Geoestatística Aplicada à Agricultura de Precisão III DICA Just work !!!!! Copyright, 2000 @ Daniel Marçal de Queiroz. Analisando um conjunto de dados Distribuição completa dos valores da variável “V” para classes de 50 ppm e 10 ppm Analisando um conjunto de dados Gráfico de probabilidade normal e lognormal para a frequência acumulada dos 78000 valores da variável “V” Analisando um conjunto de dados Distribuição completa dos valores da variável “U” para classes de 50 ppm e 10 ppm Analisando um conjunto de dados Gráfico de probabilidade normal e lognormal para a frequência acumulada dos 78000 valores da variável “U” Analisando um conjunto de dados Distribuição dos valores da variável “T” (branco T=2; preto T=1) Analisando um conjunto de dados Histograma da variável “V” para regiões (a) onde T=1 e (b) onde T=2 Analisando um conjunto de dados Histograma da variável “U” para regiões (a) onde T=1 e (b) onde T=2 Analisando um conjunto de dados Gráfico de dispersão dos valores da variável “U” versus os da variável “V”: (a) para todos os 78000 pontos =0,65 - relacionamento nãolinear; (b) 60384 valores de “V” e “U” onde T=2; (c) 17616 valores de “V” e “U” onde T=1 Analisando a continuidade espacial Curvas de contorno para valores médios da variável “V” em blocos de 10x10 m2. As curvas são apresentadas a intervalos de 200 ppm com a primeira curva refletindo o valor de 100 ppm. Analisando a continuidade espacial Curvas de contorno para valores de desvio padrão da variável “V” em blocos de 10x10 m2. As curvas são apresentadas a intervalos de 200 ppm com a primeira curva refletindo o valor de 100 ppm. Analisando a continuidade espacial Relação entre desvio padrão de média para blocos de 10x10 m2. (a) variável “V” com =0,798 e (b) variável “U” com =0,921 Analisando a continuidade espacial Curvas de contorno para valores médios da variável “U” em blocos de 10x10 m2. As curvas são apresentadas a intervalos de 200 ppm com a primeira curva refletindo o valor de 100 ppm. Analisando a continuidade espacial Curvas de contorno para valores médios da variável “U” em blocos de 20x20 m2. As curvas são apresentadas a intervalos de 200 ppm com a primeira curva refletindo o valor de 100 ppm. Analisando a continuidade espacial Curvas de contorno para valores de desvio padrão da variável “U” em blocos de 10x10 m2. As curvas são apresentadas a intervalos de 200 ppm com a primeira curva refletindo o valor de 100 ppm. Analisando a continuidade espacial • Três métodos foram apresentados para descrever a continuidade espacial: • função de correlação; • função de covariância e • variograma • Os métodos clássicos de estimativa são embasados na função de covariância • A covariância depende da magnitude e direção do vetor h Analisando a continuidade espacial • Os valores refletem a covarância de todos os gráficos de dispersão em todas as direções para distâncias de pelo menos 100 metros • O intervalo de entre as curvas é de 10000 ppm2 • A covariância para h=(0,0) está localizada no centro do mapa • As duas linhas N14W e N76E são as direções de máxima e mínima continuidade • As duas linhas N31E caem no meio dos dois eixos Curvas de contorno da função de • É possível visualizar a simetria do mapa covariância para a variável “V” • C(h=30,50) = C(h=-30,-50) • Esse gráfico é muito difícil de ser gerado Analisando a continuidade espacial (a), (b) e (c) mostram os secção dos perfis de covariância em três direções. Em (d) é apresentado os três perfis em um único gráfico. A unidade do eixo vertical está em milhões de ppm2 Em todos os gráficos C(h) cai quase que uniformemente dentro da faixa de 25m a partir do valor de 62450 ppm2. Na direção N14W, o valor de C(h) não cai tão rapidamente quanto nas outras direções Para pares de pontos separados de 50m, a covariância entre os valores de “V” é de aproximadamente 20000 ppm2 para a direção N14W e 0 para as