tergantung pada memiliki variogram eksperimental yang menunjukkan dengan

jelas Struktur diinterpretasi, idealnya sesuatu yang konsisten dengan

pemahaman geologi dari lapisan batubara. Untuk alasan ini, banyak waktu
dalam studi geostatistik dihabiskan mencoba mengembangkan jelas
eksperimental variograms.
Kertas oleh de Souza dan Costa (2013) berfokus pada satu aspek mencoba untuk
meningkatkan variograms eksperimental sehingga pola spasial Variasi jelas,
sehingga mudah identifikasi parameter Model variogram diperlukan untuk
kriging. Kertas oleh Pardo-Igzquiza et al. (2013) membahas aspek lain dari
variograms eksperimental dan model variogram digunakan dalam pemodelan
geostatistik: tambahan ketidakpastian yang diperkenalkan ketika kita tidak
memiliki akses ke "benar" variogram yang mendasari dan harus model itu bukan
dari data yang tersebar.
Biasa kriging (OK) merupakan prosedur estimasi yang menggunakan tertimbang
rata-rata di mana bobot berjumlah satu. Dengan cara yang sama ID yang
estimasi memungkinkan pengguna untuk mengontrol bobot ID melalui pilihan
mereka eksponen, OK memungkinkan pengguna untuk mengontrol bobot kriging
melalui pilihan mereka model variogram. pengguna memilih efek nugget, sill,
dan rentang yang diizinkan untuk mengubah dengan arah; Informasi ini
kemudian digunakan oleh persamaan kriging untuk menghitung skema
pembobotan yang optimal dalam arti statistik konvensional: kesalahan kuadrat
(perbedaan antara prediksi dan nilai sebenarnya) diminimalkan.
Dalam koleksi ini, kertas bahwa studi ini menggunakan biasa kriging termasuk
Ertun et al. (2013) dan Tercan et al. (2013).
Ada dua cara yang berguna berpikir tentang kriging tanpa mendapatkan ke
rincian persamaan yang menggunakan. Yang pertama adalah untuk berpikir itu
sebagai prosedur ID cerdas yang membahas beberapa kelemahan diuraikan di
atas. Dengan menggunakan informasi variogram, kriging menggantikan jarak
diukur di tanah (apa yang sering disebut sebagai Euclidean jarak) dengan jarak
statistik, tingkat kesamaan yang diukur oleh model variogram. Jika kita memiliki
dua sampel terdekat di jarak yang sama, salah satu berbaris ke arah
kelangsungan maksimum (Dengan rentang variogram terpanjang) dan yang
lainnya berbaris di arah kontinuitas minimum (dengan kisaran terpendek),
kriging mampu untuk menghargai sampel yang terletak di arah maksimum
kontinuitas. Kriging juga mampu mendeteksi ketika sampel yang berlebihan
dengan satu sama lain, dan untuk down-berat mereka sesuai.
Cara kedua berpikir tentang kriging adalah bahwa hal itu hanya tata ruang Versi
regresi linear. Kembali Gambar. 2, kita melihat contoh dari sebar dengan abu dan
nilai kalor, bersama dengan regresi mereka line, yang memberi kami prediksi
statistik optimal pemanasannilai jika kita sudah tahu nilai abu di lokasi itu.
kriging memberikan twist pintar pada konsep ini berguna. Daripada
merencanakan nilai variabel di satu lokasi terhadap nilai variabel yang berbeda
di lokasi yang sama, kita bisa merencanakan nilai variabel pada satu lokasi
terhadap nilai variabel yang sama di lokasi yang berbeda.

Perbedaannya adalah murni konseptual; dalam kedua kasus kita merencanakan

xnilai terhadap nilai-nilai y, kita hanya mengubah pendekatan kami untuk
mendefinisikan apa yang akan menjadi sama, variabel atau lokasi, dan apa akan
berbeda.
Dalam geostatistik, kita sebut sebar dari variabel yang sama di berbagai lokasi
sebuah h-sebar (karena h adalah simbol umum digunakan dalam geostatistik
untuk menunjukkan pemisahan jarak antara dua poin). Ara. 6 menunjukkan
contoh dari h-sebar; dalam gambar ini, kami merencanakan nilai pemanasan
pada setiap lokasi sampel terhadap pemanasan nilai sekitar 100 m (segala arah).
kriging biasa adalah regresi tradisional dilemparkan dalam konteks spasial,
dimana variabel prediktor adalah nilai-nilai dari variabel yang sama yang kita
mencoba untuk memperkirakan, tapi berbeda, lokasi terdekat. Pada bagian yang
sama cara linear regresi yang tradisional memberi kita statistik optimal prediksi
satu variabel menggunakan variabel yang berbeda pada lokasi yang sama,
kriging biasa memberi kita predikasi statistik optimal dari variabel di satu lokasi
dengan menggunakan informasi tentang variabel yang sama di lokasi yang
berbeda. Matematika dari dua prosedur yang identik; satu-satunya perbedaan
adalah bagaimana kita memilih untuk menafsirkan "respon" dan "prediktor"
variabel.

