Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

5. INTERPOLAÇÃO ESPACIAL

5.1 Introdução

A interpolação espacial é o procedimento para estimar o valor de

propriedades em locais não amostrados dentro de uma área coberta por
observações existentes (Waters, 1989). Existe uma grande variedade de
técnicas de interpolação espacial. Você já deve estar familiarizado com
algumas dessas técnicas, por exemplo, contorno. Outros, como os polígonos
de Theisse, os triângulos de Delaunay e as médias móveis espaciais,
provavelmente não serão novos. Muitas das técnicas de interpolação mais
complexas, como a krigagem e a análise de Fourier, requerem uma
compreensão abrangente de estatística espacial, matemática e, em alguns
casos, envolvem a resolução de equações simultâneas interligadas. Não entrar
em pânico! O objetivo principal desta seção é explicar os conceitos que
sustentam o processo de interpolação. Você será apresentado, em detalhes,
apenas às técnicas de interpolação que provavelmente encontrará em
softwares GIS disponíveis comercialmente. Quando for introduzida uma
técnica mais complexa, serão fornecidas referências adicionais para orientá-lo
para uma discussão mais detalhada e prática da abordagem. Uma boa visão
geral da interpolação espacial pode ser encontrada em Burrough e McDonnell
(1998) e em Lam (1983).

5.2 O que queremos dizer com interpolação espacial?

A definição de Waters (1989), fornecida na primeira frase da seção

acima, é um bom ponto de partida para explorar o que se entende
por interpolação espacial. Outra definição afirma mais
explicitamente a natureza geográfica do problema:

1
 “Dado um conjunto de dados espaciais na forma de
pontos discretos ou para subáreas, encontre a função
que melhor representará toda a superfície e que irá
prever valores em pontos ou para outras
subáreas.” (Lam, 1983)

Do ponto de vista do SIG (e para aqueles que nunca se depararam com o

termo antes), é útil dissecar essas definições e traduzi-las para a linguagem
dos atributos e entidades introduzidas. Modelagem de Dados Espaciaise
Teoria de Banco de Dados. Vamos supor que você tenha um GIS que
contenha a localização de um conjunto de estações meteorológicas
representadas como uma série de entidades pontuais. Para cada estação
meteorológica, uma série de informações de atributos é registrada
regularmente. Um atributo observado para cada estação é a velocidade média
diária do vento. Suponhamos agora que um novo aeroporto esteja planejado
para a região. Você já teria utilizado uma variedade de operações espaciais
descritas nas Seções 2 e 3 deste módulo para identificar uma série de locais
potenciais para o aeroporto. A questão que ainda permanece é: qual destes
locais tem as condições de vento mais favoráveis? O problema é que nenhum
dos possíveis locais de aeroporto que você selecionou contém ou é adjacente
a uma estação meteorológica. Mesmo que uma das estações meteorológicas
esteja no meio de um dos seus locais preferidos, os valores de vento
disponíveis são para uma fonte pontual e podem não ser representativos das
condições do vento em todo o local.

Com este exemplo de aeroporto em mente, vamos reconsiderar a definição de

interpolação dada por Waters (1989):

“Interpolação espacial é o procedimento de

estimativa de valores de propriedades...”

Vamos substituir a palavra 'propriedades' por 'atributos'. No nosso exemplo, o

atributo que nos interessa é a velocidade média diária do vento.

“em locais não amostrados...”

2
Isto indica que temos uma referência espacial que nos permite localizar a
posição do nosso aeroporto e também infere que temos um modelo espacial
conceptual, neste caso uma entidade de área que representa o potencial local
do aeroporto.

“dentro da área...”

Isso infere que temos uma região geográfica de interesse ou estudo na qual
devemos realizar nossa interpolação. O termo 'área' implica que a nossa área de
estudo terá um conjunto de limites. Em certos casos, estas fronteiras podem ser
físicas, por exemplo, a costa da Grã-Bretanha. Por outro lado, as nossas
fronteiras podem ser políticas, tais como fronteiras administrativas. Um dos
problemas com todas as técnicas de interpolação é o que fazer com os limites
porque, embora raramente nos preocupemos com o que acontece fora da nossa
área de interesse, deveríamos estar preocupados com a forma como as
propriedades do “mundo exterior” influenciam o nosso processo de interpolação.
Infelizmente, em muitos casos simplesmente fechamos os olhos. Revisitaremos a
questão dos limites em relação às técnicas de interpolação individuais um pouco
mais adiante nesta seção.

“coberto por observações existentes.”

Isto implica que temos outro conjunto de características espaciais (no caso das nossas
estações meteorológicas de exemplo) para as quais temos um conjunto conhecido de valores
de atributos, aqui significa a velocidade diária do vento.

Portanto, na linguagem do SIG, o problema é quais procedimentos de interpolação

espacial são projetados para abordar como estimar os valores dos atributos para um
conjunto de entidades espaciais a partir daqueles para um segundo conjunto de
entidades espaciais (que podem ou não ser do mesmo tipo) para o qual existe um
conjunto de valores de atributos observados. Ou, no caso deste exemplo, como fazer
a “melhor estimativa” de qual será provavelmente a velocidade do vento em cada um
dos nossos potenciais aeroportos.

3
Se voltarmos à definição de Lam (1983) são introduzidos mais dois conceitos. Estes
sãoFeunçãoeSuperfície. A declaração de Lam sobre o problema da interpolação
sublinha que antes de podermos estimar o valor para os nossos locais
aeroportuários, devemos primeiro derivar uma superfície espacial dos nossos pontos
de dados conhecidos (estações meteorológicas). Esta superfície deve ser definida
pela natureza da relação (função) que existe entre os nossos pontos de dados
observados. Num contexto espacial esta função é geralmente baseada na
observação de que:

" pontos(ou entidades espaciais)próximos uns dos outros no espaço

têm maior probabilidade de ter valores semelhantes do que pontos
(entidades)distantes”
(Lei da Geografia de Tobler; Tobler, 1976).

Outras relações espaciais podem ser previstas, por exemplo, sequências repetidas nas
quais valores semelhantes são encontrados para pontos apenas em intervalos regulares
e não para pontos intermediários. No entanto, pensa-se que a grande maioria dos
fenómenos está em conformidade com a “lei” de Tobler.

