Вы находитесь на странице: 1из 130

Universidade Federal de Minas Gerais – UFMG

Departamento de Engenharia de Minas - DEMIN

Pesquisa de Depósitos Minerais III


Código da disciplina: EMN 0005

Aula 03: Teoria das Variáveis Regionalizadas

Eng. de Minas Carlos Enrique Arroyo O.


Prof. Dr. do DEMIN/ UFMG
A geoestatítistica foi definida por Matheron
(1971) como sendo a aplicação da teoria das
variáveis regionalizadas para a estimação de
recursos minerais.

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 teórico, que é expressar as propriedades estruturais numa forma adequada.

•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).

• Esta interpretação torna possível a aplicação da teoria probabilística das funções


aleatórias para as variáveis regionalizadas.

• 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

• Em geral a inferência não é possível se se possui somente uma realização dessa


função aleatória.

• Para que essa inferência seja possível é necessário introduzir hipóteses


suplementares (hipóteses de estacionaridade) acerca de Y(x) para diminuir o
número de parâmetros do qual a lei de distribuição de probabilidade de Y(X)
depende.

• Uma função aleatória estacionária se repete, de uma certa maneira, no espaço, e,


esta repetição torna possível a inferência estatística a partir de uma única
realização.

5
Uma variável regionalizada se caracteriza por:

• sua natureza (continua / categórica)

• seu domínio de extensão (campo)

• seu suporte, por exemplo:


sondagem HQ de 1m
unidade seletiva de explotação de 5m  5m  5m

A distribuição dos valores depende do suporte no qual se mede a variável


(efeito de suporte, que tem consequência na seletividade)

6
Exemplo: distribuição de teores de cobre num banco

suporte 1m × 1m suporte 5m × 5m suporte 25m × 25m

7
Notação Condensada

• Antes de estudar exemplo de variáveis regionalizadas mencionaremos que em


goestatística se utiliza a notação condensada . Um ponto no espaço é representado
pela letra x . Assim por exemplo o teor no ponto x se representa por z(x) pelo que
z(x0 pode significar:

 z(x) se o problema es unidimensional (1-D)


 z(x1, x2) se o problema es bidimensional (2-D)
 z(x1, x2, x3) se o problema es tridimensional (3-D)

8
Exemplos de Variáveis regionalizadas

1.- No espaço de uma dimensão, seja z(x) = teor de Cu ao longo da galeria

Canais

9
Exemplos de Variáveis regionalizadas

2.- Na dimensão tempo (uma dimensão t), preço do metal p(t).

2013

10
Exemplos de Variáveis regionalizadas

3.- No espaço de duas a dimensão seja z(x1,x2) = z(x) = espessura da mineralização


em um deposito de nitrato

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

Variável regionalizada não minera

13
Exemplos de Variáveis regionalizadas

6.- No espaço de três dimensões seja z(x1,x2 ,


X3) = z(x) = densidade de rocha em um ponto x
dentro do deposito mineral:

Densidades superficiais em ton/m³ na mina de


chuquicamata (a falha oeste delimita o minério do
estéril a qual fica representada pela mudança de
densidades)

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 :

Teores de arsênio numa bancada da


mina Los pelambre os dados
corresponde m a furos de perfuratriz
em bancadas de 15 metros ; Se trata
de uma variável muito irregular
concentrada em veios

15
Domínio e Suporte

• Domínio é a zona na qual se estuda a


variável regionalizada, para sua definição
adequada é necessário utilizar o modelo
geológico adequado

• Domínios diferentes que podem ser tratados


de maneira independente e correspondem a
unidades geológicas diferentes

• Deveriam ter um tratamento independente

16
Domínio e Suporte

• Suporte é o volume da amostra que define a variável


regionalizada normalmente é um cilindro chamado de
testemunho

• Então z(x) será o teor do volume da amostra localizado no


ponto x

• No estudo de VR não é conveniente misturar suportes de


tamanhos diferentes

• Quando os testemunhos são de tamanho irregular é


necessário fazer uma operação conhecida como
compositagem ou regularização

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.