Dalam regresi tradisional, sejauh mana kita dapat memanfaatkan informasi dari
satu variabel untuk memperkirakan nilai variabel lain tergantung pada korelasi
antara keduanya. Jika ada korelasi yang tinggi, kita dapat membuat prediksi
yang baik; jika tidak ada korelasi, maka kita tidak bisa melakukan lebih baik
daripada memilih nilai rata-rata yang tidak diketahui sebagai prediksi kami ...
mengetahui nilai dari variabel lain tidak membantu. Dengan cara yang sama,
kemampuan kita untuk menggunakan regresi spasial (alias "Kriging") untuk
memprediksi nilai-nilai di lokasi tanpa sampel tergantung pada tata ruang
korelasi. Jika ada korelasi spasial yang kuat, maka kita bisa membuat prediksi
lokal yang baik; jika korelasi spasial sangat lemah atau tidak ada ... jika efek
nugget tinggi, menggunakan variogram yang terminologi dibahas sebelumnya ...
maka pengetahuan tentang nilai-nilai di tertentu lokasi tidak banyak membantu:
perkiraan terbaik kami adalah rata-rata keseluruhan; kami memiliki kesulitan
dalam melokalisir perkiraan.
Salah satu yang berguna oleh-produk dari kriging (dan regresi) adalah bahwa
pada saat yang sama bahwa mereka meminimalkan varians dari kesalahan,
mereka bisa juga melaporkan kepada kami bahwa diminimalkan varian; mereka
dapat memberikan kita suatu ukuran dari seberapa besar atau kecil penyebaran
kesalahan mungkin. Dalam regresi tradisional, ini kadang-kadang disebut
sebagai "kesalahan kuadrat rata-rata (MSE) "atau, sederhana," varians error ".
Dalam kriging, hal itu disebut "Kriging varians".
Ketika varians kriging tinggi, kami juga tidak memiliki banyak data dekat atau,
mungkin, model variogram menjelaskan fenomena yang menunjukkan banyak
variabilitas pada skala jarak ke terdekat sampel. Dalam situasi ini, seperti
dengan regresi di mana korelasi koefisien rendah, kami memiliki sedikit
kepercayaan estimasi; itu akan mirip dengan rata-rata keseluruhan karena kami
telah kesulitan membuat logis prediksi.

Ketika varians kriging rendah, kami telah berkorelasi beberapa baik Data di
dekatnya. Dalam situasi ini, seperti dengan regresi di mana korelasi koefisien

tinggi, kami memiliki lebih banyak kepercayaan pada lokal kami prediksi. Kertas
oleh Bertoli et al. (2013) menunjukkan contoh bagaimana lokal dan varians
kriging global dapat digunakan untuk membantu dengan sumber daya
klasifikasi.
Dalam estimasi geostatistik, itu adalah model variogram yang mengusung
informasi tentang korelasi spasial. Jika nilai data yang berkorelasi dengan baik
jarak jauh, maka variogram akan memiliki nugget rendah efek dan jarak jauh.
Jika mereka buruk berkorelasi, maka nugget Efek akan tinggi dan / atau rentang
akan pendek.
Model variogram memberikan kekuatan yang luar biasa, yang memungkinkan
pengguna fashion estimasi sumber daya yang menggabungkan informasi yang
sangat rinci pada pola kompleks variasi spasial disebabkan oleh geologi kontrol.
Dalam contoh di Gambar. 7 bawah, kriging dilakukan menggunakan Model
variogram yang menggambarkan fakta bahwa arah maksimum ayunan
kelangsungan sekitar hidung lipatan. estimasi yang dihasilkan mencerminkan
pengetahuan geologi ini, menyediakan tingkat tinggi kehandalan lokal.
4.1. Menggabungkan informasi langsung dari variabel sekunder
Salah satu karakteristik yang membedakan dari estimasi di industri batubara
adalah bahwa ada berbagai macam informasi langsung yang dapat digunakan
untuk meningkatkan estimasi. Ini mungkin data dari log petrofisika yang dapat,
misalnya, memberikan informasi tidak langsung pada kelembaban. Ketika kita
memiliki lubang bor tua yang hanya memiliki e-log, dan tidak ada inti, modifikasi
dari kriging disebut "co-kriging" memungkinkan kita untuk melakukan regresi
spasial menggunakan dua jenis informasi: data yang langsung pada kelembaban,
misalnya, dan data langsung dari log petrofisika, seperti neutrondensity yang
log, yang pengukuran dapat dikorelasikan dengan kelembaban
Ada beberapa contoh dari jenis pendekatan dalam koleksi makalah dalam buku
ini: studi di mana memperkirakan ketebalan dan kualitas batubara ditingkatkan
dengan memanfaatkan informasi sekunder. Dalam masing-masing, estimasi
geostatistik mengharuskan pengguna untuk mengembangkan model variogram
yang menggambarkan korelasi spasial masing-masing variabel, serta lintasvariograms yang menggambarkan nilai-nilai bagaimana dari satu variabel
berkorelasi dengan nilai-nilai dari variabel lain di dekatnya.
Kertas oleh Tercan dan Sohrabian (2013) membahas metode untuk menghindari
pemodelan lintas variograms dengan menciptakan variabel tambahan yang
independen.
contoh dibahas sebelumnya, data ketebalan bising dari e-log dan lebih dapat
diandalkan ketebalan data dari lubang inti adalah situasi lain di mana co-kriging
dapat digunakan. Dalam hal ini, kedua variabel: 1) suatu hampir bebas dari
kesalahan versi ketebalan, dari lubang inti, dan 2) Versi bising ketebalan, dari
lubang dengan hanya e-log. Ini adalah sebuah Jenis sederhana co-kriging yang
tidak memerlukan pengguna untuk model lintas variograms. Dalam hal ini, satu-

