Abstrack

Sebuah peninjauan dari toolkit geostatistik disajikan , dalam analisis data dan simulasi ,dengan
fokus pada masalah yang biasanya timbul dalam penilaian dan pengembangan tambang batubara
Prosedur geostatistik

untuk analisis data dijelaskan, yang mengarah ke diskusi tentang

pentingnya variasi spasial dan variogram. Prosedur estimasi yang paling umum geostatistik ,
Ordinary Kriging , disajikan sebagai untuk meningkatkan pemakaian metode, dua cara disajikan
pemahaman kriging tanpa jalan lain untuk mendasari matematika. Estimasi dan simulasi
dibandingkan dan dikontraskan, dan manfaat dari sebuah dari perencanaan kemungkinan
ditutupi. Makalah ini diakhiri dengan ringkasan singkat dari 16 makalah tambahan dalam
International Journal of Edisi Khusus Coal Geology pada geostatistik, dan memberikan dua
indeks untuk membimbing pembaca untuk kertas sesuai dengan masalah yang mereka mengatasi
dan sesuai dengan alat yang mereka gunakan.

Pendahuluan
Batubara saat ini sumber terbesar dari bahan bakar untuk generasi elec-tricity, dengan ratusan
tahun cadangan yang terdentifikasi, batubara kemungkinan akan tetap menjadi bahan bakar
energi yang dominan selama beberapa dekade kedepannnya.

kesulitan Teknis Dan Ekonomi Yang lebih besar : peningkatan variabilitas kualitas
batubara , kompleksitas Struktur Yang lebih besar , dan lebih merusak komponen.
Geostatistik offers alat Yang Menjadi Semakin Berhargauntuk review Model Membangun
bumi Yang Dibutuhkan Oleh industri batubara untuk reviewmenilai DanMengelola
Risiko hearts Proyek Semakin Sulit Yang Tetapuntuk review dikembangkan
Danditambang .Ikhtisar Penyanyi menyajikan TUR Singkat Dari lanskap geostatistik
untuk reviewmendukung kertas Negara Yang Muncul hearts International Journal of Coal
Geol - ogy ( IJCG )edisi khusus tentang geostatistik . Penyanyi dimulai di mana Proyek
Yang Khas

dimulai dengan analisis data membahas bagaimana model variasi spasial dikembangkan. Ini
adalah mengikuti sumber daya / cadangan estimasiyang meliputi presentasi dari kriging , karya kuda geostatistik perkiraan. klasifikasi sumber daya / cadangan kemudian dibahas , dengan
melihatdi metode geostatistik untuk mengidentifikasi lokasi dari " diukur " Menunjukkan " dan "
disimpulkan " sumber daya dalam deposit . simulasi kondisional ,versi spasial prosedur Monte
Carlo , diperkenalkan sebagai bumimetode pemodelan yang cocok untuk studi pencampuran ,
sertaStudi yang melibatkan penilaian risiko .Bagian Thefinal dari gambaran ini mengambil
melihat pada 16 makalah yangini dipilih karena buku ini , mengorganisir mereka ke
tematikkelompok sehingga pembaca dapat mengembangkan rasa untuk di mana they'llfindbahan
dengan relevansi dengan masalah dan isu .
2. Variasi Spasial
Dalam diskusi yang mengikuti, dan di koran pada Isu ini khusus,itu akan cepat menjadi jelas
bahwa landasan geostatistik adalah variasi data spasial. Fokus utama dari analisis data
geostatistik bawah-berdiri anddescribing pola invariables spasial seperti kualitas batubara dan
ketebalan. Parameter utama yang membedakan geostatistik estima-tion dari jenis estimasi lain,
seperti inverse jarak interpola-tion, adalah model semi-variogram (sering juga disebut dengan
"variogram Model") yang mengontrol berat data yang diberikan dekatnya. Fitursimulasi
geostatistik yang membedakannya dari metode lainnya untuk membangun-ingearth models
adalah bahwa hal itu secara eksplisit bertujuan untuk portray spasial variation menjadi benar.
Dari awal sampai akhir melalui studi geostatistik, ini adalah spasial variasi yang struktur
pemikiran memilki alasan bahwa geostatisticians arecurious tentang variasi spasial adalah bahwa
ia memainkan peran penting dalam aspek the assessment dari deposit batubara:
Mengetahui sesuatu tentang arah kontinuitas maksimum sangat berguna ketika kita mencoba
untuk membuat prediksi ketebalandan kualitas batubara. Antara lubang bor yang tersedia, kita
harus interpolasi menggunakan data sekitarnya, memberikan masing-masing dari sampel yang
berdekatan berat yang mencerminkan pentingnya untukesti-mate. Jika evolusi geologi deposit
telah menciptakan biji-bijian, sebuah kecenderungan nilai yang sama untuk berbaris ke arah
tertentu, maka kita dapat meningkatkan kualitas perkiraan kami dengan mengambil ini ke akun
ketika kita interpolasi.

