Professional Documents
Culture Documents
Variável regionalizada (V. Re) é uma função que representa a variação no espaço de
uma certa magnitude associada a um fenômeno natural e que apresenta um certo grau de
estruturação espacial. A variável regionalizada representa uma característica de um fenômeno
que atuou naquele espaço. Este fenômeno é dito regionalizado.
Do ponto de vista matemático, uma variável regionalizada Z(x) é simplesmente uma função do
ponto x, em geral irregular, como por exemplo, teor em um depósito mineral.
2
A detecção e a modelagem destes arranjos espaciais ou das estruturas de correlação
espacial não somente ajudam a compreender melhor os processos que deram origem a eles
, como também, melhoram o exercício de interpolação espacial.
Segundo Matheron (1971), a teoria das variáveis regionalizadas tem dois propósitos:
•No campo prático, que é resolver problemas de estimativas da V. Re. a partir de dados de
amostragem.
3
• Uma realização y(x) de uma função aleatória Y(x) pode sempre ser considerada como
uma variável regionalizada .
• Uma variável regionalizada y(x) pode ser considerada como uma realização de uma
certa função aleatória Y(x).
• Para esta hipótese probabilística ter um real significado, deve ser possível reconstituir,
pelo menos em parte, a lei de distribuição de probabilidade da função aleatória Y(x).
4
INFERÊNCIA - HIPÓTESES DE ESTACIONARIDADE
5
Uma variável regionalizada se caracteriza por:
6
Exemplo: distribuição de teores de cobre num banco
7
Notação Condensada
8
Exemplos de Variáveis regionalizadas
Canais
9
Exemplos de Variáveis regionalizadas
2013
10
Exemplos de Variáveis regionalizadas
11
Exemplos de Variáveis regionalizadas
4.- No espaço de três dimensões seja z(x1,x2 , X3) = z(x) = Teor de Cu no ponto x dentro
de um deposito mineral
Planta
Mina
Pelambres,
teores
25x25x15m
zona de
óxidos
12
Exemplos de Variáveis regionalizadas
5.- No espaço de duas dimensões seja z(x1,x2) = z(x) = numero de arvores por ha na
parcela localizada no ponto x
13
Exemplos de Variáveis regionalizadas
14
Exemplos de Variáveis regionalizadas
7.- No espaço de três dimensões seja z(x1,x2 , X3) = z(x) = teor de arsênio num deposito
de cobre. Essa variável regionalizada corresponde a uma impureza :
15
Domínio e Suporte
16
Domínio e Suporte
17
Compositagem (1)
Um mesmo conjunto de dados não deve conter amostras de suporte distinto. Por
conseguinte, é necessário levar as amostras a compósitos do mesmo comprimento
(geralmente, igual a altura do bloco de seleção minera ou a um sub-múltiplo desta
altura) que se podem agrupar no estudo estatístico.
18
Compositagem (1)
19
Creación de compósitos
Amostragem original
Compósitos
com teor de cobre
𝑙𝑖 𝑔𝑖
𝑔=
𝑙𝑖
𝑙𝑖 𝑔𝑖
𝑔=
𝐻
𝐻
𝐶𝐶 =
𝑠𝑒𝑛𝜃
20
Variáveis Aditivas
21
Variáveis Aditivas
Se disse que uma variável regionalizada é aditiva quando o valor de um suporte grande
(“bloco”) é a média aritmética ou a soma dos valores “pontuais” dentro do bloco
• Exemplos:
• contra-exemplos
22
¿Qual é o teor médio da camada?
23
Exemplo:
Modelo del WI da
Mina Carmen de
Andacollo. Que
constituí uma parte
do chamado “modelo
geometalúrgico
24
Exemplo:
25
VARIÁVEIS REGIONALIZADAS
26
O duplo aspecto, aleatório e estruturado, das V.R. pode ser interpretado com apoio na teoria das Funções
Aleatórias (F.A.), da seguinte forma:
O aspecto aleatório:
Localmente, um valor z(u), u A, é interpretado como uma das possíveis realizações da Variável
Aleatória (V.A.) Z(u).
FDA
1
p
A
V.A. Z(u)
0
z Z(u)
z(u)
Função de Distribuição Acumulada (FDA)
univariada
O aspecto estruturado:
Cada par de ponto em u e u + h, correspondentes às V.As. Z(u) e Z(u + h), não são independentes, mas
estão relacionados por uma correlação expressando a estrutura espacial do fenômeno.
