Perangkat lunak ini dan dokumentasi ini dimiliki oleh Grup Surpac Minex Pty Ltd
Surpac Minex Group Pty Ltd menerbitkan dokumentasi ini satu-satunya penggunaan
Surpac lisensi.
Tanpa izin tertulis Anda mungkin tidak menjual, memperbanyak, menyimpan dalam
sistem pencarian, atau mengirimkan
setiap bagian dari dokumentasi. Untuk izin tersebut, atau untuk memperoleh
salinan tambahan silahkan hubungi
Surpac lokal Anda Minex Group Office.
Surpac Minex Group Pty Ltd
Tingkat 8 190 St Georges Terrace
Perth, Australia Barat 6.000
Pendahuluan
Geostatistik digunakan dalam bidang-bidang seperti pertambangan, kehutanan,
hidrologi, dan meteorologi dalam rangka memahami bagaimana perubahan nilai
data di atas jarak. Mungkin penggunaan paling umum dari Geostatistik adalah
untuk membuat perkiraan, seperti bobot batuan untuk daerah di mana hanya ada
beberapa yang dikenal nilai-nilai sampel. Hal ini sering dilakukan dalam tiga
dimensi. Sebuah rangkaian titik-titik di ruang angkasa diperkirakan dikenal sebagai
"model". George Box, seorang professor Statistik di University of Wisconsin di
Amerika Serikat, pernah berkata, "Semua model salah. Ada yang berguna. "
Persyaratan
Sebelum melanjutkan dengan tutorial ini, Anda harus telah menginstal Surpac Visi
v5.1. Selain itu, Anda harus memiliki pemahaman yang baik tentang konsep-konsep
berikut dalam Surpac Visi
1.
2.
3.
4.
Geologi Database
Solid modelling
Blok model (bagaimana untuk membuat dan membatasi model)
Tcl script
Jika Anda tidak memiliki latar belakang yang baik dalam mata pelajaran ini, banyak
bagian dari tutorial ini mungkin sulit untuk diikuti.
Tujuan
Tujuan utama dari tutorial ini adalah untuk membantu Anda menjadi terbiasa
dengan metode-metode untuk geostatistical melakukan operasi dengan Surpac
Vision. Selain itu, tutorial ini akan memperkenalkan Anda geostatistical umum
konsep, dan memberikan beberapa petunjuk tentang cara membuat keputusan
geostatistical. Pada akhirnya, tanggung jawab dari model yang Anda buat adalah
tanggung jawab Anda. Ada metode yang sering kali lebih dari yang diuraikan di sini
untuk mendapatkan model.
Workflow
Proses yang dijelaskan dalam tutorial ini diuraikan di bawah ini:
1.
2.
3.
4.
5.
6.
7.
8.
Pendahuluan
Geostatistical penting konsep
Instalasi file pelatihan
Domains
Statistik dasar
Anisotropi
Variograms
Variogram peta
Konsep-konsep penting
Tinjauan
Meskipun Geostatistik bukan ilmu pasti, ada beberapa konsep penting yang dapat
mengurangi kesalahan estimasi. Konsep-konsep ini dapat dibagi menjadi empat
wilayah:
1.
2.
3.
4.
Domains
Validasi data input
Memahami metode estimasi dan parameter
Memvalidasi output model
Persyaratan
Tidak ada persyaratan untuk membaca bab ini, tetapi Anda mungkin menemukan
beberapa prinsip
lebih mudah dipahami jika Anda:
memiliki pemahaman statistik dasar
mengetahui apa model geostatistical, atau
sebelumnya telah melakukan estimasi geostatistical
1. Memahami domain
Penting untuk mengenali terpisah "daerah" atau "domain" dalam model. Setelah
Anda
mengidentifikasi domain, penting untuk mengelompokkan semua data sampel yang
terkandung dalam setiap domain
menjadi himpunan bagian yang berbeda. Setelah itu, Anda dapat menganalisis
setiap bagian secara individual, dan menggunakan data dari
tiap-tiap domain untuk membuat estimasi dalam domain tersebut.
2. Periksa data input
Ucapan "Garbage in = Garbage out" pasti benar dalam Geostatistik. Walaupun
sampling teori dan praktek kontrol kualitas laboratorium adalah konsep-konsep
penting yang mempengaruhi kualitas
setiap estimasi dilakukan dengan menggunakan seperangkat nilai-nilai data, subjek
ini berada di luar cakupan tutorial ini.
Dengan asumsi bahwa kualitas data sebaik kita akan mendapatkan, ada beberapa
bahaya karakteristik dari data yang anda harus cari: "bimodalism" dan "Outliers".
Anda dapat mencari kedua fitur tersebut dengan histogram. Sebuah kumpulan data
dikatakan "Unimodal" jika histogram menunjukkan satu puncak. Jika terdapat dua
puncak, data dikatakan "Bimodal". Jika Anda menggunakan beberapa teknik
estimasi lebih umum untuk menciptakan model didasarkan pada distribusi bimodal,
kemungkinan untuk mengandung lebih banyak kesalahan estimasi dari model
dibuat dari kumpulan data unimodal. Selain itu, "outliers", atau nilai-nilai yang
signifikan jauh dari sebagian besar data, dapat menyebabkan kesalahan estimasi.
3. Memahami metode estimasi dan parameter
Ada sejumlah besar metode estimasi, dan sejumlah besar parameter dalam setiap
metode. Sebelum menggunakan metode perkiraan tertentu, Anda harus memiliki
baik latar belakang statistik dasar, serta prinsip-prinsip dasar geostatistical.
Menggunakan Geostatistik dapat disamakan dengan pesawat terbang jet. Meskipun
ada "autopilot" mode, di mana Anda hanya menekan beberapa tombol dan sesuatu
terjadi, adalah penting bahwa pilot memahami teori aerodinamis untuk memahami
apa dampak kontrol tertentu pada hasil akhir.
4. Periksa output model
Metode terakhir yang harus Anda gunakan untuk memeriksa kualitas sebuah
perkiraan adalah meluangkan waktu untuk memeriksa
output. Histogram dari nilai-nilai estimasi, kontur rencana, penampang blok
model, warna dikodekan dan diputar dalam tiga dimensi ruang adalah semua
metode yang dapat
digunakan untuk membuktikan nilai-nilai output.
Ringkasan
Geostatistik adalah studi tentang bagaimana data bervariasi dalam ruang. Ini
adalah ilmu eksak yang digunakan untuk membuat estimasi di lokasi di mana tidak
ada data yang ada. Penting untuk mengakui bahwa validasi input dan output data
yang sama pentingnya dengan pemahaman teori dan geostatistical
metode estimasi yang digunakan.
Instalasi file
Tinjauan
Bab ini akan mencakup menginstal file-file yang digunakan dalam tutorial
Geostatistik.
Persyaratan
Sebelum melakukan latihan dalam bab ini, Anda harus:
mengetahui bagaimana menggunakan Windows Explorer untuk membuat direktori
memiliki akses untuk mengompresi / Uncompressing perangkat lunak, seperti
WinZip
1. Buat direktori kerja
Menggunakan Windows Explorer, buat direktori dimana kita akan meng-unzip file.
Sebagai contoh, Anda dapat menciptakan direktori:
C: \ v51_geostats_demo
Copy / download file zip
Selanjutnya, salin file ke dalam direktori ini geostatistics.zip. Jika Anda tidak
memiliki salinan file ini,
download dari link berikut, atau hubungi dukungan Grup Surpac Minex kantor.
ftp://ftp.surpac.com/distrib/tutorials/surpac_v5.1/geostatistics.zip
Catatan: Anda dapat melihat dan men-download semua tersedia tutorial dari situs
ftp ini:
ftp://ftp.surpac.com/distrib/tutorials/
3. Unzip file
Menggunakan WinZip atau utilitas kompresi lain, unzip file ke dalam direktori
geostatistics.zip
Anda buat.
Ringkasan
File Anda akan perlu untuk sisa tutorial sekarang harus hadir dalam pekerjaan Anda
direktori.
Domains
Tinjauan
Salah satu aspek yang paling penting Geostatistik adalah untuk memastikan bahwa
data apapun yang ditetapkan dengan benar
diklasifikasikan ke dalam satu set homogen "domain". Sebuah domain adalah baik
2D atau 3D kawasan dalam
semua data yang terkait. Mencampur data dari lebih dari satu domain, atau tidak
mengelompokkan data ke
benar domain dapat sering menjadi sumber banyak kesalahan estimasi.
Konsep-konsep berikut ini akan disajikan dalam bab ini:
1. Estimasi tanpa domain
2. Dampak domain pada nilai-nilai estimasi
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus:
mengerti apa Surpac string dan file DTM
mengetahui cara menampilkan file string dan DTM
1. Contoh sederhana
Bayangkan bahwa Anda adalah seorang ahli meteorologi, dan Anda diberi tiga
suhu udara yang diukur pada lokasi A, B, dan C, seperti ditampilkan di bawah.
Didasarkan pada nilai-nilai yang ditunjukkan, apa yang akan Anda menebak suhu
di lokasi X? Apakah Anda menduga bahwa suhu di lokasi X lebih besar dari 25?
Sekarang perhatikan berikut ini: Bayangkan bahwa Anda ingin pergi ke pantai
favorit Anda, tetapi hanya jika temperatur adalah 25 derajat atau lebih. Anda
memiliki tiga teman-teman yang tinggal di dekat pantai Anda mau pergi juga,
dan Anda menelepon mereka dan bertanya kepada masing-masing apa suhu di
masing-masing rumah. Anda menggambar peta di bawah ini, dengan masingmasing lokasi teman (A, B, dan C) dan suhu mereka memberi Anda. Favorit Anda
di lokasi pantai X. Perhatikan bahwa teman yang hidup lokasi B ditinggi
pegunungan, sementara teman-teman di A dan C tinggal di dekat pantai.
dari domain
data yang terkandung di dalam, kami datang dengan hasil yang sangat berbeda.
Titik
adalah bahwa memisahkan data ke daerah yang sama, atau domain adalah
bagian yang sangat penting untuk membuat setiap
geostatistical estimasi.
Titik-titik dalam file string ini mewakili 2 meter downhole komposit. Lapangan yang
D1 berisi
nilai yang composited emas. D1 nilai-nilai yang telah digunakan untuk
mengelompokkan titik ke
string yang berbeda:
String
1
2
3
4
5
6
7
D1
< 1.000
1
1.999
2
2.999
3 3.999
4
4.999
5
5.999
>=
6.000
Seperti pada contoh pertama di atas, ada perkiraan bahwa kami akan membuat
dengan hanya file ini akan
hanya didasarkan pada jarak antara titik sampel dan perkiraan lokasi.
Dengan masih all_composites2.str ditampilkan pada layar, buka file ore_solid1.dtm
Padatan ini mewakili satu domain, sebagaimana ditafsirkan oleh seorang ahli geologi. Hanya komposit
yang jatuh di dalam domain ini harus digunakan untuk memperkirakan titik-titik di dalam domain.
3. Mengekstrak data dengan sebuah domain dalam Surpac
Domain ore_solid1.dtm mewakili zona bijih yang dikenal sebagai zona QV1. Sekarang kita akan pergi
melalui proses ekstraksi komposit QV1 hanya di dalam domain.
Jalankan makro 01_create_downhole_composites.tcl
Setelah membaca teks di bawah ini pada bentuk pertama, klik APPLY.
Sebuah analisis geostatistical data dalam database drillhole umumnya dimulai dengan penulisan yang
nilai sampel dalam zona geologis tertentu.
