 9
Modelos tericos de semivariograma
O grfico do semivariograma emprico estimado por formado por uma srie
de valores, sobre os quais se objetiva ajustar uma funo.
(h)
^
h
(h)
O modelo de ajuste deve representar o melhor possvel o comportamento de (h).
alcance (a)
patamar (C)
efeito pepita (C
0
)
contribuio (C
1
)
C = C
0
+ C
1
Modelo de ajuste esfrico
|
|
.
|
\
|
|
|
.
|
\
|
>
s <
=
=
a | | , 1
a | | 0 ,
a
| |
3
0,5
a
| |
1,5
0 | | , 0
) ( Sph
h
h
h h
h
h
Sph(h)
h a
1
0
C = 1
(
(
(
|
|
.
|
\
|
|
|
.
|
\
|
> +
s < + = + =
a | | C C
a | | 0 , ] ) ( Sph [ C C
a
| |
3
2
1
a
| |
2
3
C C
C 0
) (
1 0
1 0 1 0
0
h
h h
h h
h
,
,
C
0

h
(h)
C
1

C = C
0
+ C
1
a
Normalizado
Na prtica: C
0
> 0 e C
1
> 1
Modelo de ajuste gaussiano
|
|
.
|
\
|
=
=
0 | | ,
a
| |
exp 1
0 = | | , 0
Gau
2
h
h
h
h) (
Normalizado
(
(
(
|
|
.
|
\
|
>
s < = =
a | |
C
+
C
a | | 0 )] ( [Gau
C
+
C
a
| |
exp 1
C
+
C
C
, 0
) (
1 0
1 0 1 0
0
2
h
h h
h
h
,
,
Na prtica: C
0
> 0 e C
1
> 1
Gau(h)
h a
1
0
C = 1
C
0

h a
(h)
C
1

C = C
0
+ C
1
Modelo de ajuste exponencial
( )
|
|
.
|
\
|
=
=
0 | h | ,
a
| |
exp 1
0 = | h | , 0
Exp
h
h
(
(
|
|
.
|
\
|
>
s < = =
a | |
C
+
C
a | | 0 , )] ( Exp [
C
+
C
a
| |
exp 1
C
+
C
C
, 0
) (
1 0
1 0 1 0
0
h
h h
h
h
,
Normalizado
Na prtica: C
0
> 0 e C
1
> 1
Exp(h)
h a
1
0
C = 1
C
0

h a
(h)
C
1

C = C
0
+ C
1
Modelo de ajuste potncia
Normalizado
Na prtica: C
0
> 0 e C
1
> 1
=
=
0 | | , | | c.
0 = | | , 0
) ( Pot
e
h h
h
h
> =
=
0 | | , |) (| Pot +
C
| | c. +
C
C
, 0
) (
0 0
0
e
h h h
h
Pot(h)
h
0
e<1
e=1
e>1
h
(h)
e<1
e=1
e>1
C
0

(
(
(
|
|
.
|
\
|
|
|
|
.
|
\
|
(
(
(
|
|
.
|
\
|
|
|
.
|
\
|
> + +
s < = +
s < = +
=
2 2 1 0
2 1 2
2 2
2 0
1 1
1 1
1 0
0
a | | , C C C
a | | a , ) (
a
| |
3
2
1
a
| |
2
3
C C
a | | 0 , ) (
a
| |
3
2
1
a
| |
2
3
C C
C , 0
) (
h
h h
h h
h h
h h
h
C
0

Modelo de ajuste aninhados
Existem determinados fenmenos em que so necessrios modelos mais complexos de
semivariograma para explicar suas variaes espaciais. Estes modelos so combinaes
de modelos simples, denominados aninhados.
Ex: Modelo aninhado duplo esfrico
(h)
C
1

C = C
0
+ C
1
+ C
2
C
2

a
1
a
2

h
Isotropia
Quando a variabilidade espacial de um fenmeno em estudo a mesma em todas as
direes, diz-se que o fenmeno isotrpico.
O
N
S
L O
N
S
L
Imagem nvel de cinza Composio Colorida
Isotropia
Considere os semivariogramas ilustrados na figura abaixo
0
O

45
O

90
O

135
O

Modelo de ajuste
a
C
C
o

(h)
Esta a representao de um caso simples e menos freqente, em que a distribuio espacial
do fenmeno denominada isotrpica.
Neste caso, um nico modelo suficiente para descrever a variabilidade espacial do fenmeno
em estudo.
Anisotropia
Quando a variabilidade espacial de um fenmeno em estudo no a mesma em todas as
direes, diz-se que o fenmeno anisotrpico.
O
N
S
L O
N
S
L
Imagem nvel de cinza Composio Colorida
maior menor
direes de continuidade espacial
Anisotropia
Uma forma de detectar a anisotropia atravs da observao dos semivariogramas obtidos
para diferentes direes.
N
L O
S
0
o

