Questões centrais em diversas áreas do conhecimento como ciências ambientais, geologia, agronomia, dentre outras, envolvem a compreensão da distribuição espacial de processos a partir de dados espacialmente referenciados. Os interesses de pesquisa podem estar na descrição espacial de duas ou mais variáveis e, desta forma, tem-se dois ou mais atributos para modelar. Modelos multivariados são propostos para o estudo se há evidências e/ou explicações contextuais de que os processos não são independentes. Diferentes modelos propostos na literatura foram avaliados e comparados ao modelo Matérn multivariado, recentemente proposto na literatura. Foram considerados o modelo linear de corregionalização, o modelo bivariado gaussiano de componente comum e um modelo bayesiano de regressão espacial. Estes modelos foram ajustados e utilizados para predição espacial geoestatística (krigagem) em um conjunto de dados com duas variáveis climáticas no qual uma parte dos dados foi separada para avaliação das predições. Além disso, foi realizado um estudo de simulação para avaliar a estimação e predição sob o modelo Matérn multivariado. / Key issues in a diversity of subject areas such as environmental sciences, geology, agronomy, among other, require the understanding of the spatial distribution of natural processes from spatially referenced data. Research interests may include the spatial description of two or more variables and therefore, there are tow or more attributes to be modeled. Multivariate models are adopted when there is evidence and/or contextual explanations the two processes are not independent. Different models presented in the literature are assessed and compared to the recently introduced multivariate Matérn model. The linear model of corregionalization, the bivariate Gaussian common component model and a bayesian spatial reression model were considered. The models were fitted and used for geostatistical spatial prediction (kriging) for a pair of weather related variables with part of the data used only for comparing the predicions. Additionally a simulation study assessed estimation and prediction under the multivariate Matérn model.

Questões centrais em diversas áreas do conhecimento como ciências ambientais, geologia, agronomia, dentre outras, envolvem a compreensão da distribuição espacial de processos a partir de dados espacialmente referenciados. Os interesses de pesquisa podem estar na descrição espacial de duas ou mais variáveis e, desta forma, tem-se dois ou mais atributos para modelar. Modelos multivariados são propostos para o estudo se há evidências e/ou explicações contextuais de que os processos não são independentes. Diferentes modelos propostos na literatura foram avaliados e comparados ao modelo Matérn multivariado, recentemente proposto na literatura. Foram considerados o modelo linear de corregionalização, o modelo bivariado gaussiano de componente comum e um modelo bayesiano de regressão espacial. Estes modelos foram ajustados e utilizados para predição espacial geoestatística (krigagem) em um conjunto de dados com duas variáveis climáticas no qual uma parte dos dados foi separada para avaliação das predições. Além disso, foi realizado um estudo de simulação para avaliar a estimação e predição sob o modelo Matérn multivariado. / Key issues in a diversity of subject areas such as environmental sciences, geology, agronomy, among other, require the understanding of the spatial distribution of natural processes from spatially referenced data. Research interests may include the spatial description of two or more variables and therefore, there are tow or more attributes to be modeled. Multivariate models are adopted when there is evidence and/or contextual explanations the two processes are not independent. Different models presented in the literature are assessed and compared to the recently introduced multivariate Matérn model. The linear model of corregionalization, the bivariate Gaussian common component model and a bayesian spatial reression model were considered. The models were fitted and used for geostatistical spatial prediction (kriging) for a pair of weather related variables with part of the data used only for comparing the predicions. Additionally a simulation study assessed estimation and prediction under the multivariate Matérn model.

