UNIVERSIDADE FEDERAL DO ESTADO DE PERNAMBUCO

CENTRO DE GEOCIENCIAS E TECNOLOGIAS

DEPARTAMENTO DE ENGENHARIA CARTOGRAFICA

MARCOS DA SILVA LEMOS

Avaliação da superfície gerada pelo modelo geoestatístico de

Interpolação kriging:

RECIFE-PE
2019
 UNIVERSIDADE FEDERAL DE PERNAMBUCO – UFPE
CENTRO DE TECNOLOGIA E GEOCIÊNCIAS – CTG
DEPARTAMENTO DE ENGENHARIA CARTOGRÁFICA - DECART

Avaliação da superfície gerada pelo modelo geoestatístico de

Interpolação kriging:

Avaliação da superfície gerada pelo

modelo geoestatístico de
Interpolação kriging, na disciplina de
Sistemas de Informações
Geográficas , apresentado à
Universidade Federal de
Pernambuco – UFPE, elaborado
pelo Graduando do Curso de
Engenharia Cartográfica e de
Agrimensura: Marcos Lemos
Prof. Dr. JOSE LUIZ PORTUGAL

Recife – PE
Junho de 2019
Sumário
Introdução .................................................................................................................................... 4
Objetivo ........................................................................................................................................ 4
Fundamentação Teorica ........................................................................................................... 5
Resultados e discussões........................................................................................................... 7
Conclusão .................................................................................................................................. 26
Referências ............................................................................................................................... 26
Introdução

A geoestatística, em seu uso original, referia-se às estatísticas da Terra, como

em geografia e geologia. Agora, a geoestatística é amplamente utilizada em
muitos campos e compreende um ramo de estatísticas espaciais. Originalmente,
na estatística espacial, a geoestatística era sinônimo de krigagem, que é uma
versão estatística da interpolação. A definição atual foi ampliada para incluir não
apenas a krigagem, mas também muitas outras técnicas de interpolação,
incluindo os métodos determinísticos.
Uma das características essenciais da geoestatística é que o fenômeno em
estudo toma valores (não necessariamente medidos) em toda a área de estudo,
por exemplo, a quantidade de nitrogênio em um campo ou a concentração de
ozônio na atmosfera. É importante identificar os tipos de dados que podem ser
analisados apropriadamente usando a geoestatística.
A geoestatística se baseia em métodos estatísticos e matemáticos, que podem
ser usados para criar superfícies e avaliar a incerteza das previsões. Muitos
métodos estão associados à geoestatística, mas estão todos na família da
kriging . A krigagem comum, simples, universal, de probabilidade, indicadora e
disjuntiva, junto com suas contrapartes em cokriging, estão disponíveis no
Geostatistical Analyst. Esses métodos de krigagem não apenas criam
superfícies de previsão e erro, mas também podem produzir mapas de
probabilidade e quantil dependendo de suas necessidades.

O Kriging é dividido em duas tarefas distintas: quantificar a estrutura espacial

dos dados e produzir uma previsão. Quantificar a estrutura, conhecida como
variografia, é onde você ajusta um modelo de dependência espacial aos seus
dados. Para fazer uma previsão para um valor desconhecido para um local
específico, a krigagem utilizará o modelo ajustado da variografia, a configuração
dos dados espaciais e os valores dos pontos de amostra medidos em torno do
local de previsão.

Objetivo

O nosso objetivo é atraves das tecnicas geoestatiscos de interpolação, mais especificamente os

