Universidade Lúrio
Faculdade de Engenharia
Licenciatura em Engenharia Geológica
Geoestatística
Tema: Semivariogramas
Discentes: Docente:
Deroy Jacob Suplinho Fazenda Loite Lázaro José, Lic.
Dilma Abel Chissano
Doutel Jacinto Caixão
Esembe Kashindi
Estela da Conceição Mário
Juvêncio Domingos Jorge
Pemba, dezembro de 2022
Universidade Lúrio
Faculdade de Engenharia
Licenciatura em Engenharia Geológica
Geoestatística
Tema: Semivariogramas
Trabalho em Grupo de carácter avaliativo,
da cadeira de Geoestatística, lecionada no
Segundo Semestre do Segundo ano no
curso de Engenharia Geológica.
Discentes: Docente:
Deroy Jacob Suplinho Fazenda Loite Lázaro José, Lic.
Dilma Abel Chissano
Doutel Jacinto Caixão
Esembe Kashindi
Estela da Conceição Mário
Juvêncio Domingos Jorge
Pemba, dezembro de 2022
Índice
Introdução ....................................................................................................................................... 4
1. Semivariograma ...................................................................................................................... 5
1.1. Função Semivariograma ................................................................................................... 6
1.2. Modelos Variográficos ..................................................................................................... 8
1.2.1. Modelos com patamares ........................................................................................... 8
1.2.2. Depósitos Esféricos ................................................................................................... 9
1.2.3. Modelo aleatório (efeito pepita pura) ....................................................................... 9
1.2.4. Modelo sem patamares ........................................................................................... 10
1.3. Métodos de ajuste de semivariograma ........................................................................... 10
1.3.1. Ajuste dos modelos ao semivariograma experimental............................................ 10
1.3.2. Método de ajuste de um modelo direto aos dados .................................................. 10
1.4. Seleção de método .......................................................................................................... 10
Conclusão...................................................................................................................................... 11
Bibliografia ................................................................................................................................... 12
iii
Introdução
Em diversas áreas, que se trabalha com amostragem para o entendimento de uma
população, existe uma relação custo e benefício, isto é, quanto mais amostras, mais próximo da
realidade serão estimadas suas propriedades. O semivariograma é a parte central dos estudos
geoestatísticos, sendo capaz de descrever tanto qualitativa quanto quantitativamente a variação
espacial, além de ser o ponto chave na determinação do preditor geoestatístico–krigagem. Daí a
importância do ajuste e seleção dos modelos da função de semivariância.
O presente trabalho tem como objetivo geral falar dos Semivariogramas e tem como
objetivos específicos ilustrar a sua base de utilização salientar a importância na geoestatística.
Para a realização do trabalho em causa foi necessário o uso da pesquisa bibliográfica em
busca de informações fiáveis contidas em obras de diversos autores
4
1. Semivariograma
O semivariograma é a parte central dos estudos geoestatísticos, sendo capaz de descrever
tanto qualitativa quanto quantitativamente a variação espacial, além de ser o ponto chave na
determinação do preditor geoestatístico–krigagem. (Mello Et. Al.) apud (Giovanini, n.d.)
O mesmo é um gráfico da semivariância em função da distância, ou seja, é uma função que
relaciona a semivariância com o vetor distância. O mesmo é muito utilizada na geoestatística, pois
permite representar a variação de um fenômeno no espaço. Na literatura geoestatística mais recente
esta função é também conhecida como variograma (Bachmaier & Backes, 2011) apud (Giovanini,
n.d.)
Figura 1: um semivariograma empírico (ou experimental) com características muito próximas do ideal. (Giovanini, n.d.)
Esquematicamente a Figura acima representa:
Alcance (a): À medida que a distância entre os pares aumenta, a variabilidade tenderá a
aumentar até atingir um determinado nível. A distância onde o variograma atinge este nível é
denominado de alcance ou “range”.
Patamar (C): Representa o nível de variabilidade onde o variograma se estabiliza. Este
patamar deve ser teoricamente igual à variância amostral. Este parâmetro é também denominado
“Sill”.
5
Variância Espacial (C1): Representa as diferenças espaciais entre os valores de uma
variável tomada em dois pontos separados por distâncias cada vez maiores.
Efeito Pepita (C0): Para distância igual a zero (h=0), o variograma deveria apresentar
variabilidade nula. Entretanto, vários fatores como erros de amostragens, erros de medidas ou
ainda microregionalizações da variável em análise, causam uma descontinuidade na origem do
variograma, denominado de efeito pepita ou nugget effect. (Fonte: Santos e Oliveira, 2016) apud
(Giovanini, n.d.)