F(u1, ..., uK ; z1, ..., zK) = F(u1+l, ..., uK+l ; z1, ..., zK)
l A
A l
l l
l
z(u) l z(u)
l
l
l l
l
A invariância desta distribuição conduz a invariância de todos os seus momentos
Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem
1) E[Z(u)] = m, u A
z(u)
E[Z(u)] = E[Z(u+h)] = m ou
E[Z(u)] - E[Z(u+h)] = E[Z(u) - Z(u+h)] = 0 z(u+h)
Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem
z(u+h)
Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem
2
2 2 A
Var[Z(u)] = E[Z(u) - m]2
2
= E[Z2(u)] - 2.E[Z(u)].m + m2 2 z(u)
Covariância
= E[Z(u).Z(u + 0)] - 2m2 + m2 2
= E[Z(u).Z(u + 0)] - m2 = C(0), uA 2 2
2
Principais conceitos teóricos
Hipótese de estacionariedade intrínseca
estabelece que os incrementos [Z(u) - Z(u h)] tem esperança zero e variância somente em
função de h, assim:
2) Var[Z(u) - Z(u + h)] = E{[Z(u) - Z(u + h)]2} = 2(h) em que: 2(h) é denominado de
função variograma
a covariância C(h) e o variograma 2(h) são ferramentas equivalentes para caracterizar a dependência
espacial.
35
Mesmo que zonas de altos ou de baixos valores não tenham sido propositalmente
atingidas, qualquer amostragem preferencial é passível de impactar o resultado
estatístico dos dados.
• Quando os dados são esparsos e não permitem que sejam ignorados valores
agrupados, é preciso utilizar algum mecanismo que, atribuindo pesos aos dados, atenue
ou modere a influência desses.
36
Métodos de desagrupamento
37
• Método de Células Móveis (Cell Declustering Method)
38
Apresentação do problema (Estudo de caso)
39
40
• Exaustivo • 470 amostras
42
Método da Poligonal - (Polygonal Method)
Princípios do método
Esse é um método de desagrupamento em que os pesos atribuídos às amostras são
diretamente proporcionais à área do Polígono de Voronoi ao seu redor. Em zonas de
dados agrupados, as áreas dos polígonos tendem a ser pequenas, recebendo, então,
pesos menores.
n
1
m . z (u )
A 1
onde m é a média desagrupada dos dados, A é o
somatório de todas as áreas dos polígonos, é a área
do polígono centrado em u e z(u) é o valor da
variável resposta observado na amostra.
Mecanismo de
construção do polígono
de influência.
44
As extremidades da área global recebem um
tratamento diferenciado. Uma amostra localizada
perto de uma das extremidades da área de
interesse pode não estar completamente cercada
por outras amostras, podendo acarretar na
impossibilidade de se ter um polígono fechado.
Uma solução seria a escolha de um limite natural,
imitando um contato geológico, ou mesmo o limite
da jazida.
Outra maneira seria fechar o polígono com um arco, com raio definido pelo maior segmento
delimitado, a 90o desse. A solução adotada pelo software 3Plot (Kanevski et al., 1998) é
definir como limite a linha que une os furos mais externos.
45
?!?
46
Método de Células Móveis
Nesse método, originalmente proposto por Journel (1983) e Deutsch (1989), a área
total é dividida em regiões retangulares chamadas de células. Cada amostra recebe
um peso inversamente proporcional ao número de amostras que caem dentro da
mesma célula.
Amostras agrupadas, de maneira geral, receberão pesos baixos com esse método, pois
as células nas quais elas estão localizadas conterão diversas outras amostras.
• tamanho de célula;
47
1
B.n
n
m . z (u )
1
B = número de células;
n = número de dados em cada célula;
= peso;
z(u) = valor da variável resposta no ponto;
m = média desagrupada dos dados.
48
Agrupamentos são frequentemente adicionados a um já pré-existente pseudo grid
regular, assim um tamanho de célula seria o espaçamento deste grid e o centro dela
deveria corresponder a um nó do grid.
Por outro lado, se for escolhido um tamanho de célula muito grande, comparável com o
tamanho da área em estudo, praticamente todas as amostras cairão dentro da mesma
célula e, novamente, receberão pesos iguais.
De fato, em algum lugar entre estes extremos está o tamanho ideal de célula.