Esta “lei” deixa aberta uma riqueza de possibilidades para a natureza exacta
da função. Se os pontos próximos têm valores semelhantes, precisamos
considerar o quão diferentes eles podem ser e como a dissimilaridade é uma
função da distância. Nossas funções podem ser simples ou complexas,
sensíveis ou insensíveis à distância e a outros fatores. O mapeamento destas
funções produz superfícies em duas dimensões. São estas superfícies que têm
de ser “ajustadas” às observações empíricas para que as estimativas sejam
feitas em locais onde os valores são desconhecidos. Vale lembrar que com tais
superfícies, como na sobreposição de mapas, existem sérios problemas de
erros nos processos de ajuste e estimativa.

Portanto, para resumir, o processo de interpolação espacial envolve: -

1. Estabelecer o tipo de entidade espacial para a qual os dados de atributos observados estão
disponíveis.

4
2. Estabelecer o tipo de entidade espacial para a qual deseja estimar os valores
dos atributos.

3. Estabelecer a escala de medição da informação observada Por

exemplo, é ordinal, razão etc.? (Consulte a Seção 3, Quadro 2 deste
módulo para lembrar o que isso significa.).

4. Determinar o quanto se sabe sobre o comportamento espacial do atributo

observado que você está tentando interpolar.

5. Estabelecer o relacionamento entre os locais para os quais você observou

valores de atributos e selecionar uma técnica de interpolação apropriada. Em
praticamente todos os casos, isso resultará na escolha de uma função
matemática que ajuste uma superfície às entidades espaciais para as quais
você possui dados.

6. Extrair da sua superfície interpolada, se necessário, o 'melhor valor estimado' para

uma entidade do mesmo tipo ou de tipo diferente em um novo local onde os
dados do mundo real não estão disponíveis.

O processo de interpolação, descrito acima, também foi resumido na

Figura 5.1 abaixo.

5
Figura 5.1: Uma visão geral conceitual do processo de interpolação espacial

5.3. Por que a interpolação espacial é importante em GIS?

As técnicas de interpolação espacial têm ampla aplicação na construção de

projetos e aplicação de um SIG. Isto ocorre porque raramente temos a sorte
de ter acesso a todos os dados necessários para cada localização na nossa
área de estudo. É muito mais provável que tenhamos disponíveis dados
parciais e, muitas vezes, irregulares. A Figura 5.2 apresenta uma visão
conceitual das situações mais comuns nas quais os projetistas de GIS se
encontrarão em relação à disponibilidade de dados (a figura faz referência a
um conjunto de dados pontuais a título de exemplo).

6
Figura 5.2: Quatro visões diferentes da disponibilidade de dados no mundo real

A função básica da interpolação em SIG é preencher os dados faltantes nas áreas

onde as observações do mundo real não estão disponíveis. No ca da Figura 5.2,
estes são os espaços em branco ou regiões entre os pontos de dados. A questão
importante sobre a interpolação, do ponto de vista do projeto, é que qualquer
camada de mapa que criarmos por meio deste processo conterá

7
informações que são apenas uma representação do que acreditamos ser
verdade. É muito fácil esquecer isso à medida que integramos e sobrepomos
dados no ambiente GIS. Portanto, a compreensão da qualidade de um mapa
ou de quaisquer dados derivados de um conjunto de operações GIS depende
da sua apreciação das limitações das técnicas que você selecionou para gerar
os dados de saída.

O campo da interpolação espacial é uma área de interesse atual de

pesquisa. Muitas das técnicas descritas abaixo foram adotadas a partir de
métodos unidimensionais originalmente desenvolvidos para a análise de
dados de séries temporais. Estão sendo realizadas pesquisas sobre
métodos e problemas de transferência desses métodos para dados
bidimensionais com diferentes escalas, distribuições de amostragem e
propriedades temporais. Actualmente, poucos, ou nenhum, dos SIG
comerciais no mercado terão sequer 50% das técnicas descritas abaixo
como parte da sua caixa de ferramentas GIS. Muitas dessas técnicas
ausentes aparecerão gradualmente na próxima geração de GIS, portanto,
fique de olhos e ouvidos abertos!

Exercício Contínuo de Autoavaliação 12

(tempo: 20 minutos)

Escolha dois exemplos de aplicações GIS com as quais você esteja familiarizado. Podem
ser provenientes do seu trabalho, de exemplos fornecidos com o Diploma ou de qualquer
leitura adicional que você possa ter feito. Faça uma lista de todas as instâncias em que
você acha que foi necessário utilizar uma técnica de interpolação para gerar uma nova
camada de dados. Indique em que consistia a camada de dados original (por exemplo,
pontos de amostragem de vegetação), qual era a nova camada de dados produzida (por
exemplo, zonas de vegetação) e quais eram os tipos de entidade envolvidos (por exemplo,
ponto para área).

8
A lista de possíveis usos de técnicas de interpolação em SIG é vasta.
Waters (1989) fornece a seguinte lista de usos potenciais:

z para fornecer contornos para exibir dados graficamente

z para calcular alguma propriedade da superfície em um determinado ponto
z para alterar a unidade de comparação ao usar diferentes modelos de
dados em diferentes camadas
z para auxiliar no processo de tomada de decisão espacial tanto na
geografia física e humana como em disciplinas relacionadas, como
prospecção de minas e exploração de recursos

Um dos métodos mais comuns utilizados para classificar os diversos

métodos de interpolação é agrupá-los de acordo com as entidades
espaciais nas quais podem operar; pontos, linhas ou áreas. Esta
abordagem será usada para estruturar a discussão que se segue.

5.4. Métodos de interpolação de pontos

Os métodos de interpolação de pontos podem ser categorizados em vários

títulos diferentes:

z locais ou globais
z exato ou aproximado
z gradual ou abrupto
z determinístico ou estocástico.

Um método de interpolação individual se ajustará a várias dessas categorias,

por exemplo, pode ser local, exato, abrupto e determinístico (como polígonos
de Theissen). Antes de podermos esperar que você reconheça que tipo de
método de interpolação está usando, é melhor examinarmos as ideias por
trás da terminologia.

9
5.4.1 Local ou global

Os termos local e global descrevem como uma técnica de interpolação utiliza os

dados observados coletados para um conjunto de pontos de amostragem
geograficamente dispersos. As técnicas de interpolação global aplicam uma única
função a todos os pontos de uma área de estudo. Nesses casos, como indica
Water (1989), uma mudança em um valor observado afetaria todo o processo de
interpolação. Os interpoladores globais tendem a produzir uma superfície com
poucas mudanças abruptas, porque, em geral, empregam o princípio da média.
Isto reduz a influência de valores extremos. Tais métodos são mais apropriados
quando se sabe que a superfície que está sendo modelada tem uma tendência
geral (por exemplo, pode-se saber que a ocorrência de um poluente diminui
proporcionalmente à distância de uma fonte).