 Mengetahui sesuatu tentang kesalahan dalam data, atau khususnya sub-kelompok data,
memungkinkan kita untuk membuat pilihan yang baik tentang berapa banyakkita harus
bergantung pada setiap titik data tertentu. Jika kita 2 memiliki noisyunreliable data dari lubang
bor tua serta data yang lebih handal dari inti baru lubang, kami ingin dapat bersandar lebih berat
pada data yang terpercaya, dan kurang berat pada data yang tidak terlalu diandalkan. pemahaman
kami tentang variasi spasial akan membantu kami dalam membuat pilihan yang baik tentang
bagaimana cara terbaik untuk berat kombinasi data error dan terpercaya. Mengetahui sesuatu
tentang variasi spasial sangat membantu ketika mencoba untuk memprediksi variabilitas run-oftambang dalam sebuah proyek yang mungkin memerlukan blending.Jika kita tahu bahwa
perubahan yang signifikan dalam kualitas batubara yang mungkin lebih berjarak pendek, maka
kita tahu bahwa operasi open-pit dengan hanya satu wajah operasi mungkin mengalami daily
fluctuations besar di qual-ity dari batubara yang dikirim dari dana tambang. Jika kita telah
mendokumentasikan possibil-ityfluktuasi pendek skala besar, dan kita tahu bahwa proyek tidak
bisa mentolerir large fluctuations, maka kita tahu bahwa kita perlu untuk con-Sider semacam
pencampuran.mungkin proyek perlu beberapa aktifoperasi wajah untuk mengaktifkan di-pit
blending; mungkin itu perlu direkayasatumpukan blending.
Sejak keyakinan kita dalam estimasi tertentu tergantung pada berapa data yang banyak
fluctuate dekatnya, dan seberapa dekat mereka, pengetahuan tentang pola variasi spasial yang
berharga untuk mengukur ketidak pastian dalam perkiraan kami. analisis risiko, dan kemampuan
untuk membuat keputusan dalam menghadapi ketidakpastian, keduanya meningkat ketika kita
memiliki kemampuan untuk membangun interval kepercayaan untuk semua perkiraan kami.
Mengetahui sesuatu tentang variasi spasial adalah membantu ketika diklasi - fying sumber daya
ke hearts " diukur " , " menunjukkan " dan " disimpulkan " cate - kategori-diwajibkan Oleh
peraturan pemerintah . jika , such as inviting participation ,perkiraan Tertentu didasarkan pada
banyak data yang terletak hearts bahwa kita bisa dengan nyaman melakukan korelasi geologi ,
kita harus baik diandalkan dibandingkan perkiraan berbaring yang data berdasarkan bahwa
semua berada di luar jangkauan lebih dari yang kita bias untuk fortably data yang
mengkorelasikan .

