Baixe o app para aproveitar ainda mais
Prévia do material em texto
Geostatística Prof. Pedro Campos Instituto Ciberespacial Agredecimentos ao Prof. Joaquim Barbosa que gentilmente cedeu parte de seu curso de Geoestatística para uso nessa disciplina. Prof. Pedro Campos Estimação Local • Semivariograma permite verificar e modelar a dependência espacial de uma variável. • Modelo de dependência espacial estimação de um atributo em localizações não amostradas. • Krigagem: interpolador que utiliza o semivariograma em sua modelagem. Homenagem ao matemático sul-africano Daniel Krige (mineração). • Algumas Áreas de Aplicações: • mapeamento geológico (Verly et al., 1984) • mapeamento solo (Burgess e Webster, 1980) • mapeamento hidrológico (Kitanidis et. al., 1983) • mapeamento atmosférico (Lajaunie, 1984) 1. Métodos de estimação: Tipos de interpoladores • Envolvem combinação linear dos n valores em pontos vizinhos. x1 x2 x3 x4 x0 Inverso do Quadrado da Distância KrigagemMédia Local n 1= ∑= = i ii * λ ZλZ n 1i0 xx 2. Estimador da KRIGAGEM x1 x2 x3 x4 x0 • Os pesos são extraídos de uma análise de correlação espacial baseada no Semivariograma Análise de Correlação Espacial baseada no Semivariograma 1 Ajuste do Semivariograma Experimental 2 4 Estimador de KRIGAGEM Modelo de ajuste do semivariograma 3 ( ) ( )[ ]hhhh SphCCa2 1 a2 3CC 1010 3 +=-+= ú ú ú ú û ù ê ê ê ê ë é ÷ ÷ ÷ ÷ ø ö ç ç ç ç è æ ÷ ÷ ÷ ø ö ç ç ç è æ γ Estimador da krigagem Aplicação da krigagem: 1. Assume-se conhecidas as realizações 2. Semivariograma da variável já foi calculado 3. Interesse em estimar um valor z* na localização u. { }nαz α ,...,1=),(u . • Krigagem : nome genérico para uma família de algoritmos de regressão de mínimos quadrados generalizados. [ ]∑ )( 1= * )(-)()(=)(-)( u uuuuu n α ααα mZλmZ . )(uαλ )( αz u )( αZ u : peso atribuído ao dado interpretado como uma realização da VA )(um )( αm ue )(uZ )( auZ: médias das VAs e (3.0) • O número de dados envolvidos na estimação, assim como seus pesos, pode variar de uma localização a outra. Na prática, somente )(un dados mais próximos da localização u sendo estimada são utilizados. •Três modelos de krigagem podem ser distinguidos de acordo com o modelo considerado para a tendência )(um 1. Krigagem Simples: )(um = m ,conhecida e constante ˅ u € A )(u'm 2.Krigagem Ordinária: considera flutuações locais da média pela limitação do domínio de estacionaridade da média à vizinhança local W(u): = constante, mas desconhecida ˅ u’ € W(u) . 3.Krigagem com modelo de Tendência ou Krigagem Universal: a média local desconhecida )(u'm vizinhança local W(u). A componente de tendência é modelada como uma combinação linear de funções fk(u) de coordenadas: varia suavemente dentro de cada ∑ 0= )()(=)( K k kk fam u'u'u' kk aa ≈)(u' constante mas desconhecido ˅ u’ €W(u) PROPRIEDADES DA KRIGAGEM COMO INTERPOLADOR 1. É um interpolador exato. No ponto ui e a variância é zero. 2. O pesos da krigagem são calculados com auxílio do variograma. 