 Em tanto maior o compósito, menos dispersos e menos erráticos os valores.

18
Compositagem (1)

• Ao fazer a compositagem, se supõe que os teores são uniformes em cada


testemunho inicial, para poder reconstituir o perfil de teores de cada sondagem.
• Aumentar o comprimento dos compósitos tem vários efeitos.
 reduz o número de dados
 diminui a dispersão dos valores (efeito de suporte):

• menos valores extremos, facilita o análises variográfico

• a longitude dos compósitos se escolhe geralmente em base a altura dos blocos


usados para modelar o depósito.

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

• Geralmente na estimação de recursos minerais convém utilizar variáveis


aditivas

• Uma VR é aditiva quando cumpre a seguinte condição

• Se conhece a variável z em dois suportes V1 e V2 com valores médios


respetivos Z1 e Z2 então o valor médio da variável Z em um suporte
homogeneizado V1 U V2 é igual a media ponderada de Z1 e Z2

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:

potencia, acumulação, teor (si quando o suporte é igual)

• contra-exemplos

razão de solubilidade, código de litologia

22
¿Qual é o teor médio da camada?

335  253  581  199  212  505  296  356  352 gr Au


m1   3.30
119  81  140  75  106  215  75  34  91 t

Sim levar em conta a espessura, se obteria:

1  335 253 581 199 212 505 296 356 352  gr Au


m2              3.93
9  119 81 140 75 106 215 75 34 91  t

23
Exemplo:

• A variável Índice de trabalho WI(x) (parâmetro de conminuição que expressa a resistência da


rocha a ser moída, em Kwh/ton0 não é aditiva . Sem embargo é muito importante dispor de
um modelo de WI na mina

Modelo del WI da
Mina Carmen de
Andacollo. Que
constituí uma parte
do chamado “modelo
geometalúrgico

24
Exemplo:

• Outros casos de variáveis não aditivas são recuperação metalúrgica ,


solubilidade
No caso de um veio a sondagem S determina
a espessura aparente p (e uma espessura
real P0) e um teor z . O teor z não é aditivo.

Neste caso temos que estudar duas variáveis


aditivas P0e a acumulação no ponto x
definida como o produto de teor pela
espessura

25
VARIÁVEIS REGIONALIZADAS

 Uma variável regionalizada se apresenta baixo


dois aspectos contraditórios ou
complementários

 Um aspecto aleatório (alta irregularidade e


variações imprevisíveis de um ponto a
outro)

 Um aspecto estruturado ( A VR deve


mostrar a sua maneira as características
estruturais de um fenômeno regionalizado)

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

F(u, z) | (n) = Prob[Z(u) ≤ z | (n)]


F(u, z) = Prob[Z(u) ≤ z]
O conjunto de V.A., {Z(u), u  A}, é uma Função Aleatória (F.A.) Z(u).

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.

Na geoestatística um caso de particular interesse de


A F.A. é a FDA bivariada de duas variáveis aleatórias.
z2(u+h)
h F(u, u+h; z1, z2) = Prob[Z(u) ≤ z1, Z(u+h) ≤ z2]
z1(u)

Momento da FDA bivariada: Covariância


C[Z(u),Z(u+h)] = E[Z(u).Z(u+h)] – E[Z(u)].E[Z(u+h)]

h é um vetor distância entre dois pontos.


Principais conceitos teóricos

O paradigma que se estabelece, para inferir as FDA e interpolar valores em


localizações não amostradas, é o de assumir a hipótese de estacionariedade.

• a estacionariedade é uma propriedade do modelo probabilístico, uma


hipótese necessária para realização de inferências;

• não é uma característica do fenômeno espacial em estudo;

• é uma decisão feita pelo analista, afim de verificar a adequação do modelo à


realidade a ser investigada.
Principais conceitos teóricos
Hipótese de estacionariedade estrita
Uma F.A. é dita ser estacionária no campo A se sua FDA multivariada é
invariante a qualquer translação l nas k coordenadas do vetor u (Goovaerts).