Onde há pouco ou nenhum conhecimento sobre a tendência geral na superfície

que você está tentando modelar, os interpoladores locais são mais apropriados.
As técnicas de interpolação local aplicam a mesma função repetidamente a uma
pequena porção do conjunto total de pontos amostrais para os quais os dados
foram observados. Em seguida, uma superfície é construída vinculando essas
observações regionais.

A Figura 5.3 ilustra a distinção entre métodos de interpolação locais e globais.

Uma analogia útil é pensar nos interpoladores globais como um telescópio
onde tudo o que você deseja observar está presente no campo de visão e nos
interpoladores locais como um microscópio onde você constrói uma imagem
completa observando cada parte por vez.

Uma questão debatida na literatura é quando uma técnica de interpolação

loca deixa de ser local e se torna global? Esta é uma questão interessante já
que, em teoria, a vizinhança dos pontos utilizados num procedimento de
interpolação local poderia ser estendida para cobrir toda a área de estudo.
Para nossos propósitos, consideraremos um interpolador local para b

10
qualquer técnica que faça mais de uma passagem sobre o da antes de
construir uma superfície. Exemplos de técnicas de interpolação local que
revisaremos nas seções seguintes incluem polígonos de Theissen, triângulos
de Delaunay, médias móveis e krigagem. Os interpoladores Globa a serem
considerados incluem threading de linha, análise de superfície de tendência e
análise de Fourier.

Figura 5.3: Interpoladores globais e locais

11
5.4.2 Exato ou aproximado

As técnicas de interpolação exata devem respeitar todos os pontos para os quais

os dados observados estão disponíveis. Eles são mais apropriados quando há um
alto grau de certeza associado às medições. A altitude, por exemplo, é
normalmente conhecida com um elevado grau de certeza. Você não gostaria de
usar uma técnica de interpolação que não respeitasse um valor de altitude
observado, mas em vez disso o substituísse por uma aproximação suave. Os
interpoladores aproximados, por outro lado, não precisam respeitar todos os
pontos para os quais os dados observados estão disponíveis. Essas técnicas são
mais apropriadas quando há alguma incerteza sobre a capacidade de reproduzir
o valor observado em um determinado ponto amostral. A Figura 5.4 mostra uma
superfície que foi ajustada a um conjunto de pontos usando ambas as técnicas.
Observe como a superfície produzida pelo interpolador aproximado não respeita
todos os pontos de dados.

Figura 5.4: Duas superfícies produzidas por interpoladores exatos e aproximados

12
Exemplos de técnicas de interpolação exata discutidas posteriormente incluem;
rosqueamento lin, polígonos de Theissen e krigagem. Exemplos de interpoladores
aproximados incluem médias móveis espaciais, análise de superfície de tendência e uma
variedade de operações de filtragem usadas em sensoriamento remoto.

5.4.3. Gradual ou abrupto

Os interpoladores graduais ou abruptos distinguem-se pela continuidade da

superfície que produzem. As técnicas de interpolação gradual produzirão uma
superfície lisa com mudanças graduais ocorrendo entre os pontos de dados
observados. Interpoladores abruptos produzirão uma superfície com
aparência escalonada. Um exemplo de método de interpolação abrupta é o
buffer, que você viu em uma seção anterior. Outra técnica a ser introduzida
posteriormente são os polígonos de Theissen. Isto define territórios discretos
associados a pontos específicos. Waters (1989) sugere que pode ser
necessário incluir barreiras num processo de interpolação gradual, caso em
que um interpolador abrupto é apropriado. Na modelagem de terreno, por
exemplo, você pode querer representar a presença de um penhasco ou na
modelagem climática a presença de uma frente climática. Para tais
características, deve haver uma função ste definível que possa ser usada com
uma superfície gradual.

5.4.4. Determinístico ou estocástico

A situação mais desejável quando confrontado com a interpolação de novos

valores de um conjunto de dados conhecido é onde há conhecimento
suficiente sobre o fenômeno para permitir que seu comportamento seja
descrito por uma função matemática. Isso é conhecido como modelagem
determinística. A Figura 5.5 mostra como o conhecimento das leis da física e
as medições da velocidade real permitiriam o cálculo, a partir de sete pontos
amostrais, da trajetória de uma bola quicando.

13
Figura 5.5: Um modelo determinístico da trajetória de uma bola quicando

Além disso, a modelagem determinística permite a extrapolação além do alcance

do nosso conjunto de dados amostrais. No entanto, isso só é possível se o
contexto dos valores dos dados for compreendido. Infelizmente, poucos
fenómenos geográficos são compreendidos com detalhes suficientes ou
obedecem a regras tão precisas que permitam uma abordagem determinística à
interpolação ou extrapolação. Há muita incerteza sobre o que acontece em locais
não amostrados. Para lidar com este problema, modelos estocásticos são
frequentemente usados. Os modelos estocásticos incorporam o conceito de
aleatoriedade, sugerindo que a superfície interpolada, a linha do ponto ou os
valores são apenas um de um número infinito que pode ter sido produzido a
partir dos pontos de dados conhecidos. A Figura 5.6 mostra uma série de
trajetórias aleatórias para a nossa bola quicando, todas as quais poderiam, em
teoria, ocorrer se o comportamento da nossa bola fosse considerado aleatório. A
análise de superfície de tendência de krigagem e a análise de Fourier são técnicas
que assumem algum grau de comportamento aleatório nos dados observados.

14
Figura 5.6: Duas trajetórias aleatórias possíveis para a bola quicando

O restante desta discussão sobre técnicas de interpolação se concentrará

nos métodos que você provavelmente encontrará em GIS. A discussão se
concentrará na interpolação de dados de atributos associados a feições de
ponto, linha e área. Para a discussão dos métodos de interpolação de
pontos, foi feita uma distinção clara entre métodos exatos e aproximados.

15
Exercício Contínuo de Autoavaliação 13

(tempo: 30 minutos)

Na discussão acima, introduzimos uma série de conceitos, termos e técnicas

que temos certeza que serão novos para muitos de vocês.