Dalam contoh ini, kita akan menciptakan 2 meter downhole komposit dalam QV1 geologi
kode
COMPOSITE DOWNHOLE fungsi dipanggil dari menu Database dengan memilih Komposit, kemudian
Downhole. Perhatikan bahwa komposit panjang 2 meter telah dipilih. Pemilihan komposit panjang adalah
penting, tetapi berada di luar cakupan tutorial ini. Kamu mungkin ingin mempertimbangkan pendapat
seorang konsultan untuk menentukan geostatistical optimal komposit panjang untuk data.
Setelah melihat formulir di bawah ini, klik APPLY.
Pada bentuk berikutnya, perhatikan bahwa karakter field rock telah ditetapkan di tabel geologi,
yang merupakan tabel interval. Teks "QV1" telah dimasukkan ke dalam bidang batu untuk setiap
Interval dari sebuah drillhole yang ada di dalam ore_solid1.dtm.
Setelah melihat bentuk, klik APPLY.
Ringkasan
Anda sekarang harus memahami dampak yang telah atas geostatistical domain perkiraan,
dan bagaimana menggunakan Surpac untuk mengekstrak data dalam sebuah domain.
Statistik Dasar
Tinjauan
Salah satu langkah awal penting dalam melakukan evaluasi geostatistical adalah memiliki
pemahaman yang baik dari data mentah. Dua karakteristik yang dapat berpotensi mengurangi
kualitas perkiraan Anda bimodalism dan outliers. Sebuah histogram dapat digunakan untuk
mengidentifikasi
kedua.
Konsep-konsep berikut ini akan disajikan dalam bab ini:
1. Menggunakan histogram untuk mengidentifikasi distribusi bimodal
2. Menggunakan histogram untuk mengidentifikasi outliers
3. Pemilihan nilai cutoff
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus:
akrab dengan file string Surpac
mengetahui cara menjalankan makro Surpac
1. Histogram
Sebuah histogram adalah suatu istilah statistik yang mengacu pada frekuensi grafik nilai vs. A
histogram adalah
versi grafis dari sebuah tabel yang menunjukkan berapa proporsi kasus jatuh ke dalam masingmasing dari beberapa
nonoverlapping interval dari beberapa variabel. Misalnya distribusi nilai emas bisa
diwakili oleh tabel berikut:
Gold (g / t) Jumlah sampel
(frekuensi)
0,0-0,5 0
0,5-1,0 40
1,0-1,5 58
1,5-2,0 82
2,0-2,5 40
2,5-3,0 29
3,0-3,5 18
3,5-4,0 10
4,0-4,5 12
4,5-5,0 5
5,5-6,0 5
6,0-6,5 5
6,5-7,0 5
7,0-7,5 8
7,5-8,0 5
Ini data yang sama dapat ditampilkan dalam histogram sebagai:
2. Bimodal distribusi
The "mode" adalah nilai yang paling sering terjadi dalam suatu kumpulan data. Sebagai contoh, berikut
kumpulan data, angka 8 adalah modus:
13558889
"Bimodal" berarti bahwa ada dua relatif "paling umum" nilai-nilai yang tidak berdekatan
satu sama lain. Dalam berikut kumpulan data, bilangan-bilangan 2 dan 8 adalah sama-sama umum, dan
distribusi dikatakan "bimodal":
12223558889
Bayangkan bahwa Anda sedang mempelajari rata-rata gravitasi spesifik, atau kepadatan batuan di batu
bara
deposit. Sebuah histogram dari semua sampel batuan akan terlihat seperti ini:
Setiap histogram yang menampilkan dua gundukan-gundukan, seperti pada contoh di atas, dikatakan
"bimodal".
The bimodal distribusi pada contoh di atas dapat dijelaskan oleh fakta bahwa data set
terdiri dari sampel batu bara serta batu pasir dan campur tangan mudstone band. Itu
bobot nilai antara 1 dan 2 adalah perwakilan dari batubara, sedangkan bobot
nilai antara 2 dan 3 mewakili intervensi batu.
Seringkali sumber distribusi yang bimodal dua wilayah dapat dicampur menjadi satu data
mengatur. Dalam estimasi untuk meminimalisasi kesalahan, Anda harus membuat setiap usaha untuk
memisahkan setiap
kumpulan data yang memiliki distribusi bimodal. Dalam contoh di atas, hanya memisahkan data
didasarkan pada jenis batuan akan menghasilkan dua distribusi normal.
2. Outliers
Sebuah "outlier" adalah istilah statistik untuk nilai data yang relatif jauh dari mayoritas
semua nilai-nilai lain dalam kumpulan data. Sebagai contoh, dalam kumpulan data berikut,
jumlah 236 akan
dianggap sebagai suatu outlier:
1 3 5 5 8 8 8 236
Outliers dapat menyebabkan masalah dengan perhitungan variograms. Sebagai tambahan, jika
digunakan dalam sebuah
estimasi, outliers dapat mengakibatkan hasil yang tidak realistis. Salah satu teknik yang
digunakan untuk mengurangi dampak
dari outliers adalah untuk menerapkan "cutoff" untuk mereka. Dalam contoh di atas, nilai dari
236 bisa "dipotong",
atau diubah ke nilai 9:
13558889
Alternatif lain adalah menghapus nilai outlier (s).
Setelah membaca teks yang ditampilkan pada formulir berikutnya, klik BERLAKU.
Seperti yang dapat Anda lihat dari histogram, distribusi ini tidak bimodal.
Laporan statistik dasar akan ditampilkan di sebelah.
Perhatikan nilai-nilai mean, standar deviasi, dan persentil.
Laporan raw_gold.not output akan ditampilkan. Laporan ini berisi beberapa output statistik,
termasuk persentil tertentu. Kita akan merujuk pada laporan ini dalam bagian berikutnya.
STR Matematika dipanggil dengan memilih String matematika dari alat File menu.
Formulir ini meminta Anda untuk memasukkan nama file input dan output, serta sebagai
ekspresi. Sebelum melihat bentuk ini, makro telah membuka gold_comp2.str dan disimpan sebagai
gold_cut17.str.
Lapangan yang D1 akan menerima hasil dari ekspresi:
IIF (d1> 17,17, d1)
Dalam rangka untuk memvalidasi output dari STR matematika, kita akan menganalisis data dalam
BASIC
STATISTIK jendela. Sekali lagi, ini dipanggil dengan memilih statistik dari Dasar
Geostatistik menu.
Selanjutnya, dari menu File, Load data dari file string dipilih, dan bentuk di bawah ini
ditampilkan. Perhatikan bahwa gold_cut17.str adalah file yang dianalisis. Bila Anda telah selesai
melihat bentuk, tekan BERLAKU.
Selanjutnya, histogram dan garis mewakili frekuensi kumulatif akan ditampilkan. Catatan
bahwa nilai data maksimum sekarang 17.
Setelah ini, Laporan ini dipilih dari menu Statistik. Formulir ini meminta Anda untuk memasukkan
output nama laporan, format laporan, dan berbagai persentil yang akan ditulis ke
laporan. Bila Anda telah selesai melihat bentuk, tekan BERLAKU.
Setelah membaca teks di bawah ini pada formulir berikutnya, klik BERLAKU.
The D1 bidang gold_cut17.str file berisi nilai-nilai D1 dari gold_comp2.str.
Seperti yang ditampilkan oleh histogram ini, Anda dapat melihat bahwa nilai maksimum adalah 17,000.
The D1 bidang gold_cut17.str sekarang akan digunakan untuk semua analisis variography berikutnya,
sebagai
serta model blok estimasi.
Laporan keluaran output gold_cut17.not berisi beberapa statistik, termasuk yang ditetapkan
persentil. File ini dibuat dalam direktori, tetapi tidak ditampilkan oleh makro. Anda mungkin
buka jika Anda ingin dan memverifikasi bahwa nilai maksimum adalah 17.
Output Filename: gold_cut17
Statistics Report
File
Gold Cut17.str
---------------------------------------String range
Variable
Number of samples
1,2
Gold
335
Minimum value
0.730
Maximum value
17.000
25.0 Percentile
50.0 Percentile (median)
75.0 Percentile
1.658
2.120
3.298
Mean
3.182
Variance
9.814
Standard Deviation
3.133
Coefficient of variation
0.985
Skewness
3.200
Kurtosis
13.487
Trimean
2.299
Biweight
2.235
MAD
0.705
Alpha
-0.728
Sichel-t
2996.728
Ringkasan
Anda sekarang harus mengerti bagaimana statistik dasar dapat digunakan untuk
mengidentifikasi distribusi bimodal
dan outliers, dan juga bagaimana untuk memilih dan menerapkan outlier cutoff.
Anisotropi
Tinjauan
Sebuah aspek penting dalam melakukan evaluasi geostatistical apapun adalah
untuk memahami bagaimana data
perubahan nilai-nilai yang berkaitan dengan arah. Istilah "anisotropi" berkaitan
dengan konsep ini, dan
dijelaskan dalam bab ini melalui berikut:
1.
2.
3.
4.
Isotropy vs anisotropi
Geostatistical estimasi menggunakan isotropy
Geostatistical estimasi menggunakan anisotropi
Ellipsoid visualiser
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus:
memahami Surpac string file, dan bagaimana menampilkan mereka
akrab dengan bentuk geometris dan endapan geologi ekonomi deposito
memahami konsep pusat massa blok individu dalam model blok
1. Isotropy vs anisotropi
Untuk memahami anisotropi, akan sangat membantu untuk mengetahui dulu
apa istilah mengacu pada isotropy.
Berikut adalah definisi dari masing-masing:
Isotropy: properti menjadi isotropik; memiliki nilai yang sama ketika diukur di
berbagai
arah
Anisotropi: properti menjadi anisotropik; memiliki nilai yang berbeda bila
diukur
arah yang berbeda
Ketika memperkirakan nilai dalam sebuah model blok, jumlah dan arah
anisotropi dapat memiliki
dampak signifikan pada hasil akhir. Sebagai contoh, tiga model yang
ditunjukkan di bawah ini
dibuat dari kumpulan data yang sama, tetapi jumlah yang berbeda anisotropi
digunakan.
Untuk melihat bagaimana blok ini ditampilkan dalam Surpac, jalankan anisotropy.tcl
makro. Klik
grafis setelah setiap model akan ditampilkan. Jika Anda menggunakan pemutaran
Makro tombol, Anda dapat melihat
semua nilai pada bentuk dengan mencentang "Slow motion pemutaran".
Dalam istilah geostatistical, isotropy, atau kondisi isotropik dikatakan ada bila
tingkat
mengubah nilai data adalah sama dalam semua arah. Kondisi isotropik sejati dalam
tiga
dimensi jarang untuk sebagian besar jenis data. Namun, sebuah kondisi isotropik
dalam dua dimensi
lebih umum. Sebagai contoh, laju perubahan nilai alumina besar horizontal
deposit bauksit di bawah topografi relatif datar dapat isotropik di bidang XY.
Sebaliknya, anisotropi, atau kondisi anisotropik dikatakan ada bila laju perubahan
nilai data yang berbeda dalam arah yang berbeda. Ini mungkin kasus yang paling
umum. Untuk
contoh, sebuah vena emas epithermal mungkin memiliki tingkat perubahan yang
berbeda di masing-masing dari setiap tiga
saling tegak lurus arah: sepanjang mogok, turun saus, dan tegak lurus terhadap
pesawat dip.
Sisa dari bab ini akan membahas penggunaan isotropy dan anisotropi dalam
melaksanakan
geostatistical perkiraan. Untuk memahami bagaimana kita menentukan apakah
suatu data set isotropik
atau anisotropik, dan bagaimana untuk menghitung arah dan jumlah anisotropi,
3.
