A geoestatística gera mapas ou modelos 3D estimados a partir de amostras pontuais distribuídas no espaço e, de maneira similar, a geoestatística espaçotemporal utiliza os mesmos princípios para dados obtidos no decorrer de uma época. Os métodos tradicionais de geoestatística espaçotemporal não consideram a variabilidade espacial das séries temporais. Isto ocorre em regiões grandes onde cada local seja possuidor de uma característica que altera a sua oscilação temporal. Para resolver este problema, propõe-se aqui um método de previsão de mapas mesclando a abordagem geoestatística com as decomposições de deriva externa temporais utilizados nas análises de séries temporais. Estas decomposições são necessárias para remover a tendência e sazonalidade dos dados estudados e, assim, garantir a estacionariedade de segunda ordem - necessária para a aplicação da geoestatística - na dimensão tempo. A decomposição de séries temporais é definida por alguns parâmetros como amplitude da oscilação sazonal, o coeficiente angular da reta, fase da oscilação e valor de intercepto. Estes parâmetros podem ser estimados no espaço para criar mapas de seus valores, sendo possível gerar modelos temporais determinísticos em cada ponto da área estudada. Paralelamente, os resíduos das decomposições (e.g. aleatoriedade, oscilações de diversas escalas, variabilidades espaçotemporais intrínsecas e outros) podem ser estimados ou simulados e, posteriormente, adicionados aos padrões espaçotemporais determinísticos. Os modelos temporais locais serão utilizados como deriva externa na geoestatística, permitindo conhecer seus resultados em qualquer local e data desejada, inclusive para o futuro (longo prazo). O estudo de caso para apresentar o método utiliza dados de temperatura da região da Patagônia, que foi selecionada, pois é uma região de mais de 1 mi km2 e apenas 18 estações meteorológicas. Foram selecionados os dados mensais de janeiro de 2002 a dezembro de 2016 para simular mapas de todos os meses do ano de 2017. Para validar os resultados, eles foram comparados com métodos propostos pela literatura (geoestatística espaçotemporal com e sem análise de tendências) e com os resultados de imagens de satélites (Land Surface Temperature). Os resultados mostram que o método proposto é mais robusto e preciso que os outros métodos encontrados na literatura, pois ele apresenta menor suavização e menor erro.

Geostatistics generates estimated maps or 3D models from point samples distributed in space and, similarly, spatiotemporal geostatistics uses the same principles for data obtained over time. Traditional methods of spatiotemporal geostatistics do not consider the spatial variability of time series. This occurs in large regions where each location has a characteristic that changes the variation in time. To solve this problem, this work proposes a method of map prediction mixing the geostatistical approach with the external drift decompositions used in the analysis of time series. These decompositions are necessary to remove tendency and seasonality of the studied data and thus to guarantee the second order stationarity - necessary for the application of geostatistics - in the time dimension. Time series decomposition is defined by some parameters such as seasonal oscillation amplitude, the angular coefficient of the line, phase of oscillation, and intercept value. These parameters can be estimated in space to create maps of their values, and it is possible to create deterministic temporal models at each point of the studied area. Parallelly, the residuals (e.g. randomness, oscillations of several scales, intrinsic spatiotemporal variability, and others) can be estimated or simulated and added to the spatiotemporal deterministic patterns. Local time series models will be used as external drift in geostatistics, allowing to know their results at any desired date, including for the future (longterm). The case study presents the method and uses temperature data from the Patagonia region, which was selected, as it is a region of more than 1 mi km2 and only 18 weather stations. Monthly data from January 2002 to December 2016 were selected to simulate maps of every 2017 months. To validate the results, they were compared with methods proposed in the literature (spatiotemporal geostatistics with and without trend analysis) and satellite imagery (Land Surface Temperature) results. The results show that the proposed method is more robust and precise than the other methods found in the literature, as it has less smoothing and less error