INSTITUTO SUPERIOR POLITÉCNICO DE TETE

Erguendo pilares para o desenvolvimento

DIVISÃO DE ENGENHARIA

ENGENHARIA DE MINAS

PERIODO: LABORAL

CADEIRA: Gestão de Recursos Minerais

3° Ano 2° Semestre Turma: B

KRIGAGEM ORDINÁRIA

Tete

2022
 Discentes:

Amilton Felisberto Cau

Belirdia António Macuacua

Enoque Augusto José Cornélio

Grey Cossamo Chakwera

Manuel Mariano da Costa Raposo

Omega Saimone Mafuma

KRIGAGEM ORDINÁRIA

Trabalho de investigação científica a ser

apresentado no Instituto Superior Politécnico de Tete
na cadeira de Gestão de Recursos Minerais, divisão
de Engenharia, no curso de Engenharia de Minas,
orientado pelo docente da cadeira MSc. Lucas
Simoco, no âmbito de avaliação para obtenção de
classificação.

Docente: MSc. Lucas Simoco

Tete

2022
Índice
1. INTRODUÇÃO ........................................................................................................ 1

1.1. METODOLOGIA ..................................................................................................... 1

1.2. OBJECTIVOS........................................................................................................... 2

1.2.1. Objectivo Geral ..................................................................................................... 2

1.2.2. Objectivos Específicos .......................................................................................... 2

2. KRIGAGEM ............................................................................................................. 3

2.1. Aplicações da krigagem ............................................................................................ 3

2.2. Modelos de semivariograma ..................................................................................... 3

3. KRIGAGEM ORDINÁRIA ..................................................................................... 5

3.1. Equações de krigagem ordinária ............................................................................... 5

3.2. Variância de Krigagem ............................................................................................. 9

3.3. Variância de interpolação ....................................................................................... 10

3.4. Correcção do Efeito de Suavização ........................................................................ 12

4. CONCLUSÃO ........................................................................................................ 16

5. REFERÊNCIAS BIBLIOGRÁFICAS.................................................................... 17

ANEXO............................................................................................................................. 18
1. INTRODUÇÃO
A Krigagem é um método de regressão utilizado para interpolar dados que leva em
consideração as características espaciais de autocorrelação de variáveis regionalizadas.

O mesmo foi inventado por Daniel G. Krige e posteriormente, no início dos anos 60,
melhor desenvolvido pelo matemático francês Georges Matheron.

Ao levar em consideração a existência de continuidade espacial, permite que os dados

obtidos por amostragem de certos pontos possam ser usados para a a estimação de pontos onde o
valor da variável seja desconhecido. O presente trabalho visa abordar de forma resumida e clara
a krigagem ordinária que é o método de estimativa geoestatística mais utilizado atualmente e
também é aceito como o melhor método de estimativa linear não enviesado e pode ser aplicado
em diversos campos como mineração, geotecnia, hidrogeologia, agricultura de precisão, recursos
florestais

1.1. METODOLOGIA
O presente trabalho foi feito com base em uma pesquisa exploratória com vista a
proporcionar maior entendimento por parte dos leitores, usou-se a revisão bibliográfica com
recurso a livros, artigos, encontrados em sites de internet.

A classificação da pesquisa consiste em tratar os meios e métodos aplicados sobre o

estudo, fazendo uma caracterização do mesmo. E através deste meio de classificação poderão ser
identificados os instrumentos utilizados para a busca de informações necessárias a questão em
estudo.

1
1.2. OBJECTIVOS

1.2.1. Objectivo Geral

 Este estudo busca estudar as concepções necessárias ao entendimento da Krigagem
Ordinária.

1.2.2. Objectivos Específicos

 Conceituar krigagem ordinária;
 Apresentar equações de krigagem.

2
2. KRIGAGEM
A krigagem é uma técnica de interpolação de superfícies em locais não amostrados com
base nas observações vizinhas.

Segundo Brooker (1979), as técnicas geoestatísticas de estimativa, baseadas no estudo da

variabilidade espacial do corpo de minério, são superiores porque permitem o cálculo do erro
associado às estimativas, chamada variância de krigagem. Ainda conforme o Brooker (1979), a
krigagem é o procedimento que permite calcular os ponderadores para uma dada configuração
(bloco x disposição das amostras no espaço), com mínima variância de krigagem.

2.1. Aplicações da krigagem

Segundo Landim (1994) a krigagem pode ser usada para:

 A previsão do valor pontual de uma variável regionalizada em um determinado local;

 O cálculo médio de uma variável regionalizada para um volume maior que o suporte
geométrico como, por exemplo, no cálculo do teor médio de uma jazida a partir de
informações obtidas de testemunhas de sondagens.