Dalam kasus ini, di mana hanya ada dua sampel yang digunakan untuk
memperkirakan nilai untuk blok,
yang "berat" untuk setiap sampel akan menjadi 0,5. Perhitungan nilai blok akan
menjadi:
(Contoh value1 * weight1) + (sampel value2 * weight2) = nilai blok
(10 * 0,5) + (20 * 0,5) = 15
Sepanjang tutorial ini, kita akan membuat asumsi bahwa jumlah dari bobot harus
sama dengan
Dalam contoh di atas, karena semua lokasi sampel adalah jarak yang sama dari
blok
sentroid, semua sampel akan diberi bobot yang sama. Nilai perhitungan blok akan
menjadi:
(5 * 0,25) + (10 * 0,25) + (20 * 0,25) + (35 * 0,25) = 17,5
Seperti disebutkan sebelumnya, jumlah dari semua bobot harus sama dengan 1.0:
0,25 + 0,25 + 0,25 + 0,25 = 1,0
Dalam tiga dimensi, selama Estimasi isotropik, setiap sampel jatuh di permukaan
Lingkup yang sama akan diberi bobot yang sama.
Dalam contoh di atas, semua lokasi sampel berada di permukaan bola yang sama,
dan
sehingga jarak yang sama dari pusat massa balok. Dalam tiga-dimensi ini contoh
dari
kondisi isotropik, semua sampel akan diberi bobot yang sama. Perhitungan nilai blok
akan menjadi:
(10 * 0,333) + (20 * 0,333) + (40 * 0,333) = 23,333
Sekali lagi, jumlah dari semua bobot adalah 1,0 (dengan asumsi bahwa 1 / 3 + 1 / 3
+ 1 / 3 dinyatakan sebagai desimal
sama dengan 1):
0,333 + 0,333 + 0,333 = 0,999 = 1,0
29
Dalam Surpac, ketika Anda melakukan estimasi, Anda akan diminta untuk mengisi
nilai-nilai
mendefinisikan orientasi "sumbu besar" dan juga "anisotropi rasio". Kita akan
membahas ini
topik kemudian. Untuk sekarang, jika Anda ingin untuk melakukan estimasi dengan
asumsi bahwa data yang isotropik,
menggunakan nilai berikut:
BEARING OF MAJOR AXIS: 0 (nilai atau 0-360)
Plung OF MAJOR AXIS: 0 (atau nilai apapun dari -90 sampai 90)
DIP OF SEMI-MAJOR AXIS: 0 (atau nilai apapun dari -90 sampai 90)
MAYOR / SEMI-MAJOR anisotropi RASIO: 1
MAYOR / MINOR anisotropi RASIO: 1
Untuk melihat contoh dari lingkungan isotropik:
1. Buka isotropic_ellipsoid1.str di grafis
2. Menampilkan grid 3D
3. Tampilan nilai D1 string 1
Sekali lagi, konsep "sumbu utama", "setengah sumbu utama" dan "sumbu kecil"
akan dijelaskan nanti.
Untuk saat ini, hanya mengerti bahwa panjang dari semua sumbu adalah sama
untuk sebuah isotropik
ellipsoid.
Ketika kita ingin menggunakan anisotropi selama estimasi, arah dari lokasi yang
diperkirakan sampel adalah penting. Dalam contoh ini, kita akan
mengasumsikan bahwa titik yang
diperkirakan adalah pusat massa balok, dan bahwa hanya dua sampel, seperti
yang ditunjukkan di atas, harus
digunakan untuk memperkirakan nilai untuk blok. Meskipun sampel yang
nilainya adalah 10 adalah 1 meter
dari blok pusat massa, dan sampel yang nilainya adalah 20 adalah 3 meter dari
blok pusat massa,
kedua sampel akan diberi bobot yang sama dalam kasus ini. Hal ini karena
"anisotropic
jarak "digunakan dalam perhitungan dari berat, dan bukan jarak sebenarnya.
Ingatlah bahwa kita
mengindikasikan bahwa ada rasio 3:1 anisotropi dan bantalan poros utama
adalah 90
derajat. Sampel yang berorientasi ke utara atau selatan blok, seperti sampel
yang nilainya
adalah 10, akan memiliki jarak anisotropic dihitung sebagai jarak aktual (1,
dalam hal ini)
dikalikan dengan rasio anisotropi (3, dalam kasus ini). Dengan demikian, jarak
anisotropic dihitung untuk
sampel yang nilainya 10 akan menjadi:
Aktual Jarak x anisotropi Rasio = Anisotropic Jarak
1x3=3
Perhitungan ini ditampilkan dalam tabel berikut ini untuk kedua sampel:
Karena jarak anisotropik adalah sama, bobot poin akan sama. Itu
blok perhitungan nilai akan:
(10 * 0,5) + (20 * 0,5) = 15
Jika sampel yang nilainya adalah 10 adalah pindah ke posisi di Y = 3, x = 0, dan
kita kembali menggunakan 3:1
anisotropi rasio dengan bantalan poros utama pada 90 derajat (atau 270
derajat), seperti yang ditunjukkan
di bawah ini, bobot ditugaskan untuk kedua sampel akan berubah.
Jarak yang anisotropik sampel yang nilainya adalah 10 sekarang akan 9: Aktual
Jarak (3) X
Anisotropi Rasio (3) = Anisotropic Jarak (9). Perhitungan ini ditampilkan sebagai
berikut
meja untuk kedua sampel.
"ellipsoid". Jadi sekarang kita memiliki rasio 3:1 anisotropi XY horizontal, dan 2:1
rasio anisotropi YZ vertikal pesawat. Kami membedakan antara rasio ini dengan menetapkan tiga
sumbu untuk ellipsoid:
Major axis
Semi-major axis
Minor axis
Menurut definisi, sumbu utama adalah terpanjang, semi-sumbu utama adalah
terpanjang kedua, dan
sumbu minor adalah terpendek. Juga, semua tiga sumbu yang saling tegak lurus
satu sama lain.
Karena jarak anisotropik adalah sama, bobot poin akan sama. Itu
blok perhitungan nilai akan:
(5 * 0,333) + (10 * 0,333) + (20 * 0,333) = 11,666
Sekali lagi, jumlah dari semua bobot adalah 1,0 (dengan asumsi bahwa 1 / 3 +
1 / 3 + 1 / 3 dinyatakan sebagai desimal
sama dengan 1):
0,333 + 0,333 + 0,333 = 0,999 = 1,0
Jika jarak dari pusat massa balok untuk setiap sampel kini sama, bobot akan
mengubah. Sebagai contoh, dalam tampilan di bawah ini, jarak dari setiap
sampel ke blok sentroid
sekarang 3, tetapi kita masih menggunakan ellipsoid anisotropi yang sama:
5. Ellipsoid visualiser
Menggunakan contoh sebelumnya di mana kita memiliki besar / kecil
anisotropi rasio 3, dan sebuah
utama / semi-rasio anisotropi utama 2, kita akan mendapatkan ellipsoid,
tetapi kita perlu menetapkan
orientasi ellipsoid. Dalam Surpac, hal ini dapat dicapai dalam beberapa
metode yang berbeda,
termasuk "Surpac" metode. Contoh yang mengikuti menggunakan "Surpac"
metode, yang
mencakup tiga persyaratan berikut:
Istilah Min Max Deskripsi
Bearing of 0 360 sumbu utama azimut dari sumbu utama di bidang XY
Terjun dari sumbu utama -90 90 mencelupkan di atas atau di bawah bidang
horizontal
Celupkan setengah sumbu utama -90 90 rotasi setengah sumbu utama
sekitar sumbu utama
Yang ellipsoid visualiser adalah alat yang dapat membantu Anda untuk
memahami orientasi
anisotropi ellipsoid. Sekarang kita akan menggunakannya untuk membuat
beberapa anisotropi ellipsoids, dan menyimpannya
sebagai Surpac string file.
Geostatistik Dari menu, pilih Ellipsoid visualiser. Formulir di bawah ini akan
ditampilkan:
6.
Anda dapat menggunakan nilai-nilai bantalan, terjun, dan mencelupkan dalam
contoh berikut untuk menciptakan
ellipsoids dalam setiap contoh.
Contoh #1
Ellipsoid ini dapat digunakan untuk memperkirakan nilai emas dalam vena vertikal
yang telah menyerang: 90
derajat dan dip: 90 derajat.
Contoh # 3:
Ellipsoid ini dapat digunakan untuk memperkirakan nilai dari kimberlitic diatreme,
atau berlian
bantalan "pipa" tubuh bijih tipe, yang terjun ke selatan pada dip dari 60 derajat di
bawah
horisontal.
Contoh # 4:
Ellipsoid ini dapat digunakan untuk memperkirakan nilai dari epithermal vena,
dengan pemogokan 50
derajat dan mencelupkan ke tenggara dari 60 derajat di bawah horizontal, di mana
kesinambungan dalam
vena adalah sama dalam semua arah (besar / semi-rasio anisotropi utama: 1).
Contoh # 4 (lanjutan):
2. Menampilkan grid 3D
3. Tampilan nilai D1 string 1
Ringkasan
Anda sekarang harus mengerti istilah-istilah berikut:
Isotropy
Anisotropi
Anisotropic ellipsoid
Sumbu utama
Semi-sumbu utama
Sumbu minor
Mayor / Semi-besar rasio anisotropi
Mayor / Minor anisotropi rasio
Anisotropic jarak
Contoh berat
Juga, Anda harus memahami bagaimana rasio anisotropi dan orientasi anisotropi
ellipsoid
dampak anisotropik perhitungan jarak, dan oleh karena itu berat badan yang
digunakan untuk sampel
memperkirakan nilai di blok pusat massa.
Memahami dan memvisualisasikan suatu ellipsoid anisotropi dan bagaimana hal itu
berdampak pada perkiraan
ada tugas sederhana. Mungkin butuh waktu, lebih banyak riset, dan / atau
pengalaman dengan beberapa data
set untuk memahami konsep-konsep yang disajikan di sini.
Variograms
Tinjauan
Sebuah aspek penting dalam melakukan evaluasi geostatistical apapun adalah
untuk memahami bagaimana data
nilai berubah selama jarak dan arah. Sebuah variogram adalah alat bantu grafis
yang dapat digunakan
untuk menggambarkan konsep ini.
Yang variogram akan diuraikan melalui:
1.
2.
3.
4.
5.
6.
7.
Pengantar variogram
Menghitung variogram
Memodifikasi jarak lag
Omnidirectional variograms
Directional variograms
Menghitung sebuah Omnidirectional variogram dalam Surpac
Pemodelan variograms dalam Surpac
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus:
akrab dengan file string Surpac
mengetahui cara menjalankan makro Surpac
mengerti dasar konsep-konsep statistik seperti mean dan varians
1. Pengantar variogram
Sebuah variogram adalah grafik yang membandingkan perbedaan antara
sampel terhadap jarak:
2.
Nugget
Jika Anda memisahkan satu sampel, dan kirimkan ke dua laboratorium yang
berbeda, sering kali Anda akan mendapatkan dua
nilai yang berbeda. Dengan demikian, pada jarak contoh dari nol, ada beberapa
perbedaan.
Perbedaan ini disebut "nugget", yang disingkat sebagai "c (0)". Nilai yang nugget
dicatat
sebagai suatu perbedaan pada jarak sampel dari nol:
Istilah "nugget" berasal dari sebuah situasi yang sering terjadi pada emas kasar
deposito di mana
sampel dibagi, dan satu setengah berisi nugget emas, sementara separuh lainnya
tidak mengandung
emas. Meskipun perbedaan antara sampel "split" sering bertanggung jawab atas hal
ini, kesalahan manusia
juga dapat menjadi faktor. Kesalahan terjadi pada sampling, di laboratorium, dan
selama entri data. Salah satu atau semua
ini dapat berkontribusi pada nugget. Meskipun daerah ini berada di luar cakupan
tutorial ini,
Anda harus menyadari mereka, dan dampaknya terhadap nugget dan selanjutnya
geostatistical
evaluasi.