Até agora temos: -

interpolador local
interpolador global
interpolador exato
interpolador aproximado
interpolador gradual
interpolador abrupto
interpolador determinístico
interpolador estocástico
polígonos de Theissen
krigagem
Análise de Fourier
análise de superfície de tendência
média móvel
encadeamento de linha

Antes de prosseguir, sugerimos que você risque da lista aqueles que você
entende. Mantenha a lista à mão enquanto avança nas seções a seguir e
risque os termos e conceitos à medida que são explicados.

16
5.5 Métodos de interpolação de ponto exato

5.5.1 Enfiamento de linha ou olhal

Este é o método original, e ainda considerado por alguns como o melhor, de

interpolar uma superfície a partir de um conjunto de dados observados. O
processo envolve traçar uma linha, a olho nu, entre pontos de dados com o
objetivo de delimitar pontos de valor semelhante. Na maioria dos casos, a pessoa
que realiza o encadeamento utilizará o seu conhecimento local sobre a área
geográfica e o seu conhecimento científico sobre o fenómeno que está a estudar
para melhorar o processo de interpolação. Por exemplo, no mapeamento
geológico, a presença ou ausência de uma falha geológica pode ser conhecida
pelo geólogo, mas não evidente no conjunto de dados amostrados. O geólogo
pode ser capaz de incorporar esse conhecimento especializado no processo de
interpolação, onde o não especialista poderia ser incapaz de fazer isso.

Três limitações básicas da abordagem de rosqueamento manual de linha

levaram à informatização do método. Estes são:

z o problema de lidar com um grande número de

z pontos, a natureza subjetiva do procedimento e a
z natureza demorada do processo.

Existem agora muitos métodos automatizados de threading de linha que executam a

tarefa com vários graus de inteligência. Ao longo dos últimos anos, técnicas de
engenharia do conhecimento têm sido utilizadas para capturar o conhecimento de
“especialistas locais” e construir sistemas especialistas para este tipo de interpolação.

17
Exercício Contínuo de Autoavaliação 14

(tempo: 45 minutos)

Use a técnica de rosqueamento de linha manual ou eye balling para interpolar uma
superfície para o conjunto de dados de ponto na Figura 5.7. Use um intervalo de 10
unidades para produzir um mapa de contorno. Não jogue fora este diagrama, pois você o
usará novamente mais tarde. Para verificar o quão bom é o seu olhar, compare seu mapa
com a figura abaixo do botão 'Respostas SAE'. Não se preocupe se a sua superfície
interpolada não corresponder exatamente à nossa. A abordagem de enfiamento de linha
é muito subjetiva e embora as principais tendências das linhas que você enfiou devam
corresponder às nossas, é certo que a localização exata das linhas será diferente.

Figura 5.7: Valores observados para um conjunto de pontos espaçados irregularmente

18
5.5.2 Polígonos de Theissen

Os polígonos de Theissen são um método exato de interpolação que assume que

os valores desconhecidos dos pontos em uma superfície são iguais ao valor do
ponto conhecido mais próximo. Isto pode ser considerado um interpolador loca
porque as características do conjunto de dados global não têm influência no
processo de interpolação. A técnica do polígono de Theissen foi originalmente
usada para calcular estimativas de área a partir de dados de precipitação. A
abordagem está representada graficamente na Figura 5.8 e envolve espalhar o
território associado a um ponto até que o limite associado ao território de um
ponto vizinho seja encontrado. Se você quiser, pode imaginar uma bolha sendo
soprada para fora de cada ponto simultaneamente até que se encontrem. Onde
eles se encontram, o limite das áreas interpoladas é traçado. Se os pontos de
dados estiverem espaçados irregularmente, resultará uma superfície composta
por um mosaico de polígonos irregulares. O valor do atributo de cada ponto é
então adotado pelo seu polígono associado.

Figura 5.8: Construção de polígonos de Theissen para uma rede de cinco pontos

19
O método dos polígonos de Theissen é uma técnica robusta e sempre
produzirá a mesma superfície a partir do mesmo conjunto de pontos de
dados. Esta é uma desvantagem porque a técnica é pouco inteligente e
incapaz de responder ao conhecimento externo sobre factores que podem
influenciar os valores registados nos pontos de dados observados. Um dos
usos mais comuns desta técnica é a geração de territórios de área a partir
de um conjunto de pontos. Por exemplo, no Reino Unido, o menor nível de
regiões administrativas do censo é o Distrito de Enumeração (ED). Para
cada ED, um centróide geográfico (uma localização de coordenadas (x,y)) é
registrado. O limite preciso de cada ED pode ser capturado digitalizando o
limite do polígono apropriado. No entanto, um limite aproximado pode ser
gerado usando o método do polígono de Theissen para interpolar a área
de influência associada a cada centróide ED. O polígono de área produzido
não representará com precisão o verdadeiro limite da área administrativa,
mas poderá ser suficiente para a apresentação gráfica dos dados.

20
Exercício Contínuo de Autoavaliação 15

(tempo: 2 horas)

Para os dados pontuais definidos na Figura 5.7, gere uma superfície usando a
abordagem do polígono de Theissen. Isto não é tão fácil quanto pode parecer!
Trabalhe com lápis e borracha para poder mudar de ideia sobre onde deve ficar o
limite entre pares de pontos à medida que avança. Uma dica: comece com os
pontos no limite e trabalhe em direção aos pontos no centro do conjunto de
dados. Quando você achar que resolveu o problema (ou se estiver tendo
problemas), você pode comparar sua resposta com a nossa no botão 'Respostas
SAE'.

Quando você tiver concluído seu mosaico de polígonos de Theissen, atribua o

atributo observado associado a cada ponto de dados ao território circundante.
Agora, utilizando o mesmo intervalo de classificação de 10 unidades do exercício
anterior, produza um novo mapa removendo as linhas de fronteira entre os
territórios dos pontos que se enquadram na mesma faixa de classificação. Em
seguida, use cores diferentes ou alguma forma de sombreamento graduado para
distinguir entre as áreas (para verificar se você está nas linhas corretas, você deve
comparar seu mapa com nosso exemplo no botão 'Respostas SAE'). Compare este
mapa com aquele que você produziu usando a abordagem de segmentação. Que
semelhanças e diferenças você nota entre as duas imagens?

O que a sua comparação dos dois mapas deve revelar é que ambos os
mapas têm uma semelhança aproximada. A maior discrepância ocorre nos
limites entre os intervalos das aulas e na periferia da área de estudo.