outras direções Analisando a continuidade espacial • Os valores refletem a covarância de todos os gráficos de dispersão em todas as direções para distâncias de pelo menos 100 metros • O intervalo de entre as curvas é de 10000 ppm2 • A covariância para h=(0,0) está localizada no centro do mapa • As duas linhas N14W e N76E são as direções de máxima e mínima continuidade • As duas linhas N31E caem no meio dos dois eixos Curvas de contorno da função de covariância para a variável “U” Analisando a continuidade espacial (a), (b) e (c) mostram os secção dos perfis de covariância em três direções. Em (d) é apresentado os três perfis em um único gráfico. A unidade do eixo vertical está em milhões de ppm2 Os valores da variável “U” estão mais dispersos que o da variável “V” Variável “V” é ligeiramente mais contínua que “U” Analisando a continuidade espacial Curvas de contorno da covariância para a variável “V” (a) para T=1 e (b) para T=2 Analisando a continuidade espacial Curvas de contorno da covariância para a variável “U” (a) para T=1 e (b) para T=2 Analisando a continuidade espacial • Problema: para cada h escolhido existe uma certa aleatoriedade na localização dos pontos que faz com que poucos pontos estão separados exatamente por h • É necessário colocar uma tolerância em relação à distância e direção h 1 2 v v i j 2 N h i , j hij h Analisando a continuidade espacial • Embora um conjunto de gráficos de dispersão forneça a mais completa descrição da continuidade espacial, geralmente ele contem muita informação e requer algum tipo de simplificação • Para apresentar de forma compacta a continuidade espacial foram definidas: a função de correlação, a função de covariância e o variograma • Todos esses métodos usam estatísticas simples dos gráficos de dispersão para descrever como a variabilidade espacial varia em função da distância e direção • O variograma é o método mais usado para analisar a continuidade espacial Analisando a continuidade espacial • Terminologia associada aos variogramas: – Alcance (range): • à medida que a distância entre os pares de ponto aumenta, o valor do variograma geralmente aumenta • até chegar a um ponto em que o aumento da distância não mais causa o aumento do valor variograma (o variograma atinge um patamar). • A distância em que esse patamar é alcançado é chamado de alcance. Analisando a continuidade espacial • Terminologia associada aos variogramas: – Patamar (sill): • Valor variograma quando se atinge o valor máximo e estável – Efeito pepita (nugget effect): • O valor do variograma é igual a zero quando h=0 • Erros de amostragem e pequena variabilidade de escala pode fazer com que valores separados por pequenas distâncias apresentemse bastantes diferentes • Isso causa descontinuidade na origem do variograma • O salto vertical do valor zero na origem para valores a distâncias extremamente pequenas é chamado de efeito pepita – Efeito pepita relativo (relative nugget effect) • Razão entre o efeito pepita e o patamar Analisando a continuidade espacial • Análise de continuidade espacial começa com um variograma multidirecional: procura-se o valor de hij que é grande o suficiente para não mais ter efeito no variograma • Como todas as direções foram combinadas em um único variograma o que importa é a magnitude de hij • A análise de continuidade pelo variograma multidirecional não implica que a continuidade seja a mesma em todas as direções Analisando a continuidade espacial • Parâmetros importantes num variograma multidirecional: incremento de distância e a tolerância para a distância • Depois que o variograma multidirecional foi estabelecido parte-se para a análise de anisotropia para identificar as direções em que a continuidade é máxima e mínima • Após identificadas as direções de máxima e mínima continuidade escolhe-se a tolerância direcional para a obtenção de um varioagrama sem