Bendul
Jika kita membandingkan dua sampel yang agak jauh terpisah, kita berharap
perbedaan yang akan
lebih besar dari sampel yang lebih dekat bersama-sama. Bagian grafik variogram
yang naik ke atas dan ke kanan titik nugget mewakili situasi ini.
Pada suatu titik, perbedaan antara sampel tidak bisa mendapatkan apa pun lebih
besar. Sebagai contoh,
nilai sampel maksimum dikurangi nilai sampel minimum memberi kita perbedaan
terbesar
antara sampel. Pada variogram, perbedaan maksimum ini ditampilkan sebagai
bagian flat
grafik.
Menggambarkan nilai-nilai Dua titik di mana variogram mencapai nilai maksimum kusen
dan kisaran.
Ambang jendela (kadang disingkat sebagai huruf "C"), seperti yang ditunjukkan di
atas, adalah perbedaan antara
perbedaan maksimum dan nugget. Istilah "nugget ke ambang rasio" digunakan
untuk menggambarkan
apa persentase "total ambang" yang terdiri nugget, dan dihitung sebagai:
nugget ke bendul rasio = nugget / (nugget + kusen)
Range
Jarak di mana ambang tercapai disebut sebagai kisaran:
Rentang (kadang disingkat sebagai huruf "A") mewakili jarak maksimum yang
pasang sampel dapat dikatakan mempunyai hubungan jarak mereka. Luar
rentang, tidak ada hubungan.
2. Menghitung variogram
Untuk menghitung variogram, sebuah kumpulan data dikelompokkan menjadi
"pasangan" yang dipisahkan oleh sebuah
jarak, atau "lag". Kemudian, maka perhitungan berikut dilakukan pada semua
sampel di setiap b
jumlah dari (perbedaan antara nilai sampel)
2
gamma (h) = 2 x jumlah pasangan
Untuk menunjukkan hal ini, kita akan menggunakan data di bawah ini. Asumsikan
bahwa nilai-nilai sampel mewakili
diambil pada interval 1 meter sepanjang utara - selatan baris:
3
3
4
6
7
5
5
3
Untuk membuat grafik variogram "Jarak vs Perbedaan", pertama-tama kita
memutus satu lag
jarak, atau "Interval lag". Kami kemudian mengelompokkan data menjadi pasangan
sampel yang jatuh ke dalam setiap lag
interval. Untuk pertama lag interval dari 1, kita mendapatkan data pasang 3-3, 3-4,
4-6, etc ... The
Perbedaan antara dua nilai adalah kuadrat, dan jumlah dari semua kuadrat jarak
adalah
dihitung:
Grafik ini dihitung gamma (h) versus nilai jarak lag disebut sebagai sebuah
"Variogram eksperimental". Ini digunakan untuk menghitung variogram sebelumnya
ditampilkan dalam
versi - sebuah "variogram model". Variogram model yang dapat dijelaskan oleh
matematika
persamaan, dan tunduk pada interpretasi orang yang menganalisis data. Sebuah
variogram model, seperti ditunjukkan pada bagian sebelumnya, mulai di sebuah
nugget, meningkat kusen di
titik didefinisikan oleh jangkauan, kemudian terus jauh ke kanan pada total nilai
ambang. Sebuah
Model variogram telah ditampung oleh variogram eksperimental di bawah ini:
Dalam contoh ini, semua parameter yang relevan dari model akan dicatat:
Untuk lag 0-2 bin, kita sekarang mendapatkan pasangan data di bawah ini:
Untuk lag 2-4 bin, kita sekarang mendapatkan pasangan data di bawah ini:
4. Omnidirectional variograms
Para variogram dalam latihan sebelumnya adalah contoh dari "terarah"
variogram. Semua
sampel yang digunakan adalah selaras utara-selatan. Jenis lain adalah
variogram dikenal sebagai
"Omnidirectional variogram". Dalam jenis ini, pasangan tersebut dipilih
berdasarkan hanya pada
jarak, dan bukan pada orientasi pasangan.
Contoh di bawah ini menunjukkan bagaimana pasangan sampel akan dipilih
untuk kumpulan data. Semua
sampel pada grid 1x1, dan nilai-nilai lag 1, 2, dan 3 digunakan. Cara yang
lunak menentukan pasangan adalah:
A. Pindah ke titik pertama
B. Tentukan titik yang lain dalam kumpulan data berada dalam jarak toleransi
lag pertama
dari titik ini, dan menambahkan pasangan ini yang pertama "lag bin" (Lag =
1)
C. Tentukan titik-titik yang tidak dipilih berada dalam jarak toleransi lag
kedua
dari titik ini, dan menambahkannya ke kedua "lag bin" (Lag = 2)
D. Ulangi sampai semua poin yang telah dimasukkan ke dalam lag bin
E. Pindah ke titik berikutnya
F. Hapus titik sebelumnya dari pertimbangan
G. Ulangi langkah B ke F sampai semua poin yang telah dipertimbangkan
Dalam Omnidirectional variogram, orientasi pasangan sampel tidak relevan.
Misalnya
pasangan sampel 1-2 berorientasi timur-barat, 1-4 pasangan sampel
berorientasi utara-selatan, namun keduanya
pasang digunakan untuk "Lag = 1" bin.
5.
Pasang sampel dipilih untuk setiap lag dalam variogram Omnidirectional
Perhatikan bahwa contoh di sini adalah dua-dimensi. Dalam tiga dimensi, pencarian
dari masing-masing
titik mengambil bentuk sebuah bola.
6. Directional variograms
Sebuah variogram adalah salah satu arah di mana semua pasangan sampel
berorientasi ke arah tertentu.
Dalam contoh pertama, semua sampel blok utara-selatan. Tidak ada lain
yang mungkin
orientasi bagi pasangan untuk mengambil sampel, maka satu-satunya
mungkin adalah variogram terarah
variogram.
Namun, di sebagian besar data set, ada banyak pasangan data orientasi.
Dalam arah
variogram, perangkat lunak hanya memilih pasangan data yang berorientasi
dalam suatu
cara, plus atau minus beberapa sudut toleransi. Dalam Surpac, toleransi
sudut ini dikenal sebagai
penyebaran.
Contoh di bawah ini menunjukkan bagaimana pasangan sampel akan dipilih
untuk kumpulan data, menggunakan
timur laut - barat daya orientasi 45 derajat, plus atau minus toleransi spread
22,5
derajat kedua sisi arah itu. Jadi, jika pasangan sampel berorientasi antara
22,5 dan 67,5
derajat (atau 202,5 dan 247,5 derajat), itu akan dimasukkan dalam
perhitungan.
Semua sampel pada grid 1x1, dan nilai-nilai lag 1, 2, dan 3 digunakan. Cara
yang
lunak menentukan pasangan adalah:
A. Pindah ke titik pertama
B. Tentukan titik yang lain dalam kumpulan data berada dalam jarak toleransi
lag pertama
dari titik ini dan dalam toleransi sudut, dan menambahkan pasangan ini yang
pertama "lag
bin "(Lag = 1)
C. Tentukan titik-titik yang belum memilih berada dalam jarak toleransi lag
kedua
dari titik ini dan dalam sudut toleransi, dan menambahkannya ke kedua "lag
bin "(Lag = 2)
D. Pindah ke titik berikutnya
E. Hapus titik sebelumnya dari pertimbangan
F. Ulangi langkah B ke F sampai semua poin yang telah dipertimbangkan
Dalam arah variogram, orientasi pasangan sampel adalah penting. Misalnya
pasang sampel 1-2 dan 1-4 keduanya dalam lag pertama toleransi, tetapi
tidak berada dalam
toleransi sudut 45 derajat plus atau minus 22,5 derajat. Pada kenyataannya,
hanya ada tiga data yang
pasang di seluruh kumpulan data yang memiliki orientasi yang berada dalam
batas-batas yang ditentukan. Ini
adalah data pasangan: 2-4, 3-4, dan 3-5.
Pasang sampel dipilih untuk setiap lag untuk variogram arah (orientasi 45 + / 22,5)
Seperti yang anda lihat, menggunakan variograms arah mengurangi jumlah sampel
berpasangan. Sebagai
sudut toleransi berkurang, begitu pula jumlah pasangan. Jika sudut toleransi terlalu
kecil,
kualitas variogram eksperimental dapat dikurangi sampai pada titik bahwa sebuah
model tidak dapat
dilengkapi dengan keyakinan. Jika toleransi sudut terlalu besar, konsep "terarah"
variogram dapat dipertanyakan.
Perhatikan bahwa contoh di sini adalah dua-dimensi. Dalam tiga dimensi, pencarian
dari masing-masing
titik berbentuk kerucut. Selain itu, Surpac memiliki pilihan untuk membatasi radius
kerucut ke maksimum melalui penggunaan sebuah "menyebar batas". Hal ini
memiliki efek mengubah
cari kerucut ke dalam sebuah silinder dengan jari-jari batas penyebaran.
Pencarian Cone
Cara yang kita tentukan Omnidirectional variogram dalam Surpac adalah dengan
menggunakan sudut menyebar
dari 90 derajat. Nilai-nilai dan dip Azimuth diatur ke nol dalam kasus ini, tetapi
dapat
apa pun, sebagai penyebaran sudut 90 derajat mencakup semua data, terlepas dari
azimut atau dip.
Lag awal jarak 2 meter dipilih untuk menggambarkan suatu titik nanti dalam latihan
ini. Di
latihan, Anda mungkin ingin memilih nilai lag awal untuk variogram pertama Anda
ke tempat
sampel jarak dekat.
Sebuah jarak maksimum 100 meter menunjukkan bahwa pasangan sampel lebih
dari pemisahan ini
jarak tidak akan dipertimbangkan. Ketika Anda sedang menciptakan pertama Anda
Omnidirectional variogram,
Anda mungkin ingin mengatur ini nilai yang cukup besar - bahkan dekat semaksimal
data Anda.
Ini akan memastikan bahwa Anda tidak melewatkan efek jangka panjang. Anda
dapat memperbesar di bagian
yang variogram sesudahnya, atau, jika anda menghitung ulang, Anda dapat
menggunakan jarak maksimum yang lebih kecil untuk
mengurangi waktu proses.
Laporan keluaran nama file omnidirectional.not akan dibuat.
Pilih tab Advanced.
Jarak jeda dapat dimodifikasi dengan menggunakan alat yang disebut "lag slider".
Anda dapat melihat lag
geser ke sebelah kanan berkedip-kedip pemutaran tombol makro pada jendela
pemodelan variogram.
Perangkat ini memungkinkan Anda untuk memodifikasi interaktif lag dan melihat
efek langsung pada
variogram.
Pada tab Advanced, Anda dapat mengatur minimum, maksimum, dan nilai-nilai
inkremental lag
slider. Sebagai tambahan, Anda dapat mengatur lag dengan nilai sebesar 0,1
menggunakan kanan dan kiri tombol panah
pada keyboard Anda.
APPLY formulir.
Setelah membaca teks di bawah ini pada formulir, klik BERLAKU.
Perhatikan bahwa nilai lag awal dari 2 telah menciptakan kualitas yang buruk atau
'tersebar' variogram. Itu
bentuk berikutnya akan menetapkan lag ke 7.6, yang akan menghasilkan 'lebih
baik' variogram.
Setelah makro ini selesai, Anda dapat memodifikasi nilai lag oleh salah satu metode
berikut
untuk melihat efek apa yang lag memiliki nilai pada kualitas variogram:
1. Pilih Variogram - Eksperimental variogram lag, masukkan nilai dan bentuk
BERLAKU.
