No abstract

A Geoestatística é um ramo da estatística responsável pela incorporação e entendimento das dependências espaciais na modelagem de variáveis georreferenciadas. Na busca pelo melhor modelo ajustado, tem-se o desafio de desenvolver e dominar um ferramental que permita a análise-e quantificação-da variabilidade espacial do fenômeno em estudo, por meio de modelagens específicas. Para isso, é comum fazer uso de medidas de correlação espacial como covariância, correlação e, especialmente, semivariância, uma medida resumo da variabilidade e dependência espacial. É então essencial um bom ajuste do semivariograma, e um estimador adequado para a semivariância é necessário para este ajuste. Uma vez que a maioria dos métodos de estimação em Geoestatística e algoritmos de simulação requerem um modelo teórico ajustado a uma semivariância empírica, objetivou-se expor as construções, deduções e a ideia geral que determina a adequabilidade dos principais estimadores de semivariância a fim de divulgar estimadores ainda pouco utilizados pelos pesquisadores. Portanto, este artigo apresenta uma revisão de oito estimadores de semivariância: o estimador clássico de Matheron, Robusto de Cressie e Hawkins, das Medianas de Cressie, de Pairwise, New-1 (MW1) e New-2 (MW2), das Diferenças de Haslett e o estimador Altamente Robusto de Genton.

No abstract

No abstract

Massive data collection has been carried out in both information gathering and decision making in real-time. Due to the nature of the data type (spatial or spatio-temporal), treatment and interpolation become essential steps in this process. In this context, computer systems capable of generating thematic maps are used, through the interpolation of the sample data, to measure information for nonsampled locations. An important aspect is the choice of the interpolation method to be used since most of the interpolators do not preserve the original data, thus affecting the thematic map generated. This work aims to propose different alternatives to solve the problem proposed by Jhon Deere.