Analisis 3. Data
3.1 . statistik klasik
Banyak alat analisis data geostatistik yang digunakan dalam makalah penelitian ini sudah akan
akrab bagi pembaca karena mereka membuat grafis dan numerik digunakan dalam statistik
klasik.Ara. 1shows anexample dari ringkasan grafis commonly used untuk analisis data univariat
disertai ringkasan numerik biasa. contoh-contoh ini, seperti banyak dari yang digunakan dalam
gambaran ini, adalahd ari deposit batubara di Cekungan Powder River di Wyoming. The histogram mencatat jumlah (atau persentase) dari nilai data di masing-masing kelas,memberikan rasa
visual untuk rentang nilai, pusat dan mereka penyebaran. Statistik jangkar memilki arti visual ini
dengan informasi spesifik,mean dan median adalah ukuran dari pusat distribusi;varians dan
standar deviasi adalah ukuran penyebaran distribusi. Probabilitas Plot kumulatif menunjukkan
kesempatan (dari 0 ke 1) dari nilai data menjadi lebih rendah dari pada nilai yang diberikan pada
sumbu x. Sering,ini disajikan dengan sumbu y, sumbu probabilitas, berubah sedemikian rupa
bahwa data akan plot sebagai garis lurus jika mereka mengikuti klasik distribusi berbentuk
lonceng yang dikenal sebagai Normal (atau Gauss-ian) distribusi.Sebuah boxplot adalah
ringkasan grafis kompak yang suku cadang kita de-ekor histogram, memfokuskan perhatian kita
bukan pada segelintir karakteristik kunci. Kotak di tengah diagram pergi dari persentil 25 ke
persentil ke-75, yaitu itu meliputi setengah data;lengan yang menempel di luar kotak pergi ke
minimum dan maksimum.Bar di tengah kotak mencatat lokasi median,dan titik mencatat lokasi
dari mean. Sifat kompak box plot membuat format yang sangat baik untuk membandingkan
distribusi,
dengan sekelompok side-by-side boxplots, kita dapat dengan mudah menilai apakah distributions
dari populasi yang berbeda sama Ara. 2shows contoh sebaran sebuah, ringkasan grafis
paling sering digunakan ketika kita menganalisis lebih dari satu variabel pada suatu waktu.
statistik yang paling umum digunakan untuk menggambarkan bivarian sebuah hubungan adalah
koefisien korelasi, angka yang terletak di antar - 1 Dan +1, dan bahwa langkah-langkah seberapa
dekat awan poin datang untuk jatuh pada garis lurus.Garis lurus yang paling umum digunakan
sebagai titik referensi visual untuk sebar adalah garis regresi konvensional. Selain pro-masi

persamaan matematika yang berfungsi sebagai semacam ringkasan awan, garis regresi juga
prediktor statistik optimal.
Ketika statistik menggunakan kata "optimal" untuk menggambarkan perkiraan, mereka hampir
selalu mengacu pada prediksi yang meminimalkan kesalahan kuadrat. Setiap kali kita mencoba
untuk memprediksi sesuatu, kita tahu bahwa prediksi kami mungkin salah; kita akan
terbayangkan beruntung untuk memukul paku tepat di kepala, jadi kami menerima bahwa
adaakan menjadi kesalahan, yaitu perbedaan antara prediksi kami dan nilai sebenarnya. "kotak
Least" estimasi dan "terbaik linear berisi es-timates (BLUE)" adalah istilah yang
digunakandalam statistik untuk estimasi yang dihasilkan oleh prosedur yang secara eksplisit
bertujuan untuk meminimalkan kesalahan kuadrat. garis regresi klasik adalah garis yang
meminimalkan jumlah dari perbedaan kuadrat antara semua titik di awan dan garis(Dengan
perbedaan dihitung secara vertikal dari titik ke garis).

3.2 variogram
Untuk tujuan menganalisis dan memahami variasi dalam ruang dan waktu, fungsi auto-korelasi
adalah alat yang biasa digunakan dalam kebanyakan diterapkan disiplin statistik, seperti analisis
time series di econo-metrik dan pemrosesan sinyal dalam fisika. Geostatisticians cenderung
mengatasi ini berbeda, menggunakan ringkasan grafis yang disebut variogram auntuk
menganalisis dan memahami variasi spasial. variogram kami adalah essen-tially versi terbalik
dari fungsi auto-korelasi. Ara. 3shows contoh variogram dihitung untuk% Data Ashdari deposit
batubara Powder River Basin.

Variogram plot variasi (berapa banyak nilai-nilai sampel yang memilki perbedaan satu sama lain)
sebagai fungsi jarak. Secara intuitif, sampel yang dekat bersama-sama akan memiliki nilai data
yang lebih mirip satu sama lain dari pada sampel yang jauh terpisah. Dalam variogram, maka
perhitungan tertentu yang digunakan untuk mengukur perbedaan antara sampel nilai-nilai
perbedaan kuadrat mereka. variogram adalah plot dari aver-umur kuadrat perbedaan antara
pasangan nilai data.Pasangan nilai data dikelompokkan ke dalam kelas jarak (disebut
"Tertinggal" dalam jargon geostatistik) dan dalam setiap kelas jarak perbedaan kuadrat antara
nilai data