2. Tarik slider lag di sudut kanan atas jendela.
3. Gunakan <dan> tombol-tombol di kedua sisi lag slider.
Catatan bahwa tombol ini akan memodifikasi lag oleh kenaikan yang tercantum
pada tab Advanced
pertama bentuk pemodelan variogram.
4. Gunakan kanan dan kiri tombol panah pada keyboard untuk mengubah lag
sebesar 0,1
Anda akan melihat bahwa hasil lag 2 meter dalam tersebar variogram:
Nilai varians dari kumpulan data diwakili oleh garis hijau horizontal. Ini
ditampilkan dengan memilih item menu Tampilkan / Sembunyikan varians dari
menu Tampilan. Banyak
geostatisticians model variogram sehingga "total kusen" adalah sama dengan
varians. Anda
Selain itu, Model Variogram dipilih dari menu untuk menampilkan model variogram,
ditampilkan sebagai garis merah tipis. Ketika Variogram> Model dipanggil untuk
pertama kalinya, Surpac
upaya untuk "auto-fit" the variogram ke variogram eksperimental. Anda bisa
mengklik dan menyeret
yang cyan (biru muda) titik-titik untuk memodifikasi bentuk variogram.
Setelah membaca teks di bawah ini pada formulir, klik BERLAKU.
Sebuah model variogram terdiri dari nugget, dan satu atau lebih bendul struktur
jarak.
The nugget adalah nilai dari model di Y axis.
Kusen adalah sumbu Y jarak di atas nugget untuk suatu struktur.
Rentang adalah jarak di sepanjang sumbu X nilai nilai ambang tertentu.
Hingga lima rentang bendul-struktur dapat digunakan, tetapi sering satu akan
cukup.
The nugget dan struktur jangka bendul dapat dimodifikasi grafis, atau dapat
didefinisikan dengan tepat,
seperti pada form berikut.
Anda dapat juga secara eksplisit nilai-nilai ketik pada formulir ini ketika pemodelan
variograms Anda sendiri.
File keluaran omnidirectional_variogram.not yang akan dibuat, dan akan berisi
semua
nilai. Ini adalah ide yang baik untuk menyimpan model variogram Omnidirectional
parameter untuk masa depan
referensi. Tinggalkan bentuk seperti ini, dan tekan BERLAKU.
File string omnidirectional1.str telah dibuat berisi variogram eksperimental
dan model variogram seleksi melalui menu File> Simpan sebagai> String file. File
ini
ditampilkan dalam grafik.
File ini dapat digunakan dalam modul Alur hardcopy untuk menghasilkan output.
Perhatikan bahwa beberapa
perubahan telah dilakukan pada file string untuk menyajikan tampilan yang Anda
lihat:
- The Y axis telah diatur untuk 5x berlebihan normal melalui View> Data view
options>
View skala faktor
- Variogram eksperimental telah renumbered dari string 1 sampai string 30.003
menggunakan
Edit> String> kisaran memberi nomor baru. 30.003 string yang standar gaya
presentasi
penanda bulat kecil
- Dunia nyata nilai X telah ditampilkan pada tali atau 2 untuk mewakili nilai yang
Anda
lihat 0-100 pada sumbu X melalui penggunaan Tampilan> Point> X nilai
- Dunia nyata nilai Y telah ditampilkan pada tali atau 3 untuk mewakili nilai yang
Anda
lihat 0-12 pada sumbu Y melalui penggunaan Tampilan> Point> Y nilai-nilai
- Bidang Deskripsi pada tali 5 sudah dimodifikasi untuk menyertakan kata-kata
dalam kurung
menggunakan Edit> Point> Properties
Dari menu Display, pilih Tampilkan / Sembunyikan varians. Varians dari semua titik
data yang digunakan
untuk menghitung variogram akan ditampilkan sebagai garis hijau horizontal.
Varians dapat
digunakan sebagai "total ambang" dari variogram. Anda mungkin atau mungkin
tidak memilih untuk menggunakan varians untuk
pemodelan.
Untuk meninjau diciptakan sebelumnya model variogram, drag dan drop file
omnidirectional.vgm
ke jendela variogram. Perhatikan bahwa Anda tidak bisa membuka file *. vgm
kecuali file *. evg
dibuka terlebih dahulu.
Ada beberapa fitur untuk membantu Anda dengan sebuah pemodelan variogram:
Praktek menggunakan lag slider di bagian kanan atas dari jendela variogram. Ingat
bahwa
maksimum, minimum, dan nilai-nilai tambahan ditetapkan pada tab Advanced, dan
bahwa
kanan dan kiri tombol panah pada keyboard Anda akan peningkatan dan
pengurangan jeda sebesar 0,1
Dari menu Display, pilih Tetapkan batas sumbu. Mengatur parameter seperti yang
ditunjukkan, dan BERLAKU:
Fitur ini dapat berguna untuk "memperbesar" pada sebagian dari variogram.
Dari menu Display, pilih Jumlah pasangan.
Semakin besar jumlah pasangan, semakin percaya diri Anda dapat memiliki dalam
sebuah titik pada
variogram eksperimental. Beberapa geostatisticians cenderung mengabaikan data
percobaan tertentu
poin jika mereka memiliki jauh lebih rendah daripada jumlah pasangan data
sekitarnya. Ketika Anda
dapat melihat dalam contoh ini, yang pertama titik variogram eksperimental telah
diabaikan.
Sekarang kita akan memodifikasi model variogram yang ada.
Dari Variogram menu, pilih Model.
Klik dan tarik salah satu dari cyan (biru muda) berwarna spidol. Anda dapat
memodifikasi nugget
dengan penanda paling kiri. Bila Anda memindahkan penanda ini, Anda akan
melihat bahwa itu akan tetap pada Y
sumbu, dan seluruh variogram akan bergerak ke atas dan ke bawah. Anda dapat
memodifikasi dan kisaran ambang dengan
penanda yang paling kanan. Ketika Anda memindahkan penanda, bentuk variogram
akan berubah, tetapi
yang nugget akan tetap sama.
Selanjutnya kita akan menghapus model kita dan membuat yang baru.
Dari Variogram menu, pilih Hapus model.
Dari navigator, klik dan seret ke omnidirectional.evg grafis (atau double klik
file, atau klik kanan file dan pilih Open)
Dari menu Display, pilih Tampilkan / Sembunyikan varians.
Dari Variogram menu, pilih Model.
Perangkat lunak ini menggunakan algoritma yang mencoba untuk cocok dengan
model variogram data yang disajikan.
Hal ini mungkin atau mungkin tidak dekat dengan hasil akhir Anda. Anda akan
diminta untuk "memilih dan menyeret
marker ". Pindahkan tanda cyan sampai Anda mendapatkan variogram mirip
dengan contoh sebelumnya.
Ketika Anda klik dan tarik spidol untuk memodifikasi variogram, perhatikan bahwa
saat ini variogram
parameter akan ditampilkan di bagian kanan atas dari jendela:
Dari Variogram menu, pilih Laporan. Masukkan nilai di bawah ini dan klik BERLAKU.
Omni_report.not file akan dibuat di direktori kerja saat ini. Jika Anda membuka file
dalam editor teks, Anda akan melihat nilai-nilai yang tersimpan di sana:
VARIOGRAM Modelling 11-Sep-2005
Current parameter model variogram
---------------------------------Model Type: Spherical
Nugget: 5.800000
Struktur Sill Range
1 4.000000 25,000
Tidak hanya Variogram - Laporkan fungsi memungkinkan Anda untuk membuat file
yang TIDAK *.
berisi parameter model variogram, tetapi juga merupakan cara untuk mengatur
variogram
parameter nilai tertentu (a Sill dari 4,0000, daripada 4,00048, misalnya).
Jika beberapa lereng yang diperlukan untuk model data yang memadai, tambahan
"struktur" dapat
ditambahkan.
Dari Variogram menu, pilih Tambah struktur. Penanda cyan ketiga akan ditampilkan.
Klik dan tarik masing-masing dari spidol dan perhatikan efek.
Dari Variogram menu, pilih Hapus struktur. Perhatikan bahwa salah satu tandatanda akan cyan
dihapus, dan model dimodifikasi. Klik dan tarik masing-masing dari spidol dan
perhatikan efek.
Dari Variogram menu, pilih Tambah struktur lagi - Anda kini harus mempunyai tiga
spidol - satu nugget dan dua ambang / rentang spidol.
Dari Variogram menu, pilih Laporan. Masukkan nilai-nilai pada formulir seperti yang
ditunjukkan di bawah ini (kiri)
dan klik BERLAKU.
Seperti yang Anda lihat, Surpac memungkinkan hingga 5 struktur yang akan
ditambahkan. Jumlah dari nugget dan semua
nilai ambang sama dengan "total ambang". Satu atau dua struktur umumnya akan
cukup untuk pemodelan
variograms paling eksperimental.
Pemodelan variogram bukanlah suatu ilmu pasti. Namun, berikut adalah beberapa
tips:
- Cobalah untuk model "tren". Salah satu cara untuk melihat "tren" dari data adalah
untuk menciptakan sebuah
variogram model (garis merah), kemudian tarik slider lag bolak-balik. Model
harus sesuai dengan data yang cukup baik selama beberapa kelambatan yang
berbeda.
- Pertimbangkan geologi dari domain. Apakah model Anda datang dengan melihat
masuk akal untuk data Anda? Apakah efek nugget tinggi atau rendah? Adalah
rentang tentang apa
Anda harapkan? Jika tidak, mungkin Anda harus mempertimbangkan kembali data
domain.
- Cari di Internet. Ada banyak sumber daya online dengan penjelasan
variograms, variogram perhitungan, dan hasil dari kumpulan data tertentu.
Sekarang kita akan secara singkat membahas berbagai "jenis" dari variograms.
Dengan Omnidirectional variogram eksperimental ditampilkan, dari Variogram
menu, pilih
Tipe. Pilih Logaritma dan BERLAKU. Perhatikan bahwa tidak hanya bentuk variogram
berubah, tetapi gamma (h) nilai-nilai juga diubah. Jika varians dari data yang
ditampilkan,
sekarang dihapus.
Variogram lagi dari menu, pilih Type. Pilih Umum Relatif dan BERLAKU. Catatan
bahwa bentuk dalam hal ini adalah identik dengan variogram normal, tapi gamma
(h) nilai
berbeda. Mereka telah dibagi dengan nilai varians dari kumpulan data, yang dalam
hal ini
kasus ini sangat dekat dengan nilai 10.
Sekali lagi, dari Variogram menu, pilih Type. Pilih Berpasangan Relatif dan BERLAKU.
Perhatikan bahwa bentuk dalam hal ini berbeda dengan normal dan relatif umum,
dan
gamma (h) nilai-nilai yang berbeda lagi.
Logaritma variogram
Dalam jenis ini yang variogram, logaritma dari data mentah yang digunakan untuk
menghitung eksperimental
variogram. Negatif atau nol nilai-nilai data mentah set pertama nilai-nilai positif
kecil sebelum
transformasi logaritmik diterapkan. Jika distribusi data Anda logaritmik, atau dekat
logaritma, dan yang masuk akal cocok tidak dapat diperoleh dari variogram normal,
logaritmik
variogram dapat berpotensi memberikan nilai bermanfaat yang dapat digunakan
untuk rentang normal
variogram.
Jika nilai-nilai lokal dalam populasi dipengaruhi oleh varians lokal, suatu kondisi
yang disebut
"Efek proporsional" adalah kata untuk eksis. "Relatif" variograms dapat lebih
berguna daripada "normal"
variograms jika ada efek proporsional.
Relatif umum variogram
Dalam jenis ini yang variogram, masing-masing gamma (h) dibagi oleh kuadrat
mean dari semua sampel
digunakan untuk memperkirakan bahwa gamma (h).