Uma das funções mais utilizadas na geoestatística para a determinação da dependência
espacial de variáveis é a função de semivariância, que gera o semivariograma. O semivariograma
experimental é um gráfico que expressa a variabilidade espacial entre as amostras, sendo uma
função que só depende do vetor h, distância entre os pares de casos amostrados. Quando h cresce,
o semivariograma aproxima-se da variabilidade total dos dados, chamado patamar, e havendo
estacionariedade de segunda ordem, o semivariograma expressa o grau de dependência entre os
pontos amostrais (Opromolla et al., 2006) apud (Hongyu, n.d)
Na análise geoestatística foi utilizado o semivariograma, que é um gráfico da função
semivariância. O semivariograma permite o cálculo dos parâmetros envolvidos no modelo, a saber
a distância da dependência espacial (a), conhecida como range ou alcance da dependência espacial
que é o alcance máximo da dependência espacial, indicando que, a partir dessa distância, termina
a dependência entre os casos estudados; o efeito pepita (c), conhecido por nugget effect que é o
valor da semivariância a distância zero, ou seja, representa a variabilidade para escalas menores
que a distância de amostragem; e altura (c) ou sill que é a distância entre o efeito pepita e o patamar,
intervalo esse no qual o semivariograma cresce, havendo dependência espacial. O patamar
representa a altura na qual o semivariograma se estabiliza, aproximando-se da variabilidade total
dos valores amostrados (Opromolla et al., 2006) apud (Hongyu, n.d)
1.1. Função Semivariograma
A função semivariograma, que representa basicamente a hipótese intrínseca, é utilizada em
Geoestatística para expressar a variabilidade espacial numa direção pré-definida. O
semivariograma constitui-se no gráfico das semivariâncias das diferenças dos valores
experimentais situados a intervalos regulares. Em condições estacionárias, o valor médio esperado
6
é constante ou zero, o que reduz o semivariograma á média quadrática das diferenças dos valores
experimentais (Clark, 1979) citado por (Sturaro, 2015)
Segundo (Giovanini, n.d.), sendo a função γ () o semiovariograma e obedecidas às
condições da hipótese intrínseca, a semivariância pode ser estimada simplesmente através de uma
única realização do processo estocástico por:
Figura 2: Semivariograma e suas variáveis
Onde:
• γ(h) ^ é a semivariância estimada entre pares de pontos;
• N(h) é o número de pares de valores medidos z (xi), z (xi + h), separados pela distância h.
Esta função permite gerar o semivariograma experimental, sendo que a partir do
semivariograma é possível ajustar uma função matemática que expressa a estrutura de dependência
espacial da característica avaliada. (Giovanini, n.d.)
A expressão do semivariograma contida na figura acima é valida somente para situações
de estacionaridade ou quase-estacionaridade, pois se o valor médio esperado sofrer mudanças
7
graduais no espaço de tal forma a caracterizar uma tendência (drift), outros recursos de avaliação
estrutural deverão ser aplicados.
1.2. Modelos Variográficos
De acordo com (Sturaro, 2015), os semivariogramas experimentais são construídos a partir
de malhas com disposição regular ou, quando irregulares, posteriormente regularizadas. Os valores
observados a serem submetidos à variografia devem ser obtidos de suportes iguais ou então
regularizados e os cálculos são feitos em direções previamente estabelecidas, visando a
compreensão da variabilidade espacial do fenômeno em estudo. Após a confeção dos
semivariogramas dos valores experimentais, procura-se ajustar um modelo matemático que
represente o mais próximo possível a configuração dos mesmos.
E de acordo com o autor acima citado, alguns dos vários modelos variográficos são:
1.2.1. Modelos com patamares
São normalmente ajustes que representam a estacionaridade de segunda ordem. O
semivariograma incrementa á medida que aumenta a distância entre as amostras, até atingir um
patamar (“sill”), onde se estabiliza. Este patamar deve ser teoricamente igual á variância a priori.