3. O valor máximo dos pesos é 1. Entretanto, eles podem ser negativos. Portanto, não é verdadeira a hipótese )(=)(* ii ZZ uu [ ] [ ])(min≤)(≤)(max * iii ZZZ uuu 4. Os pesos da krigagem não influenciam nos valores medidos. Se a mesma configuração aparece em duas localizações diferentes os pesos da krigagem serão os mesmos, independentemente dos valores medidos. Os valores medidos influenciam o variograma que á a base para os pesos da krigagem. 5. Os pesos da krigagem mostram o efeito screening. Pontos distantes têm peso menor do que pontos mais próximos. 2.1.1. Krigagem Ordinária (KO) - Efeito proporcional: a média local pode variar significativamente na área de estudo. 2.1. Principais tipos de Krigagem - KO: considera tal variação local da média limitando o domínio de estacionaridade da média à vizinhança local W(u) centrado na localização u sendo estimada. -O estimador linear: combinação linear das n(u) VAs Z(uα) mais a média constante local m(u): [ ]∑ )( 1= * )(-)()(=)(-)( u uuuuu n α ααα mZλmZ [ ] )(+)(-)()(=)( ∑ )( 1= * uuuuu u mmZλZ n α ααα )()(-1)()(=)( _ )( 1= )( 1= * ∑ ∑ uuuuu u u mλZλZ n α n α ααα )(+)()(-)()(=)( ∑ ∑ )( 1= )( 1= * uuuuuu u u mmλZλZ n α n α αααα ∑ )( 1= * )()(=)( u uuu n α α OK αOK ZλZ A melhor estimativa de é obtida quando:)(* uOKZ a) O estimador é não tendencioso { } 0=)(-)(* uu ZZE OK para ∑ )( 1= 1=)( u u n α OK αλ b) A variância da estimativa é mínima { } [ ]{ } mínimaZZEZZVar OKOK =)(-)(=)(-)( 2** uuuu SISTEMA DE EQUAÇÕES DA KRIGAGEM. • Hipótese de estacionaridade de segunda ordem (ou hipótese intrínseca): mZE =)]([ u para todo u ∊A • Estimador não tendencioso: erro médio é igual a zero. { } 0=)(-)(= )(-)()(=)(-)( ∑ )( 1= * uu uuuuu u mm mmλZZE n α OK αOK 1=)(∑ )( 1= u u n α OK αλ { } =)(-)(=)(-)(=)( 2( 1= **2 ∑ uuuuu u ZZλEZZVarσ n α OKαOK )(+)()(2-)()(= ∑ ∑∑ )( 1= 2 )( 1= )( 1= u uu uuuuu n α n β αα n β βαβα ZZZλZZλλE Sabe-se que: Var{Z(u)} = E[Z2(u) – m2 ]=s2 = C(0) para todo u Є A Cov{Z(u),Z(u+h)} = E[Z(u)Z(u + h) – m2]= C(h) para todo u Є A +)0(++),(2-+),(=∑ ∑∑ )( 1= 22 )( 1= )( 1= 2 u uu uuuu n α n β αα n β βαβα mCmCλmCλλ )0(+),(2-),(=)( ∑ ∑∑ )( 1= )( 1= )( 1= 2 u uu uuuuu n α n β αα n β βαβα CCλCλλσ A equação acima deve ser minimizada sob a restrição de que 1=)(∑ )( 1= u u n α αλ Este processo de minimização é feito através de técnicas de Lagrange Para satisfazer a condição de variância minima, é preciso que as N derivadas parciais )(∂ 1-)()(2-)(∂ ∑ )( 1= 2 u uuu u α n α α λ λμσ sejam igualadas a 0 (zero); é um multiplicador de Lagrange. μ Fazendo a derivada parcial em relação a : 0=)(2-)(2-)()(2∑ )( 1= uu,uu,uu u μCCλ α n β βαβ a = 1 ,..., n(u) )(ual Fazendo a derivada parcial em relação a :µ(u) 0=1-)(∑ )( 1= u u n α αλ Cancelando o fator 2, rearranjando tem-se o sistema da krigagem expresso em