Berpasangan Relatif variogram
Dalam jenis ini variogram, menjadi persegi sampel perbedaan dari masing-masing
pasangan dibagi dengan alun-alun
dari mean sampel dari masing-masing pasangan. Sedangkan untuk logaritma
variogram, unit sepanjang Y
(gamma (h)) axis tidak memiliki arti tapi variograms relatif dapat melayani untuk
mengidentifikasi rentang
dan struktur
Aplikasi jenis ini adalah lanjutan variograms topik. Jika Anda ingin mendapatkan
lebih
informasi tentang tesis, Anda harus mendapatkan instruksi dari konsultan
geostatistical yang berkualifikasi.
Topik terakhir diskusi dalam tutorial ini adalah bahwa dari bola versus model
eksponensial.
Redisplay normal variogram dengan menyeret dan menjatuhkan
omnidirectional.evg ke
variogram viewport. Sekarang menampilkan model variogram dengan menyeret
dan menjatuhkan
omnidirectional.vgm ke variogram viewport.
Dari menu Display, pilih Tetapkan batas sumbu. Mengatur parameter seperti yang
ditunjukkan, dan BERLAKU:
Sebuah model bulat yang jauh meningkat tegak bagian, lalu pada kisaran, kusen
dari
model menjadi konstan. Dalam model eksponensial, seluruh model melengkung,
dan kusen
adalah nilai yang model pendekatan, tetapi tidak pernah benar-benar mencapai. Jika
percobaan Anda
variogram terus meningkat, maka model eksponensial dapat lebih akurat berarti
mewakili data dari model bulat. Namun, jika seperti dalam kasus di atas,
variogram eksperimental meningkat, kemudian menurun, model bulat mungkin
lebih baik
representasi data.
Menu terakhir yang kita akan menutupi di sini adalah variogram eksperimental
laporan
Dari Variogram menu, pilih Eksperimental variogram laporan. Masukkan data seperti
yang ditunjukkan
bawah, dan BERLAKU:
Ringkasan
Anda sekarang harus mengerti bagaimana variogram dihitung, dan bagaimana
untuk membuat, melihat, dan menyimpan
variograms dan variogram eksperimental model dalam Surpac Vision.
Variogram Maps
Tinjauan
Sebuah aspek penting dalam melakukan evaluasi geostatistical apapun adalah
untuk memahami
anisotropi dari data, atau yang memiliki terpanjang arah kesinambungan, dan
bagaimana nilai-nilai data
berkenaan dengan perubahan arah itu, dan juga dua arah saling tegak lurus.
Sebuah
variogram peta adalah alat dalam Surpac yang memungkinkan Anda untuk
memvisualisasikan anisotropi dalam pesawat.
Selain itu, peta variogram dapat digunakan untuk menentukan anisotropi ellipsoid.
Konsep ini
dijelaskan melalui berikut:
1. Variogram Primer peta
2. Variogram sekunder peta
3. Perhitungan anisotropi parameter ellipsoid
Persyaratan
Setelah membaca teks di bawah ini pada bentuk kedua, klik BERLAKU.
Ahli geologi biasanya menentukan orientasi suatu fitur planar, seperti venazona bijih jenis
dengan istilah 'menyerang' dan 'saus'. Istilah-istilah ini biasanya berisi
informasi non-numerik, seperti
sebagai: "Pukullah: Utara 15 derajat Timur, Dip: 40 derajat ke Northwest '.
Nilai numerik berikut diperlukan untuk menentukan pesawat untuk variogram
peta:
Dip (-90 ke 90) dan arah Dip (0 hingga 359)
Sebagai contoh, sebuah pesawat didefinisikan sebagai 'Menyerang N15E,
Dipping 40 derajat ke NW' bisa
didefinisikan dalam Surpac sebagai salah satu dari:
Dip: -40 Dip arah: 285
atau
Dip: +40 Dip arah: 105
Sebuah model padat zona bijih, diwarnai oleh Z, dan dua segitiga, yang
mewakili dua metode
mendefinisikan pesawat di atas akan ditampilkan.
Nilai Dip: +40 Dip arah: 105 akan digunakan dalam contoh ini.
perlu memahami
segala sesuatu dalam dokumen itu saat ini, tapi perhatikan nama file dan direktori
struktur (yang terkandung dalam bidang Alamat) untuk referensi di masa
mendatang. File ini disertakan dengan
kumpulan data untuk tutorial ini, jika Anda belum menginstall referensi manual
untuk perangkat lunak.
Bila Anda telah selesai, mengurangi atau menutup jendela yang berisi halaman
manual referensi.
Arah ini dipilih didasarkan pada suatu penafsiran bahwa jangkauan variogram pada
orientasi ini lebih lama daripada kisaran variogram lainnya di pesawat ini.
Banyak aspek Geostatistik bukan ilmu pasti. Interpretasi data variogram,
dan pemilihan orientasi arah kontinuitas maksimum dilakukan di sini untuk
menunjukkan fungsi geostatistical tersedia.
Setelah bentuk ini, bentuk pemodelan variogram akan disajikan. Setelah Anda
APPLY yang terbentuk, hal
akan memakan waktu beberapa menit untuk menghitung variogram peta. Meskipun
pengolahan, Anda dapat mengklik
jendela ini untuk meninjau data, atau membaca halaman manual referensi ..
Anda akan melihat "produk akhir" kita akan menciptakan, variogram utama peta, di
grafis.
Menurut definisi, peta variogram utama akan berisi sumbu utama dari anisotropi
ellipsoid.
Semi-sumbu utama mungkin atau mungkin tidak ada dalam bidang variogram
utama peta.
Sekali Anda telah memandang variogram utama peta, memindahkan bentuk
tampilan dan kembali ke BERLAKU.
Modelling VARIOGRAM jendela yang dibuka dengan memilih model dari Variogram
menu yang Geostatistik. Selanjutnya, dari peta Variogam menu, peta adalah
variogram Baru
dipilih, dan formulir di bawah ini ditampilkan.
Di panel atas, informasi file string (Lokasi, ID, string range, dll) didefinisikan
menggunakan
parameter yang sama seperti dalam perhitungan variogram,
Di tengah panel, pesawat yang berisi peta variogram utama didefinisikan.
Perhatikan bahwa
di sini kita menggunakan:
Dip: +40
Arah dip: 105
Seperti yang telah disebutkan sebelumnya, pesawat yang sama ini dapat
didefinisikan menggunakan saus dari -40 dan
saus arah 285.
Jumlah variograms dipilih akan menentukan kenaikan sudut. Dalam contoh kita, 24
variograms akan menghasilkan peningkatan sudut 15 derajat (360/24 = 15). Jika
jumlah
variograms telah diatur ke 36, kami akan mendapatkan kenaikan 10 derajat (360/36
= 10).
Penyebaran dan membatasi penyebaran parameter adalah sama seperti dalam
pemodelan variogram normal.
Hubungan antara kenaikan dan sudut sudut penyebaran harus dipertimbangkan.
Untuk sebagian orang, hal itu mungkin terlihat tidak masuk akal untuk menentukan
penyebaran toleransi apa pun lebih besar dari setengah
dari sudut kenaikan. Kumpulan data ini, karena jumlah pasangan kecil, jika 7,5
derajat menyebar digunakan (setengah dari sudut 15 derajat kenaikan antara batas
variograms), jumlah pasangan data akan sangat kecil sehingga sangat sedikit, jika
ada yang masuk akal
Setelah membaca teks di bawah ini pada bentuk kedua, klik BERLAKU.
JANGAN MODIFY WINDOWS APAPUN ATAU DATA DISPLAYED.
Variogram utama peta, dengan Dip: +40 Dip arah: 105 sekarang ditampilkan.
Selain itu, peta variogram telah disimpan sebagai file
primary_variogram_map1.DTM,
dan ditampilkan dalam jendela grafis utama. Itu telah diwarnai oleh gamma (h)
nilai-nilai,
yang disimpan dalam bidang D1. Anda mungkin ingin memeriksa dan memutar data
yang ada sebelum
melanjutkan dengan makro berikutnya.
Peta yang sedang ditampilkan variogram tampaknya menjadi 'tidak lengkap', atau
telah 'hilang' data.
Sesungguhnya tidak ada yang salah - yang 'hilang' bagian-bagian dari peta
variogram hanyalah mana
tidak ada data pasangan yang ada pada jarak dan orientasi.
Orientasi sumbu utama telah dipilih sebagai 'pitch' atau 'menyapu sudut' dari 15
derajat
dari pemogokan horizontal dari peta variogram pesawat.
Arah ini dipilih didasarkan pada suatu penafsiran bahwa jangkauan variogram pada
orientasi ini lebih lama daripada kisaran variogram lainnya di pesawat ini. Seperti
sebelumnya
menyatakan, interpretasi data geostatistical dilakukan di sini hanya untuk
menunjukkan
fungsi perangkat lunak. Penafsiran alternatif dapat dianggap lebih tepat.
Fungsi File - Save - Eksperimental variogram (SAVE EXP VG) telah digunakan untuk
menyimpan
file major_axis.evg. Hal ini dimungkinkan untuk meninjau data variogram
eksperimental dengan membuka
file ini.
Selain itu, Fungsi File - Save - Variogram model (SAVE VG MODEL) telah digunakan
untuk menyimpan file major_axis.vgm. Ketika data variogram eksperimental
ditampilkan, maka
mungkin untuk meninjau model variogram dengan membuka file ini.
Anda sekarang akan melihat peta variogram, serta orientasi variogram untuk
ditampilkan pada peta variogram.
Dari menu Display, pilih Berikut arah. Ulangi ini beberapa kali, dan perhatikan
bagaimana
variogram dan garis hitam pada peta variogram perubahan.
Tujuan dari peta variogram utama adalah untuk menentukan orientasi sumbu
utama.
Seperti dijelaskan sebelumnya, menurut definisi, sumbu utama terletak dalam
variogram utama peta.
Contoh yang diberikan di sini adalah didasarkan pada premis bahwa Anda, sebagai
seorang ahli geologi tahu bahwa
orientasi sumbu utama akan terletak di suatu tempat di pesawat mencelupkan ini
untuk kumpulan data ini. Untuk
jahitan horisontal deposit, orientasi utama peta akan variogram horizontal.
Idenya adalah untuk memilih orientasi variogram yang memiliki jangkauan
terpanjang untuk suatu ambang
nilai. Lag slider dan "Next arah" fungsi dapat membantu Anda, seperti dijelaskan di
sini:
A. Gunakan slider lag mengingatkan Anda pada bidang-bidang varians tinggi dan
rendah pada variogram
peta. Dengan kata lain, pindahkan slider lag bolak-balik, dan menyaksikan warna
pada
perubahan peta yang variogram. Anda kemungkinan besar akan melihat bahwa
seluruh kisaran lag
nilai-nilai, akan ada area pada peta variogram yang akan secara konsisten tinggi,
dan
lain yang akan tetap rendah. Menggunakan contoh yang diberikan di atas,
perhatikan bahwa
orientasi 15 derajat di atas horizontal (di sebelah kiri) akan secara konsisten
menampilkan
warna pada ujung rendah nilai-nilai varians, seperti yang diwakili oleh legenda ke
kanan.
B. Setelah Anda memiliki gagasan tentang apa yang mungkin muncul sebagai
orientasi terpanjang
rentang, gunakan fungsi arah Berikutnya untuk memutar garis hitam pada peta
untuk variogram
arah itu.
yang diinginkan.
Catatan bahwa ini adalah rotasi gratis, dan Anda tidak dipaksa untuk memilih
orientasi yang tepat dari setiap
yang variogram arah. Hal ini dapat berguna jika Anda telah menemukan dua
bersebelahan orientasi
yang sama-sama berlaku - Anda dapat mengatur arah kesinambungan maksimum
untuk tengah antara
dua arah.
