Baixe o app para aproveitar ainda mais
Prévia do material em texto
ESTIMATIVAS GEOESTATÍSTICAS • Todo o processo de inferência espacial tem início com a coleta de uma amostra composta por n pontos; • Krigagem: processo geoestatístico de estimativa de valores de variáveis distribuídas no espaço; • Baseado em valores adjacentes quando considerados interdependentes pela análise variográfica; • Abrange uma família de algorítimos conhecidos como: krigagem simples, da media, ordinária e universal. ESTIMATIVAS GEOESTATÍSTICAS Estimativas geoestatísticas são superiores aos demais métodos de interpolação numérica; É uma função da distância entre os pontos, do efeito pepita; da amplitude e da anisotropia; Tem por objetivo determinar a distribuição e variabilidade espaciais da variável de interesse ESTIMATIVAS GEOESTATÍSTICAS Os valores obtidos nos pontos amostrais são usados na interpolação ou estimativa Geoestatística para fornecer uma grade regular; Feita em malhas regulares que permitem analisar a inferência espacial com maior precisão A krigagem tem um mecanismo interno de atenuação da inferência de pontos distantes, além do alcance do variograma, os considerando como parte da vizinhança. TRANSFORMAÇÃO DE DADOS Variáveis regionalizadas podem ser contínuas ou discretas; As variáveis contínuas podem apresentar comportamentos distintos revelados pelos histogramas; Se houver assimetria positiva há necessidade de transformação de dados; Transformações de dados são necessárias para as estimativas geoestatísticas; Dados com distribuição normal não necessitam de transformação. Aplica-se a krigagem ordinária; TRANSFORMAÇÃO DE DADOS Variáveis regionalizadas discretas não usam krigagem, pois necessitam de um variograma para cada tipo de variável discreta; Os variogramas não serão iguais; São decompostas em n tipos. TRANSFORMAÇÃO DE DADOS Usa-se uma função matemática que atribui um valor f(x) para cada valor de x: y = f(x) Podem ser feitas por meio de funções lineares e não lineares; Alteram a media e a variância da distribuição original; Têm como objetivo a mudança da forma da distribuição de frequência; Depende da transformação aplicada. TRANSFORMADA GAUSSIANA É baseada na curva de distribuição normal; Os valores da variável de interesse são classificados em ordem crescente: [ r(x1) = 1 ] … [ r(xn) = n ]; Dividi-se cada classe pelo número total de observações acrescidos de 1, (n+1); 𝑦 𝑥𝑖 = 𝐺−1 𝑟(𝑥𝑖) 𝑛+1 G-1 é a função gaussiana inversa que fornece o valor da distribuição normal padrão para o quartil TRANSFORMADA GAUSSIANA TRANSFORMADA GAUSSIANA Depende do número de pontos de dados; Ideal razão igual a 1. TRANSFORMADA LOGARÍTIMICA Obitida extraindo-se o logarítimo natural do valor da variável original: y = ln(x) Nem sempre garante uma distribuição perfeitamente normal. TRANSFORMADA INDICADORA Uma variável continua pode ser transformada em discrete em relação a um valor de referência da seguinte forma: Necessita definir vários valores de referência dentro do interval de variação da variável de interesse; Para cada valor tem-se a media e a variância associada: CODIFICAÇÃO BINÁRIA DE VARIÁVEIS CATEGÓRICAS Variáveis categóricas podem ser medidas em escala nominal ou ordinal; Há um número discrete de tipos k; É feita da seguinte forma: A função indicadora resultante é mutuamente exclusive e complete: CORREÇÃO DE PESOS NEGATIVOS Ponderadores são analisados para a ocorrência de pesos negativos; Encontra-se o maior peso negativo em módulo; C = - min (wi, i = 1, n ) Adicionada a todos os pesos que são normalizados para 1; 𝑊𝑖 𝑐 = 𝑊𝑖+𝑐 𝑗=1 𝑛 (𝑊𝑗+𝑐) para i = 1, n O maior peso negative em modulo é descartado e os demais preservados.
Compartilhar