termos de função covariância: 1= )(=)(-)()( ∑ ∑ )( 1= )( 1= u u u,uuu,uu n β β α n β βαβ λ CμCλ α= 1 ,..., n(u) Rearrajando as primeiras N equações no sistema de krigagem: )(+)(=)()(∑ )( 1= u,uuu,uu u α n β βαβ CμCλ )0(+),(2-),(=)( ∑ ∑∑ )( 1= )( 1= )( 1= 2 u uu uuuuu n α n β αα n β βαβα CCλCλλσ Substituindo a equação acima na equação da variância )0(+),(2-)),(+((=)( ∑ ∑∑ )( 1= )( 1= )( 1= 2 u uu uuuuu)u n α n β αα n β αα CCλCμλσ )0(+),(2-)),(+((=)( ∑ ∑ )( 1= )( 1= 2 u u uuuuu)u n α n β αααα CCλCμλσ ∑∑ )( 1= )( 1= 2 ),(2-),(+(+)0(=)( uu uuuuu)u n β αα n β αα CλCλμCσ ∑ )( 1= 2 ),(-(+)0(=)( u uuu)u n β ααCλμCσ Expressão da variância mínima da estimativa Considerando a relação o sistema de krigagem e da variância da estimativa, podem ser expressos em termos de semivariograma como γ(h) = C(0) – C(h) [ ] 1= )(-)0(=)(-)(-)0()( ∑ ∑ )( 1= )( 1= u u u,uuu,uu n β β α n β βαβ λ γCμγCλ Graças à condição de não-tendenciosidade, , o termo da variância C(0) é cancelado, 1=)(∑ )( 1= u u n α αλ 1= )(=)(+)()( ∑ ∑ )( 1= )( 1= u u u,uuu,uu n β β α n β βαβ λ γμγλ A variância da estimativa, fica [ ]∑ )( 1= 2 ),(-)0(-(+)0(=)( u uuu)u n β αα γCλμCσ ∑ )( 1= 2 ),(+(=)( u uuu)u n β ααγλμσ Sistema matricial O sistema de krigagem pode ser escrito em notação matricial [ ][ ] [ ] b C =λ Função de Covariância [ ][ ] [ ]b=λγ Função de Semivariograma Soluções [ ][ ] [ ]bC =1λ [ ] [ ] [ ]b1= γλ [ ]C [ ]γ [ ]λ [ ]b Matriz de Covariância Matriz de Semivariância Matriz dos pesos procurados Lado direito das equações do sistema de krigagem A variância da estimativa, podem ser expressas em notação matricial, como [ ] [ ] λC= σ T b0u -)()(2 [ ] [ ]bu Tλσ =)(2 Função de Covariância Função de SemivariogramaSuponha que N=2. Então a matriz (ou [C]) é uma matriz 3x3 e pode ser, explicitamente, escrita como [ ]γ [ ] 011 1 1 222 2 )u,u(γ)u,u(γ )u,u(γ)u,u(γ = 1 111 γ [ ] μ λ λ = 2 1 λ )u,(uγ )u,u(γ = 1 1 02 0 [b] Exemplo 3.1. Considere 3 pontos em uma linha reta. Sabe-se que os valores de Z(u1)=2 e Z(u2)=4 e deseja-se estimar o valor do terceiro ponto. A Figura abaixo mostra a configuração, onde u=0, u1=1 e u2= – 2. Supor que o variograma seja linear u2 u1u hγ =)(h Equações da krigagem 1=+3+0 21 μλλ 2=+0+3 21 μλλ 1=+ 21 λλ Sistema matricial [ ] 011 103 130 =γ [ ] μ λ λ = 2 1 λ = 1 2 1 [b] [ ] [ ] [ ]b1= γλSolução [ ] 0 333,0 667,0 == 2 1 μ λ λ λ 667,2=4*333,0+2*667,0= )()(=)( ∑ )( 1= * u uuu n α α OK αOK ZλZ [ ] [ ] 333,1==)(2 bu Tλσ Exemplo 3.2. Supondo que a configuração seja alterada e u2 seja movido para o outro lado da origem, i.e., u2=2 u2u1u 1=+1+0 21 μλλ 2=+0+1 21 μλλ 1=+ 21 λλ Equações da krigagem Sistema matricial [ ] 011 101 110 =γ [ ] μ λ λ = 2 1 λ = 1 2 1 [b] [ ] [ ] [ ]b1= γλSolução [ ] 0,1 0 0,1 == 2 1 μ λ λ λ 0,2=4*0+2*0,1= )()(=)( ∑ )( 1= * u uuu n α α OK αOK ZλZ [ ] [ ] 0,2==)(2 bu Tλσ OBS: A configuração dos dados tem um papel importante na krigagem Exemplo 3.3. Estimar o valor da variável regionalizada Z4 indicada para a configuração abaixo, onde Z1=600, Z2=400 e Z3=500 SOLUÇÃO: Amostra Coord. X Coord. Y Var Z 1 10 10 600 2 40 10 400 3 10 50 500 4 30 40 ? ( ) 2222211 )-(+...