90
o

45
o

135
o

Convenes direcionais usadas na geoestatstica
A anlise da anisotropia objetiva detectar as direes de maior e menor continuidade
espacial do fenmeno investigado.
Anisotropia
Um modo direto de visualizar e calcular os parmetros (fator e ngulo) da anisotropia
atravs do esboo grfico de uma elipse (ou diagrama de rosa ).
N
L O
S 180
o
0
o

90
o

30
o

120
o

a
1

a
2

Parmetros da anisotropia

Fator de anisotropia (Fa)
Fa = a2 / a1

ngulo de anisotropia (Aa)
Aa = tomado da direo Norte para o eixo de
maior continuidade. No exemplo = 30
o
.
Tipos de anisotropia: geomtrica, zonal e combinada.
Anisotropia
Neste caso, os semivariogramas apresentam o mesmo patamar (C) com diferentes
alcances (a) para o mesmo modelo.
(h) Mesmo modelo para as duas direes
a
C
a h
C
o

120
O

30
O

Anisotropia geomtrica
Anisotropia
Anisotropia zonal
Neste caso, os semivariogramas apresentam diferentes patamares (C) com mesmo
alcance (a) para o mesmo modelo.
Como a isotropia, a anisotropia zonal um caso menos freqente presente nos
fenmenos naturais.
a
C
h
C
o

150
O

60
O

C
Anisotropia
Anisotropia combinada (geomtrica + zonal)
Neste caso, os semivariogramas apresentam diferentes patamares (C) e diferentes
alcances (a) para o mesmo modelo. Pode apresentar tambm diferentes efeitos pepita.
a
C
h
C
o

150
O

60
O

C
a
Semivariograma de superfcie
um grfico 2D que fornece uma viso geral da variabilidade espacial do
fenmeno em estudo. Tambm conhecido como Mapa de Semivariograma.

Utilizado para detectar os eixos de Anisotropia (direes de maior e menor
continuidade espacial).
N 0
o
L

90
o
ngulo de anisotropia
Semivariograma de nuvem
outliers
um grfico das semivarincias de todos os pares de pontos tomados para um
determinado lag (distncia).
O variograma de nuvem til para detectar a presena de outliers.
Validao cruzada
um procedimento para verificar a adequao do modelo de ajuste ao semivariograma
Aprova ?
Modelo semariograma
Sim
No
?
?
?
?
?
1 2 3 4 5
Anlises
estatsticas do erro
histograma do erro
diagrama espacial do erro
diagrama de valores
observados versus estimados
Validao cruzada
Anlise de resultados
30/11/2012
41
Krigeagem
O termo krigeagem derivado do nome Daniel G. Krige
A krigeagem um estimador estocstico que depende da anlise de correlao espacial
baseada em semivariograma.
reas de Aplicaes:

mapeamento geolgico (Verly et al., 1984)

mapeamento solo (Burgess e Webster, 1980)

mapeamento hidrolgico (Kitanidis et. al., 1983)

mapeamento atmosfrico (Lajaunie, 1984)
A krigeagem engloba um conjunto de estimadores:

krigeagem Simples (*) krigeagem Ordinria (*)

krigeagem Universal co-krigeagem

krigeagem por indicao Outros
Krigeagem
Envolve uma combinao linear de n valores em pontos vizinhos.

u
1 u
2
u
3
u
4
u
0
?
z
z z
z
z
mdia local
Z =
^
u
0

i=1
n
i
. Z

u
i

i
= 1/n

inverso do quadrado
da distncia
i
= 1/d
2
Z =
^
u
0

i=1
n
i
. Z

u
i

krigeagem
Z =
^
u
0

i=1
n
i
. Z

u
i

i
= ?

Krigeagem
Os pesos so calculados considerando a estrutura de correlao espacial imposta
pelo semivariograma
u
1 u
2
u
3
u
4
u
0
?
z
z z
z
z
anlise de correlao espacial
baseada em semivariograma
1
ajuste do semivariograma
experimental (modelo terico)
2
4
estimador de krigeagem
validao do modelo de ajuste
3
Krigeagem
Segundo Journel (1988): K. = k => = K
1
k

o
1
2
:
n
1
C C .........C 1
C C .........C 1
: : : :
C C .........C 1
1 1 ......... 1 0
11 12 1n
21 22 2n
n1 n2 nn
C
C
:
C
1
10
20
n0
=
Substituindo os valores de C
ij
nas matrizes encontram-se
os pesos
1
,
2
, ..., e
n
.