49
Se as amostras estoverem agrupadas em zonas de altos valores, o método irá procurar
a menor média desagrupada para diferentes tamanhos de células, assemelhando-se ao
gráfico abaixo:
desagrupada
Média
Tamanho de célula
Em 3D, as células tornam-se blocos retangulares. As dimensões dos blocos não são mais
tão óbvias como em 2D, porém procura-se estabelecer um leque de dimensões de blocos
coerente com a malha amostral, se houver, de tal forma que minimize (ou maximize) a
estimativa da média global.
50
Sistemática para obtenção dos pesos de desagrupamento
51
Arquivo com os
vários
tamanhos de
célula testados
e suas
respectivas
médias
desagrupadas.
Arquivo com os
pesos de
desagrupamento
Número de células, tamanho mínimo de célula e
para a menor
tamanho máximo.
(maior) média.
52
declus.out
Pesos de
desagrupamento
53
Validação dos pesos obtidos
Gráfico do
declus.sum tamanho de
célula versus a
média
desagrupada
54
Pode acontecer que após atingir-se o ponto de inflexão da curva Tamanho de Célula
versus Média Desagrupada os dados obtidos tornem-se tão erráticos que um eventual
valor de média desagrupada ainda menor seja obtido. Nesse caso, no entanto, o
correspondente tamanho de célula já é quase equivalente às dimensões da área de
interesse devendo, portanto ser descartado. Nessas circunstâncias o tamanho máximo
de célula deve ser igual ao tamanho no qual se deu a inflexão da curva, obtendo-se
assim os pesos para essa dimensão.
55
Covariogramas e Correlogramas
• Isso significa que a inferência da continuidade espacial de uma variável regionalizada pode
ser feita com valores amostrais tendo como base a estatística de dois pontos
• A covariância em estatística é uma medida de relação mutua entre duas variáveis aleatórias
distintas ao invés na Geoestatística a covariância mede a relação entre valores da mesma
variável obtido em pontos separados por uma distancia h conforme uma determinada direção
56
Correlação espacial
Exemplo:
Detectar direções de anisotropia
58
Variograma Teórico - 2(h)
A
• 2(h) mede o grau de dissimilaridade entre pares de
observação separados pelo vetor distância h;
z(u)
• é função do vetor distância h;
z(u h)
• depende da geometria de amostragem.
Variograma Teórico - 2(h)
Definição: esperança matemática (E) do quadrado da diferença entre os valores de pontos no
espaço separados pelo vetor distância h.
Através de um conjunto amostral, {z(u1), z(u2), ..., z(uN)}, o variograma pode ser estimado por:
N(h)
1 ^
(h):
^(h) = [ z(ui) - z(ui h)]2 é o estimador de semivariograma;
2N(h) i = 1
h, N(h), z(ui) e z(ui h): conforme
definidos anteriormente.
em que:
Semivariograma (h)
(h)
patamar (C)
A figura ilustra um
semivariograma
empírico (ou
experimental) com
características muito
próximas do ideal. efeito pepita (C0)
h
alcance (a)
Semivariograma (h)
1km
(h) = 1
^
[ z(ui) - z(ui h)]2 direções de análise
2N(h)i = 1 N 0
o
o
45
C
o
90
L
C0
função simétrica
1 2 3 4 5 6 7 8 9 h (km) (h) = - (h)
a
Semivariograma (h)
Cálculo do semivariograma a
partir de amostras
irregularmente espaçadas.
N(h)
(h) = 1
^
[ z(ui) - z(ui h)]2
2N(h)i = 1
parâmetros adicionais
tolerância do incremento (lag)
tolerância angular
largura de banda
Variograma Experimental-distancia & direção
classe de distancia h
classe de distancia 2h
classe de distancia 3h
65
Variograma Experimental-distancia & direção
66
Semivariograma (h)
Semivariograma omnidirecional => tolerância angular = 90° direção de análise (do vetor h) não
importa.
N(h) 0o
1 h (|h|; a)
(h) =
o
å [ z(u ) - z(u + h)]2 tolerância angular = 90
i i
2N(h) i = 1 o
direção de análise 90
Exemplo:
0o incremento (lag) = 1 km o
3 tolerância angular = 90
• tolerância lag = 0,5 km
180o
•5 C
270o • 2 90o
4•
C
1• • 0
6
180o 1 2 3 4 5 6 7 8 9 h (km)
a
Semivariograma (h)
N(h)
^ 1 direção do vetor h
(h) = [ z(ui) - z(ui h)]2 90
o
2N(h) i = 1
0o
8
h (|h|; )
3
• • (h)
C
Exemplo:
5
incremento (lag) = 1 km
• 2 7• •
270o 90o tolerância lag = 0,5 km
direção de análise = 90o
4 • tolerância angular = 35o
C0
1 • • 1 2 3 4 5 6 7 8 9 h (km)
55o 90o 125o
6
a |______|_______|
180o
Variograma experimental
EXERCÍCIO 1D: duas sequências de amostras ao longo de dois furos de sondagem. Note que
ambos os furos possuem os mesmos teores amostrados, porém em sequências diferentes.