+)-(+)-(= pp yxyxyxd yx, Variograma: Modelo esferico -3 2 =)( 3 a h a hC hγ Supor: C = 100 a = 40 [ ] 0111 1094,35100 194,35041,91 110041,910 =γ [ ] 0168,533285,02207,04509,0 3285,00148.00125,00022,0 2207,00125,00161,00036,0 4509,00022,00036,00058,0 1- =γ [ ] 1 12,75 88,93 59,98 =b [ ] [ ] [ ] 824,36 616,0 002,0 0382,0 == 1- bγλ 1=)(∑ )( 1= u u n α αλ 996,537=616,0*500+002,0*400+0382,0*600= )()(=)( ∑ )( 1= * u uuu n α α OK αOK ZλZ [ ] [ ] 952,120==)(2 bu Tλσ Exemplo 3.4. Fazer a krigagem das variáveis Ni e Co #Carregar pacotes library(geoR) library(gstat) library(lattice) library(sp) setwd("C:/PPGCA/GeoestatisticaR") #Definir a area de trabalho Geo <- read.table("jura.txt", head=T) #carregar arquivo de dados ## lendo arquivo com bordas da área jbor <- read.table("jurabor.txt", head=T) #Resumo do arquivo Geo summary(Geo) ### Selecionar as variaveisl Cobalto e Niquel###### Ni <- as.geodata(Geo, coords.col = 1:2, data.col = 9) Ni #mostrar a variavel Niquel area de trabalho Co <- as.geodata(Geo,coords.col = 1:2, data.col = 6) Co #mostrar a variavel Cobalto na area de trabalho ### Analise semivariografica: Niquel variogNi <- variog(Ni, uvec = seq(0, 2, length = 20), option = "bin") variogNi #Semivariograma unidirecional experimental plot(variogNi, xlab = "Distância", ylab = "Semivariância",type="l") title("Semivariograma Experimental: Niquel") #Semivariograma unidirecional e modelo ajustado plot(variogNi, xlab = "Distância", ylab = "Semivariância") lines.variomodel(cov.model = "spherical" , cov.pars = rbind(c(9,0.12),c(64,1.4)), nugget = 11, max.dist = 2, lwd = 2, col = "red") text(1,0.1,"MODELO: 11 + 9,0 Sph(h/0,12) + 64 Sph(h/1,4)") title("Semivariograma Experimental e modelo ajustado: Niquel") ###Mapa de Krigagem do Niquel locNi <- expand.grid(seq(0,5.5,l=100), seq(0,6,l=120)) kcNi <- ksline(Ni, locations=locNi, cov.model = "spherical" , cov.pars = rbind(c(9,0.12),c(64,1.4)), nugget = 11) contour(kcNi, filled=TRUE, bor=jbor, col=rainbow(22)) title("Niquel") ### Analise semivariografica: Cobalto #Semivariogramas experimentais nas duas direções coordinates(Geo) = ~ x + y vgmCo <- variogram(Co~1, Geo, alpha=c(67.5,157.5)) plot(vgmCo,type="b", lty=2, col="black",main="Cobalto") # Modelo anisotropico ajustado model.Co <- vgm(11.5,"Sph",1.5,2.0,anis=c(67.5,0.67)) plot(vgmCo,model=model.Co,type="p",col=c("black"),main="Cobalto") ###Mapa de Krigagem do Cobalto locCo <- expand.grid(seq(0,5.5,l=100), seq(0,6,l=120)) kcCo <- ksline(Co, locations=locCo, cov.model = "spherical",cov. pars=rbind(c(11.5,1.5)),nugget=2.0, aniso.pars = c(67.5,1.49)) contour(kcCo, filled=TRUE,borders=jbor, col=rainbow(30)) title("Cobalto")
Compartilhar