titik merah dalam gambar.3 below adalah rata-rata dari kuadrat perbedaan antara pasangan nilai
abu 0-100 m terpisah, 100-200 m terpisah, dan seterusnya sampai pasangan yang 1100-1200 m
terpisah.Dalam prakteknya, perhitungan variogram memerlukan setidaknya beberapa poin data,
yang ketika dipasangkan dengan satu sama lain, membuat beberapa ratus pasang data dengan
jarak yang berbeda. Dengan kurang dari sever-al poin lusin data, jumlah pasangan di setiap lag
mungkin menjadi begitu kecil yang variogram tidak memiliki struktur ditafsirkan bahwa
konsisten dengan pemahaman geologi seseorang.
Ada tiga karakteristik kunci dari variogram yang merupakan antar est di geostatistik:
sill, yang merupakan dataran tinggi yang variogram mencapai
Efek nugget, yang adalah jelas y-intercep. dan,

 jangkauan, yang merupakan jarak di mana variogram mencapai ambang.sill biasanya dekat
dengan varians keseluruhan nilai data, dicontoh yang ditunjukkan dalam gambar.3, data abu
memiliki varian 6.1. Sebagai varians, unit variogram adalah kuadrat dari unit pengukuran, dalam
hal ini 2%,
.
Salah satu cara untuk memahami variogram adalah untuk membayangkan bahwa Andaa dalah
semut kecil, menjelajahi deposit batubara, mengalami pasang turunnya nilai abu seperti yang
Anda bergerak, Anda tidak mendapatkan "gambaran besar", semua yang Anda lihat adalah
variasi yang bepergian lebih. Apa yang menampilkan variogram adalah jumlah dar keseluruhan

Total variabilitas Anda mengalami seperti yang Anda merangkak di sekitar. Jika Anda bergerak
hanya jarak kecil, Anda tidak akan melihat banyak variability seperti jika Anda bergerak pada
ruang besar. Akhirnya, sebagai anda bergerak pada sekitar banyak di deposit, Anda mengalami
varians penuh nilai-nilai abu. Jadi variogram naik dari nilai yang rendah-ish (seberapa rendah
tergantung pada seberapa banyak pendek skala var-iability ada di lapisan batubara) ke nilai yang
mencerminkan total varians.Setelah Anda telah mencapai jangkauan, dan melihat variabilitas
penuh bahwa batubara jahitan yang ditawarkan, variogram tidak naik lebih tinggi; itu hanya
melayang sekitar nilai ambang yang sama. Dalam contoh pada gambar.3, pengukuran abu
diambil 1100-1200 m terpisah tidak lebih (atau kurang) yang berbeda dari yangdiambil 700-800
m terpisah. Untuk Anda sebagai semut kecil, pada saat Anda sudah wan--tanya sekitar 700 m
dideposit, Anda sudah cukup banyak melihat semua tertinggi dan terendah yang Anda akan
melihat. rincian akan berubah sedikit,tetapi tidak ada variasi signifikan baru yang Anda akan
mengalami.Kisaran, jarak di mana variogram mencapai dataran tinggi,sesuai dengan gagasan