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

Considera somente o primeiro e o segundo momentos invariantes da F.A.

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

2) a covariância entre os pares Z(u) e Z(u + h), separados por um vetor


distância h, é estacionária.

C[Z(u), Z(u + h)] = z(u)

E[(Z(u).(Z(u + h)] - E[Z(u)].E[Z(u + h)],  u  A

z(u+h)
Principais conceitos teóricos
Hipótese de estacionariedade de 2a ordem

3) A estacionariedade da covariância implica a estacionariedade da


variância:

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), uA 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:

1) E[Z(u) - Z(u + h)]=0 ,  u  A.

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.

(h) = C(0) - C(h)


Desagrupamento – Introdução

A amostragem é dita preferencial quando a localização das amostras não é regular ou


aleatoriamente distribuída. Diversos fatores podem fazer com que sub-áreas sejam
preferencialmente amostradas, quais sejam:

• condições de acessibilidade. Áreas próximas a estradas ou fazendas são mais fáceis de


serem amostradas que terrenos acidentados ou de mata densa;

• valores de atributos esperados. A amostragem é frequentemente adensada em áreas que


são julgadas críticas, por exemplo, com altos teores ou grande concentração de metais;

• estratégia de amostragem. Amostras agrupadas podem ter sido coletadas para


caracterizar a variabilidade de curto alcance, para auxiliar na análise variográfica.

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.

Um procedimento para correção de amostragem preferencial, por exemplo, consiste


em reter unicamente os dados regularmente espaçados. Esse enfoque é apropriado
para bancos de dados que incluam quantidade suficiente de informações para
garantir confiabilidade para a inferência.

• 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.

• Intuitivamente, dados em áreas densamente amostradas poderiam receber menos peso


que aqueles em áreas esparsamente amostradas. Tal ponderação equivale ao
desagrupamento dos dados.

36
Métodos de desagrupamento

• Método da Poligonal (Polygonal Method)

Neste método de desagrupamento 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.

Polígono de influência da amostra.

37
• Método de Células Móveis (Cell Declustering Method)

Nesse método, 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.

Desagrupamento por células móveis.

38
Apresentação do problema (Estudo de caso)

O banco de dados Walker Lake (Isaaks &


Srivastava) de domínio público, é derivado de um
levantamento topográfico no estado de Nevada
(EUA).

O banco de dados exaustivo possui 78.000


dados regularmente distribuídos, do qual foram
extraídas 470 amostras representativas da área,
visando ilustrar o impacto do agrupamento
preferencial nas medidas de estatística
descritiva.

39
40
• Exaustivo • 470 amostras

Número de dados = 78.000 Número de dados = 470


Média = 277,98 Média = 436,46
Coef. de Var. = 0,90 Coef. de Var. = 0,69
41
• 470 amostras, com pesos de desagrupamento

Número de dados = 470


Média = 291,85
Coef. de Var. = 0,87

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.

Polígono de influência da amostra.


43
Construção dos
polígonos de influência

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.

Existem dois parâmetros chave do método:

• tamanho de célula;

• locação da célula no grid (origem e orientação).

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.

Quando o padrão de amostragem não sugere um tamanho natural de célula, vários


tamanhos e origens devem ser tentados. Salienta-se que, se as células são muito
pequenas, então cada amostra possivelmente cairá dentro de uma célula, logo todas as
amostras receberão o mesmo peso, ou seja, 1.

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

Esse método encontra-se implementado na


rotina declus do GSLIB. Para sua utilização
e definição das dimensões das células, os
seguintes parâmetros precisam ser
definidos:

• espaçamento médio entre amostras;

• dimensões da área de interesse.