Essa dissertação é um trabalho na área de geoestatística aplicada à avaliação de recursos minerais. Esta aplicação pode ser considerada o passo anterior à avaliação das reservas minerais. Os conceitos básicos são fundamentados na geoestatística atual, com amplo uso de recursos de informática. O objetivo principal foi de testar a técnica da krigagem com deriva externa na avaliação de recursos minerais, principalmente no que tange o ganho de resultado com a utilização de mais de uma variável, ou seja, verificar se o uso de variáveis auxiliares pode ser feito de maneira amigável com bom custo/benefício. Foram escolhidos dois depósitos, com geologias distintas entre si, um depósito de metal base com minério saprolítico e outro depósito de calcário. Em cada um foram selecionadas duas variáveis, uma variável principal e outra secundária, no depósito laterítico as variáveis foram \'SiO IND.2\' e Fe e no depósito de calcário as variáveis foram CaO e \'SiO IND.2\'. Foi elaborada a modelagem tridimensional dos depósitos no programa Datamine. Os modelos foram transferidos para o programa Isatis e serviram como base para a estimativa das variáveis. Essa modelagem foi necessária para que se pudesse dar aos blocos estimados a geometria do corpo do minério. A estimativa por krigagem com deriva externa foi comparada à krigagem ordinária, essa comparação serviu para mensurar as diferenças em relação a um método tradicional amplamente usado e divulgado com outro pouco utilizado, ou mesmo difundido. Os resultados mostraram pequenas diferenças entre os blocos estimados por krigagem com deriva externa e por krigagem ordinária. Porém como na mineração podem ocorrer situações de sub-amostragem, por diversos fatores, pode-se afirmar que a krigagem com deriva externa é uma alternativa válida, pois demanda menos esforço na estimativa multivariada do que, por exemplo, a cokrigagem ordinária. / This dissertation is a work on applied geostatistics to evaluation of mineral resources. This application can be considered as the last step to such the task. The basic concepts are based on current geostatistics, with extensive use of informatics resources. The first goal of this work was to test the technique named kriging with external drift in the evaluation of mineral resources, concerning to the resulting gain in the use of more than one variable, mainly whether the use of auxiliary variables con be done in a friendly way. Two deposits were chosen with different geology, a deposit of base metal saprolitic ore and another deposit of limestone. In each deposit two variables were selected, the principal and secondary variable, at lateritic deposit variables were respectively \'SiO IND.2\' and Fe and at the deposit of limestone were CaO and \'SiO IND.2\'. The three-dimensional modeling of the deposits was made in the software Datamine. The models were transferred to the software Isatis and used as the base for interpolate variables. This model was necessary in the way to print in the estimated blocks the geometry of the ore body. Estimates by kriging with external drift was compared to ordinary kriging, ones this comparison was done to measure the differences between a traditional method widely used to another underutilized, or even non widespread. Results showed minor differences between the blocks estimated by bolth methods. But as in mining sub-sampling can occur from several factors, one can say that the kriging with external drift is a reliable alternative since it requires less effort to perform multivariate estimation than those, for example, to perform the ordinary cokriging.

Essa dissertação é um trabalho na área de geoestatística aplicada à avaliação de recursos minerais. Esta aplicação pode ser considerada o passo anterior à avaliação das reservas minerais. Os conceitos básicos são fundamentados na geoestatística atual, com amplo uso de recursos de informática. O objetivo principal foi de testar a técnica da krigagem com deriva externa na avaliação de recursos minerais, principalmente no que tange o ganho de resultado com a utilização de mais de uma variável, ou seja, verificar se o uso de variáveis auxiliares pode ser feito de maneira amigável com bom custo/benefício. Foram escolhidos dois depósitos, com geologias distintas entre si, um depósito de metal base com minério saprolítico e outro depósito de calcário. Em cada um foram selecionadas duas variáveis, uma variável principal e outra secundária, no depósito laterítico as variáveis foram \'SiO IND.2\' e Fe e no depósito de calcário as variáveis foram CaO e \'SiO IND.2\'. Foi elaborada a modelagem tridimensional dos depósitos no programa Datamine. Os modelos foram transferidos para o programa Isatis e serviram como base para a estimativa das variáveis. Essa modelagem foi necessária para que se pudesse dar aos blocos estimados a geometria do corpo do minério. A estimativa por krigagem com deriva externa foi comparada à krigagem ordinária, essa comparação serviu para mensurar as diferenças em relação a um método tradicional amplamente usado e divulgado com outro pouco utilizado, ou mesmo difundido. Os resultados mostraram pequenas diferenças entre os blocos estimados por krigagem com deriva externa e por krigagem ordinária. Porém como na mineração podem ocorrer situações de sub-amostragem, por diversos fatores, pode-se afirmar que a krigagem com deriva externa é uma alternativa válida, pois demanda menos esforço na estimativa multivariada do que, por exemplo, a cokrigagem ordinária. / This dissertation is a work on applied geostatistics to evaluation of