2.2. Modelos de semivariograma

O método de krigagem requer uma função de semivariograma teórico que deve ser
ajustado a um semivariograma experimental dos dados observados. Para aplicação dos métodos
de krigagem tem vários modelos teóricos de semivariograma, onde a sua escolha depende mais
da formato/forma do semivariograma experimental. Dentre os modelos de semivariograma,
pode-se destacar o modelo:

 Exponencial

( ) [ ( ( ))]

 Esférico

( ) * ( ) ( ) +

3
 ( )
 Gaussiano

( ) * ( ( ) )+

 Linear

( )

 Cubico

( ) * ( ) ( ) ( ) ( ) +

 K-bessel

. /
( ) [ ]
( )

Onde ( ) é a função modificada de Bessel de ordem – .

 J-bessel

. /
( ) [ ( ) ]
. /

Onde d = dimensão do espaço e ( ) é a função Bessel de ordem .

Porem, há que salientar que os semivariogramas exponencial, esférico e gaussiano são os

mais usados na prática.

A escolha do modelo de semivariograma teorico pode ser feita usando:

 O coeficiente de determinação ( );
 A soma dos quadrados dos resíduos (SQR);
 Erro quadrático médio e;

4
  O erro médio da estimativa.

Assim sendo, o modelo que apresentar maior coeficiente de determinação, e menor erro
quadrático médio e o erro médio da estimativa, será considerado como sendo o ”melhor” modelo
para descrever a continuidade espacial do fenómeno em estudo.

3. KRIGAGEM ORDINÁRIA
Visto que os olgoritmos de krigagem são um grupo consagrado de métodos de
predição.Neste grupo, destaca-se a krigagem ordinária, cuja principal característica é a estimativa
do valor de uma variável aleatória regionalizada ( ) em um ponto não amostrado, com
mínima variância de erro. Esta estimativa é suportada pelos pontos vizinhos em que a variável é
medida.

3.1. Equações de krigagem ordinária

O estimado da krigagem ordinária:

( ) ∑ ( ) , -

Em que ( ) é o valor da estimativa por krigagem ordinária no ponto , é o i-

ésimo ponderador e ( ) é o valor da variável regionalizada Z(x) no i-ésimo local da vizinhança
composta por n amostras.

Para que o estimador ( ) não seja enviasado, basta garantir que a igualdade a seguir
seja satisfeita (Journel & Huijbregts, 1978):

, ( )- , ( )- = 0

Considerando que:

, ( )-

5
 , ( )- [∑ ( )] ∑ , ( )- ∑

Desta maneira, para que:

, ( )- ∑

Deve-se então assegurar que a soma dos ponderadores seja igual a um:

∑ , -

Como toda técnica de estimativa, a krigagem procura fazê-la com variância.

A variância do erro da krigagem é dada equação , - a seguir:

* ( ) ( )+ , -

De acordo com Isaaks & Srivastava (1989), expandindo a variância do erro, tem-se:

* ( ) ( )+ * ( ) ( )+ * ( ) ( )+ , -

Conforme Isaaks & Srivastava (1989),desenvolvendo cada termo do lado direito de , -,

tem-se:

* ( ) ( )+ * ( )+

= C(0)

* ( ) ( )+ {[∑ ( )] ( )}

{∑ ( ) ( )} {∑ ( )} * ( )+

6
 ∑ * ( ) ( )+ ∑ * ( )+ * ( )+

∑ , * ( ) ( )+ * ( )+ * ( )+-

∑ ( )

* ( ) ( )+ * ( )+

{∑ ( )}

∑∑ ( )

Assim, a expressão , - torna-se:

( ) ∑ ( ) ∑∑ ( ) , -

Sendo o objectivo da krigagem buscar o melhor conjunto de ponderadores, de tal modo

que a variância do erro seja a mínima possível. Trata-se, portanto, de encontrar o mínimo da
função variância do erro – equação , -. Entretanto, como tal função tem variáveis, o ponto de
mínimo poderá ser determinado após aplicação da técnica dos multiplicadores de Lagrange,
segundo Converse (1970), conforme colocação do problema a seguir:

 Minimizar a função:

( ) ∑ ( ) ∑∑ ( )

 Restrito a:

∑ ∑

7
 Forma-se o lagrangiano:

( ) ( ) ∑ ( ) ∑∑ ( ) (∑ )

Em que ( ) é o lagrangiano e é o multiplicador de lagrange.