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

• Para entender a variação espacial do processo aleatório deve-se considerar a possibilidade


de que o valor de cada ponto no espaço esta relacionado de algum modo, com valores
obtidos de pontos situados a certa distancia influenciara de forma maior ou menor

• 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

Variograma Covariancia Correlograma

relação entre as funções semivariograma e covariância

(h) = C(0) - C(h)


Variograma Teórico - Definição

É uma ferramenta que permite analisar o comportamento espacial de uma


propriedade o variável numa determinada zona

Exemplo:
Detectar direções de anisotropia

Zonas de influência e sua extensão (correlação espacial)

Variabilidade em função da distancia (h)

58
Variograma Teórico - 2(h)

O variograma é uma ferramenta básica de suporte às técnicas de


geoestatística, que permite representar quantitativamente a variação de um
fenômeno regionalizado no espaço (Huijbregts, 1975).

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.

2(h) = E{[z(u) - z(u  h)]2}

Através de um conjunto amostral, {z(u1), z(u2), ..., z(uN)}, o variograma pode ser estimado por:

N(h) 2^(h): é o estimador de variograma;


1 
2(h) = [ z(ui) - z(ui  h)]2 h: é o vetor distância (modulo e direção) entre pares de
N(h) i = 1 observação;
N(h): é o número de pares, z(ui) e z(ui  h), separados por h;
onde:
z(ui) e z(ui  h): são valores observados nos pontos ui e ui  h.
Semivariograma (h)

Definição: metade da esperança matemática (E) do quadrado da diferença


entre os valores de pontos no espaço separados pelo vetor distância h.

(h) =1 E{[z(u) - z(u  h)]2}


2

Através de um conjunto amostral, {z(u1), z(u2), ..., z(uN)}, o semivariograma


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)

Cálculo do semivariograma a partir de amostras regularmente espaçadas.


1km N(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

vetor distância h S 180


o

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)

Semivariograma direcional => tolerância angular < 90o

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

Calcule o variograma ao longo de cada furo para h < 5.


RESULTADO

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

i. Calcular o variograma experimental para amostras espaçadas de 1m, 2m, 3m, 4m e 5 m.

ii. Gerar o gráfico.


h N(h) (h)

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

50 51.11 50.81 50.78

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

X Y Teor Mapa de localização

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

i. Cálculo das distâncias entre amostras:


Amostra 12 Amostra 22 Amostra 7 Amostra 15

d 12; 22  1.1 d 22; 7  2.2 d 7;15  1.8 d 15; 4  1.1


d 12; 7  3.3 d 22;15  3.1 d 7 ; 4  2 .2 d 15;32  2.7
d 12;15  3.5 d 22; 4  4.0 d 7;32  3.5 d 15; 28  3.2
d 12; 4  4.6 d 22;32  5.5 d 7; 28  4.0 d 15;35  4.5
d 12;32  6.2 d 22; 28  6.0 d 7;35  5.7
d 12; 28  6.7 d 22;35  7.5
d 12;35  8.0
Amostra 4 Amostra 32 Amostra 28

d 4;32  1.6 d 32; 28  0.5 d 28;35  1.8


d 4; 28  2.0 d 32;35  2.2
d 4;35  3.5
Resolução
i. Cálculo da função variograma para cada distância: 1 N
FÓRMULA:  ( h)   i
2 N i 1
( z ( x ) - z ( xi  h )) 2

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

400 1.6; 392 5.7; 392

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:

Apresente os cálculos para


cada h (os quatro
primeiros), bem
como o gráfico h x γ(h).
Resolução

Direção NS 44 - 42 2  42 - 37 2  37 - 352  35 - 36 2  


 
36 - 38  37 - 38  38 - 35  35 - 37   
2 2 2 2

(40 - 43) 2  (43 - 37) 2  (36 - 35) 2  (42 - 42) 2  


 
(42 - 35)  (35 - 35)  (35 - 35)  (40 - 39)  
2 2 2 2

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 - 352  37 - 36 2  35 - 382  
 
37 - 35  38 - 37   40 - 37   42 - 35  
2 2 2 2

(42 - 35) 2  (35 - 35) 2  (37 - 36) 2  (40 - 38) 2  


1  
 (200)   (39 - 37)  (38 - 34)  (37 - 30)  (39 - 37)   
2 2 2 2

2  27  
(37 - 33)  (39 - 38)  (37 - 37)  (41 - 36)  
2 2 2 2

(37 - 32) 2  (36 - 29) 2  (36 - 33) 2  (40 - 35) 2  


 
(33 - 29)  (35 - 30)  (34 - 28)
2 2 2

1
 (200)   525  9.72
54
Resolução

Direção NS

44 - 352  42 - 36 2  37 - 382  37 - 37 2  


 
43 - 36   37 - 35  42 - 35  42 - 35  
2 2 2 2

1 (40 - 37) 2  (39 - 34) 2  (38 - 30) 2  (39 - 38) 2  


 (300)   
2  21 (39 - 33)  (37 - 36)  (41 - 32)  (37 - 29)  
2 2 2 2

 
(36 - 35)  (40 - 29)  (33 - 30)  (38 - 28)  
2 2 2 2

(34 - 32) 2 
 
1
 (300)   785  18.69
42
Resolução
Direção NS

44 - 36 2  42 - 38 2  40 - 36 2  43 - 35 2  


 
42 - 35   40 - 34   39 - 30   ( 39 - 33 )  
2 2 2 2
1
 ( 400 )   
 
2  13 ( 37 - 32 )2  ( 41 - 29 )2  ( 36 - 29 )2  ( 40 - 30 )2 
 
( 38 - 32 )2 

 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

(39 - 41) 2  (41 - 40) 2  (40 - 38) 2  (37 - 37) 2  


 
(37 - 37)  (37 - 35)  (35 - 38)  (38 - 37)  
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

(39 - 41) 2  (39 - 40) 2  (41 - 38) 2  (37 - 37) 2  


 
(37 - 35)  (37 - 38)  (35 - 37)  (38 - 37)  
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

44 - 42 2  40 - 39 2  42 - 37 2  40 - 36 2  


 
42 - 42   43 - 39  42 - 41  39 - 40   
2 2 2 2

(39 - 38) 2  (37 - 35) 2  (37 - 38) 2  (37 - 37) 2  


1  
 (300)   (35 - 37)  (38 - 33)  (37 - 34)  (35 - 35)   
2 2 2 2

2  27  
(38 - 37)  (35 - 36)  (37 - 35)  (36 - 35)  
2 2 2 2

(35 - 34) 2  (36 - 33) 2  (35 - 32) 2  (34 - 29) 2  


 
(33 - 28)  (37 - 30)  (30 - 30)
2 2 2

1
 (300)   233  4.31
54
Resolução
Direção EW

44 - 40 2  40 - 37 2  42 - 36 2  42 - 39 2  


 
43 - 41  42 - 40   39 - 38  37 - 38  
2 2 2 2

1 (37 - 37) 2  (37 - 37) 2  (35 - 33) 2  (38 - 34) 2  


 (400)   
2  23 (35 - 37) 2  (38 - 38) 2  (35 - 35) 2  (36 - 34) 2  
 
(35 - 33)  (36 - 32)  (35 - 29)  (34 - 28)  
2 2 2 2

(38 - 30) 2  (35 - 29) 2  (30 - 32) 2 


 
1
 (400)   304  6.6
46
Variograma na direção NS

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

Vamos considerar novamente a área


de lixiviação utilizada nos exercícios
iniciais de estatística básica e a
terceira campanha de amostragem.
Calcule os variogramas experimentais
ao longo de X e Y, e gere o gráfico.
• Use lag ≤ 60m.
Variograma

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

 h  E [Z (u) - Z (u  h)] 2


1
2
1
 ( h) 
*

2 N h 
 ( z (ui ) - z (u j )) 2
xi - x j  h
Variograma

Distancia Variograma Distancia

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:

Valor do lag h n*h < | D | / 2

Valor de  y  h: Distancia médio entre os pontos

A partir do variogram cloud


A partir do variograma onidirecional

: Se escolhe como a direção de anisotropia da variável. Se pode


obter a partir de:
Informação geológica, petrofísica, etc

Mapa de variograma

95
Variograma Experimental-lag

Lag h muito grande


0 1.2 2.4 2.8 4.9

Lag h pequeno, n muy grande


0 1.2 2.4 2.8 4.9

Lag h adequado, valor de n ?