mineral resources. This application can be considered as the last step to such the task. The basic concepts are based on current geostatistics, with extensive use of informatics resources. The first goal of this work was to test the technique named kriging with external drift in the evaluation of mineral resources, concerning to the resulting gain in the use of more than one variable, mainly whether the use of auxiliary variables con be done in a friendly way. Two deposits were chosen with different geology, a deposit of base metal saprolitic ore and another deposit of limestone. In each deposit two variables were selected, the principal and secondary variable, at lateritic deposit variables were respectively \'SiO IND.2\' and Fe and at the deposit of limestone were CaO and \'SiO IND.2\'. The three-dimensional modeling of the deposits was made in the software Datamine. The models were transferred to the software Isatis and used as the base for interpolate variables. This model was necessary in the way to print in the estimated blocks the geometry of the ore body. Estimates by kriging with external drift was compared to ordinary kriging, ones this comparison was done to measure the differences between a traditional method widely used to another underutilized, or even non widespread. Results showed minor differences between the blocks estimated by bolth methods. But as in mining sub-sampling can occur from several factors, one can say that the kriging with external drift is a reliable alternative since it requires less effort to perform multivariate estimation than those, for example, to perform the ordinary cokriging.

Esta dissertação de mestrado apresenta os resultados de uma investigação sobre os métodos de co-estimativa comumente utilizados em geoestatística. Estes métodos são: cokrigagem ordinária; cokrigagem colocalizada e krigagem com deriva externa. Além disso, a krigagem ordinária foi considerada apenas a título de ilustração como esse método trabalha quando a variável primária estiver pobremente amostrada. Como sabemos, os métodos de co-estimativa dependem de uma variável secundária amostrada sobre o domínio a ser estimado. Adicionalmente, esta variável deveria apresentar correlação linear com a variável principal ou variável primária. Geralmente, a variável primária é pobremente amostrada enquanto a variável secundária é conhecida sobre todo o domínio a ser estimado. Por exemplo, em exploração petrolífera, a variável primária é a porosidade medida em amostras de rocha retiradas de testemunhos e a variável secundária é a amplitude sísmica derivada de processamento de dados de reflexão sísmica. É importante mencionar que a variável primária e a variável secundária devem apresentar algum grau de correlação. Contudo, nós não sabemos como eles funcionam dependendo do grau de correlação. Esta é a questão. Assim, testamos os métodos de co-estimativa para vários conjuntos de dados apresentando diferentes graus de correlação. Na verdade, esses conjuntos de dados foram gerados em computador baseado em algoritmos de transformação de dados. Cinco valores de correlação foram considerados neste estudo: 0,993, 0,870, 0,752, 0,588 e 0,461. A cokrigagem colocalizada foi o melhor método entre todos testados. Este método tem um filtro interno que é aplicado no cálculo do peso da variável secundária, que por sua vez depende do coeficiente de correlação. De fato, quanto maior o coeficiente de correlação, maior é o peso da variável secundária. Então isso significa que este método funciona mesmo quando o coeficiente de correlação entre a variável primária e a variável secundária é baixo. Este é o resultado mais impressionante desta pesquisa. / This master dissertation presents the results of a survey into co-estimation methods commonly used in geostatistics. These methods are ordinary cokriging, collocated cokriging and kriging with an external drift. Besides that ordinary kriging was considered just to illustrate how it does work when the primary variable is poorly sampled. As we know co-estimation methods depend on a secondary variable sampled over the estimation domain. Moreover, this secondary variable should present linear correlation with the main variable or primary variable. Usually the primary variable is poorly sampled whereas the secondary variable is known over the estimation domain. For instance in oil exploration the primary variable is porosity as measured on rock samples gathered from drill holes and the secondary variable is seismic amplitude derived from processing seismic reflection data. It is important to mention that primary and secondary variables must present some degree of correlation. However, we do not know how they work depending on the correlation coefficient. That is the question. Thus, we have tested co-estimation methods for several data sets presenting different degrees of correlation. Actually, these data sets were generated in computer based on some data transform algorithms. Five correlation values have been considered in this study: 0.993; 0.870; 0.752; 0.588 and 0.461. Collocated simple cokriging was the best method among all tested. This method has an internal filter applied to compute the weight for the secondary variable, which in its turn depends on the correlation coefficient. In fact, the greater the correlation coefficient the greater the weight of secondary variable is. Then it means this method works even when the correlation coefficient between primary and secondary variables is low. This is the most impressive result that came out from this research.