Sondagem 1 Sondagem 2
5 1
1 3
h=1 9 5
2 7
3 9
7 8
8 6
4 4
6 2
1 N
( h)
2 N i 1
( z ( xi ) - z ( xi h)) 2
15
S2
h N(h) S1 S2
1 8 10.43 1.81 10
2 7 8.28 6.42
S1
3 6 4.58 11.91 5
4 5 5.40 14.80
0
1 2 3 4 h (m)
Variograma experimental
EXERCÍCIO 1D: Dados de teor de ouro amostrados ao longo de uma sondagem. As amostras
estão em intervalos de 1 metro.
1 7 3 0 25 2 7 5 4 0 1 6
1 10 64.3
2 9 51.11
3 8 50.81
Variograma 1 D
4 7 50.78
70
5 7 34.78 60
64.3
40
Var
34.78
30
20
10
0
0 1 2 3 4 5 6
h
Variograma experimental
• Compute o variograma omnidirecional usando os seguintes parâmetros:
– Espaçamento (LAG) = 2; Tolerância de lag = 1; Número de lags = 5
1 1 12 3.5
1.5 2 22 3
3.5 3 7 2.5
4.5 1.5 15 2
Y
5.5 2 4 1.5
1
7 2.5 32
0.5
7.5 2.5 28
0
9 1.5 35 0 1 2 3 4 5 6 7 8 9 10
X
Resolução
1
1.1 12 - 22 50
2
2 1
2.2 22 - 7 112.5
2
1
1.8 7 - 15 32
2
1
3.3 12 - 7 12.5
2 2 2
2 1
3.1 22 - 15 24.5
2
1
2.2 7 - 4 4.5
2
1
3.5 12 - 15 4.5
2 2 2
2 1
4.0 22 - 4 162
2
1
3.5 7 - 32 312.5
2
1
4.6 12 - 4 32
2 2 2
2 1
5.5 22 - 32 50
2
1
4.0 7 - 28 220.5
2
1
6.2 12 - 32 200
2 2 2
2 1
6.0 22 - 28 18
2
1
5.7 7 - 35 392
2
1
6.7 12 - 28 128
2 2 2
2 1
7.5 22 - 35 8.5
2
1
8.0 12 - 35 264.5
2
2 2
h
1
2
1.1 15 - 4 60.5
2 1.11
1.11
50
60.5
3.3 12.5
1
2
2.7 15 - 32 144.5
2
3.5
3.5
4.5
480.5
1 3.5 312.5
3.2 15 - 28 84.5
2
4.6 32
2 6.2 200
1
2
2
4.5 15 - 35 200 1
1.6 4 - 32 392
2
6.7
8
128
264.5
2 2.2 112.5
1 2.2 4.5
2.0 4 - 28 288
2
2.2 4.5
2 3.1 24.5
1
2
3.5 4 - 35 480.5
2 4
4
162
220.5
5.5 50
6 18
1
2
0.5 32 - 28 8
2
7.5
1.8
84.5
32
1.8 24.5
1
2
2.2 32 - 35 4.5
2 5.7
2.7
392
144.5
3.2 84.5
4.5 200
1
2
1.8 28 - 35 24.5
2 1.6
2
392
288
0.5 8
500
3.5; 480.5
450
350
3.5; 312.5
300
variograma
2; 288
8; 264.5
250
4; 220.5 2 pares
200 10 pares 4.5; 200 5 pares6.2; 200
4; 162
174.5
150 10 pares 2.7; 144.5 153.35 157.6
6.7; 128
100
111.3
2.2; 112.5
3.2; 84.5 7.5; 84.5
1.11; 60.5
50 1 par 1.11; 50 5.5; 50
1.8;
1.8; 32
24.5 3.1; 24.5 4.6; 32
3.3; 12.5 6; 18
0 8 8
0.5; 2.2; 4.5 3.5; 4.5
0 1 2 3 4 5 6 7 8 9
lag h
EXERCÍCIO 1: VARIOGRAMA EXPERIMENTAL 2D
Calcule o variograma experimental para as direções NS e WE:
1
(100) (39 - 38) 2 (38 - 37) 2 (37 - 34) 2 (34 - 30) 2
2 36
(39 - 39) 2 (39 - 37) 2 (37 - 38) 2 (38 - 33) 2
(37 - 41) (41 - 37) (37 - 36) (36 - 32)
2 2 2 2
(32 - 29 ) 2
(36 - 40 ) 2
( 40 - 33) 2
(33 - 35) 2
(35 - 29) 2 (29 - 30) 2 (38 - 34) 2 (28 - 32) 2
1
(100) 401 5.569
72
Resolução
Direção NS
44 - 37 2 42 - 352 37 - 36 2 35 - 382
37 - 35 38 - 37 40 - 37 42 - 35
2 2 2 2
2 27
(37 - 33) (39 - 38) (37 - 37) (41 - 36)
2 2 2 2
Direção NS
(36 - 35) (40 - 29) (33 - 30) (38 - 28)
2 2 2 2
(34 - 32) 2
1
(300) 785 18.69
42
Resolução
Direção NS
785 27 . 53
1
( 400 )
26
Variograma na direção NS
Variograma NS
30
h
25
Função variograma
100 5.569 20
15
200 9.72
10
300 18.69
5
400 27.53 0
0 50 100 150 200 250 300 350 400 450
h
Resolução
40 - 42 2 42 - 40 2 40 - 39 2 39 - 37 2
Direção EW
37 - 36 43 - 42 42 - 39 39 - 39
2 2 2 2
1
(100) (37 - 37) (37 - 33) (33 - 34) (35 - 38)
2 2 2 2
2 36
(35 - 37) 2 (37 - 38) 2 (38 - 36) 2 (36 - 35) 2
(36 - 35) (35 - 36) (36 - 35) (35 - 34)
2 2 2 2
(34 - 33) 2
(33 - 32 ) 2
(32 - 29 ) 2
( 29 - 28) 2
(38 - 37) 2 (37 - 35) 2 (29 - 30) 2 (30 - 32) 2
1
(100) 109 1.51
72
Resolução
Direção EW
44 - 40 2 40 - 40 2 42 - 39 2 40 - 37 2
39 - 36 42 - 43 43 - 39 42 - 39
2 2 2 2
1
(200) (37 - 33) (37 - 34) (38 - 35) (35 - 38)
2 2 2 2
2 33
(37 - 36) 2 (38 - 35) 2 (36 - 36) 2 (35 - 35) 2
(36 - 34) (35 - 33) (34 - 32) (33 - 29)
2 2 2 2
(32 - 28) 2
(38 - 35) 2
(35 - 30 ) 2
(30 - 29) 2
(29 - 32) 2
1
(200) 234 1.51
66
Resolução
Direção EW
2 27
(38 - 37) (35 - 36) (37 - 35) (36 - 35)
2 2 2 2
Variograma EW
h
7
6
100 1.51
5
Função variograma
4
200 3.54
3
2
300 4.31
1
0
400 6.6 0 50 100 150 200 250 300 350 400 450
h
Anisotropia
30
25
Função variograma
20
NS
15
EW
10
0
0 50 100 150 200 250 300 350 400 450
h
EXERCÍCIO 2: VARIOGRAMA EXPERIMENTAL 2D
20 m
140
120
100
Função variograma
Var em X
80
Var em Y
Var em x -reais
60
var em y - reais
40
20
0
0 10 20 30 40 50 60 70 80
h
Compare os variogramas computados utilizando todos os dados (dados reais) com o calculado no exercício anterior com
menor número de dados. O que podemos deduzir?