Para minimizar o lagrangiano, faz-se cada uma das derivadas parciais ⁄ iguais a zero:

( ) ∑ ( )

E fazendo ⁄ igual a zero:

Assim, a minimização da variância do erro, sujeita à condição de não-enviesamento é satisfeita

utilizando um lagrangiano no sistema de equações lineares da krigagem ordinária:

∑ ( ) ( )
, -
∑
{

Em que os ponderadores são { }, a variância espacial C é fornecida pelo

modelo teórico de varigrama, e , representam a vizinhança e é o multiplicador de
lagrange.

Em termos matriciais, o sistema de equações lineares da krigagem ordinária pode ser

representado, em função da espacial, da seguinte forma:

8
3.2. Variância de Krigagem
Um estimador que minimiza o erro, como a krigagem ordinária, pode fornecer uma
medida de variância do erro no local estimado. Neste sentido, a variância de krigagem é uma
medida consagrada de incerteza associada à estimativa por krigagem., como segue:

( ) ∑ ( ) ∑∑ ( )

∑∑ ( )

, - ( )

∑ ( ) ( )

Escrevendo as n equações para i = 1,n e somando:

∑∑ ( ) ∑ ∑ ( )

Lembrando:

Tem-se:

∑∑ ( ) ∑ ( )

Substituindo-se esse resultado na expressão da variância de krigagem ordinária, tem-se:

9
 ( ) ∑ ( ) , -

O sistema de equações [6] também pode ser escrito ser escrito em termos da função
semivariograma, visto que esta e a função co-variância estão relacionadas conforme:

∑ ( ) ( )
, -
∑
{

( ) ( ) ( )

Nesses termos, a variância de krigagem torna-se:

∑ ( ) , -

Em que é a variância de krigagem, ( ) a variância espacial entre a vizinhança

e o local estimado, { } e são os ponderadores e o multiplicador de lagrange,
respectivamente.

Entretanto, como pode se observar na expressão da variância de krigagem ela depende

dos valores da variável regionalizada ( ) e é portanto, homoscedástica. Ou seja, considera
apenas a configuração espacial das informações vizinhas com relação ao local estimado,
negligenciando os valores da funcao aleatória tanto na vizinhança ( ), quanto no local
estimado ( ) (Olea, 1991).

3.3. Variância de interpolação

Proposta por Yamamoto (2000), a variância de interpolação é uma medida

heterocedástica de incerteza associada a estimativa por krigagem ordinária, uma vez que
considera tanto a configuração espacial das amostras utilizadas na estimativa de um local ,

10
quanto o valor estimado ( ) e os valores medidos na vizinhança ( ), fornecendo assim
uma medida de incerteza mais sensível e realista que a variância de krigagem.

A de interpolação é apresentada como (Yamamoto, 2000):

∑ , ( ) ( )- , -

Onde n é o número de amostras utilizadas na estimativa do local ,{ } são os pesos

da krigagem ordinária, ( ) são as amostras vizinhas utilizadas na estimativa e ( )éo
resultado da estimativa.

Como pode ser observado na equação , -, a configuração espacial das amostras

utilizadas na estimativa é considerada por intermédio dos pesos { }, resultantes da
solução do sistema de equações da krigagem. Nota-se que também, que para garantir que a
variância de interpolação seja positiva é imperativo que os pesos sejam positivos. Para satisfazer
esta condição é necessário que se utilize um algoritmo de correlação dos pesos da krigagem (
Journel & Rao, 199).

Segundo Yamamoto (2000), as principais propriedades da variância de interpolação são:

i. Corresponde à exactidão da krigagem ordinária, pois se o local a ser estimado ( )

coincide com o ponto em que se conhece o valor da variável aleatória ( ) este valor
será honrado, uma vez que seu ponderador será um enquanto os outros iguais a zero.
Logo, a variância de interpolação será nula ( );
ii. É proporcional à dispersão dos pontos amostrais;
iii. Utiliza indirectamente a informação estrutural fornecida pelo variograma, através do
ponderador , que atribuirá maior influência a um ponto baseado no peso utlizado na
krigagem.