5.5.3 A Rede Irregular Triangulada (TIN)

Você já conheceu o modelo de rede irregular triangular (TIN) emModelagem

de Dados Espaciais. Desenvolvido no início da década de 1970, o TIN é uma
maneira simples de construir uma superfície a partir de um conjunto de
pontos conhecidos. É uma técnica particularmente útil para

21
pontos espaçados. A abordagem TIN é um método de interpolação exato. No
modelo TIN, os pontos de dados conhecidos são conectados por linhas para
formar uma série de triângulos. A Figura 5.9 mostra um modelo TIN para um
conjunto de 10 pontos Como o valor em cada nó do triângulo é conhecido e a
distância entre os nós pode ser calculada, uma equação linear simples c pode ser
usada para calcular um valor interpolado para qualquer posição dentro do limite
do NIF.

Figura 5.9: Um NIF simples para um conjunto de 10 pontos

Para construir isolinhas de contorno a partir de um modelo TIN você deve

primeiro escolher um intervalo de contorno. Em seguida, identifique todos os
arcos que seriam dissecados por um contorno de determinado valor. Para fazer
isso, o computador deve comparar os valores dos pontos que constituem os nós
de um triângulo particular. Por exemplo, na Figura 5.9 acima, 9 dos 19 arcos
poderiam ser dissecados por um valor de 100. A próxima etapa seria para o

22
computador para calcular as coordenadas (x, y) do ponto de interseção
Finalmente, as interseções são unidas (ver Figura 5.10). Como você pode ver
na Figura 5.10, um dos problemas na produção de contornos a partir do
modelo TIN é o caráter angular das isolinhas produzidas. Para superar isso,
alguns modelos TIN representam a superfície em cada triângulo usando uma
função matemática não linear escolhida para garantir que esta isolinha mude
continuamente, não abruptamente, na borda do triângulo. O modelo TIN
também é usado para gerar modelos digitais de terreno, que consideraremos
na próxima seção deste módulo.

Figura 5.10: Contornando um NIF

O que deve ficar aparente é que as isolinhas produzidas a partir do método TIN são
muito mais angulares do que aquelas produzidas ao passar manualmente uma linha
através dos pontos de dados. Além disso, no modelo TIN é comum interpolar uma
superfície apenas dentro do que é conhecido como “casco” do

23
o conjunto de dados. O casco é definido como a área delimitada pelos arcos que unem os
pontos de amostragem que estão na periferia do conjunto de dados.

5.5.4 Krigagem

A krigagem, também conhecida como “Teoria das variáveis regionalizadas”, foi

desenvolvida por G. Matherson e DG Krigge como um método ideal de
interpolação para uso na indústria de mineração. Burrough (1986) observa que
as origens do método residem no reconhecimento de que a variação espacial de
muitas propriedades geográficas é demasiado irregular para ser modelada por
uma função matemática suave.

A base da krigagem reside na estimativa da taxa média na qual a diferença

entre os valores nos pontos muda com a distância entre os pontos. Este é o
mais complexo de todos os métodos de interpolação exata e até
recentemente estava ausente de praticamente todos os softwares GIS
disponíveis comercialmente. Encontrou ampla aplicação nas ciências da terra
e ambientais, como a geologia, onde é essencial respeitar os pontos de dados
conhecidos e levar em consideração a variabilidade local. A natureza
complexa da técnica e os pré-requisitos em termos de conhecimento
estatístico que são necessários para compreender a sua aplicação são
demasiado detalhados para que possamos prosseguir aqui. Se você estiver
interessado em aprender mais sobre krigagem, um relato abrangente e
legível é fornecido em Oliver e Webster (1990).

5.6 Métodos de interpolação de pontos aproximados

Técnicas de interpolação aproximada são aplicáveis quando há

incerteza associada à reprodução dos valores medidos para os pontos
de dados observados, mas onde se sabe que há tendências globais
sobrepostas por flutuações locais (Waters, 1989). As técnicas de
interpolação aproximada, portanto, empregam técnicas de suavização
que reduzem os efeitos da variabilidade local na superfície interpolada.

24
Uma característica importante de todas as técnicas de interpolação de pontos
aproximados é que a superfície que está sendo interpolada não precisa passar pelos
pontos de dados conhecidos.

5.6.1 Média móvel espacial

O método mais comum usado em GIS é a Média Móvel Espacial. Este

processo envolve o cálculo de um novo valor para cada local conhecido
com base em um intervalo de valores associados a pontos vizinhos. O novo
valor normalmente será uma média ou uma média ponderada dos pontos
dentro de uma vizinhança predefinida. Em alguns livros você descobrirá
que eles usam o termo “janela móvel”.

A aplicação de uma média móvel envolve a tomada de uma série de decisões

sobre a forma, o tamanho e o caráter da vizinhança em torno de um poi. A
forma mais comum para uma vizinhança é um círculo, uma vez que pontos
em todas as direções têm chances iguais de cair dentro do raio de um ponto.
dado ponto. No entanto, no mundo raster, uma janela quadrada ou
retangular de células é frequentemente usada. O tamanho da vizinhança é
determinado pelo usuário e geralmente é baseado em suposições sobre a
distância sobre a qual a variabilidade local nos dados é importante.

Uma função de ponderação que pode ser usada para aprimorar a

técnica é a distância dos pontos do centro da vizinhança. Por exemplo,
um ponto que está a apenas 100m de distância pode ser considerado
duas vezes mais importante que outro ponto a 200m de distância. Isso é
descrito como ponderação linear. Também é possível ter um peso não
linear onde os pontos mais próximos do centro da vizinhança são
considerados duas ou duas ordens de grandeza mais importantes do
que aqueles próximos à borda da vizinhança. O número de valores
usados no cálculo também é importante. Burrough (1986), por
exemplo, sugere que a média móvel espacial deve usar entre 4 e 12
pontos de dados, sendo a norma entre 6 e 8. Incluir muitos pontos cria

25
superfície muito lisa, resultando em um único valor médio para toda a área de
estudo. Por outro lado, poucos pontos podem resultar em pontos individuais
com valores extremos dominando a superfície interpolada.

Uma vez construído um modelo matemático para descrever as

características da vizinhança, o próximo estágio é calcular um valor fino
para cada um dos pontos de dados conhecidos. A Figura 5.11 resume esse
processo para uma vizinhança na qual cada ponto tem peso igual.