Setelah membaca teks di bawah ini pada formulir berikutnya, klik BERLAKU.
JANGAN MODIFY WINDOWS APAPUN ATAU DATA DISPLAYED.
Makro berikutnya, _08_anisotropy_ellipsoid.tcl, harus dijalankan setelah ini,
Setelah membaca teks di bawah ini pada formulir berikutnya, klik BERLAKU.
JANGAN MODIFY WINDOWS APAPUN ATAU DATA DISPLAYED.
Makro berikutnya, _08_anisotropy_ellipsoid.tcl, harus dijalankan setelah ini, dan
tergantung pada
jendela pemodelan variogram disajikan langsung - jangan tutup jendela pemodelan
variogram
atau melakukan modifikasi terhadap data ditampilkan.
-------------------------------------------------- -------------------------------------------------- ----------------
Telah
diwarnai oleh gamma (h) nilai-nilai, yang disimpan dalam bidang D1. Anda mungkin
ingin memeriksa dan
memutar data yang ada sebelum melanjutkan dengan makro berikutnya. Sekali
lagi, 'hilang' data dalam setiap
variogram peta adalah hasil dari kurangnya data pasang pada jarak tertentu dan
orientasi.
Dalam kasus ini, setengah sumbu utama telah dipilih pada orientasi yang sedikit
berbeda dengan
mencelupkan variogram utama peta. Jika orientasi setengah sumbu utama secara
signifikan
berbeda dari peta variogram utama, itu mungkin patut variogram utama
recalculating
peta pada orientasi yang meliputi baik besar dan semi-sumbu utama sebagaimana
ditentukan
di sini.
Perhatikan bahwa langkah-langkah yang sama digunakan untuk memilih arah
kontinuitas maksimum untuk utama
peta variogram telah digunakan untuk memilih arah kontinuitas maksimum untuk
variogram sekunder peta.
Jika kontinuitas data adalah sama dalam semua arah, sebuah 'isotropik' kondisi
dikatakan ada.
Dengan kata lain, utama, semi-mayor, dan minor sumbu akan memiliki
kesinambungan yang sama.
Namun, dalam demonstrasi ini, sebuah 'anisotropic' kondisi ada, karena ada
variabel
kontinuitas.
Seperti disebutkan sebelumnya, sumbu utama adalah orientasi yang mewakili
paling
kontinuitas. Menurut definisi, semi-sumbu utama adalah terbesar kedua ukuran
kesinambungan, dan
sumbu minor adalah yang terkecil. Untuk blok model estimasi, perlu untuk
mengetahui
kekuatan sumbu utama dibandingkan dengan kekuatan kedua sumbu. Orientasi
dari tiga sumbu, serta kekuatan dari kontinuitas relatif terhadap sumbu yang lain
adalah
digambarkan oleh 'anisotropi ellipsoid'.
Kekuatan kesinambungan sepanjang sumbu utama dibandingkan untuk
kelangsungan semi sumbu mayor dan minor dengan dua istilah berikut:
Utama semi-rasio anisotropi utama
Utama untuk anisotropi kecil rasio
Rasio ini dihitung dengan membandingkan panjang rentang sepanjang variograms
masing-masing sumbu.
Untuk menentukan rasio ini,
1) Fungsi 'Ekstrak variograms sepanjang sumbu' (VG SHOW Axes VARIOGRAMS)
adalah
dilakukan, dan variogram eksperimental data dan model variogram sumbu utama
ditampilkan.
2) The 'Next variogram' (VG NEXT) fungsi dilakukan, dan variogram eksperimental
data untuk setengah sumbu utama disajikan
3) Jangkauan dari variogram adalah grafis diubah untuk mencocokkan data untuk
semi-mayor
sumbu (yang nugget dan nilai-nilai ambang model variogram tetap konstan). Jarak
jeda
dapat dimodifikasi untuk meningkatkan kualitas variogram.
4) utama semi-besar rasio anisotropi dihitung sebagai:
Panjang jangkauan model variogram sumbu utama / Panjang rentang
dari model variogram semi-sumbu utama
5) The 'Next variogram' (VG NEXT) fungsi dilakukan lagi, dan eksperimental
variogram data untuk sumbu kecil disajikan.
6) Seperti dalam langkah 3, jangkauan adalah variogram grafis dimodifikasi untuk
mencocokkan data untuk
sumbu minor (yang nugget dan nilai-nilai ambang model variogram tetap konstan).
Lag
jarak dapat dimodifikasi untuk meningkatkan kualitas variogram.
7) untuk utama kecil rasio anisotropi dihitung sebagai:
Panjang jangkauan model variogram sumbu utama / Panjang rentang
dari model variogram sumbu minor
Kedua rasio anisotropi dihitung dan ditampilkan di kanan atas viewport.
Setelah membaca teks di bawah ini pada formulir berikutnya, klik BERLAKU.
The 'Extract variograms sepanjang sumbu' (VG SHOW Axes VARIOGRAMS) Fungsi ini
telah
dilakukan, dan variogram eksperimental data untuk sumbu utama akan ditampilkan.
File - Open -Variogram model (ingat VG MODEL) telah digunakan untuk menampilkan variogram
sumbu utama
model.
The 'Next variogram' (VG NEXT) fungsi akan dilakukan, dan variogram
eksperimental
data untuk setengah sumbu utama akan ditampilkan, bersama dengan model
variogram sumbu utama.
Setelah ini, makro akan memodifikasi jangkauan variogram (biasanya hal ini
dilakukan secara grafis
oleh pengguna) untuk mencocokkan data untuk setengah sumbu utama (yang
nugget dan nilai-nilai ambang
model variogram sumbu utama tetap konstan).
Setelah ini dilakukan, untuk utama semi-besar rasio anisotropi akan dihitung
sebagai:
Panjang jangkauan model variogram sumbu utama / Panjang rentang
dari model variogram semi-sumbu utama
Rasio anisotropi ini akan ditampilkan di kanan atas viewport.
Variogram sekunder peta, dan orientasi yang dipilih dari semua sumbu ditampilkan.
Ketika bentuk berikutnya akan ditampilkan, klik dan drag dari rupa sehingga Anda
dapat melihat
variogram model untuk setengah sumbu utama.
Setelah pindah kembali formulir dan membaca teks di bawah ini pada formulir, klik
BERLAKU.
Jangkauan variogram telah dimodifikasi untuk mencocokkan data untuk setengah
sumbu utama.
Perhatikan bahwa nugget dan nilai-nilai ambang model variogram tetap konstan.
Kisaran dari model variogram utama dan semi-sumbu besar digunakan untuk
menghitung
utama untuk semi-rasio anisotropi utama:
Panjang jangkauan model variogram sumbu utama / Panjang rentang
dari model variogram semi-sumbu utama
Dalam contoh ini, panjang rentang model variogram:
Sumbu utama: 168
Semi-sumbu utama: 99
Oleh karena itu, untuk utama semi-rasio anisotropi utama adalah: 168 / 99 = 1,7
Rasio anisotropi ini ditampilkan di kanan atas viewport.
Setelah ini, 'Next variogram' (VG NEXT) fungsi akan dilakukan, dan
variogram eksperimental data untuk sumbu kecil akan ditampilkan, bersama
dengan arus
model variogram. Besar / kecil rasio anisotropi akan dihitung dengan cara yang
sama.
Ketika bentuk berikutnya akan ditampilkan, klik dan drag dari rupa sehingga Anda
dapat melihat
variogram model untuk sumbu kecil.
Setelah pindah kembali formulir dan membaca teks di bawah ini pada formulir, klik
BERLAKU.
The 'Next variogram' (VG NEXT) fungsi telah dilakukan, dan eksperimental
variogram data untuk sumbu kecil telah disajikan, bersama dengan setengah
sumbu utama
model variogram. Jarak jeda telah diubah untuk memperbaiki kualitas
variogram.
Jangkauan variogram telah dimodifikasi untuk mencocokkan data untuk sumbu
kecil. Perhatikan bahwa
persyaratan mempertahankan nugget yang sama dan nilai-nilai ambang model
variogram tidak
tidak mengizinkan yang sangat baik fit dari variogram dalam kasus ini. Data seperti
ini menimbulkan tantangan
penafsiran.
Kisaran dari model variogram untuk sumbu mayor dan minor digunakan untuk
menghitung
utama untuk anisotropi kecil rasio:
Panjang jangkauan model variogram sumbu utama / Panjang rentang
dari model variogram sumbu minor
Dalam contoh ini, panjang rentang model variogram:
Sumbu utama: 168
Sumbu minor: 33
Oleh karena itu, besar ke kecil rasio anisotropi: 168 / 33 = 5,1
Rasio anisotropi ini ditampilkan di kanan atas viewport.
Langkah selanjutnya adalah menentukan orientasi anisotropi ellipsoid, dalam hal
Surpac's
rotasi konvensi.
Fungsi 'Buat laporan anisotropi ellipsoid' akan digunakan untuk melakukan hal ini.
Setelah membaca teks di bawah ini pada formulir berikutnya, klik BERLAKU.
9. Jika orientasi lain tampaknya memiliki jangkauan yang lebih lama dan varians
yang lebih rendah daripada
model saat ini, memodifikasi model yang sesuai yang variogram
eksperimental. Memodifikasi lag
jarak untuk orientasi dapat membantu Anda mendapatkan lebih sesuai.
10. Ulangi dua langkah sebelumnya sampai Anda puas bahwa Anda memiliki
orientasi
sumbu utama. Dari menu File, pilih Simpan, lalu Variogram model untuk
menyimpan
*. VGM untuk orientasi ini, yang merupakan sumbu utama. Ini adalah langkah
opsional, tetapi dapat
membantu dalam langkah masa depan.
11. Dari peta Variogram menu, pilih Pilih arah kontinuitas maksimum.
12. Klik dan tarik garis merah pada peta variogram sampai sejajar dengan
orientasi
sumbu utama.
13. Dari peta Variogram menu, pilih Simpan DTM. Ini adalah langkah opsional,
tetapi mungkin
membantu Anda untuk menampilkan orientasi peta variogram utama dalam
tiga dimensi dalam
grafis.
14. Dari peta Variogram menu, pilih Sekunder Variogram peta. Arah
kontinuitas maksimum (garis merah) akan ditampilkan sebagai persimpangan
primer dan
variogram sekunder peta. Orientasi garis ini harus relatif dekat dengan apa
akan menjadi setengah sumbu utama.
15. Gunakan Next arah (dan / atau Previous arah) berfungsi untuk memutar garis
hitam
variogram pada peta ke arah itu.
16. Sekarang menggunakan lag slider untuk meningkatkan kualitas variogram
eksperimental untuk
arah. Anda mungkin juga menemukan bahwa sumbu Tetapkan batas fungsi (sekali
lagi, di bawah menu Tampilan)
dapat membantu Anda untuk melihat variogram.
17. Buat model variogram orientasi ini, yang akan menjadi setengah sumbu utama.
Dari Tampilan menu ini, Anda mungkin ingin memilih Tampilkan / Sembunyikan
varians untuk menampilkan data
varians (sering digunakan sebagai kusen total).
18. Gunakan Next arah (dan / atau Previous arah) berfungsi untuk memutar melalui
semua
orientasi lain. Semi-harus sumbu utama bahwa variogram yang memiliki
varians terendah untuk jarak terpanjang.
19. Jika orientasi lain tampaknya memiliki jangkauan yang lebih lama dan varians
yang lebih rendah daripada
model saat ini, memodifikasi model yang sesuai yang variogram eksperimental.
Memodifikasi lag
jarak untuk orientasi dapat membantu Anda mendapatkan lebih sesuai.