anomalias Analisando a continuidade espacial • Definindo os parâmetros de distância: – O primeiro parâmetro que precisa ser definido é o incremento de distância h, o segundo é a tolerância aceitável para a distância – A distância entre os pontos de amostragem pode dar uma boa indicação do incremento de distância h – Se a amostragem foi feita aleatoriamente um ponto de partida seria a distância média entre pontos amostrais consecutivos – Se a distância entre os pontos amostrais for anisotrópica, com o espaçamento entre pontos amostrais bem menor em uma direção que em outra, os parâmetros de distância dependerão da direção – A escolha mais comum para a tolerância de distância é a metade da distância entre pontos. Se o malha de pontos for uniforme ou bem próxima de uniforme a tolerância pode ser menor Analisando a continuidade espacial • Definindo os parâmetros de distância: – Valores do variograma multidirecional para incremento de 5m e tolerância de 2,5 m – 470 valores da variável “V” Número de Pares 22 488 1720 1856 3040 2412 3550 2816 4092 3758 4248 Distância 2,1 5,4 10,4 14,8 20,3 24,9 30,1 34,8 40,3 44,9 50,2 (h) 11294,1 42671,4 51932,4 71141,8 70736,9 86745,2 84077,8 99986,6 89954,4 86155,0 98319,4 Número de Pares 3920 5324 4442 5478 4696 5762 5084 5666 4458 2890 Distância 55,0 60,2 64,8 70,2 74,8 80,2 84,9 90,1 94,8 98,8 (h) 94415,1 88848,9 96309,2 96397,3 90704,6 92560,6 88104,0 95530,9 101174,8 94052,1 Analisando a continuidade espacial • Definindo os parâmetros de distância: – Variograma para um incremento de distância de 5m Semi-variância, ppm**2 120000 100000 80000 60000 40000 20000 0 0 20 40 60 Distância, m 80 100 120 Analisando a continuidade espacial • Definindo os parâmetros de distância: – Valores do variograma multidirecional para incremento de 10m e tolerância de 5m Número de Pares 178 3044 5140 6238 7388 7954 Distância 3,6 11,0 20,4 30,2 40,5 50,1 (h) 32544,3 55299,8 75224,6 88418,6 90544,1 95689,7 Número de Pares 9782 10060 10628 10454 4856 Distância 60,3 70,3 80,3 90,1 87,8 (h) 91285,2 93809,2 92357,8 95010,5 97349,3 Analisando a continuidade espacial • Definindo os parâmetros de distância: – Variograma para um incremento de distância de 10m Semi-variância, ppm**2 100000 80000 60000 40000 20000 0 0 20 40 60 Distância, m 80 100 Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Ilustração mostrando como dados bidimensionais podem ser agrupados para formar uma superfície de variograma. Qualquer bloco todos os pontos que caírem dentro a porção achureada será agrupada com a amostrada localizada na posição (x,y) x x y y (x,y) Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Agrupando os valores de variograma considerando as tolerâncias de posição 85,6 76,8 77,1 85,7 83,0 81,7 87,7 103,0 97,8 116,8 40 20 0 -20 -40 87,7 83,2 84,1 75,4 76,0 78,2 97,0 119,3 104,0 100,1 90,0 82,3 96,3 70,7 65,0 69,2 78,2 103,6 108,6 103,6 89,3 85,9 97,2 72,1 54,1 64,7 85,5 107,6 108,8 105,7 96,2 85,1 80,5 73,1 42,3 33,6 82,1 100,3 103,8 105,5 105,5 103,8 100,3 82,1 33,6 42,3 73,1 80,5 85,1 96,2 105,7 108,8 107,6 85,5 64,7 54,1 72,2 97,2 85,9 89,3 103,6 108,6 103,6 78,2 69,2 65,0 70,7 96,3 82,3 90,0 100,1 104,0 119,3 97,0 78,2 76,0 75,4 84,1 83,2 87,7 116,8 97,8 103,0 87,7 81,7 83,0 85,7 77,1 76,8 85,6 -40 -20 0 20 40 Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Linhas de contorno do variograma com os valores expressos em milhões de ppm2 Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Linhas de contorno do variograma com os valores expressos em milhões de ppm ao quadrado – Existe uma clara anisotropia , o superfície do variograma aumenta ao longo da linha N76E e lentamente ao longo a linha N14W Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Uso de superfícies de contorno não é muito comum devido problemas que geralmente ocorrem com relação aos dados experimentais (valores fora da realidade). – Nem