satunya perbedaan antara dua jenis data adalah berlaku nugget mereka. Ketika
kriging digunakan dengan efek nugget yang tergantung pada suara dalam data,
kita mendapatkan perkiraan yang membuat cerdas menggunakan data yang
tersedia, bersandar lebih berat pada data yang dapat diandalkan ketika mereka
tersedia, dan data lain ketika tidak ada jenis handal adalah di sekitarnya.
Salah satu aspek yang paling menarik dari geostatistik adalah bahwa, dengan
menyediakan alat yang memungkinkan kita untuk menjelaskan rincian dari
karakteristik statistik data ... kebisingan mereka, mereka cross-korelasi dengan
variabel lain, dan pola mereka kontinuitas spasial ... kita dapat membiarkan data
berbicara untuk diri mereka sendiri, dalam semua detail kaya mereka.
4.2. Banyak rasa kriging
Seperti yang ditunjukkan oleh makalah dalam koleksi ini, ada banyak yang
berbeda variasi pada tema dasar kriging biasa.

Dalam beberapa makalah, kriging dilakukan pada variabel berubah, seperti:

logaritma
indikator, variabel 0/1 yang mencatat apakah nilai yang di atas atau di bawah
ambang batas tertentu (misalnya kertas oleh Webber et al (2013).); atau,
a berubah "skor normal" yang memiliki distribusi yang lebih simetris
dibandingkan data kualitas batubara asli.
Dalam makalah lain, kriging disesuaikan dengan mempertimbangkan informasi
pada tren spasial. "Universal kriging" dan "kriging dengan eksternal melayang
"adalah modifikasi yang memungkinkan pengguna untuk membangun perkiraan
yang puncak luas dan palung mengikuti model trend. Dalam kasus yang
universal kriging, pengguna memilih bentuk trend (linear, kuadrat, dll). Dalam
kasus kriging dengan pergeseran eksternal, pengguna menyediakan grid data
sekunder yang puncak dan palung mencerminkan orang yang. variabel utama
yang diperkirakan, semacam peta jalan yang menunjuk ke di mana tertinggi dan
terendah akan ditemukan

Dalam beberapa penelitian, terutama penelitian dampak lingkungan yang

melibatkan cairan atau gas, variabel perubahan kepentingan dengan mengalir
waktu. Geostatistik memberikan adaptasi untuk kriging yang menangani ini
macam masalah spatio-temporal, dengan data sampel yang tidak teratur spasi
geografis, serta dalam waktu; Bayesian Maksimum Entropi (BME) prosedur yang
digunakan oleh Modis et al. (2013) adalah contoh dari jenis estimasi spatiotemporal
Keberhasilan kriging, dan nilainya di batubara yang semakin kompleks proyek,
adalah bahwa ia menawarkan banyak cara untuk memanfaatkan korelasi antara
variabel, baik itu korelasi spasial antara nilai-nilai di berbagai lokasi, atau crosskorelasi antara variabel yang berbeda pada lokasi yang sama.

5. Simulasi
Simulasi kondisional adalah pendekatan lain untuk buildingmodels yang
menghormati semua data lubang bor yang tersedia, dan yang mengisi
kesenjangan antara lubang bor datawith prediksi yang masuk akal. Dalam hal ini,
simulasi adalah mirip dengan metode interpolasi dibahas sebelumnya: baik data
kehormatan dan kedua memberikan grid lengkap prediksi.
Perbedaan antara simulasi kondisional dan interpolasi adalah dalam cara yang
mereka mengisi kekosongan. prosedur interpolasi seperti inverse-jarak dan
kriging tujuan untuk prediksi tengah-of-the-road; dengan demikian, mereka tentu
menghasilkan model yang lebih halus dari realitas. nilai diperkirakan bergerak
secara bertahap dari nilai diamati pada satu lubang bor dengan nilai yang
diamati pada lubang bor berikutnya; mereka tidak pernah menunjukkan kejutan
antara lubang bor ... tidak ada posisi terendah tak terduga atau tertinggi.
Simulasi, di sisi lain, bertujuan untuk prediksi yang meniru benar dalam