Variograma Teórico-Características
2 N h
( z (ui ) - z (u j )) 2
xi - x j h
Variograma
92
Coordenadas estratigraficas
A correlação espacial só deve-se calcular dentro da mesma unidade
estratigráfica
Z - Z base
Z tope - Z base
93
h 0.5h
h 0.5h h 0.5h
Variograma Experimental-obtenção
n: Quando se calcula o variograma sobre um domínio D se escolhe
Número n de lags n de forma tal que:
Mapa de variograma
95
Variograma Experimental-lag
96
Variograma Cloud:
1 ( z ( xi ) - z ( x j ))2
( h)
*
2 N h
i j N h
( z ( x ) -2
z ( x )) 1
2
xi - x j h xi - x j h
30
25
Al graficar el valor de los pares 20
versus la distancia se obtiene el 15
variogram cloud 10
0
0 1 2 3 4 5 6 7
Distancia
97
Variograma Cloud:
300
Permite detectar valores atípicos o
câmbios bruscos 250
200
Permite escolher um valor inicial do 150
lag 100
50
Permite observar a dispersão ao redor
0
do valor de *
0 1 2 3 4 5 6 7
Distancia
98
99
Mapa do Variograma :
100
Isotropia
MAVULO
(Variografia da acumulação em Fe)
)
0.6
0.5
0.4
(h) E-W
0.3 N-S
NE-SW
0.2 NW-SE
0.1 Omnidireccional
Variância a priori
0
0 1 2 3 4 5 6 7 8 9 10
101
Variogramas com Anisotropia
CATALÃO
(Variografia do teor em P2O5)
(h)
60
40
20 Horizontal
Vertical
Variância a priori
0
0 50 100 150 200 250 300 350
102
Anisotropías
Anisotropías :
Anisotropia Geométrica
Anisotropia Zonal
Anisotropia Híbrida
103
Anisotropia
104
Anisotropía Geométrica
Anisotropía Geométrica :
2
Maior continuidade espacial na direção de
Variograma
maior alcance 1,5 N-S
E-O
1
Distancia
105
Anisotropia Geométrica
106
Anisotropía Geométrica
107
Anisotropía Zonal
Anisotropia Zonal :
3,5
3
É aquela na qual o variograma
2,5
em distintas direções
apresenta o mesmo range 2
Variograma
pero diferente sill 1,5
0,5
Presencia de diferentes
estruturas 0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4
Distancia
108
Anisotropia Zonal
109
A anisotropia zonal pode ser considerada como um caso particular da anisotropia
geométrica em que a amplitude segundo duas direções preferenciais é muito grande
quando comparada com a amplitude da outra direção segundo a qual a estrutura zonal
se manifesta.
110
Anisotropía Zonal
3,5
2,5
Variograma
1,5
0,5
0
0 0,94 1,99 3,04 4,09 5,14 6,19 7,24 8,29 9,34 10,4 11,4
Distancia
111
Anisotropía Híbrida
Anisotropía Híbrida :
4,5
É aquela na qual o variograma em as 4
diferentes direções apresenta ranges 3,5
diferentes e sill também diferentes
Variograma
3
2,5
Presencia de diferentes 2
estruturas 1,5
1
0,5
0
Característico de variogramas
0 0,6 1,2 1,8 2,4 3 3,6 4,2 4,8 5,4 6 6,6 7,2
horizontales y verticales
Distancia
112
Modelos de Variograma
Modelo Esférico
Modelo Exponencial
Modelo Gaussiano
Modelo Cúbico
Modelo Potencia
113
Modelo Efecto Pepita Puro 0 si h 0
h
s si h 0
Variograma
No importa cuán cerca se encuentren
los valores de las variables, siempre
serán no correlacionados
Distancia
114
h h
3
h
C 1.5 - 0.5 1
( h) a
a a
Modelo Esférico
h
C 1
a
115
Modelo Exponencial
h
(h) C 1 - exp -
a
a' 3a
116
Modelo Gaussiano
h
2
(h) C 1 - exp -
a
a' 3 a
117
118
h w h
Modelos de Potência
119
Efeito de Pepita
0 h0
h
C h0
120
Influência do Efeito de Pepita
Sem Efeito de
Pepita
Efeito de Pepita
igual a 33% da
variância total
121
Influência do Efeito de Pepita
Efeito de Pepita
igual a 66% da
variância total
Efeito de Pepita
Puro
122
Modelo Global e Estruturas Imbricadas
C0+C1+C2
C1
C0
C2
a1 a2
( h) C0 1( h) 2 ( h)
( h)
C0 1( h ) 2 ( h12 h22 h32 ) 3 ( h3 )
Efeito isotropa geometrica zonal
de
pepita
Sugestões para o Ajustamento de variogramas
•Assegurar que o mesmo’patamar seja usado para todas as estruturas de variogramas em todas
as direções.
•Modelar a anisotropia zonal usando uma amplitude muito grande em uma ou mais das direções
preferenciais.
Exemplo de um caso complicado *
Z(x+h)
Z(x)=Z(x+h)
N (h ) N (h )
Z(x)-Z(x+h)
d i2 ( Z ( xi h ) - Z ( xi )) 2
i (h ) i 1
i 1
di
N (h ) 2 N (h )
Z(x)