Uso de interpoladores não lineares na modelagem da média local em krigagem simples com médias locais.

Abstract

A estimativa de teores em depósitos minerais constitui uma etapa fundamental para a caracterização geológica e para o planejamento das atividades de lavra. Nesse cenário, a geoestatística oferece ferramentas para a modelagem da continuidade espacial e para a estimativa mais consistente de teores. O presente trabalho teve por objetivo analisar o uso de interpoladores não lineares na modelagem da média local em krigagem simples com médias locais (SKLM), um método geoestatístico que busca estimar uma variável primária por meio da krigagem dos resíduos em relação a uma média local previamente modelada. Dessa forma, o uso de interpoladores não lineares visa contribuir para a estimativa de uma variável primária a partir de sua relação com uma variável secundária. Para isso, foram empregados modelos de regressão linear, Random Forest e Redes Neurais Artificiais na representação da média local, seguidos da aplicação do método geoestatístico para estimativa dos resíduos e composição das estimativas finais. A análise considerou o comportamento espacial dos dados, a continuidade representada por variogramas e o desempenho dos modelos com base em métricas de validação, como RMSE (raiz do erro quadrático médio), MAE (erro médio absoluto) e R2 (coeficiente de determinação). Os resultados indicaram que os interpoladores não lineares apresentaram potencial por capturar relações mais complexas e, essa conclusão foi evidenciada pelo resultado das métricas de validação: o método de regressão linear teve como resultados RMSE = 0,3947, MAE = 0,2821 e R² = 0,7369; Random Forest com RMSE = 0,3592, MAE = 0,2572 e R² = 0,7821 e Redes Neurais com resultados RMSE = 0,3641, MAE = 0,2667 e R² = 0,7760. O Random Forest demonstrou maior capacidade de representar a média local e, consequentemente, entregar melhores estimativas finais, o que mostra a capacidade dos nterpoladores não lineares em contribuir para o aprimoramento do método SKLM em problemas relacionados a geoestatística multivariada.