variabilitas in situ, yang menunjukkan jenis short-skala perubahan yang benarbenar dapat terjadi antara lubang bor yang tersedia. Di demikian, simulasi yang
tidak lokal seakurat estimasi.
Mengapa salah satu ingin prediksi yang tidak lokal seakurat kriging? Jawabannya
tergantung pada tujuan dari studi seseorang. Jika tujuannya adalah untuk
memberikan estimasi sumber daya, inventarisasi tonase dan kualitas batubara,
maka akurasi lokal adalah penting, dan kriging adalah pendekatan lebih untuk
simulasi. Tapi jika tujuan seseorang adalah untuk mengembangkan strategi
blending, maka simulasi adalah lebih karena benar menggambarkan variasi
spasial satu sedang mencoba untuk mengontrol melalui pencampuran; kriging
(dan jarak inverse metode) membuat model yang menampilkan lebih pendek
skala kelancaran dari pameran seamactually batubara. Jenis lain dari studi di
mana simulasi adalah berharga adalah setiap studi di mana penilaian risiko
merupakan pusat. Simulasi menawarkan keluarga alternatif kemungkinan yang
sama; metode estimasi, seperti kriging dan inverse jarak jauh, memberikan
hanya satu prediksi.
Fig. 8 menunjukkan perbandingan estimasi dan simulasi natrium dalam lapisan
batubara. Dalam estimasi, perkiraan natrium semua menghormati natrium nilai
diamati dalam lubang bor yang tersedia. Hal yang sama berlaku dari nilai
natrium simulasi di sebelah kanan: mereka menghormati sama bor Data lubang.
Meskipun mereka menghormati Data bor-lubang yang sama, estimasi dan
simulasi terlihat berbeda. Antara lubang bor ditandai sebagai A dan B di sudut
timur laut, estimasi nilai menurun secara bertahap dari kelas yang lebih tinggi di
A ke kelas yang lebih rendah di B. Ini bukan gambaran yang akurat dari variasi
yang sebenarnya di wilayah ini; kelancaran adalah artefak yang disebabkan oleh
data luas-spasi. Dalam versi simulasi dari nilai natrium, nilai natrium yang
diprediksi mulai di nilai tinggi pada A dan, ke selatan, melewati rendah sebelum
mendaki kembali ke nilai yang diamati di B. Versi simulasi natrium dalam
batubara jahitan lebih realistis karena variasi pendek skala adalah dipandu oleh
model variogram. Perkiraan tidak bertujuan untuk menghormati Model
variogram; mereka dipandu oleh tujuan meminimalkan kuadrat kesalahan, dan
ini dicapai dengan menghindari prediksi ekstrim yang berada di luar jangkauan
data terdekat

Meskipun versi simulasi dari natrium pada Gambar. 8 lebih realistis, itu hanya
satu versi dari apa yang mungkin terjadi antara data yang tersedia. Ara. 9
menunjukkan empat simulasi lebih dari natrium contoh pada Gambar. 8.
Meskipun masing-masing penghargaan ini bor yang sama Data lubang, dan
memiliki tampilan yang sama dan merasa, mereka tidak identik; itu Rincian lokal
variasi natrium yang berbeda dalam setiap kasus.

prosedur interpolasi seperti kriging (dan semua metode lainnya biasa digunakan
untuk estimasi sumber daya) sering digambarkan sebagai "Unik", dengan mana
kita berarti bahwa mereka hanya memproduksi satu jawaban; jika kita-lari
kembali perhitungan kriging dengan parameter yang sama dan data yang sama,
kita akan mendapatkan hasil yang sama. Untuk estimasi sumber daya, itu secara
konvensional dipandang sebagai hal yang baik bahwa jawabannya adalah unik
dan benar-benar berulang.
Tidak seperti estimasi, yang menghasilkan prediksi tunggal, simulasi adalah
prosedur probabilistik yang menghasilkan keluarga memiliki kemungkinan yang
sama skenario (sering disebut sebagai "realisasi"). Meskipun masing-masing
skenario berbeda, mereka semua menghormati data yang sama dan variogram
yang sama. Ini yang menghormati dari variogram yang memberi mereka
tampilan umum merekadan merasa: mereka berbagi model variogram umum,
pola umum variasi spasial; mereka sepupu dekat yang memiliki kemiripan yang
kuat sama lain.
Simulasi menunjukkan kejutan kita mungkin mengalami seperti yang kita
mencoba untuk menambang lapisan batubara. Di tempat-tempat, ia akan
menampilkan situasi di mana batubara kualitas lebih tinggi dari data yang di
dekatnya akan menyarankan. sebaliknya bisa juga terjadi, dengan simulasi
memprediksi nilai lebih rendah daripada di dekatnya Data akan menyarankan.
Dalam menunjukkan kita berbagai versi apa yang mungkin terjadi di deposit,
simulasi memberikan gambaran yang lebih realistis apa yang mungkin terjadi
selama produksi aktual. Itu tidak menunjukkan prediksi yang berperilaku baik,
selalu melayang di mid-range dari nilai-nilai data lokal; sebaliknya, itu memberi
kita rasa untuk seberapa baik hal-hal mungkin akan, dan seberapa buruk mereka
mungkin mendapatkan
Estimasi dan simulasi saling melengkapi. Perkiraan memberi kita perkiraan yang
baik, "terbaik" dalam arti statistik konvensional dari memiliki kesalahan
minimum kuadrat. Simulasi juga memberi kita perkiraan yang baik, tetapi dalam
arti yang berbeda, dalam arti menunjukkan kita lebih realistis versi fluktuasi
jangka pendek skala. Sementara estimasi adalah dasar yang tepat untuk
melaporkan persediaan global sumber daya, simulasi adalah dasar yang tepat
untuk mempelajari setiap perencanaan produksi masalah di mana variabilitas
dan ketidakpastian keprihatinan kritis.
Dalam industri batubara, masalah umum yang idealnya ditangani oleh simulasi
blending. Ketika variasi dalam produksi run-of-mine perlu dikontrol dan dikelola,
itu adalah kesalahan besar untuk dasar pencampuran studi tentang estimasi
yang jauh lebih halus daripada kenyataan akan; ini akan menyebabkan
optimisme palsu. Karena mereka membuat model yang memiliki realistis tingkat
variabilitas pendek skala, simulasi yang jauh lebih baik daripada estimasi
sebagai dasar untuk mempelajari variasi harian dalam produksi run-of-tambang.
Benndorf (2013) memberikan contoh rinci penggunaan simulasi untuk menilai
strategi blending dalam operasi tambang terbuka besar.

