Avaliação de metodologias de interpolação espacial para dados geofísicos de espessura crustal do Brasil

Abstract

A utilização de metodologias de interpolação espacial de dados está se tornando cada vez mais frequente nas análises geofísicas, em função de que, atualmente, diversos softwares já contêm diversos desses métodos, permitindo análises mais detalhadas. No presente trabalho avaliam-se oito métodos de interpolação espacial, para dados de espessura crustal, provenientes de função do receptor, sísmica e gravimetria, das províncias tectônicas do Brasil, com intuito de confeccionar uma mapa da Moho para essas regiões. Os métodos utlizados foram IDW, Natural Neighbor, Spline, Kriging, Radial Basis Function, Local Polynomial Interpolation, Global Polynomial Interpolation e Topo to Raster. Foram compilados 776 dados de espessura crustal sendo 281 dentro do limite do território brasileiro, os demais foram utilizados para minimizar os erros de borda gerados durante o processo de interpolação. Os dados foram processados através das ferramentas de interpolação localizadas no Spatial Analyst Tools e Geostatistical Wizard do programa ARCGIS 10. Para validação dos modelos foi utilizada a técnica de reamostragem denominada Jackknife, a qual foi de suma importância para normalização dos valores mínimos e máximos calculados e corroborando com a obtenção dos resíduos gerados no processo. Para comparação entre os modelos foram utilizados seis critérios estatísticos, nos quais os modelos Kriging, Topo to Raster e Global Polynomial Interpolation apresentaram os melhores resultados. Os modelos obtidos pelos métodos Spline, Radial Basis Function não honraram os dados de entrada. Já os modelos IDW, Natural Neighbor e Global Polynomial Interpolation geraram anomalias não condizentes com as características físicas da crosta, enquanto o Local Polynomial Interpolation gerou um modelo suave suprimindo informações importantes sobre a crosta. Dentre os mod to Raster foram elos analisados o kriging e o Topoos que melhor fizeram. Com a publicação de novos dados de espessura crustal para o Brasil, modelos poderão ser gerados de forma rápida, prática e eficiente. _________________________________________________________________________ ABSTRACT

The use of methods for data spatial interpolation is becoming increasingly common in geophysical analyses, because of that, currently, many softwares already contain many of these methods, allowing a more detailed analysis. In this paper, we evaluate eight methods of spatial interpolation for data of crustal thickness from Receiver Function, seismic and gravity data of Brazil’s tectonic provinces, aiming to prepare a map of the Moho for these regions. The methods used were IDW, Natural Neighbor, Spline, Kriging, Radial Basis Function, Local Polynomial Interpolation, Global Polynomial Interpolation and Topo to Raster. There were 776 crustal thickness data compiled with 281 being within the limits of the Brazilian territory, the rest were used to minimize errors edge generated during the interpolation process. The data were processed through the interpolation tools located in the Spatial Analyst Tools and Geostatistical Wizard of the ARCGIS 10 program. For model validation a resampling technique was used, denominated Jackknife, which was of prime importance to standardize the minimum and maximum calculated values and corroborating with the waste generated attainment in the process. To compare the models six statistical criteria were used, in which Kriging , Topo to Raster and Global Polynomial Interpolation models showed the best results. The models obtained by Spline Radial Basis Function methods did not honour the input data. However, IDW, Natural Neighbor and Global Polynomial Interpolation models generated inconsistent anomalies with the physical characteristics of the crust, while Local Polynomial Interpolation reproduced a smooth model suppressing important information about the crust. Among the analysed models, kriging and Top Raster were the best ones . With the publication of new data of crustal thickness for Brazil, models can be generated in a quickly, more practical and efficient way.