metodos de Krigagem gerar superficie com ela e depois estudar sobre o produto gerado por
ela .
Fundamentação Teorica
Os métodos de Krigagem baseiam-se na noção de autocorrelação. Correlação
é geralmente considerada como a tendência de dois tipos de variáveis serem
relacionadas. Por exemplo, o mercado de ações tende a fazer mudanças
positivas com taxas de juros mais baixas, então diz-se que elas estão
negativamente correlacionadas. No entanto, o mercado de ações é
positivamente autocorrelacionado, o que significa que ele tem correlação
interna. No mercado de ações, dois valores tenderão a ser mais semelhantes
se forem separados por apenas um dia, em vez de terem um ano de diferença.
Isso está relacionado a um princípio básico de geografia - coisas mais
próximas tendem a ser mais semelhantes do que aquelas que estão mais
distantes umas das outras. A taxa na qual a correlação decai pode ser
expressa como uma função da distância.
A autocorrelação é uma função da distância. Essa é uma característica
definidora da geoestatística. Na estatística clássica, as observações são
consideradas independentes, ou seja, não há correlação entre as observações.
Na geoestatística, as informações sobre localizações espaciais permitem
calcular as distâncias entre as observações e modelar a autocorrelação como
uma função da distância.
Observe também que, em geral, o mercado de ações sobe com o tempo, e isso
é denominado tendência. Para dados geoestatísticos, você tem os mesmos
termos e eles são expressos na seguinte fórmula matemática simples:
Z(s) = µ(s) + ε(s),
onde Z ( s ) é a variável de interesse, decomposto em uma tendência
determinística µ ( s ) e um erro aleatório, autocorrelacionado, forma ε ( s ). O
símbolo s simplesmente indica a localização; pense nisso como contendo as
coordenadas espaciais x (longitude) e y (latitude). Variações nesta fórmula
formam a base para todos os diferentes tipos de krigagem. Comece à direita e
vá para a esquerda.
Não importa quão complicada seja a tendência no modelo, µ ( s ) ainda não
será uma previsão perfeita. Nesse caso, algumas suposições sobre o termo de
erro ε ( s ) são feitas; ou seja, você esperaria que eles fossem 0 (em média) e
que a autocorrelação entre ε ( s ) e ε ( s + h ) não depende da localização real
s, mas somente do deslocamento h entre os dois. Isso é necessário para
garantir a replicação para que você possa estimar a função de autocorrelação.
Por exemplo, na figura a seguir:
erros aleatórios em pares de localização conectados pelas setas assumem a
mesma autocorrelação.
Em seguida, examine a tendência. Pode ser uma constante simples, isto é, µ
(s) = m para todos os locais s, e se µ é desconhecido, este é o modelo no qual
a krigagem ordinária é baseada. Também pode ser composto de uma função
linear das próprias coordenadas espaciais, por exemplo:
µ(s) = ß0 + ß1x + ß2y + ß3x2 + ß4y2 + ß5xy,
onde esta é uma superfície de tendência polinomial de segunda ordem e é
apenas uma regressão linear nas coordenadas x e y espaciais. Tendências que
variam, e onde os coeficientes de regressão são desconhecidos, formam
modelos para a krigagem universal . Sempre que a tendência é completamente
conhecida (ou seja, todos os parâmetros e covariáveis conhecidos), constante
ou não, ela forma o modelo para a krigagem simples .

Agora, olhe para o lado esquerdo da decomposição, Z ( s ) = µ ( s ) + ε ( s ).

Você pode realizar transformações em Z ( s ). Por exemplo, você pode alterá-lo
para uma variável indicadora, onde é 0 se Z ( s ) estiver abaixo de algum valor
(por exemplo, 0,12 ppm para concentração de ozônio) ou 1 se estiver acima de
algum valor. Você pode querer prever a probabilidade de Z ( s ) estar acima do
valor limite e as previsões baseadas neste indicador de forma de modelo
kriging . Você pode fazer transformações gerais não especificadas do Z ( s ) e
chamá-las f i (Z ( s i )) para oith variável. Você pode formar preditores de
funções de variáveis; por exemplo, se você quiser prever na localização s 0 ,
você forma o preditor de krigagem disjuntiva de g (Z ( s 0 )) usando dados f i (Z
( s i )).

Finalmente, considere o caso em que você tem mais de um tipo de variável e

forma os modelos Z j ( s ) = µj (s) + ε j ( s ) para o tipo de variável j . Aqui, você
pode considerar uma tendência diferente para cada variável, e além de
autocorrelação para os erros ε j ( s ), você também tem correlação cruzada
entre os erros ε j ( s ) e ε k ( s) para os dois tipos de variáveis. Por exemplo,
você pode considerar a correlação cruzada entre duas variáveis, como a
concentração de ozônio e o material particulado, e elas não precisam ser
medidas nos mesmos locais. Modelos baseados em mais de uma variável de
interesse formam a base do cokriging. Você pode formar uma variável
indicadora de Z ( s ), e se você a predizer usando os dados não transformados
originais Z ( s ) em um modelo de cokriging , você obtém a krigagem de
probabilidade . Se você tiver mais de uma variável de interesse, você pode
considerar cokrigagem ordinária, cokrigagem universal, cokrigagem simples,
cokrigagem de indicador, cokrigagem de probabilidade e cokrigagem disjuntiva
como extensões multivariadas dos diferentes tipos de krigagem descritos
anteriormente.
Resultados e discussões

Para começar a gerar a superficie com o Kriging que é um processo avançado

de geoestatistica , temos que selecionar o arquivo de dados de coordenadas
tridimensionais este arquivo dever ser salvo com a extensão .dbf

Temos que procurar onde esta este arquivo .dbf para adicionar ao projeto no
ArcMapa

Depois de adicionado o arquivo .dbf temos que determinar onde cada coluna do
arquivo vai corresponder no mapa de layer que sera gerado.
Depois de definir os campos acima deve escolher o sistema de referencia
geodesico

Abrir a pasta geografic coordinate systems

Escolhe-se o sistema de referencia geodésico escolhido é o SIRGAS2000

Depois de escolhido clica em ok

Para verificar a tendência da amostra é necessário ir em geostatical analyst ->
explore data -> trend analysis