The non-keunikan simulasi kondisional membuat kedua frustasi dan sangat kuat.
Untuk tujuan estimasi sumber daya, tunggal sebuah, estimasi sumber daya yang
stabil dan berulang sangat berguna; ini adalah mengapa interpolasi metode
seperti kriging dan inverse-jarak bobot yang karya-kuda dari estimasi sumber
daya. Tapi ketika datang ke klasifikasi, yang pada dasarnya merupakan latihan
dalam menggambarkan ketidakpastian, keluarga memiliki kemungkinan yang
sama (dan sepenuhnya masuk akal) skenario jauh lebih berguna. Inilah sebabnya
mengapa simulasi bersyarat telah mulai menjadi digunakan untuk studi
klasifikasi sumber daya dan untuk menilai risiko dalam rencana produksi.
Fluktuasi dalam kelompok besar dari simulasi memberikan satu dasar teknis
yang kuat untuk menggambarkan bagian dari deposit sebagai "diukur",
"Menunjukkan" atau "disimpulkan". Di daerah di mana hasil yang masuk akal
semua sangat mirip satu sama lain, ketidakpastian mungkin rendah cukup
bahwa perencanaan produksi dapat melanjutkan dengan sedikit keraguan
tentang tonase dan kualitas; contoh daerah tersebut adalah baratlaut sudut
simulasi pada Gambar. 9, di mana pengeboran padat menyebabkan setiap
skenario sangat mirip dengan yang lain. Di daerah seperti ini, dimana simulasi
dasarnya setuju pada tonase dan kualitas batubara, kita bijaksana bisa anggap
sumber daya untuk "diukur". Di tempat lain,di mana hasil berbeda liar, dan
perencanaan produksi. idak bisa melanjutkan sampai pengeboran tambahan
dilakukan untuk mengurangi ketidakpastian, kami benar bisa menganggap ini
sebagai "disimpulkan". Dengan akses ke keluarga besar skenario kemungkinan
yang sama, penilaian ketidakpastian, apakah di skala lokal (blok-by-blok) atau
skala yang lebih besar (misalnya tahunan atau produksi triwulanan) hanyalah
sebuah tugas inventarisasi sumber daya di masing-masing simulasi. Sebagai
contoh,
Pig. 10 menunjukkan histogram dari 100 realisasi natrium selama blok tunggal
dalam contoh studi kasus diperkenalkan pada Gambar. 8 dan 9.mBlok yang
ditunjukkan pada histogram ini setengah jalan antara lubang ditandai sebagai
"A" dan "B" pada gambar. 8.

Histogram ditunjukkan pada Gambar. 10 berbeda dengan yang ditampilkan di

awal tulisan ini. Pada Gambar. 1, histogram mencatat frekuensi nilai-nilai data
aktual di berbagai kelas. Ara. 10 mencatat frekuensi dari simulasi nilai. Itu tidak
menggambarkan natrium yang sebenarnya di bahwa lokasi di lapisan batubara;
sebaliknya, hal itu menunjukkan distribusi nilai-nilai yang mungkin di lokasi itu,
mengingat segala sesuatu yang lain yang kita lihat di dekatnya.
Untuk setengah lokasi antara "A" dan "B" dari Gambar. 8, ada cukup berbagai
kemungkinan natrium; bisa serendah 0,79%, tapi bisa lebih dari tiga kali lebih

