Provavelmente todo pesquisador já se deparou com observações que se "afastam" das demais, sugerindo a existência de inconsistências. O objetivo desse trabalho é propor um novo método de detecção de dados inconsistentes para dados geoespaciais contínuos baseando-se na Geoestatística, independentemente da causa geradora (erros de medição, execução e variabilidade inerente aos dados). A escolha pela Geoestatística está baseada em suas características ideais, como evitar erros sistemáticos, por exemplo. A importância da proposta de um método de detecção de dados inconsistentes está no fato de que alguns métodos existentes utilizados em dados geoespaciais consideram pressuposições teóricas dificilmente atendidas. De igual forma, a escolha do conjunto de dados está relacionada com a importância da tecnologia LiDAR (Light Detection and Ranging) na produção de Modelos Digitais de Elevação (MDE). Assim, com a nova metodologia foi possível detectar e mapear dados discrepantes. Comparando-a com um método muito utilizado de detecção, BoxPlot, verificou-se a importância e funcionalidade do novo método, já que o BoxPlot não detectou nenhum dado como discrepante. O método proposto apontou, em média, 1,2 % dos dados de possíveis outliers inferiores regionalizados e, em média, 1,4 % de possíveis outliers superiores regionalizados em relação ao conjunto de dados estudados.
Almost every researcher has come through observations that “drift” from the rest of the sample, suggesting some inconsistency. The aim of this paper is to propose a new inconsistent data detection method for continuous geospatial data based in Geostatistics, independently from the generative cause (measuring and execution errors and inherent variability data). The choice of Geostatistics is based in its ideal characteristics, as avoiding systematic errors, for example. The importance of a new inconsistent detection method proposal is in the fact that some existing methods used in geospatial data consider theoretical assumptions hardly attended. Equally, the choice of the data set is related to the importance of the LiDAR technology (Light Detection and Ranging) in the production of Digital Elevation Models (DEM). Thus, with the new methodology it was possible to detect and map discrepant data. Comparing it to a much utilized detections method, BoxPlot, the importance and functionality of the new method was verified, since the BoxPlot did not detect any data classified as discrepant. The proposed method pointed that, in average, 1,2% of the data of possible regionalized inferior outliers and, in average, 1,4% of possible regionalized superior outliers, in relation to the set of data used in the study.