Lição 28 - Geoestatística no R: ajuste do variograma experimental com GeoR - Variograma experimental no R
em , ,

Geoestatística no R – Lição 28: Ajuste do Variograma Experimetal com geoR

Variograma Experimental no R – Como ajustar usando o geoR

Neste tutorial, vamos ilustrar o ajuste do variograma experimental omnidirecional que já foi ensinado na lição anterior. A biblioteca geoR usa a função variofit, ajuste automático, para a estimativa dos parâmetros do variograma. Posteriormente, também será usada a função lines.variomodel no ajuste do variograma experimental de todas as variáveis ​​numéricas do banco de dados jura.pred.

 

Lines.variomodel

Esta função é um dos métodos utilizados no tutorial para ajustar a variograma experimental. A seguir, há um quadro onde são especificados os argumentos que a função propõe:

lines.variomodel(x, cov.model, cov.pars, nugget, kappa, max.dist, scaled = FALSE, ...)

cov.model: o modelo do variogram já visto na lição 24.

cov.pars: um vetor concatenado com os valores dos parâmetros da variogrma experimental (patamar, amplitude)

nugget:  Efeito pepita ou Nugget do variograma experimental.

 

v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 3,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(12.8,1.1), nugget = 1, max.dist = 3, lwd =2,col=12, lty = 2)

 

Variância espacial x distância

 

variofit

A função variofit é o nosso segundo método para ajustar o variograma. A seguir, há uma tabela de argumentos válidos para o uso do variofit.

variofit(vario, ini.cov.pars, cov.model, fix.nugget = FALSE, nugget = 0, fix.kappa = TRUE, kappa = 0.5, simul.number = NULL, max.dist = vario$max.dist, weights, minimisation.function, limits = pars.limits(), messages, ...)

 

fix.nugget: se o valor for estimado, fix.nugget = FALSE; se o valor for fixo, fix.nugget = VERDADEIRO

ini.cov.pars: valores iniciais (patamar, amplitude)

 

v=variog(geo, max.dist = 3, option='bin') ges= variofit(v, cov.model="sph", ini.cov.pars=c(12.8,1.1), fix.nugget=F, nugget=1,wei="cressie") plot(v, col = "dodgerblue",pch=20,xlab = "Distância",ylab = "Variância espacial", main = 'geoR') lines(ges, col='firebrick3')

Variância espacial x Distância

 

Em seguida observamos o cálculo do variograma experimental das demais variáveis dos dados jura.pred e seu respectivo ajuste. A função que usamos é lines.variomodel. A função variofit será deixada para que o usuário praticar o ajuste do variograma.

 

#variável Pb (chumbo) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(329,0.7), nugget =535, max.dist = 3, lwd =2,col=12, lty = 2)
#VariávelPb (Chumbo)

 

#variável Cr (Crômio) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") #legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(103.1,0.5), nugget =20, max.dist = 3, lwd =2,col=12, lty = 2)
#VariávelCr (Crômio)

 

#variável Cu (Cobre) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(250,0.5), nugget =180, max.dist = 3, lwd =2,col=12, lty = 2)
#VariávelCu (Cobre)

 

 #variável Ni (Níquel) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(73,1), nugget =2, max.dist = 3, lwd =2,col=12, lty = 2)
#VariávelNi (Níquel)

 

#variável Cd (Cádmio) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(0.3,1), nugget =0.5, max.dist = 3, lwd = 3)
#VariávelCd (Cádmio)

 

#variável Zn (Zinco) v=variog(geo, max.dist = 3, option='bin') plot(v, pch=20, col = "brown3", lwd = 5,xlab = "Distância",ylab = "Variância espacial") legend("topleft", legend="omnidirecional",bg = "gray90") lines.variomodel(cov.model = "sph", cov.pars = c(392,0.7), nugget =385, max.dist = 3, lwd =2,col=12, lty = 2)
#VariávelZn (Zinco)

 

 

Variograma omnidirecional 1

 

Variograma omnidirecional 2

 

Variograma omnidirecional 3

 

Variograma omnidirecional 5

 

 

Aprenda mais sobre Geoestatística com a Geokrigagem:

GEO 101 Geoestatística: Fundamentos e Aplicações, curso presencial na Geokrigagem, São Paulo
Curso presencial com desconto para professores, alunos e associados da SEG.

 

Série de tutoriais: Geoestatística no R – veja a lista

Lição 1 – Como instalar o R

Lição 2 – Objetos e estruturas

Lição 3 – Leitura e gravação de dados

Lição 4 – Estrutura gráfica em R

Lição 5 – Uso dos gráficos no R

Lição 6 – Paleta de cores

Lição 7 – Análises descritivas dos dados

Lição 8 – Distribuições discretas

Lição 9 – Distribuições contínuas

Lição 10 – Regressão linear

Lição 11 – ggplot2 (histograma)

Lição 12 – ggplot2 (boxplot)

Lição 13 – ggplot2 (scatterplot)

Lição 14 – ggplot2 (qq-plot)

Lição 15 – ggplot2 (série temporal)

Lição 16 – ggplot2 (diagrama de área)

Lição 17 – ggplot2 (diagrama circular)

Lição 18 – Pacote sp

Lição 19 – Pacote raster

Lição 20 – Amostragens

Lição 21 – Variograma

Lição 22 – Fenômeno isotrópico

Lição  23 – Modelos teóricos de variogramas

Lição 24 – Fenômeno isotrópico ou anisotrópico?

Lição 25 – Ajuste do variograma experimental com anisotropia

Lição 26 – Ajuste do variograma experimental omnidirecional

Lição 27 – Pacote GeoR

•Lição 28 – Ajuste do variograma experimental com GeoR

Lição 29 – eyefit e vario4 do pacote GeoR

Lição 30 – Design dos dados

Lição 31 – Função gridded

Lição 32 – Validação cruzada

Lição 33 – Krigagem ordinária

Avatar

Escrito por Kamila Simoe

Comentários

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Carregando...

0

Retrospectiva da Geoestatística II: Teoria das Variáveis Regionalizadas e Suas Aplicações

Retrospectiva da geoestatística, resenha de livro Advanced Geostatistics in the Mining Industry, M. Guarascio, M. David, C. Huijbregts

Retrospectiva da Geoestatística III: Geoestatística Avançada na Indústria Mineral (Guarascio et al. 1976)