Estimador de Krigeagem (Journel, 1988):

Varincia de Krigeagem (Journel, 1988):

Os elementos das matrizes de covarincias so calcu-
lados da seguinte forma (Journel, 1988):

Krigeagem
Considere o espao amostral na figura abaixo. Deseja-se estimar o valor da varivel Z no ponto u
0
, a partir
de z(u
1
), z(u
2
), z(u
3
) e z(u
4
). Considere ainda, que o semivariograma emprico foi ajustado atravs de um
modelo esfrico, com a = 200, C
1
= 20, e C
0
= 2.
50
50
u
1

u
2

u
3

u
4

u
0

krigeagem ordinria
(
(
(
(
(
(
(

(

4
3
2
1
o

=
(
(
(
(
(
(
(

(

(
(
(
(
(
(
(

(

1 0 1 1 1 1
1
1
1
1
04
03
02
01
44 43 42 41
34 33 32 31
24 23 22 21
14 13 12 11
C
C
C
C
C C C C
C C C C
C C C C
C C C C
1
Os elementos das matrizes so calculados: C
ij
= C
0
+ C
1
- (h)
Modelo Terico
(
(
|
|
.
|
\
|
+
3
3
) 200 (
) 2 50 (
5 , 0
200
2 50
5 , 1 20 2
C
12
= C
21
= C
04
= C
0
+ C
1
- (50 2)
= 9,84 = (2+20) -
EXEMPLO
Krigeagem
Parte 7
C
14
= C
41
= C
02
= (C
0
+ C
1
) - [ V (100)
2
+ (50)
2
] = 4,98
C
13
= C
31
= (C
0
+ C
1
) - [ V (150)
2
+ (50)
2
] = 1,23

C
23
= C
32
= (C
0
+ C
1
) - [ V (100)
2
+ (100)
2
] = 2,33

C
24
= C
42
= (C
0
+ C
1
) - [ V (100)
2
+ (150)
2
] = 0,29

C
34
= C
43
= (C
0
+ C
1
) - [ V (200)
2
+ (50)
2
] = 0
C
01
= (C
0
+ C
1
) - (50) = 12,66
C
03
= (C
0
+ C
1
) - (150) = 1,72
C
11
= C
22
= C
33
= C
44
= (C
0
+ C
1
) - (0) = 22
50
50
u
1

u
2

u
3

u
4

u
0

EXEMPLO
30/11/2012
47
Krigeagem
50
50
u
1

u
2

u
3

u
4

u
0

EXEMPLO
Substituindo os valores de C
ij
nas matrizes, encontra-se os seguintes pesos:
1
= 0,518
2
= 0,022
3
= 0,089
4
= 0,371
Finalmente o valor estimado dado por:
0,518 z(u
1
) + 0,022 z(u
2
) + 0,089 z(u
3
) + 0,371 z(u
4
) Z(u
0
) =
^
COMENTRIO: embora as amostras Z2 e Z3 tenham pouca influncia na
estimativa final de Z0, suas influncias no so lineares em relao s suas
distncias a partir de Z0. A amostra Z3 est mais distante que Z2; no en-
tanto, tem mais influncia, 8,9%, que Z2, 2,2%. Isto ocorre porque Z0
est diretamente sobre a influncia de Z3, enquanto Z2 est muito pr-
ximo de Z1. Ao se introduzir as covarincias no clculo dos pesos, evita-se
associar pesos indevidos a clusters (agrupamentos) de amostras, o que
no ocorre com outros mtodos baseados somente na distncia.
Integrao: SPRING e geoestatistica
SPRING: geoestatstica
Integrao: geoestatistica e SPRING
Referncias
Camargo, E.C.G.,; Fucks, S. ; Camara, G. Anlsie
Espacial de Superfcies
http://www.dpi.inpe.br/gilberto/livro/analise/cap3-superficies.pdf

Krig x Pycnophylatic
E. Yoo, P.C. Kyriakidis, W. Tobler
Reconstructing Population Density Surfaces from
Areal Data: A Comparison of Toblers
Pycnophylactic Interpolation Method and Area-to-
Point Kriging
Geographical Analysis 42 (2010) 7898 r 2010
Krig x Pycnophylatic
- Superfcie de densidade de populao dados coletados
em reas
- Interpolao area-to-point (ATP) comparada com Toblers
pycnophylactic

Integraçao de Dados

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Integraçao de Dados

Diunggah oleh

Hak Cipta:

Format Tersedia

Martin Handford, Wheres Wally?

Parte IV Integrao de Dados

Anda mungkin juga menyukai