Deixar marcado use Mean e clica em ok

 Depois de ver o gráfico de tendência podemos gerar a superfície com o método
kriging , é necessário ir em geostatical analyst -> geostatical wirzard
Escolher o geostatiscal methods -> kriging/cokriging

Escolher o dataset e colocar nos campos source dataset o arquivo de pontos

que você quer interpolar e no campo data field escolher o campo que representa
a altura dos pontos , depois clicar em next e marcar remove all
Mudar de kriging type de simple para Ordinary
Mudar o campo order of trend removal para first

Clicar em next, escolher no campo Kernel function e colocar constant , no campo

advanced mode colocar true e no campo sector type colocar 4 sectors
Clicar em next

Nesta pagina acima temos o modelo da semivariagrama e covariância

Clicar em next

Na pagina acima temos a validação do modelo

Clica em next, e abaixo temos a superfície gerado pelo método geoestatistico
kriging

Agora temos que exporta a superfície para um arquivo raster (.tif)

Depois de definir o local onde irar ser salvo o raster e definido o tamanho do pixel
para 1 em outtput surface raster temos que clicar em ok

Agora temos que dar inicio a extração do valor dos 50 pontos que retiramos do
arquivo para gerar a superfície então abra um arquivo .dbf que contenha estes
50 pontos e faça o mesmo procedimentos do inicio, feito isso temos que ir na
ferramenta arctoolbox-> spatial analyst tools -> extraction -> extract values to
points
Agora deve-se escolher no campo input point features o arquivo que contem os
50 pontos, no campo input raster escolher o raster da superfície gerada por
método kriging e no ultimo campo escolher onde sera salvo o arquirvo , este
arquivo será um arquivo vetorial.
Depois de preenchido tudo clique em ok
Depois de gerar o arquivo vetorial com o valor do pontos , abra a tabela de
atributos dele

Agora vamos dar inicio ao calculo do erro, para isso vamos criar um novo campo
na tabela de atributos
Agora vamos nomear este campo de erro e o tipo sera float

Agora clicar com o botão direito do mouse sobre o nome erro e procura a opção
field calculator
Depois de clicar em field calculator devemos colocar a expressão para calcular
o erro como mostrar na figura abaixo
Depois você pode exportar esta tabela como um arquivo dBase(.dbf) e abrir ele
no Excel, com os dados no Excel você pode calcular a media e desvio padrão
do campo erro

Agora vamos gerar um mapa de erro da superfície que foi calculada por método
geoestatistico de interpolação Kriging , clique com o botão direito do mouse
sobre a superfície -> change output to prediction standard error, depois dois
clique rápido nela.
E por fim podemos visualizar o mapa de erro da nossa superfície
Conclusão

Quando comparamos o valor obtido na validação do modelo no processo de

criação da superfície temos que o valor da media é de -0,007418 e o desvio
padrão é de 1,689069 , já para a media e o desvio padrão calculados no Excel
com os dados dos erro temos respectivamente -0,252270 e 1,582627 , se
comparamos os valores da media notamos que o valor da media na validação
esta bem mais próximo do valor zero , que é o valor real que deveria ser caso
não houvesse algum tipo de erro nas informações utilizadas , agora se
comparamos a questão dos desvios padrões notamos que o desvio padrão
calculado a partir dos dados dos erros é menor do que o desvio da validação
isso mostra que os erros não teve muita variação entre si , ou seja , os 50 pontos
calculados através da superfície gerada por método kriging tiveram um valor
muito próximo com o valor que eles tem originalmente , então pode se concluir
que a geração de superfície por método geoestatistico kriging é confiável e gera
uma superfície muito próxima da superfície real .
Com o mapa de erro gerado pela ferramenta change output to prediction
standard error podemos concluir que quantos maior a quantidade de pontos em
uma determinada área menor será o erro cometido nesta área.

Referências
ARCGIS. Entendendo como criar superfícies usando técnicas geoestatísticas. arcgis, 2019.
Disponivel em: <http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-
analyst/understanding-how-to-create-surfaces-using-geostatistical-techniques.htm>. Acesso
em: 14 Junho 2019.

ARCGIS. Kriging em Analista de Geoestatística. arcgis, 2019. Disponivel em:

<http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/kriging-in-
geostatistical-analyst.htm>. Acesso em: 13 Junho 2019.

ARCGIS. O que são técnicas de interpolação geoestatística? arcgis, 2019. Disponivel em:
<http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/what-are-
geostatistical-interpolation-techniques-.htm>. Acesso em: 13 Junho 2019.

ARCGIS. Quais são os diferentes modelos de kriging? arcgis, 2019. Disponivel em:
<http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/what-are-the-
different-kriging-models-.htm>. Acesso em: 14 Junho 2019.