Figura 5.11: Calculando uma média móvel espacial no mundo vetorial raster

26
Exercício Contínuo de Autoavaliação 16

(tempo: 1 hora e meia)

Use a técnica de média móvel espacial descrita acima para calcular novos
valores para os locais de amostragem na Figura 5.7. Para este exercício você
precisará procurar, pedir emprestado ou comprar uma bússola. Ou, se você
for esperto, invente um com um pedaço de barbante e um alfinete! Defina
suas bússolas para um raio de 3 cm e centralize-as em cada um dos pontos
de amostra e use-as para identificar a vizinhança de um determinado ponto.
Antes de começar, certifique-se de ter uma cópia separada da Figura 5.7 em
mãos. Para cada ponto, calcule um novo valor a partir da média de todos os
pontos da vizinhança. Use este valor para substituir o valor original
observado na Figura 5.8. Você pode verificar como está comparando seus
novos valores para os pontos de dados de amostra com as respostas no
botão 'Respostas SAE'.

Agora use o método TIN descrito na Seção 5.5.3 para produzir um mapa de
contorno para a nova superfície. Compare esta superfície com aquela
produzida usando as abordagens TIN e threading de linha. Que diferenças
você nota?

O problema básico das técnicas de média móvel espacial é o número de

variações que existem. É, portanto, altamente provável que as funções de
média móvel espacial disponíveis em um GIS proprietário produzam
resultados significativamente diferentes daqueles de outro GIS. Isso ocorre
porque diferentes sistemas permitirão selecionar diferentes modelos de
decaimento de distância, selecionar o número de pontos usados no modelo
e aplicar diferentes procedimentos para lidar com os pontos que ficam na
borda de uma vizinhança. Além disso, no mundo raster, é mais comum que a
vizinhança seja definida como um grupo de células (geralmente 9 em
comparação com a vizinhança circular usada no mundo vetorial. Esses
problemas não surgem se você tiver um entendimento completo do

27
os fenômenos que você está tentando interpolar porque você pode
projetar uma janela móvel 'perfeita'.

A abordagem da média móvel espacial é mais adequada para situações em

que: -

1- as observações não são consideradas representações exatas de uma

superfície verdadeira, mas sim observações singulares dentro de uma
amostra estatística
2 - onde as técnicas de medição usadas para medir valores em locais
discretos na superfície verdadeira são conhecidas por estarem
sujeitas a erros
3- onde se sabe que a superfície verdadeira exibe um padrão geral
dentro do qual existe variabilidade local

Os exemplos incluem dados demográficos, respostas a pesquisas ou

questionários e observações de monitoramento da poluição. Uma média
móvel espacial produzirá uma superfície que suprime valores individuais e
revela estruturas amplas nos dados. A natureza dessas estruturas depende
até certo ponto do tamanho do filtro e das ponderações, que você determina
com base nos objetivos conhecidos da análise.

5.6.2 Análise de superfície de tendência

Para introduzir o conceito de análise de superfície de tendência, vamos dar uma

olhada no que diz ao lado do comando apropriado da ajuda do IDRISI:

'TREND calcula equações polinominais de superfície de

tendência linear, quadrática e cúbica para conjuntos de
dados espaciais e interpola superfícies com base nessas
equações'.

28
Se isto parece um pesadelo estatístico, não se preocupe, as ideias são simples.
Tudo o que temos tempo para fazer aqui é apresentar os princípios básicos. Além
disso, como os pressupostos estatísticos do modelo raramente são atendidos na
prática, a técnica não é um método de interpolação muito robusto. Portanto, é
muito mais seguro usar um dos métodos mais simples descritos em outra parte
desta seção. Para aqueles interessados em se familiarizar com a análise de
superfície de tendência em detalhes, Unwin (1981) fornece uma excelente
introdução que inclui um exemplo prático baseado em um conjunto de cinco
pontos.

Para aqueles de vocês que fizeram algumas estatísticas básicas, o conceito que
sustenta a análise da superfície de tendência deve ser imediatamente aparente. Se
você não fez nenhuma estatística, a discussão a seguir deve ajudar. O método da
superfície de tendência ajusta uma superfície aos pontos de observação conhecidos
por um método conhecido como mínimos quadrados. A forma da superfície
determinada pela equação matemática, ou polinômio, que é usada para descrevê-la.
Uma superfície polinomial tem algumas características muito importantes; a mais
importante é que ela muda de maneira suave e previsível de uma borda do mapa
para outra. A equação polinomial pode ser linear, quadrática ou mesmo cúbica. Uma
equação linear seria usada para descrever um plano inclinado. Uma equação
quadrática definiria uma colina ou depressão simples e uma equação cúbica definiria
uma superfície mais complexa (Figura 5.11). Esses conceitos devem ser familiares
para qualquer pessoa que tenha calculado equações de regressão (“linhas de melhor
ajuste”).

29
Figura 5.11

30
Para ajustar um plano inclinado simples a uma superfície de pontos observados, tudo
o que você precisa fazer é resolver uma equação de regressão linear simples na qual
as coordenadas espaciais (x, y) são as variáveis independentes, e o valor z, o atributo
de interesse, o variável dependente. Para aqueles que não estão familiarizados com
regressão, o que este procedimento estatístico faz é ajustar o que muitas vezes é
chamado de 'linha de melhor ajuste' através dos valores dos dados observados. É
mais fácil entender por meio de um exemplo bidimensional. O gráfico A da Figura
5.12 é conhecido como gráfico de dispersão e mostra como a altura varia com a
distância ao longo de um transecto. Se tivéssemos certeza de que esses valores de
altura eram exatos, poderíamos unir os pontos como no Gráfico B para interpolar o
valor de altura em locais não amostrados.

No entanto, se não tivermos certeza da qualidade dos nossos dados, ou se estivermos mais
interessados na tendência geral, então pode ser mais seguro colocar uma linha que melhor se
ajuste através dos nossos pontos (ver Gráfico C). Conceitualmente, todas as análises de superfície
de tendência O que faz é ajustar uma 'superfície de melhor ajuste' semelhante aos pontos de
dados conhecidos com base em uma definição matemática de ajuste, ou seja, mínimos quadrados.
As superfícies de tendência são, portanto, funções de suavização, que não passam
necessariamente pelos pontos de dados originais.

A principal limitação da análise de superfície de tendência é que ela faz ajustes

para todos os pontos simultaneamente. Eu sugeriria que essas técnicas são
mais apropriadas para análise exploratória de dados do que para
interpolação.