sempre os usuários dipõem da ferramentas para geração das superfícies de contorno – Método convencional consiste em obter as direções de mínima e máxima continuidade por tentativas Analisando a continuidade espacial • Definindo os eixos de anisotropia: – Nove variogramas direcionais usando um tolerância angular de ±45° - o valor do patamar em todos eles é superior a 80000 ppm2 – Para cada direção será definida a distância em que o variograma atinge 80000 ppm2 – Construindo um gráfico com das diferentes direções com os valores das distâncias obtem-se uma figura de formato elíptico – O eixo maior dessa elipse indica a direção de máxima continuidade e o menor eixo o de mínima continuidade Analisando a continuidade espacial • Definindo os eixos de anisotropia: Analisando a continuidade espacial • Definindo os eixos de anisotropia: Analisando a continuidade espacial • Definindo a tolerância angular ou tolerância direcional: – usando pequena tolerância direcional geralmente implica em poucos pontos experimentais e o variograma tende a apresentar anomalias – Analisando-se duas direções e os valores da variável “V” obteve-se o seguintes número de pontos para as diferentes tolerâncias: 10 N76E N14W 22 0 168 176 165 281 327 363 251 445 338 554 411 709 388 783 494 854 457 768 234 314 20 N76E N14W 57 1 352 370 710 681 631 682 806 966 692 1071 893 1476 809 1505 923 1658 915 1542 459 634 30 N76E N14W 66 1 532 543 871 911 936 1051 1099 1405 1103 1605 1269 2000 1259 2178 1416 2396 1380 2193 687 890 40 N76E N14W 76 6 674 714 1058 1152 1386 1521 1453 1798 1521 2071 1744 2646 1706 2703 1879 2999 1828 2804 957 1250 Analisando a continuidade espacial • Definindo a tolerância angular ou tolerância direcional: – Os variogramas apresentados abaixo mostram que a tolerância de 40° é a ideal Estimativas • Tipos: – Estimativa local ou global – Estimativa do valor médio ou a distribuição completa dos dados – Estimativa de valores pontuais ou de valores em blocos Estimativas • Combinação linear de pesos: n vˆ wi vi i 1 – v1, v2,...,vn são os n valores disponíveis e wi são os pesos atribuidos aos valores vi – Geralmente o somatório dos pesos wi é igual a 1,0 – Para valores transformados: n tˆ wi T vi i 1 Estimativas • Global e Local: – Global quando se tem dados referentes a uma grande área e muitas amostras estão disponíveis – Local quando se tem dados referentes a uma pequena área – Global: estimativa do valor médio da variável “U” numa área inteira (78000 valores disponíveis) – Local: valor médio de “U” em uma área de 10x10 m2 Estimativas • Valores médios e distribuição completa: – média (às vezes é obtida aritimeticamente) – mediana – variabilidade Estimativas • Blocos e pontos: – tamanho da amostra em certos ramos da ciências é um importante ponto a ser considerado – quando se usa pontos amostrais relativos maiores áreas (valores pontuais versus 10x10 m2 versus 20x20 m2) obtem-se mapas mais suaves Estimativas • Blocos e pontos: – Histogramas para os valores da variável “U” 78000 pontos, versus 780 valores de “U” em áreas de 10x10 m2, versus 195 valores de “U” em áreas de 20x20 m2. Verifique a frequência acumulada para a primeira faixa. Estimativa de valor de uma variável em um dado ponto • Suponha que se deseje conhecer o valor de uma variável “V” na posição 65E,137N conhecendo-se o valor da variável nos seguintes pontos: Número da Distância do Amostra X Y V ponto 65E,137N 1 225 61 139 477 4,5 2 437 63 140 696 3,6 3 367 64 129 227 8,1 4 52 68 128 646 9,5 5 259 71 140 606 6,7 6 436 73 141 791 8,9 7 366 75 128 783 13,5 Estimativa de valor de uma variável em um dado ponto • Configuração dos dados: Estimativa de valor de uma variável em um dado ponto • Método dos polígonos – Escolhe como estimativa o valor da variável no ponto mais próximo – Nesse caso, o ponto 63E,140N é o mais próximo e o valor de “V” nele é de 696 ppm – Assume-se portanto que em 65E,137N o valor de “V” é também 696 ppm 1 2 3 4 5 6 7 Número da Amostra 225 437 367 52 259 436 366 X 61 63 64 68 71 73 75 Y 139 140 129 128 140 141 128 V 477 696 227 646 606 791 783 Distância do ponto 65E,137N 4,5 3,6 8,1 9,5 6,7 8,9 13,5 Estimativa de valor de uma variável em um dado ponto • Método da triangularização: – O método dos polígonos gera uma certa descontinuidade – O método da triangularização remove possíveis descontinuidades ajustando-se um plano que passa por três pontos amostrais – A equação do plano pode ser expressa por: z a x b y c – No caso em estudo “x” corresponderia à coordenada na direção lesteoeste, “y” corresponderia à coordenada na direção norte-sul e z corresponderia ao valor da variável “V” – Usando-se os pontos referentes as amostras com 696 ppm, 227 ppm e 606 ppm pode-se estimar a equação do plano que passa pelos três pontos amostrais Estimativa de valor de uma variável em um dado ponto • Método da triangularização: – Com base nos três pontos experimentais obtem-se: 63 a 140 b c 696 64 a 129 b c 227 71 a 140 b c 606 Estimativa de valor de uma variável em um dado ponto • Método da triangularização: 63 a 140 b c 696 64 a 129 b c 227 71 a 140 b c 606 – Resolvendo-se o sistema de três equações com três incógnitas obtem-se a=-11,250; b=41,614 e c=-4421,159. A equação para estimar o valor de “V” na área triangular é: vˆ 11,250 x 41,614 y 4421,159 – O valor de “V” para x=65 e y=137 é: 548,7 ppm Estimativa de valor de uma variável em um dado ponto • Método da média local: • O valor de “V” no ponto é obtido por média aritmética de todos os valores nas próximos ao ponto. Nesse caso, obtem-se V=603,7 ppm Estimativa de valor de uma variável em um dado ponto • Método da média local: • O valor de “V” no ponto é obtido por média aritmética de todos os valores nas próximos ao ponto. Nesse caso, obtem-se V=603,7 ppm Estimativa de valor de uma variável em um dado ponto • Método do inverso da distância: • Por esse método o valor de “V” em um dado ponto é obtido fazendose uma média ponderada, onde os pesos é o inverso da distância entre o ponto onde se quer conhecer o valor e o ponto de valor conhecido, ou seja: n 1 vi d ˆv i 1 n i 1 i 1 d i • em que d1, d2, ...,dn representam as distâncias até os n pontos conhecidos e v1, v2,...,vn são os valores de “V” conhecidos Estimativa de valor de uma variável em um dado ponto • Método do inverso da distância: • Uma outra alternativa é como peso o inverso da distância entre o ponto onde se quer conhecer o valor e o ponto de valor conhecido elevada à uma da potência (p), ou seja: n 1 vi p d ˆv i 1 n i 1 p d i 1 i Estimativa de valor de uma variável em um dado ponto • Método do inverso da distância: • Uma outra alternativa é como peso o inverso da distância entre o ponto onde se quer conhecer o valor e o ponto de valor conhecido elevada à uma da potência (p), ou seja: 1 2 3 4 5 6 7 v(ppm) V 477 696 227 646 606 791 783 p=0,2 0,1564 0,1635 0,1390 0,1347 0,1444 0,1364 0,1255 601 p=0,5 0,1700 0,1858 0,1343 0,1260 0,1449 0,1294 0,1095 598 1 d ip 1 dp i p=1,0 p=2,0 0,2088 0,2555 0,2610 0,3993 0,1160 0,0789 0,0989 0,0573 0,1402 0,1153 0,1056 0,0653 0,0696 0,0284 594 598 p=5,0 0,2324 0,7093 0,0123 0,0055 0,0318 0,0077 0,010 637 p=10,0 0,0106 0,9874 <0,0001 <0,0001 0,0019 <0,0001 <0,0001 693 Estimativa de valor de uma variável em um dado ponto • Método de kriging (krigagem): 1 2 3 4 5 6 7 Número da Amostra 225 437 367 52 259 436 366 X 61 63 64 68 71 73 75 Y 139 140 129 128 140 141 128 V 477 696 227 646 606 791 783 Distância do ponto 65E,137N 4,5 3,6 8,1 9,5 6,7 8,9 13,5 Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Equações para calcular a função de co-variância: C0 C1 se h 0 ~ 3 h C h C exp a se h 0 1 • Essas equações correspondem ao seguinte variograma: 0 se h 0 3 h ~h C C 1 exp 1 a se h 0 0 Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Na