Baixe o app para aproveitar ainda mais
Prévia do material em texto
SIMULAÇÃO ESTOCÁTICA A krigagem proporciona a estimativa em um ponto não amostrado com base na informação dos pontos vizinhos; É feita minimizando-se a variância do erro de estimativa (suavização das distribuições reais); Todos os algorítimos tendem a suavizar a variabilidade espacial do atributo; Subestimativa de valores altos e superestimativa de valores baixos; Não reproduz adequadamente as características da amostra usadas para fazer as estimativas em pontos não amostrados. Solução adotada pela geoestatística para resolver o problema da suavização da krigagem; Ganha-se em precisão global e perde-se na local; Os erros são maiores que os da krigagem; Usado para modelar a incerteza associada à estimativa. SIMULAÇÃO ESTOCÁTICA Usa a média, o variograma e o histograma dos dados originais; Objetiva-se o conhecimento dos erros; Buscam manter a variabilidade espacial do fenômeno real; Tem que ter o mesmo variograma dos dados originais e passar pelos pontos amostrados. SIMULAÇÃO ESTOCÁTICA Deve-se levar em conta o erro da suavização para se determinar corretamente a continuidade da variável aleatória. ERRO DE SUAVIZAÇÃO Procuram determiner aleatóriamente a componente do erro; Como o processo é aleatório, as realizações são diferentes entre si; Respeitam o histograma amostral e o modelo de variograma amostral; Chamada de precisão global; A krigagem não reproduz o histograma e o variograma amostrais; Apresenta precisão local pela alta correlação entre os valores estimados e os valores dos pontos amostrais utilizados. MÉTODOS DE SIMULAÇÃO ESTOCÁTICA O objetivo é a geração das várias realizações conjuntas das N variáveis aleatórias condicionadas ao conjunto de dados; Pode ser condicional, quando passa exatamente pelos pontos amostrais, ou não amostrais. MÉTODOS SEQUENCIAIS DE SIMULAÇÃO Aplicação do procedimento de simulação sequencial para funções aleatórias multigaussianas; É obtida conforme os seguintes passos: • A distribuição da variável Z(x) é transformada para a distribuição normal Y(x)= j Z(x) • O variograma experimental da variável transformada é calculado e obtém-se o modelo de correlação especial gY(h) que será usado na SGS; • Testa-se a hipótese multigaussiana, que requer que a distribuição dos pontos também seja multigaussiana. SIMULAÇÃO GAUSSIANA SEQUENCIAL - SGS A simulação sequencial é feita para a variável Y(x): • Define-se um caminho aleatório para a sequência de simulação dos nós da malha regular; • A partir do primeiro nó dessa sequência são escolhidos os pontos de dados mais próximos; • Faz-se a estimativa por krigagem simples para este ponto. O valor estimado será a média condicional e a variância será a variância condicional; • Definem a função de distribuição acumulada condicional (FDAC) SIMULAÇÃO GAUSSIANA SEQUENCIAL - SGS • O valor de y l (xo) é extraído aleatóriamente da FDAC e adicionado ao conjunto de pontos dados, o sobrescrito l indica a l-ésima realização; • Repete-se isso para todos os pontos da sequência; Obtém-se o conjunto de valores simulados no domínio da distribuição de Gauss; Devem ser transportados para a escala original. SIMULAÇÃO GAUSSIANA SEQUENCIAL - SGS
Compartilhar