5.6.3 Análise de Fourier

A análise de Fourier é outra técnica de interpolação global que utiliza métodos

geoestatísticos aplicados para aproximar uma superfície sobrepondo séries de
ondas senoidais e cosseno. A técnica foi desenvolvida para análise de sinais e
tem sido amplamente aplicada na modelagem de mudanças climáticas.
Actualmente tem recebido pouca atenção como ferramenta de interpolação
de fenómenos geográficos. Burrough (1986) sugere que

31
é provavelmente porque é mais adequado para conjuntos de dados que
apresentam periodicidade (como ondas oceânicas e dunas de areia),
que são fenômenos geográficos mais raros. Portanto, devido à falta de
aplicações práticas desta técnica e à natureza matemática complexa da
abordagem, iremos apenas mencioná-la aqui. Se sua natureza curiosa
leva a melhor sobre você, então tanto Burrough (1986) quanto Waters
(1989) sugerem Davis (1986) como uma introdução legível.

Figura 5.12: O conceito de melhor ajuste

32
5.7 Métodos de interpolação de linha

Você já examinou o método mais comum usado para interpolar

dados observados associados a um recurso linear. A técnica
conhecida como buffering ou análise de corredor foi descrita na
Seção 2.4.1 deste módulo. Buffering é uma técnica de interpolação
exata, abrupta e determinística que produz uma superfície à qual um
atributo pode ser aplicado que é algum derivado daquele associado
ao recurso linear.

O buffer é uma técnica de interpolação exata porque o procedimento

respeita os valores observados associados à entidade linear da qual foi
derivado. É abrupto porque existem limites exatos entre os territórios de
superfície associados às feições lin usadas para produzir o buffer (embora
estes sejam menos marcados, uma abordagem de buffer graduado é
usada para gerar uma superfície). A técnica é determinística porque
assume que uma característica linear terá influência fixa conhecida em sua
vizinhança. A superfície interpolada e os valores subsequentes produzidos
usando buffer são verdadeiros somente quando o caráter da característica
linear é conhecido como a característica dominante na área de interesse.

Outra operação de interpolação comum encontrada em muitos GIS é estimar

valores de pontos a partir de isolinhas. A instância mais comum desta aplicação é
a conversão de curvas de nível de altura em uma grade de elevação com a
finalidade de construir um módulo digital de terreno. Como os modelos digitais
de terreno são agora parte integrante da maioria dos SIG, deixaremos nossa
discussão sobre a interpolação de dados pontuais de feições lineares para mais
adiante neste módulo.

33
5.8 Métodos de interpolação baseados em área

A maioria dos dados socioeconómicos e ambientais são reportados por referência a

uma unidade de área. Os exemplos incluem: densidade populacional por país; o
número de empregados ou desempregados por distrito administrativo; estatísticas
de criminalidade por rondas policiais e medidas de qualidade da água por distritos
hídricos Só no Reino Unido existem cerca de 70 unidades de área diferentes que são
utilizadas para reportar dados socioeconómicos. Técnicas de interpolação baseadas
em área são necessárias quando desejamos alocar o atributo associado a um
conjunto de feições de área para outro. Por exemplo, no Reino Unido, poderíamos
desejar reportar estatísticas de criminalidade relativas a rondas policiais a nível de
distrito eleitoral. Como indicam Laurini e Thompson (1992), atribuir um valor é fácil
se: -

1. as unidades de área são idênticas, ou

2. as áreas de origem são um subconjunto aninhado da área de destino.

É quando as áreas não coincidem que a interpolação se torna necessária e

problemática.

Waters (1989) resume o problema de interpolação de área da seguinte forma:

“Dado um conjunto de dados mapeados em um conjunto de

zonas de origem, determine os valores dos dados para um
conjunto diferente de zonas de destino.”

Burrough (1986), Waters (1989) e Lam (1983) identificam duas abordagens

diferentes para resolver o problema: -

z sem preservação de volume

z preservação de volume

que será considerado sucessivamente.

34
5.8.1 Não preservação de volume

O método sem preservação de volume é melhor descrito a título de

exemplo. O exemplo a seguir baseia-se vagamente no descrito por
Waters (1989). Considere os dois mapas da Figura 5.13. O mapa A
mostra a população total de quatro distritos administrativos no planeta
Marte. O Mapa B mostra o corredor de inundação que foi estabelecido
para um dos canais construídos por Marte no planeta. Qual é a
densidade populacional na zona de inundação?

35
Figura 5.13: Método de interpolação de área sem volume

36
O primeiro passo é calcular a densidade populacional de cada distrito dividindo a
população por área. Supondo que sabemos que a área de cada distrito é de 100
m unidades. Isto nos dá uma densidade populacional de 2, 4, 6 e 8 marcianos/m
unidade para as zonas A, B, C e D, respectivamente.

A próxima etapa é identificar um centróide para cada região (este é o ponto

no centro geométrico da área) e então atribuir a este local o valor de
densidade populacional associado à sua área envolvente. Isso nos daria o
Mapa C na Figura 5.13. A próxima etapa seria interpolar a superfície de
densidade populacional em grade usando qualquer um dos métodos
descritos anteriormente. O mapa D fornece uma superfície possível que pode
resultar de tal processo.

Cada valor de célula da grade pode então ser ajustado para uma população
multiplicando a densidade estimada pela área da célula (ver Mapa E). Agora
sobreponha o mapa de destino. Neste caso o nosso corredor de inundação fica
no topo da grelha interpolada e então cada valor da grelha pode ser atribuído às
zonas inundadas e não inundadas. A partir deste mapa pode ser calculado um
valor estimado do número total de marcianos em risco na zona de inundação (ver
Mapa F).

Exercício Contínuo de Autoavaliação 17

(tempo: 20 minutos)

Observando cuidadosamente o exemplo acima, você consegue identificar os

pontos fracos dessa abordagem? Dica: como a população total em todas as zonas
se compara entre o Mapa A e o Mapa F?

37
O ponto mais importante que esperamos que você tenha identificado no
exercício acima é que a população total de toda a região não está preservada.
No nosso exemplo, a população total caiu de 200 na Figura 5.13A para 1950
na Figura 5.13F. Outra crítica a este método é que a escolha do centróide
como a localização do ponto no qual basear uma técnica de interpolação pode
ser uma suposição errada. No nosso exemplo, pode muito bem não haver
ninguém a viver nesta localização central e todos os marcianos podem viver
no limite da zona A. Um problema adicional é que esta abordagem sofre de
todas as inadequações associadas aos métodos de interpolação de pontos,
conforme descrito anteriormente.