tinggi, setinggi 2,64%. Seperti yang terlihat pada Gambar. 8, wilayah timur laut
yang jarang dibor, jadi kami pengetahuan tentang kualitas batubara di tengah
lokasi antara "A" dan "B" dilemahkan oleh kurangnya pengembangan
pengeboran rinci. Yang kita persediaan realisasi di bagian barat dari daerah
penelitian, di mana ada banyak lagi pengeboran, histogram dari simulasi nilainilai akan menunjukkan kurang spread karena pengeboran padat menciptakan
lebih percaya diri dalam prediksi kualitas batubara. Yang kita persediaan realisasi
di lokasi di mana kita memiliki data sampel, histogram dari realisasi akan
lonjakan, dengan semua realisasi cocok dengan nilai yang diketahui; varians
akan menjadi nol karena tidak akan ada ketidakpastian.
Garis putus-putus berwarna biru pada Gambar. 10 menunjukkan rata-rata dari
100 simulasi; ini sering disebut sebagai "nilai yang diharapkan" atau "E-type
memperkirakan". Kriging bertujuan untuk langsung memprediksi nilai yang
diharapkan; apa simulasi menambahkan adalah seluruh distribusi kemungkinan
sekitar ini nilai rata-rata.
Sementara itu nyaman untuk mengasumsikan bahwa variabel kualitas batubara
seperti abu, kelembaban dan nilai kalor memiliki distribusi yang normal; banyak
Studi simulasi telah menunjukkan bahwa hal ini sering tidak terjadi. Dalam
contoh pada Gambar. 10, misalnya, ada jelas bi-modalitas ke nilai yang mungkin
natrium. Ini adalah salah satu alasan bahwa simulasi adalah sering lebih: ia tidak
memaksa kita untuk membuat menyederhanakan asumsi tentang bentuk
distribusi ketidakpastian; data, dan pola mereka variasi spasial, akan berbicara
sendiri.

Kekuatan simulasi kondisional melampaui ketidakpastian analisis dan klasifikasi

sumber daya. Sebuah simulasi kondisional dapat dianggap sebagai semacam
"simulator penerbangan" untuk perencanaan tambang. Dalam cara yang sama
bahwa itu masuk akal untuk menguji terbang pesawat baru di keamanan virtual
reality yang dihasilkan komputer, juga membuat baik akal untuk uji terbang
rencana tambang pada set skenario yang dihasilkan komputer yang realistis.
Daripada berlari ke hari ketika pertambangan yang sebenarnya operasi telah
terhenti karena run-of-tambang batu bara tidak bisa dicampur untuk memenuhi
spesifikasi kontrak, kita dapat mengalami saat kecelakaan-dan-bakar ini selama
studi kelayakan, menggunakan

keluarga simulasi geostatistik untuk mengeksplorasi seberapa baik tambang

Rencana melakukan ketika kejutan muncul.
5.1. simulasi Gaussian berurutan
Metode yang sekarang paling sering digunakan untuk membuat geostatistik
simulasi adalah berurutan Gaussian simulasi (SGS), sebuah metode yang
dikembangkan di akhir 1980-an. Dari sembilan makalah dalam koleksi ini yang
menggunakan simulasi, tujuh penggunaan SGS: Benndorf (2013), Cornah et al.
(2013), Deisman et al. (2013), Engle et al. (2013), Geboy et al. (2013), Hohn dan
Britton (2013), dan Pardo-Igzquiza et al. (2013). simulasimditunjukkan pada
Gambar. 8 dan 9 pada awal gambaran ini juga diciptakan menggunakan SGS.
SGS adalah versi spasial prosedur simulasi Monte Carlo. Ini disebut "berurutan"
karena bergerak dari titik ke titik melalui grid, menghitung distribusi nilai yang
mungkin dan menggambar acak (Tapi sepenuhnya masuk akal) sampel dari
distribusi ini. Setelah itu telah disimulasikan nilai di satu lokasi, kemudian
bergerak ke lokasi lain, acak memilih lokasi di mana simulasi belum telah
dilakukan. Pada setiap lokasi baru itu mengulangi prosedur, menggunakan
semua sebelumnya simulasi nilai-nilai sebagai titik data yang mempengaruhi
perhitungan dari distribusi nilai yang mungkin di lokasi berikutnya.
Busi dari SGS adalah kriging yang, seperti yang dibahas sebelumnya, dapat
memberikan perkiraan nilai di lokasi tanpa sampel, bersama dengan varians
yang menggambarkan seberapa luas berbagai kemungkinan mungkin sekitar
nilai estimasi ini. SGS menggunakan kriging untuk membangun distribusi