kita dari berbagai korelasi geologi,jarak di mana kita merasa nyaman menghubungkan titik-titik
pada interpretasi cross-sectional. Ketika kita melihat kualitas batubara ukuran-ment, pemahaman
kita tentang asal-usul jahitan memberikan kita naluri untuk seberapa jauh kita bisa
mengharapkan untuk melihat nilai-nilai yang sama. Korelasi panjang untuk kualitas batubara di
lapisan diendapkan di lingkungan deltaakan berbeda, biasanya lebih pendek dan dengan
anisotropi lebih terarah,daripada yang diamati dalam lapisan batubara dari lingkungan endapan
danau.Kisaran korelasi biasanya tergantung pada arah, terutama dideposit di mana ada bukti
"grain", arah dari preferensial kontinuitas. Dalam contoh yang ditunjukkan pada gambar.4, jelas
ada kecenderungan untuk nilai-nilai ketebalan lebih berkelanjutan dalam tenggara laut-ke-arah,
sebuah refleksi dari variasi ketebalan di lingkungan deposi-nasional asli.Salah satu fokus utama
dari analisis data geostatistik adalah iden-tification dari arah maksimum dan kontinuitas
minimum.
Pilihan rentang yang mengukur anisotropi directional. Panjang kisaran arah kontinuitas
minimum dan jarak jauh diarah kontinuitas maksimal.Parameter variogram penting ketiga adalah
efek nugget, yang jelas y-intercept pada plot dari variogram tersebut. Kami menyebutnya "apparent" karena nilai variogram sebenarnya untuk sampel yang dipisahkan olehnol jarak (yaitu tepat
pada lokasi yang sama) adalah nol, jika kita pergimelalui rincian perhitungan variogram untuk
pemisahannol, kita akan memasangkan setiap sampel dengan dirinya sendiri, perbedaan kuadrat
semua akan nol dan rata-rata kuadrat perbedaan akan menjadi nol.variogram karena itu selalu
memiliki titik di atasnya yang kita tidak repot-repot. merencanakan: di (0,0). Tapi segera setelah
kami melihat sampel bahkan kecil dis-dikan terpisah, kita bisa mulai melihat perbedaan; kadangkadang ini dif-perbedaan-kecil, dalam situasi lain mereka besar. Efek nugget mengkuantifikasi
variabilitas diamati pada jarak yang sangat pendek. ketika kita ekstrapolasi titik merah onFig.
3back ke sumbu y, merekamuncul untuk memukul y-sumbu suatu tempat sekitar 2, sekitar 1/3
dari ambang jendela.
Hal ini menunjukkan bahwa banyak variabilitas dalam nilai-nilai abu di lapisan batubara tertentu
ini jelas jarak yang sangat pendek. Sebagai semut, Anda bisa melihat banyak perubahan, bahkan
ketika Anda bergerak hanya jarak pendek.Apakah kita menghitung variograms dari var-iable

lebih alami terus menerus, seperti ketebalan jahitan di coalbed unfaulted, kita akan tidak ex-pect
untuk melihat banyak variasi jarak yang sangat pendek dan nugget efek akan mendekati nol.
Ada dua faktor yang berkontribusi terhadap efek nugget: 1) gen-uine, in situ variabilitas and 2)
variabilitas tambahan yang berasal darisemua kesalahan yang kita buat ketika kita mencoba
untuk mengukur sesuatu.Dalam penilaian deposit batubara,

parameter kunci tidak memliki

alasan untuk menunjukkan variasi pendek skala alami. Sebuah geometris prop-erty seperti
seamthickness, misalnya, tidak memiliki alasan tochange tiba-tiba,kecuali ada komplikasi
struktura,: kesalahan yang datang tiba2.

Meningkat atau menurun. Untuk jenis properti, efek nugget ditunjukkan oleh variogram
mengungkapkan kepada kita thefluctuations disebabkan oleh artifi-cial noise dalam data.
Kelanjutan dengan contoh ketebalan, ada banyak proyek di mana data ketebalan berasal dari dua
yang berbeda jenis lubang: 1) orang-orang yang aredecades tua dan di mana satu-satunya data
berhasil-mampu yang log listrik, dan 2) lebih pemboran inti baru yang memungkinkan untuk
pengamatan visual langsung dari puncak dan dasar dari jahitan. Jika lubang tua menunjukkan

variogram ketebalan yang memiliki nugget tinggi effect, dan lubang baru menunjukkan
variogram ketebalan yang hampir ada efek nugget, maka perbedaan ini harus karena data lama
menjadi ribut. Ini bukan bahwa thicknessfluctuates sebenarnya lebih di mana kita kebetulan
memiliki lubang tua; yang jelas pendek scalefluctuationshanya sebuah artefak dari teknologi
yang digunakan untuk mengukur ketebalan.Sementara variabel geometris seperti ketebalan
sering tidak alami