Esta dissertação de mestrado apresenta os resultados de uma investigação sobre os métodos de co-estimativa comumente utilizados em geoestatística. Estes métodos são: cokrigagem ordinária; cokrigagem colocalizada e krigagem com deriva externa. Além disso, a krigagem ordinária foi considerada apenas a título de ilustração como esse método trabalha quando a variável primária estiver pobremente amostrada. Como sabemos, os métodos de co-estimativa dependem de uma variável secundária amostrada sobre o domínio a ser estimado. Adicionalmente, esta variável deveria apresentar correlação linear com a variável principal ou variável primária. Geralmente, a variável primária é pobremente amostrada enquanto a variável secundária é conhecida sobre todo o domínio a ser estimado. Por exemplo, em exploração petrolífera, a variável primária é a porosidade medida em amostras de rocha retiradas de testemunhos e a variável secundária é a amplitude sísmica derivada de processamento de dados de reflexão sísmica. É importante mencionar que a variável primária e a variável secundária devem apresentar algum grau de correlação. Contudo, nós não sabemos como eles funcionam dependendo do grau de correlação. Esta é a questão. Assim, testamos os métodos de co-estimativa para vários conjuntos de dados apresentando diferentes graus de correlação. Na verdade, esses conjuntos de dados foram gerados em computador baseado em algoritmos de transformação de dados. Cinco valores de correlação foram considerados neste estudo: 0,993, 0,870, 0,752, 0,588 e 0,461. A cokrigagem colocalizada foi o melhor método entre todos testados. Este método tem um filtro interno que é aplicado no cálculo do peso da variável secundária, que por sua vez depende do coeficiente de correlação. De fato, quanto maior o coeficiente de correlação, maior é o peso da variável secundária. Então isso significa que este método funciona mesmo quando o coeficiente de correlação entre a variável primária e a variável secundária é baixo. Este é o resultado mais impressionante desta pesquisa. / This master dissertation presents the results of a survey into co-estimation methods commonly used in geostatistics. These methods are ordinary cokriging, collocated cokriging and kriging with an external drift. Besides that ordinary kriging was considered just to illustrate how it does work when the primary variable is poorly sampled. As we know co-estimation methods depend on a secondary variable sampled over the estimation domain. Moreover, this secondary variable should present linear correlation with the main variable or primary variable. Usually the primary variable is poorly sampled whereas the secondary variable is known over the estimation domain. For instance in oil exploration the primary variable is porosity as measured on rock samples gathered from drill holes and the secondary variable is seismic amplitude derived from processing seismic reflection data. It is important to mention that primary and secondary variables must present some degree of correlation. However, we do not know how they work depending on the correlation coefficient. That is the question. Thus, we have tested co-estimation methods for several data sets presenting different degrees of correlation. Actually, these data sets were generated in computer based on some data transform algorithms. Five correlation values have been considered in this study: 0.993; 0.870; 0.752; 0.588 and 0.461. Collocated simple cokriging was the best method among all tested. This method has an internal filter applied to compute the weight for the secondary variable, which in its turn depends on the correlation coefficient. In fact, the greater the correlation coefficient the greater the weight of secondary variable is. Then it means this method works even when the correlation coefficient between primary and secondary variables is low. This is the most impressive result that came out from this research.