11
3.4. Correcção do Efeito de Suavização

O esmatimador da krigagem ordinária, bem como outros estimadores baseados em

ponderação, geralmente apresentam um defeito: o efeito de suavização da estimativa. Este
problema consiste basicamente da tendência da estimativa ao valor da média, ou seja, a
subestimativa de valores mais altos e suprestimativa de valores mais baixos. Este comportamento
resulta na perda de precisão global da estimativa, reflectido pelo facto do histograma e
variograma da estimativa não reproduzirem os correspondentes amostrais. Este comportamento
do estimador da krigagem ordinária é dramático em situações em que o interesse esteja nos
valores extremos da variável aleatória. Por exemplo, na predição da concentração em depósitos
de metais raros, são os altos teores que viabilizam o empreendimento. Outro caso em que os
valores extremos devem ser considerados é na modelagem de porosidade de um reservatório.

Buscando solucionar esta limitação dos algoritmos de estimativa, diversos métodos de

simulação estocástica foram propostos. Entretanto, o produto final desta família são n imagens
ou mapas equiprováveis, ou seja, n realidades que não permite a escolha da melhor, pois são
equiprováveise a reprodução do modelo de covariância depende daquele conjunto.

Segundo Yamamoto (2005), o deficit de variância resultante do efeito de suavização da

krigagem ordinária pode ser expresso em função da variância de interpolação como:

, ( )- , ( )- , - , -

Que pode ser interpolada como a variância suavizada do estimador da krigaem ( ).

Esta expressão faz sentido como medida de variância de suavização, uma vez que o
maior valor de é tomado considerando todos os valores possíveis de uma determindada
configuração de amostras. Nota-se também que a variância amostral é igual a variância da
estimativa por krigagem ordinária somada a variância de suavização. Desta maneira, se todos os
locais contendo amostras forem estimados, então a variância de estimativa por krigagem
ordinária será igual a variância amostral, uma vez que o estimador da krigagem ordinária honra
os dados, consequentemente a variância de suavização será nula.

12
 Utilizando a expressão da variância total em função da variância da estimativa acrescida
da variância de interpolação, Yamamoto (2005) descreve o algoritmo de correcção de efeito de
suavização da krigagem ordinária em quatro etapas, a saber:

i. Executar a variância cruzada para calcular o erro verdadeiro e o desvio padrão de

interpolação para cada ponto:
, ( ) ( )-

Estas duas variáveis serão utilizadas para o cálculo de uma nova variável, o número de
desvios padrão de interpolação.

Nota-se que pode ser positivo ou negativo. O sinal negativo compensa o efeito de
suavização. Se o erro verdadeiro é maior que zero, então o valor estimado naquele ponto é
superior ao valor amostral, assim um erro deve ser decrescido do valor estimado. Por outro lado,
se o erro verdadeiro for menor que zero, um erro deve ser somado ao valor estimado, uma vez
que este é menor que o valor amostral. O resultado desta etapa será um para cada local.

ii. Executar a krigagem ordinária para obter o número de desvios padrão de

interpolação ( Ns0 ) para todos os nós ( xo ) que serão corrigidos. É importante
mencionar que deve ser estimado com o menor número possível de
vizinhos, para evitar a suavização.

iii. Executar novamente a krigagem ordinária para estimar ( ) em todos os nós

( ) que serão corrigidos. Os parâmetros de vizinhança devem ser os mesmos
utilizados na etapa i.

iv. Executar o procedimento de pós-processamento descrito a seguir:

( ) ( ) ( )

A expressão anterior reduz consideravelmente o efeito de suavização da krigagem

ordinária, entretanto, é importante verificar se o valor do ponto estimado está coerente com o

13
intervalo dos dados vizinhos. Para esta verificação, deve-se considerar:

, ( ) -
{
, ( ) -

Em que e são os valores de mínimo e máximo da vizinhança utilizada

na estimativa.

Desta maneira, deve-se realizar a verificação e correcção dos valores estimados

segundo Yamamoto (2005):

( ) ( ) ( )
,
( ) ( ) ( )

Em que ( ) ( ).

Yamamoto (2007) desenvolve a equação da variância dos dados em função da

variância da estimativa e de ( ) para calcular o factor de correcção para estimativa da

seguinte forma:

, ( )- , ( ) ( )-

Que após rearranjo será uma função quadrática, onde o factor será a raiz:

0 ( )1 0 ( ) ( )1 , ( )- , ( )-

E o discriminante será:

, ( ) ( )- , ( )-( , ( ) ( )-)

Em que Cov(.) é a covariância e Var(.) é a variância espacial.