kemungkinan nilai di lokasi tertentu; estimasi kriged adalah mean dari distribusi
ini dan varians kriging memberikan penyebaran distribusi.
Masalah satu berjalan ke dalam ketika mencoba untuk menggunakan mean
kriged dan varians untuk menggambarkan distribusi hasil yang mungkin adalah
bahwa informasi yang tidak lengkap. Meskipun kita memiliki prediksi yang baik
dari mean dan varians dari distribusi, kami masih tidak tahu bentuknya. Apa SGS
lakukan untuk mengatasi masalah ini adalah bahwa hal itu mengasumsikan
bahwa distribusi nilai yang mungkin adalah standar berbentuk lonceng Normal
(atau Gaussian) distribusi, yang memiliki persamaan matematika untuk
bentuknya, persamaan yang hanya bergantung pada mean dan varians. Setelah
mean dan varians dari normal distribusi yang ditentukan, ada banyak cara acak
menggambar nilai dari distribusi ini.
Dalam rangka untuk memastikan bahwa kita tidak terlalu jauh keluar pada
dahan dengan kami asumsi normalitas, SGS konvensional pendekatan
transformasi pertama semua nilai data asli untuk distribusi normal, biasanya
menggunakan plot probabilitas kumulatif (misalnya plot tengah pada Gambar. 1)
untuk memetakan nilai data asli untuk persentil yang sesuai dari distribusi
normal dengan rata-rata 0 dan deviasi standar 1. Ini "skor yang normal
transformasi" dilakukan pada awal simulasi, dan kemudian dibatalkan (dengan
menjalankan mundur melalui sama transformasi) pada akhir prosedur.
5.2. Banyak rasa simulasi
Seperti estimasi, di mana ada banyak variasi pada dasar tema kriging biasa,
demikian juga ada banyak metode yang berbeda untuk simulasi.
Ketika tujuan penelitian adalah untuk mensimulasikan satuan batuan atau
geologi tubuh ... variabel kategoris bukan variabel kontinumseperti yang
digunakan untuk kualitas batubara ... kita sering resor untuk simulasi indikator.
Sequential indikator simulasi (SIS) adalah sepupu dekat SGS di mana variabel
yang disimulasikan adalah variabel 0/1 yang menunjukkan ketiadaan atau
keberadaan karakteristik geologi yang menarik.mDalam kertas oleh Deutsch dan
Wilde (2013), misalnya, mereka menggunakan 1muntuk merekam kehadiran
lapisan batubara di lokasi peta tertentu,mdan 0 untuk merekam ketiadaan.
Terlepas dari penggunaan variabel 0/1, semuanyamlain tentang SIS pada
dasarnya sama dengan SGS: metode
Pig. 10. Histogram dari 100 realisasi natrium untuk satu blok. hasil berurutan,
simulasi 0/1 nilai pada node jaringan dengan menggunakan

kriging (indikator kriging dalam hal ini) untuk membangun distribusi lokal nilai
yang mungkin. simulasi anil adalah prosedur yang geostatistik telah meminjam
dari bidang optimasi. Ini adalah metode yang menggunakan trial-and-error untuk
menghasilkan model yang menghormati data pada saat yang sama bahwa
menghormati statistik spasial lainnya, seperti variogram a. Prosedur yang
sekarang kita sebut simulasi anil awalnya diusulkan pada akhir 1940-an, di fajar
era komputer, dan disebut algoritma Metropolis. Saat itu waktu, ide menciptakan
simulasi yang masuk akal dari realitas dengan murni trial-and-error tidak praktis
karena komputer harus membuat sejumlah besar dugaan buruk sebelum
tersandung pada solusi yang baik. Oleh awal 1990-an, daya komputer telah
berkembang ke titik di mana dirancang dengan baik prosedur trial-and-error
dapat, pada kenyataannya, menghasilkan bumi model yang menghormati
berbagai jenis data. Selain menghormati data sampel, histogram dan
variograms, simulasi anil juga bisa menghormati informasi langsung dari
geofisika, dan on-line analyzer Data dari tanaman yang menerima produk
dicampur dari tambang batubara. Di Volume ini, kertas oleh Saikia dan Sarkar
(2013) menyajikan rincian dari sebuah studi di mana simulasi anil digunakan

untuk membangun realistis model ketebalan jahitan, abu, zat terbang dan
kelembaban ... kelompok variabel yang berkorelasi dengan satu sama lain

Salah satu perkembangan baru dalam simulasi geostatistik yang memiliki

menangkap banyak kepentingan dalam industri minyak dan gas adalah multipoint simulasi (MPS), prosedur simulasi yang menghormati variasi spasial
Informasi yang melampaui statistik dua poin ditangkap di variogram tersebut.
Pada dekade sejak versi praktis MPS menjadi tersedia, ada banyak contoh studi
kasus yang telah menunjukkan nilai dari pendekatan ini untuk simulasi kompleks
geometri sering terlihat di lingkungan sedimen. Meskipun metode MPS belum
berkembang di aplikasi pertambangan batubara, fakta bahwa kepentingan kita
adalah deposito yang terbentuk di sedimen sebuah Pengaturan membuatnya
sangat mungkin bahwa keberhasilan praktis dari MPS metode untuk karakterisasi
reservoir minyak bumi akan segera menyebar untuk pemodelan deposit
batubara.
6. Ikhtisar kertas edisi khusus ini
Edisi Khusus ini berisi 16 makalah tambahan yang menggunakan berbagai alat
geostatistik untuk mengatasi masalah umum yang timbul dalam pengembangan
dan produksi tambang batubara. Untuk pembaca yang mencari makalah yang
membahas metode khusus, Tabel 1 memberikan Indeks tabular dari 16 makalah
sesuai dengan metode geostatistik atau alat yang mereka gunakan.
Karena sebagian besar pembaca mungkin akan termotivasi oleh masalah mereka
jumpai dalam pekerjaan sehari-hari mereka, tujuan atau aplikasi dari penelitian
berfungsi sebagai kerangka alami untuk organisasi khusus ini Isu. Kerangka
berbasis masalah untuk mengatur kertas memungkinkan pembaca untuk melihat
bahwa ada beberapa alat geostatistik yang berguna untuk masalah. klasifikasi
sumber daya, misalnya, dapat didekati menggunakan alat analisis data
sederhana seperti variogram, atau dengan menggunakan kriging varians yang
berasal dari estimasi geostatistik, atau dengan bersyarat simulasi.
Makalah-makalah dalam koleksi ini telah dikelompokkan tematis menurut
bidang-bidang berikut aplikasi:
1. Makalah yang berfokus pada prediksi kualitas batubara.
2. Makalah yang fokus onmodeling karakteristik geometris atau struktural
dari deposit, termasuk patah tulang dan sifat geomechanical.
3. Makalah yang fokus pada penilaian sumber daya: memprediksi tonase
dan kualitas batubara.
4. Makalah yang berfokus pada mengklasifikasikan sumber daya ke dalam
"diukur", "menunjukkan"