5.8.2 Preservação de volume

Os procedimentos de preservação de volume envolvem a sobreposição das

zonas alvo sobre as zonas de origem e, em seguida, a determinação da
proporção da zona alvo que cai dentro de cada zona de origem. O valor total
do atributo para cada zona de origem é então atribuído à zona alvo de acordo
com as proporções de área. A Figura 5.14 resume esta abordagem para
estimar a população marciana total na nossa zona de inundação. O principal
problema é que o método assume densidade uniforme do atributo dentro de
cada zona. Uma versão aprimorada desta abordagem é o método picnofilático
desenvolvido por Tobler em 1979.

38
Figura 5.14: Métodos de interpolação de área com preservação de volume

39
Exercício Contínuo de Autoavaliação 18

(tempo: 45 minutos)

O procedimento para o método picnofilático está resumido abaixo:

Primeiro, sobreponha uma grade densa de células no mapa de origem.

2. divida o valor total de cada zona igualmente entre as células raster que se sobrepõem à
zona.
3. suavizar os valores substituindo o valor de cada um pela média dos seus
vizinhos.
4. some os valores das células em cada zona.
5. ajuste os valores de todas as células dentro de cada zona proporcionalmente para
que o total da zona seja igual ao original. Por exemplo, se a zona for 10% baixa,
aumente o valor de cada célula em 10%.

Siga este procedimento para calcular a população total da zona inundada. Use
um tamanho raster de 16 células. Para verificar se você está no caminho certo, a
resposta e o procedimento estão resumidos no botão 'Respostas SAE'.

Este procedimento de interpolação específico levanta uma questão

interessante: o que fazer com as células cujos vizinhos são externos à área
de estudo e, portanto, desconhecidos? Você:-

z suponha que a população seja igual a zero, ou

z suponha que a densidade populacional seja igual à do último
vizinho?
z simplesmente ignorá-los como fizemos acima?

Não há resposta simples para esta pergunta. Neste caso, é necessário

confiar no seu próprio julgamento ou em informações externas para
ajudá-lo a avaliar a situação e determinar a ação apropriada. Aqui surge
outro problema interessante, pois quando estamos realizando esta

40
operação manual, é possível atribuir valores limite conforme acharmos
adequado. Por exemplo, se soubermos que há um deserto no topo da nossa área
de criação, podemos inserir valores zero no procedimento de cálculo da média da
célula. No entanto, se este processo estivesse sendo executado por um algoritmo
de computador, esta informação teria que vir de outra fonte? Qual outra fonte?
Inteligência artificial ou outra camada de mapa, talvez? Actualmente, a maioria
dos SIG comerciais não tem uma resposta simples para este problema.

5.9 Discussão

Nesta seção fornecemos uma visão geral dos objetivos, importância e

aplicações de uma série de técnicas de interpolação de pontos, linhas e
áreas. Tal como acontece com tantos outros tópicos deste diploma,
poderíamos facilmente ter escrito um módulo completo sobre este tema.
No entanto, nosso objetivo é fornecer a você uma ideia do assunto e uma
explicação racional de por que, onde e quando você pode usar alguns dos
métodos mais comuns.

Você provavelmente sente agora que selecionar e aplicar a técnica de

interpolação apropriada a um determinado problema de SIG é muito mais
complexo do que você considerou inicialmente. Infelizmente, existem poucas
regras rígidas e rápidas que podem ser aplicadas para selecionar o procedimento
de interpolação apropriado. Sempre que possível, tentamos identificá-los e isolá-
los na discussão acima (estes também estão resumidos na Tabela 4, reproduzida
de Burrough (1986)).

Talvez o melhor conselho que possamos dar é que você deve tentar
garantir que entende os dados que está usando e que está ciente de
suas características e limitações. Lembre-se, porém, de que mesmo o
procedimento mais rigoroso ainda fornece apenas um 'melhor
palpite' - o único método exato é ir lá e provar cada local!

41
Tabela 4: Métodos de interpolação (Burrough, 1986)

42
Se você está intrigado e fascinado pelas complexidades que envolvem os
procedimentos de interpolação espacial e deseja se aprofundar mais, a
bibliografia no final deste módulo deverá fornecer um ponto de partida
apropriado. Se você tiver acesso a um SIG diferente daquele que está
usando como parte deste curso, um exercício interessante seria realizar
uma revisão dos procedimentos de interpolação espacial que ele contém.
Atualmente, provavelmente utilizará um ou alguns dos métodos descritos
nesta seção. As técnicas mais intensivas analiticamente estão
frequentemente ausentes dos SIG proprietários porque não há demanda
para elas. Pode ser que até que alguém seja capaz de desenvolver uma
interface utilizável para estes procedimentos mais sofisticados, é provável
que eles permaneçam no domínio dos cientistas espaciais.

Então, depois de tudo isso, por que passamos grande parte deste módulo
discutindo técnicas de interpolação? A resposta está no fato de que mesmo
que você não seja obrigado a interpolar dados em seu trabalho, ainda assim é
altamente provável que você use dados que foram interpolados por outra
pessoa. Se esta seção não tiver alcançado mais nada, ela deverá alertá-lo
sobre a necessidade de compreender os métodos que foram aplicados a
esses dados.

Antes de concluir o exercício final, gostaria de chamar a sua atenção para a

diferença entreemnterpolaçãoeextrapolação. Todas as técnicas de
interpolação que descrevemos foram desenvolvidas para estimar valores
em locais dentro da área coberta pelos dados de origem. Estimar valores
além desses limites (extrapolar) é mais difícil e sujeito a maior incerteza
porque há menos controle na técnica de interpolação. Você também
perceberá que nem todas as técnicas podem ser usadas para extrapolação.
Estritamente (estatisticamente) falando, nenhuma delas deveria ser usada,
mas vivemos em um mundo onde às vezes somos solicitados a realizar
análises novamente de acordo com nosso melhor julgamento.

43
Voltaremos a algumas dessas questões em tDhaequalidademódulo
quando olhamos para a propagação de erros.

Exercício Periódico de Autoavaliação 5

(tempo: 30 minutos)

Para ajudá-lo a resumir esta seção, tente definir e descrever o que

significam os seguintes termos no contexto da interpolação: -

1. Local/Global
2. Determinístico
3. Polígonos de Theissen
4. Interpolação de área de preservação de volume
5. Exato/Aproximado
7. NIF
8. Olhos arregalados
9. Bairro

44