A distância em que o semivariograma atinge o patamar é denominada de amplitude variográfica
(“range”), que corresponde ao raio de influência da variável. Para cada semivariograma ajustado,
deve existir um covariograma equivalente, segundo a relação:
𝑐(ℎ) = 𝑐(𝑜) − 𝛾(ℎ)
Figura 3: Semivariogramas com patamares (Rendu, 1978) apud (Sturaro, 2015)
8
1.2.2. Modelos Esféricos
Constitui-se no ajuste mais comum da Geoestatística, principalmente no estudo dos
depósitos minerais (David, 1977), apud (Sturaro, 2015). Matematicamente sua fórmula é:
3ℎ ℎ3
𝛾(ℎ) = 𝑐 [ ] − [ 3 ] 𝑝𝑎𝑟𝑎 ℎ ≤ 𝑎
2𝑎 2𝑎
𝛾(ℎ) = 𝑐 𝑝𝑎𝑟𝑎 ℎ > 𝑎
onde:
c - Patamar, que corresponde á variância a priori finita
a - Amplitude variográfica
A inclinação da tangente da curva na origem é igual a 3c/2ª
1.2.3. Modelo aleatório (efeito pepita pura)
A medida que aumenta a descontinuidade na origem do semivariograma, mais aleatório é
o fenômeno que originou a variável em análise. Esta característica decorre de uma provável
regionalização, inferior á escala de trabalho da malha de amostragem e/ou á variações espúrias
associadas com a coleta e medição das amostras. Sua expressão é:
𝛾(ℎ) = 𝑐 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 ℎ
Figura 4: Modelo de semivariograma aleatório (Huijbregts, 1975) apud (Sturaro, 2015)
9
1.2.4. Modelo sem patamares
Estes modelos satisfazem somente a hipótese intrínseca. Nestes casos, a variância a priori
é uma função de incremento direto em relação á área ou ao volume onde é calculada. Os
semivariogramas podem ser definidos, mas não se estabilizam em nenhum patamar (Rendu, 1978)
apud (Sturaro, 2015)
Os modelos mais comuns desse grupo são:
• Modelos lineares generalizados
• Modelo logarítmico (esquema de Wigs)
1.3. Métodos de ajuste de semivariograma
De acordo com (Oliveira et. Al) apud (Giovanini, n.d.), os métodos de ajuste podem ser
divididos em dois grupos:
1.3.1. Ajuste dos modelos ao semivariograma experimental
• Método dos Quadrados Mínimos Ordinários (Ordinary Least Squares – OLS);
• Método dos Quadrados Mínimos Ponderados (Weight Least Squares – WLS) e;
• Método de ajuste denominado de “a sentimento”.
1.3.2. Método de ajuste de um modelo direto aos dados
• Método da Máxima Verossimilhança (Maximum Likelihood – ML)
1.4. Seleção de método
A escolha do modelo mais adequado não é um procedimento automático. Isso porque na
Geoestatística é comum o ajuste visual do modelo selecionado aos pontos do semivariograma
experimental, o que carece de sustentação estatística. Este tipo de ajuste é bastante subjetivo e
depende muito da experiência do pesquisador. Portanto, o semivariograma representa a
semivariância da diferença da propriedade Z calculada em pares de pontos separados por h. Os
pares de pontos aqui são (u) e (u+h). (Giovanini, n.d.)
10
Conclusão
Em vista dos argumentos apresentados, conclui-se que o estudo do variograma ajuda a
entender o alcance da geoestatística, e também suas limitações quando variograma é errático
(aquele que não apresenta pares de ponto), e quando isso acontece não se pode usar a geoestatística.
Se o variograma possui muitos valores erráticos, isto mostra que os dados não possuem correlação
espacial, portanto deixam de serem variáveis regionalizadas.
De outra maneira pode-se dizer que o variograma é uma ferramenta básica de suporte a
geoestatística. Ao ser constatado que se tem variáveis regionalizadas, o variograma poderá ser
feito e servirá de base para a Krigagem.
Portanto, semivariograma é uma função chave na Geoestatística, pois é utilizado para
ajustar um modelo de correlação espacial de um fenômeno observado. Além de ser um pré-
requisito para krigagem, a Geoestatística tem sido difundida devido as suas propriedades e também
por causa de um grande número de softwares que realizam a sua interpolação
11
Bibliografia
Giovanini, A. (s.d.). Semivariograma: para que serve? Como ajustar? Obtido em 10 de dezembro
de 2022, de Adenilson Giovanini: [Link]
Hongyu, K. (n.d). Seleção e ajuste de modelos espaciais de semivariograma aplicados a dados do
pH do solo. Seleção e ajuste de modelos espaciais de semivariograma aplicados a dados
do pH do solo, pp. 3-5.
Sturaro, J. R. (2015). APOSTIILA DE GEOESTATÍÍSTIICA BÁSIICA. Rio Claro, Rio, Brasil.
Obtido em 10 de dezembro de 2022
12