dan "disimpulkan".

5. Makalah yang berfokus pada mengukur ketidakpastian dan menilai risiko.

6. Makalah yang berfokus pada pengendalian produksi variabilitas melalui
blending.
7. Makalah yang berfokus pada analisis variasi spasial dan variograms.
8. Makalah yang berfokus pada penilaian dampak lingkungan.
Beberapa makalah alamat lebih dari satu masalah atau isu, dan bisa telah
ditetapkan untuk bagian yang berbeda. Tabel 2 indeks kertas menurut masalah
mereka alamat sehingga pembaca mencari ide untuk jenis tertentu masalah
dapat menemukan semua surat-surat yang mungkin relevan, bahkan jika fokus
utama mereka telah mereka dikelompokkan dalam bagian lain. Tabel ini juga
mengidentifikasi, di kolom terakhir, surat-surat yang hadir analisis dan hasil dari
contoh-contoh studi kasus dari tambang batubara.
References
Benndorf, J., 2013. Application of efficient methods of conditional simulation for
optimising coal blending strategies in large continuous open pit mining
operations.
International
Journal
of
Coal
Geology.
http://dx.doi.org/10.1016/j.coal.2012.10.008.
Bertoli, O., Paul, A., Casley, Z., Dunn, D., 2013. Geostatistical drillhole spacing for
coal resource
classification in the Bowen Basin, Queensland. International Journal of Coal
Geology. http://dx.doi.org/10.1016/j.coal.2012.12.010.
Cornah, A., Vann, J., Driver, I., 2013. Comparison of three geostatistical
approaches to quantify the
impact of drill spacing on resource confidence for a
coal seam (with a case example from Moranbah North, Queensland, Australia).
International
Journal
of
Coal
Geology.
http://dx.doi.org/10.1016/j.coal.2012.11.006.

de Souza, L.E., Costa, J.F.C.L., 2013. Sample weighted variograms on the

sequential indicator simulation of coal deposits. International Journal of Coal
Geology. http:// dx.doi.org/10.1016/j.coal.2012.12.005.

Deisman, N., Khajeh, M., Chalaturnyk, R.J., 2013. Using geological strength index
(GSI) to model uncertainty in rock mass properties for CBM/ECBM reservoir
geomechanics.
International
Journal
of
Coal
Geology.
http://dx.doi.org/10.1016/j.coal.2012.10.015.
Deutsch, C.V., Wilde, B.J., 2013. Modeling multiple coal seams using signed
distance functions and global kriging. International Journal of Coal Geology.
http:// dx.doi.org/10.1016/j.coal.2012.11.013.
Engle, M.A., Olea, R.A., O'Keefe, J.M.K., Hower, J.C., Geboy, N.J., 2013. Direct
estimation of diffuse gaseous emissions from coal fires: current methods and
future
directions.
International
Journal
of
Coal
Geology.
http://dx.doi.org/10.1016/j.coal.2012.10.005.
Ertun, G., Tercan, A.E., Hindistan, M.A., nver, B., nal, S., Atalay, F., Kllolu,
S.Y., 2013. Geostatistical estimation of coal quality variables by using covariance
matching constrained kriging. International Journal of Coal Geology.
http://dx.doi.org/10.1016/ j.coal.2012.11.014.
Geboy, N.J., Olea, R.A., Engle, M.A., Martn-Fernndez, J.A., 2013. Using simulated
maps to interpret the geochemistry, formation and quality of the Blue Gem coal
bed,
Kentucky,
USA.
International
Journal
http://dx.doi.org/10.1016/j.coal.2012.10.010.

of

Coal

Geology.

Hohn, M.E., Britton, J.Q., 2013. A geostatistical case study in West Virginia: all
coals are not the same. International Journal of Coal Geology.
http://dx.doi.org/10.1016/j.coal.2012.12.004.
Modis, K., Vatalis, K.I., Sachanidis, C., 2013. Spatiotemporal risk assessment of
soil pollution in a lignite mining region, using a BME approach. International
Journal of Coal Geology. http://dx.doi.org/10.1016/j.coal.2012.11.015.
Pardo-Igzquiza, E., Dowd, P.A., Baltuille, J.M., Chica-Olmo, M., 2013.
Geostatistical modelling of a coal seam for resource risk assessment.
International
Journal
of
Coal
Geology.
http://dx.doi.org/10.1016/j.coal.2012.11.004.