alasan bervariasi jarak pendek, variabel lain dapat bervariasi

mempertimbangkan brntuk, bahkan ketika kita memiliki data bebas dari kesalahan ketika tidak
ada suara addi-nasional yangberasal dari cara kita sampel dan mengukurdeposito. Sebuah contoh
yang baik adalah komponen merugikan, seperti natrium atausulfur. Variasi dalam kimia batubara
yang disebabkan, sebagian besar, untuk
variasi kimia dalam bahan organik asli yang akhirnya,dengan tekanan dan panas, menjadi
batubara. Karena hubungan ini kebahan sumber aslinya, dua kali lipat dari kelas sulfur atas jarak
yang sangat pendek jauh lebih penting atau mengejutkan dari jenis dua kali lipat akan ketebalan.
Perubahan dari 0,6% S menjadi 1,2% S lebih 50 m adalah hal yang biasa. dua kali lipat dari
ketebalan, dari 6 m sampai 12 m,lebih jarak yang sama jauh lebih tidak biasa. Jadi pada saat
yang sama bahwa efek nugget memberitahu kita sesuatu tentang kesalahan di data, itu juga
memberitahu kita sesuatu tentang variasi alam diciptakan oleh proses fisik dan kimia yang dibuat
deposit batubara.Variograms variabel yang canfluctuate jauh karena merekam turewill
menunjukkan efek nugget lebih tinggi dibandingkan variabel yang mantan hibit sedikit variasi
alami jarak pendek
Karenadi dasarkan padaan alisis dari nilai data dipasangkan, variogramsering disebut sebagai
"duapoin" statistikspasial.Polas paesensia dilihat dalam geologi jauh lebih kompleks daripada
variogram dapat menangkap. Baru-baruini, sejak tahun 2002, telah ada minat yang besar dalam
industry minyak dan gas di "multi point" statistik yang dapat memberikan lebih banyaki
informasi lengkap mengenai polas pasial. berkelok-kelok sungai sistemsisteman dfluvio-delta
adalah contoh darilingkungan di statistik yang multi-point menawarkan perbaikan penting.
Dalam de-posisilingkung antersebut, yang juga penting dalamgeologi batubara, yang polaspasial
lengkung tidak dapat dijelaskan dengan baiko leh dua poinsta-tisticsse pertivariogram tersebut;
membutuhkan
menggambarkan

statistik
secara

yang

melibatkan

memadaikain

beberapa

geologi.

poinyang

Dalam

berbeda

beberapa

untuk

tahun

untuk

kedatang,

enthusiasmformulti titik geostatistik thepetroleum industry inikemungkinan akan meluas ke

industry berbasis sumber daya lainnya, memperkaya praktek pemodelan bumi di industry
pertambangan, baik untuk logam dan untuk batubara

4. Estimasi

Geostatisticspada 1950an ,dan matang menjadi toolkitprac - vertikalpada 1960-an Jauh sebelum
geostatistik berkembang , industry ini memiliki metode untuk memperkirakan tonase dan nilai ,
sebuah berbagai prosedur komputasi yang diinterpolasi antara data berhasil - mampu . Semua
prosedur ini menggunakan pendekatan dasar yang sama, merekam nilai estimasi di lokasi tanpa
sampel menggunakan rata-rata tertimbang data terdekat :

Semua prosedur estimasi umumm enggunakan bobot yang sama untuk1 ,pembagianb erat untuk
sampel terdeka tmenurut mereka dirasakan relevans iatau kepentingan . Biasanya sampel dekatny
amendapakan lebih berat sementara jauh sampel mendapatkan beratb yang kurang . Prosedur
estimasi itu, bahkan hari ini ,adalah yang paling umum digunakan dalam industry batubara
adalah keluarga ( ID ) metode inverse jarak jauh . Seperti namanya ,metodeini memberikan
kepada setiap sampel berat yang berbanding terbalik dengan jarak antara sampel danl okasi di
mana kita melakukan estimasi

wheredi adalah jarak antara sampel dengan dan lokasi yang kita lakukan estimasi.Dalam
perangkat lunak komputer yang melakukan estimasi ID, pengguna diijinkan untuk memilih
parameter, eksponen yang mengontrol derajat yang kita inginkan tergantung pada sampel yang

sangat dekat. Ketika kita memilih nilai-nilai besar OFP (biasanya lebih besar dari 2, yang biasa
Pilihan default di perangkat lunak), kita memberikan lebih penting untuk lebih dekatsampel; jika
kita memilih nilai ofpthat yang besar (10, 20, dll) kamiakan berakhir menugaskan semua berat ke
satu sampel yang hap-pena lebih dekat dari yang lain. perkiraan ID dihitung dengan
sangateksponen tinggi berakhir menyerupai perkiraan disebut "terdekat meringkik-bor" atau
"poligonal" perkiraan, yang terlihat seperti kumpulan tanggalangkah, dengan diskontinuitas
mendadak mana weightflips dari satusampel untuk sampel yang berbeda yang sekarang terjadi
menjadi yang paling dekat.Jika kita memilih nilai-nilai kecil OFP (mis. 1, atau 1/2), kita
membiarkan sampelyang lebih jauh untuk memiliki pengaruh yang lebih; sampel lebih dekat
lagimendapatkan bobot yang lebih besar, tetapi sampel lebih lanjut diberikan peran yang lebih
besar. Sebagaip mendekati nol, ID perkiraan hanya menjadi rata-rata sama-tertimbang dari
semua