Devido à variância dos dados sempre ser superior à variância da estimativa (efeito
de suavização) o discriminante será sempre maior que zero e a função quadrática terá duas raízes
reais. Sabendo que a raiz quadrada do discriminante sempre será maior que zero, o factor óptimo
(factor) que melhor corrige a variância da estimativa à variância das amostras será a raiz positiva
da função quadrática, que podeser calculada por (Yamamoto, 2007):

14
 0 ( ) ( )1 √
0 ( )1

Após a compensação no déficit de variância, é necessário que a média da estimativa

também seja coerente com aquela fornecida pelos dados. Yamamoto (2005) utiliza uma
constante K, que somada à estimativa aplica um último ajuste fino:

, ( )- , ( )-

( ) ( )

Que não altera a variância, pois:

, ( ) - , ( )-

15
4. CONCLUSÃO

Terminado o trabalho concernente ao desmonte hidráulico concluiu-se que o processo de

krigagem depende crucialmente da modelização ”correcta “do semivariograma. O grau de
continuidade ou dependência espacial no processo de krigagem é expressa pelo variograma. A
Krigagem utiliza os dados amostrais e a relação espacial que os dados têm entre si, que é a
variação quadrática esperada dada uma distância. Essa relação é chamada de semivariograma.
Além disso, a Krigagem leva em consideração o valor médio dos dados, chamado de tendência.
Utilizando essas duas informações, tendência e semivariograma, a Krigagem realiza a
interpolação através de uma média ponderada dos dados amostrais de forma que o erro esperado
seja minimizado.

Porntanto, a Krigagem Ordinária é bastante utilizada por se aplicar na maioria dos

problemas, já que a maioria dos problemas possui tendência com valor desconhecido. Além
disso, é utilizada apenas uma variável extra para isso, o que torna possível sua utilização com
poucos dados amostrais.

16
5. REFERÊNCIAS BIBLIOGRÁFICAS

1. Boezio, M.N.M. Costa, J.F.C.L. Koppe, J.C. (2006). Cokrigagem colocada aplicada
ao mapeamento do nível de água subterrânea. Revista da Escola de Minas.
2. Clark, I. Basinger K. L., Harper, W. V. (1987). Novel Approach to Co-Kriging.
Proceedings of the Conference on Geostatistical, Sensitivity, and Uncertainty Methods
for Ground-Water Flow and Radionuclide Transport Modeling. São Francisco,
California
3. Isaaks, E.H. & Srivastava, R.M. ( 1989). An introduction to applied geostatistics.
NewYork: Oxford University Press.
4. Journel, A.G. & Huijbregts, C.J. (1978). Mining geostatistics: Academic Press.
5. Journel, A.G. & Rao, S.E. (1996). Deriving conditional distribuitions from ordinary
kriging:Stanford Certer for Reservoir Forecasting, Stanford.

6. LANDIM, P. M. B.; STURARO, J. R.; MONTEIRO, R. C.( 2002). Krigagem

ordinária para situações com tendência regionalizada. Rio Claro: DGA, IGCE.
7. Olea R. (1991). Geostatistical Glossary and Multilingual Dictionary. 1a ed. Oxford,
OxfordUniversity Press.

8. Olea R. (1999). Geostatistics for Engineers and Earth Scientists. 1a ed.

Massachusetts,Kluwer Academic Publishers.
9. Yamamoto, J.K. (2007). On unbiased backtransform of lognormal kriging estimates.
Computational Geosciences.

10. Yamamoto, J.K. (2005). Correcting the Smoothing Effect of Ordinary Kriging
Estimates. Mathemathical Geology.

11. Yamamoto, J.K. (2000). An Alternative Measure of the Reliability of Ordinary Kriging
Estimates, Mathemathical Geology..

17
 ANEXO
Na análise geoestatistica da espessura de uma jazida de turfa, verificou-se que o
semivariograma experimental foi bem ajustado por um modelo gaussiano. Então, considerando o
modelo teórico ( ) ( ( ) ), Estime o valor da espessura no ponto mostrado na
figura abaixo por krigagem ordinária

Considerando o semivariograma ( ) ( ( ) ), Determinar a função co-

variância.

Função co-variância

( ) ( )

( )
( ) . /

( )
( )

18
 Elementos da matriz de Krigagem Ordinária

( ) ( )

( ) ( )

( ) ( ) ( )

( ) ( )

( ) ( )

É possível observar que a co-variância do valor da variável no ponto ( ) é maior,

isso dá se porque quanto mais próximos forem os pontos maior será a co-variância .

Na forma matricial temos:

( ) ( ) ( )
( ) ( ) ( )

Vamos subtrair a equação de cima pela de baixo para eliminar o

( )

19
Estimador de Krigagem ordinária

( ) ∑ ( )

( ) ( ) ( )

( ) ( ) ( )

( )

20