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 :

É una ferramenta que permite determinar as direções de anisotropia da variável em estudo

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 :

Geralmente quando o variograma experimental é calculado em distintas direções apresenta


distintos comportamentos com a variação da distancia.

Anisotropia Geométrica

Anisotropia Zonal

Anisotropia Híbrida

103
Anisotropia

• Os modelos de variogramas elementares são todos isótropos.

• Direções preferenciais são as direções de maior e menor variabilidade.

• Direções preferenciais de anisotropia são ortogonais.

• Não necessariamente coincidem com as direções do sistema tri-ortogonal de coordenadas.

• O efeito de pepita é considerado isotrópo.

• A anisotropia é considerada levando-se em conta:


- um vetor distância em um sistema de coordenadas rotacionado para coincidir com o sistema de
direções preferenciais.
- calculando uma distância “corrigida” utilizando-se fatores ou razões de anisotropia , que são razões
entre amplitudes dos variogramas nas direções preferenciais.

104
Anisotropía Geométrica
Anisotropía Geométrica :

É aquela na qual o variograma em diferentes 3


direções apresenta o mesmo sill mais alcances
diferentes 2,5

2
Maior continuidade espacial na direção de

Variograma
maior alcance 1,5 N-S
E-O
1

Menor continuidade espacial na direção 0,5

de menor range ou amplitude


0
0,0 0,9 2,0 3,0 4,1 5,1 6,2 7,2 8,3 9,3 10,4 11,4

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

Modelos de variograma teóricos mais comuns:

Modelo Efeito Pepita Puro

Modelo Esférico

Modelo Exponencial

Modelo Gaussiano

Modelo Cúbico

Modelo Seno Cardinal

Modelo Potencia

113
Modelo Efecto Pepita Puro 0 si h  0
  h   

  s si h  0

Este modelo representa a un


fenómeno completamente aleatorio, en S

el cual no hay correlación espacial

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

O modelo de covariância esférico corresponde ao volume da interseção de duas esferas de


diâmetro Iguais a e separadas de h.

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 h0
 h   
C h0

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)

As estruturas imbricadas são gerais, podendo comportar estruturas elementares isótropas ou


anisótropas de qualquer tipo.

 ( h)  
C0   1( h )   2 ( h12  h22  h32 )   3 ( h3 )


 
 

Efeito isotropa geometrica zonal
de
pepita
Sugestões para o Ajustamento de variogramas

Clayton V. Deutsch dá as seguintes sugestões para se construir um modelo global ajustado


“legítimo” para todas as direções:

•Adotar um único ( o mais baixo) efeito de pepita isotrópico.

•Escolher o mesmo número de estruturas de variogramas para todas as


direções baseado na direçào mais complicada.

•Assegurar que o mesmo’patamar seja usado para todas as estruturas de variogramas em todas
as direções.

•Condiderar o uso de amplitude diferente para diferentes direções.

•Modelar a anisotropia zonal usando uma amplitude muito grande em uma ou mais das direções
preferenciais.
Exemplo de um caso complicado *

* Retirado de curso da Universidade de Alberta (Canadá)


Exemplo de um caso complicado *

 h   0.1  0.2  sphav8  0.1  sphav8  0.4  sphav8  0.2  sphav8


ah10 ah10 ah1400 ah1
ah20 ah2200 ah2200 ah2

* Retirado de curso da Universidade de Alberta (Canadá)


Exemplo de um caso complicado *

* Retirado de curso da Universidade de Alberta (Canadá)


Nuvens de auto-correlação V(x) vs V(x+h) para diferentes
distâncias h na direção vertical
VARIOGRAMA EXPERIMENTAL

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)

O variograma é uma medida a dispersão da nuvem de pontos Z(x)


vs Z(x+h) em torno da primeira bissetriz.

O variograma é o momento de inércia da nuvem de pontos em


torno da primeira bissetriz.
AJUSTE DO VARIOGRAMA EXPERIMENTAL

Оценить