data

di

dekatnya,

dan

kami

mendapatkan

sangat

halus

esti-rekan

yang

memilikipenampilan topografi perbukitan.Meskipun perkiraan ID menawarkan theflexibility

pengguna memilihestimasi atas berbagai kemungkinan (tergantung pada pilihanPPS), mereka
memiliki empat kelemahan yang jelas:
Mereka tidak memberikan pengguna kemampuan untuk mengontrol bobot menggunakan
informasi tentang kelangsungan geologi dan variasi spasial yang sebenarnya.Dalam
contohdibahas sebelumnya, dengan tua, berisik e-log dan baru,lebih dapat diandalkan lubang
inti, tidak ada cara bagi pengguna untuk memasukkanfakta bahwa beberapa data secara intrinsik
lebih dapat diandalkan daripada yang lain. Sim-ilarly, tidak ada titik masuk untuk informasi
tentang pendek skala var-iation, atau pola yang rumit kontinuitas geologi.
Mereka tidak memperhitungkan kemungkinan bahwa beberapa sampelmungkin berlebihan
dengan sampel lainnya. Jika kedua terdekat sam-ple tepat di samping yang paling dekat ...sebuah
lubang kembar, misalnya ...tidak ada di ID perhitungan yang mengakui ini redun-Dancy; kedua
sampel akan mendapatkan bobot yang besar dengan mengorbankan lainnyasampel, meskipun
mereka membawa beberapa informasi yang sama.
Whendi adalah nol (ketika kita berada tepat di titik data), kita mendapatkanmembagi-by-nol
kesalahan.

 Mereka tidak memberikan mekanisme untuk menilai keandalansebuah perkiraan

Metodeinterpolasigeostatistikdikenalsebagai" kriging " pro - vides solusi yang baik untuk semua
masalah ini . Dengan menggunakan informasi pada variasi spasial ,tidak hanya itu dapat
memilah kelangsungan geologi dan redundansi , juga mampu memberikan ukuran kepercayaan
di estimasi. Ketika kita persis di atastitik data, kriging hanya memilih nilai data pada lokasi
tersebut, dan tidak melibatkan dan patch untuk masalah membagi- by - nol .Perangkat lunak
yang melakukan kriging tidak meminta pengguna untuk semua rincian variogram
eksperimental ,titik-titik merahin Fig . 3. Di - manfaat ,computer meminta kurva mulus yang
mendekati variasi spasial diamati dalam variogram eksperimental , sesuatu seperti garis putusputus merah pada Gambar . 5. Kemampuan untuk memasang model variogram
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.
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. 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.
Ordinary kriging (OK) merupakan prosedur estimasi yang menggunakan menimbang 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, bahwa studi ini menggunakan Ordinary Kriging termasuk Ertun et al. (2013)
dan Tercan et al. (2013).
Ada dua cara yang berguna tentang kriging tanpa mendapatkan ke rincian persamaan. 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 membuat sampel yang terletak di arah maksimum kontinuitas.
Kriging juga mampu mendeteksi ketika sampel yang berlebihan dengan satu sama lain.
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 line, yang memberi kami prediksi statistik optimal pemanasan nilai jika kita sudah tahu
nilai abu di lokasi itu. kriging memberikan twist pintar pada konsep ini. 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 konseptual; dalam kedua kasus ini merencanakan nilai x terhadap nilai y,
kita hanya mengubah pendekatan 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). Gambar 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 nilainilai 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 lintas-variograms 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 cokriging yang tidak memerlukan pengguna untuk model lintas variograms. Dalam hal ini, satusatunya 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 spatio-temporal
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 cross-korelasi 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 tengahof-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 benar-benar 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 nilai-nilai 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 runof-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 trialand-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 multi-point 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

of

Coal

Geology.

http://dx.doi.org/10.1016/j.coal.2012.10.010.
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.