equação: C0 C1 se h 0 ~ 3 h C h C exp a se h 0 1 • C0 é chamado de efeito pepita; • a é chamado de alcance (range); • C0+C1 é chamado de patamar Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Tabela das distâncias entre todos os pares de pontos Localização 0 0 0,00 1 4,47 2 3,61 3 8,06 4 9,49 5 6,71 6 8,94 7 13,45 1 4,47 0,00 2,24 10,04 13,04 10,05 12,17 17,80 2 3,61 2,24 0,00 11,05 13,00 8,00 10,05 16,97 distância 3 4 8,06 9,49 10,44 13,04 11,05 13,00 0,00 4,12 4,12 0,00 13,04 12,37 15,00 13,93 11,05 7,00 5 6,71 10,05 8,00 13,04 12,37 0,00 2,24 12,65 6 8,94 12,17 10,05 15,00 13,93 2,24 0,00 13,15 7 13,45 17,80 16,97 11,05 7,00 12,65 13,15 0,00 Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Usando C0=0; a=10; e C1=10 estimados a partir dos dados experimentais existentes obtem-se: ~ 0, 3 h C h 10 e Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Para obter o valor de “V” em um dado ponto primeiro determina-se o vetor peso (w) dado por: w=C-1.D • Em que C é uma matriz quadrada e D é um vetor dados por: ~ C11 ~ C21 C~31 ~ C C ~41 C ~51 C61 C~ 71 1 ~ C12 ~ C22 ~ C32 ~ C42 ~ C52 ~ C62 ~ C72 1 ~ ~ C13 C14 ~ ~ C23 C24 ~ ~ C33 C34 ~ ~ C43 C44 ~ ~ C53 C54 ~ ~ C63 C64 ~ ~ C73 C74 1 1 ~ C15 ~ C25 ~ C35 ~ C45 ~ C55 ~ C65 ~ C75 1 ~ C16 ~ C26 ~ C36 ~ C46 ~ C56 ~ C66 ~ C76 1 ~ C17 ~ C27 ~ C37 ~ C47 ~ C57 ~ C67 ~ C77 1 1 1 1 1 1 1 1 0 ~ C10 ~ C20 C~30 ~ C D ~40 C ~50 C60 C~ 70 1 Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Substituindo-se os valores de h na matriz C e no vetor D obtem-se: 10,00 5,11 0,44 0,20 0,49 0,26 0,05 5,11 10,00 0,36 0,20 0,91 0,49 0,06 0,44 0,36 10,00 2,90 0,20 0,11 0,36 0,20 0,20 2,90 10,00 0,24 0,15 1,22 C 0,49 0,91 0,20 0,24 10,00 5,11 0,22 0,26 0,49 0,11 0,15 5,11 10,00 0,19 0,05 0,06 0,36 1,22 0,22 0,19 10,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0 2,61 3,39 0,89 0 , 58 D 1,34 0 , 68 0,18 1,00 Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Calculando-se a inversa da matriz C e multiplicando-a pelo vetor D w1 0,173 obtem-se: w 0,318 2 w3 0,129 w 0 , 086 w 4 C 1 D w5 0,151 w6 0,057 w 0,086 7 0,907 • Multiplicando-se os valores de wi por vi obtem-se: 7 vˆ0 wi vi 0,173 477 0,318 696 0,129 227 0,086 646 0,151 606 0,057 791 0,086 783 i 1 vˆ0 592,7 ppm Estimativa de valor de uma variável em um dado ponto • Método de kriging: • Calculando-se a inversa da matriz C e multiplicando-a pelo vetor D obtem-se: ~ 2 2 ~ ~ R wi Ci 0 ~R2 10 0,173 2,61 0,318 3,39 0,129 0,89 0,086 0,58 0,1511,34 0,057 0,68 0,086 0,18 0,907 ~R2 8,96 ppm2 • é chamado de parâmetro de Lagrange Estimativa de valor de uma variável em um dado ponto • Método de kriging: • A escolha de um modelo de covariância (ou correlograma ou variograma) é um pré-requisito para a krigagem; • Embora seja mais difícil de ser calculada a estimativa por krigagem é mais flexível; • O processo de cálculo pode necessitar do cálculo de covariâncias para distâncias para as quais não existe dados experimentais disponíveis; • O processo de cálculo não garante a existência de uma única solução; Estimativa de valor de uma variável em um dado ponto • Método de kriging: • O processo de cálculo não garante a existência de uma única solução; • A falta de uma estrutura definida nos dados experimentais disponíveis não justifica o uso do modelo de função aleatória espacialmente não correlacionada; • A continuidade espacial pode não estar evidente devido ao insuficiente número de pontos amostrais, aos erros de amostragem ou à valores completamente fora da realidade. Krigagem em um único ponto versus krigagem em bloco • Block kriging (krigagem de bloco): Processo que busca estimar o valor médio de uma variável dentro de uma área local • (a) valor de “V” dentro do bloco achureado (b) a (e) valor de “V” em cada um dos quatro pontos. Calculando-se a média dos valores obtidos de (b) até (e) obtem-se o valor obtido em (a)