20. Ulangi dua langkah sebelumnya sampai Anda puas bahwa Anda memiliki
orientasi
sumbu utama.
21. Dari peta Variogram menu, pilih Pilih arah kontinuitas maksimum.
22. Klik dan tarik garis merah pada peta variogram sampai sejajar dengan orientasi
sumbu utama.
23. Dari peta Variogram menu, pilih Simpan DTM. Ini adalah langkah opsional, tetapi
mungkin
membantu Anda untuk menampilkan orientasi peta variogram sekunder dalam tiga
dimensi dalam
grafis.
24. Dari peta Variogram menu, pilih Ambil variograms sepanjang sumbu. Itu
variogram eksperimental untuk sumbu utama akan ditampilkan dalam warna
merah.
25. Gunakan fungsi arah Next (dan / atau Sebelumnya arah) untuk maju melalui
empat pandangan variograms percobaan - satu masing-masing mayor, semi-mayor,
dan
kapak kecil, dan salah satu dari semua variograms bersama-sama. Berhenti ketika
Anda sampai ke tampilan semua
tiga variograms.
26. Jika Anda menyimpan *. VGM (variogram model) untuk sumbu utama, tampilan
sekarang (dari
Menu File, pilih Buka, kemudian Variogram model). Jika Anda sebelumnya tidak
menyimpan
model variogram, variogram membuat agar sesuai dengan sumbu utama (dari
menu Variogram,
pilih Model).
27. Pastikan bahwa variogram untuk setengah sumbu utama adalah sama dengan
baik, atau ke kiri
dari model variogram sumbu utama. Anda mungkin perlu menggunakan lag slider
untuk meningkatkan
kualitas variogram. Menurut definisi, kisaran sumbu utama harus sama dengan atau
lebih lama dari jangkauan setengah sumbu utama untuk suatu ambang jendela.
Jika variogram mewakili setengah sumbu utama adalah di sebelah kanan model
utama
sumbu, maka Anda perlu mulai lagi dari langkah 1, dengan menggunakan orientasi
saat semi sumbu utama dalam variogram utama peta. Saat ini setengah sumbu utama
sekarang menjadi lebih
kemungkinan calon orientasi sumbu utama.
28. Pastikan bahwa variogram untuk sumbu minor sama dengan baik, atau ke kiri
model variogram setengah sumbu utama. Anda mungkin perlu menggunakan lag
slider untuk meningkatkan
kualitas variogram. Menurut definisi, jangkauan semi-sumbu utama harus sama
atau lebih lama daripada kisaran sumbu kecil untuk suatu ambang jendela.
Jika variogram mewakili sumbu kecil di sebelah kanan model untuk semi-mayor
sumbu, maka Anda perlu mulai lagi dari langkah 14. Sumbu minor saat ini sekarang
menjadi lebih
kemungkinan calon orientasi setengah sumbu utama.
Catatan: Hal ini sering sulit atau tidak mungkin untuk menafsirkan variogram
eksperimental untuk minor
arah. Jika Anda tidak bisa mendapatkan visual diterima variogram kecil, tetapi Anda
memiliki baik
variograms kualitas untuk utama dan semi-sumbu besar, Anda dapat memilih untuk
melanjutkan, dan
menentukan rasio untuk sumbu minor berdasarkan faktor-faktor lain, seperti
geometri.
29. Setelah Anda meyakinkan diri sendiri bahwa Anda variograms dapat diterima,
gunakan Berikutnya
fungsi arah untuk maju ke berikutnya variogram, sumbu utama. Pastikan
model variogram sesuai dengan variogram eksperimental.
30. Berikutnya lagi menggunakan fungsi arah untuk memajukan variogram
berikutnya, semi sumbu utama. Memodifikasi lag jika diperlukan untuk meningkatkan kualitas
variogram eksperimental.
31. Dari peta Variogram menu, pilih Ubah anisotropi.
32. Klik dan tarik ambang / rentang penanda ke kiri sampai model variogram cocok
dengan
variogram eksperimental untuk setengah sumbu utama.
Catatan: Anda tidak akan dapat memodifikasi baik nugget atau kusen - hanya
kisaran
berubah untuk menghitung rasio anisotropi.
33. Gunakan fungsi arah Selanjutnya untuk memajukan variogram berikutnya,
sumbu kecil.
Memodifikasi lag jika diperlukan untuk meningkatkan kualitas variogram
eksperimental.
34. Dari peta Variogram menu, pilih Ubah anisotropi.
35. Klik dan tarik ambang / rentang penanda ke kiri sampai model variogram cocok
dengan
variogram eksperimental untuk sumbu kecil.
Catatan: Hal ini sering sulit atau tidak mungkin untuk menafsirkan variogram
eksperimental untuk minor
arah. Jika Anda tidak bisa mendapatkan visual diterima variogram kecil, tetapi Anda
memiliki baik
variograms kualitas untuk utama dan semi-sumbu utama, Anda dapat memilih
rentang memodifikasi
sampai rasio untuk sumbu minor sama dengan beberapa nilai yang telah dipilih
berdasarkan lain
faktor-faktor, seperti geometri.
Jika variogram mewakili sumbu kecil di sebelah kanan model untuk semi-mayor
sumbu, maka Anda perlu mulai lagi dari langkah 14. Sumbu minor saat ini sekarang
menjadi lebih
kemungkinan calon orientasi setengah sumbu utama.
Catatan: Hal ini sering sulit atau tidak mungkin untuk menafsirkan variogram
eksperimental untuk minor
arah. Jika Anda tidak bisa mendapatkan visual diterima variogram kecil, tetapi Anda
memiliki baik
variograms kualitas untuk utama dan semi-sumbu besar, Anda dapat memilih untuk
melanjutkan, dan
menentukan rasio untuk sumbu minor berdasarkan faktor-faktor lain, seperti
geometri.
29. Setelah Anda meyakinkan diri sendiri bahwa Anda variograms dapat diterima,
gunakan Berikutnya
fungsi arah untuk maju ke berikutnya variogram, sumbu utama. Pastikan
model variogram sesuai dengan variogram eksperimental.
30. Berikutnya lagi menggunakan fungsi arah untuk memajukan variogram
berikutnya, semi sumbu utama. Memodifikasi lag jika diperlukan untuk meningkatkan kualitas
variogram eksperimental.
31. Dari peta Variogram menu, pilih Ubah anisotropi.
32. Klik dan tarik ambang / rentang penanda ke kiri sampai model variogram cocok
dengan
variogram eksperimental untuk setengah sumbu utama.
Catatan: Anda tidak akan dapat memodifikasi baik nugget atau kusen - hanya
kisaran
berubah untuk menghitung rasio anisotropi.
33. Gunakan fungsi arah Selanjutnya untuk memajukan variogram berikutnya,
sumbu kecil.
Memodifikasi lag jika diperlukan untuk meningkatkan kualitas variogram
eksperimental.
34. Dari peta Variogram menu, pilih Ubah anisotropi.
35. Klik dan tarik ambang / rentang penanda ke kiri sampai model variogram cocok
dengan
variogram eksperimental untuk sumbu kecil.
Catatan: Hal ini sering sulit atau tidak mungkin untuk menafsirkan variogram
eksperimental untuk minor
arah. Jika Anda tidak bisa mendapatkan visual diterima variogram kecil, tetapi Anda
memiliki baik
variograms kualitas untuk utama dan semi-sumbu utama, Anda dapat memilih
rentang memodifikasi
sampai rasio untuk sumbu minor sama dengan beberapa nilai yang telah dipilih
berdasarkan lain
faktor-faktor, seperti geometri.
Ringkasan
Anda sekarang harus mengerti istilah-istilah berikut:
Variogram peta
Variogram Primer peta
Variogram sekunder peta
Anda juga harus tahu cara membuat dan menggunakan peta untuk menentukan
variogram parameter
yang mendefinisikan ellipsoid dengan Surpac anisotropi.
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus memahami konsep-konsep
berikut:
Surpac menubars
Surpac string file
model blok Surpac
isotropy dan anisotropi
anisotropi ellipsoid
parameter yang menentukan suatu ellipsoid anisotropi
Untuk melihat bagaimana blok ini ditampilkan dalam Surpac, jalankan anisotropy.tcl
makro. Klik
grafis setelah setiap model akan ditampilkan. Jika Anda menggunakan pemutaran
Makro tombol, Anda dapat melihat
semua nilai pada bentuk dengan mencentang "Slow motion pemutaran".
Meskipun anisotropi merupakan salah satu cara di mana pembobotan jarak terbalik
dapat berdampak akhir
Akibatnya, anisotropi dapat digunakan dalam teknik estimasi, sehingga tidak akan
dibahas dalam
rinci di sini. Diskusi tentang anisotropi tersedia di bab lain.
Sekarang kita akan pergi melalui setiap langkah dalam proses estimasi jarak
terbalik, menggunakan
isotropik estimasi dengan model 20x20x1.mdl.
2. Langkah-langkah untuk melakukan estimasi jarak terbalik
Buka file 4points1.str.
Menampilkan data sebagai penanda, dan menampilkan D1 lapangan.
3.
Ini adalah kumpulan data yang akan kita gunakan untuk memperkirakan blok dalam
model.
Blok Model menampilkan menu.
Pastikan bahwa Anda telah membuka model 20x20x1.mdl.
Dari menu Display, pilih Hapus model warna.
Dari menu tampilan, pilih Tampilan blok model.
Masukkan data seperti yang ditunjukkan di bawah ini, dan BERLAKU.
5.
6. Menampilkan model isotropik diwarnai oleh atribut, seperti sebelumnya.
Ulangi proses memperkirakan dan menampilkan atribut isotropik, tetapi
menggunakan
kebalikan jarak kekuasaan dari 4 dan 10.
Ringkasan
Anda harus memahami bagaimana rasio anisotropi dan orientasi anisotropi ellipsoid
dampak berat sampel yang digunakan untuk memperkirakan nilai di blok pusat
massa. Juga, Anda
sekarang harus sadar akan dampak kekuasaan pada jarak invers estimasi.
Memahami bagaimana masing-masing dari sekian banyak parameter yang terkait
dengan estimasi individu
Metode ini tidak ada tugas sederhana. Biasanya akan memakan waktu, lebih
banyak riset, dan / atau pengalaman
dengan beberapa set data untuk memahami konsep-konsep yang disajikan di sini.
Ordinary Kriging
Tinjauan
Produk akhir penting dari sebuah evaluasi geostatistical adalah "model", atau satu
set titik dalam ruang
yang mengandung nilai-nilai estimasi. Salah satu metode untuk memperkirakan
nilai-nilai pada titik-titik dalam
Model ini dikenal sebagai kriging biasa, yang diuraikan dalam bab ini melalui
berikut:
1. Dampak dari efek nugget
2. Dampak kisaran
3. Dampak dari blok descretisation
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus memahami konsep-konsep
berikut:
Surpac menubars
Surpac string file
model blok Surpac
isotropy dan anisotropi
anisotropi ellipsoid
parameter yang menentukan suatu ellipsoid anisotropi
1. Dampak dari efek nugget
Bila menggunakan kriging biasa untuk memperkirakan nilai dalam sebuah
blok model, persentase relatif
yang nugget dapat memiliki dampak signifikan pada hasil akhir.
2.
Untuk melihat blok ini ditampilkan dalam Surpac, jalankan
ordinary_kriging_nugget.tcl makro.
Klik di masing-masing grafik untuk melihat hasil.
3. Dampak kisaran
Bila menggunakan kriging biasa untuk memperkirakan nilai dalam sebuah
blok model, jangkauan variogram
relatif terhadap jarak sampel dapat memiliki dampak signifikan pada hasil
akhir.
Ini adalah kumpulan data yang akan kita gunakan untuk memperkirakan di blok
model
You should now see the model and the data displayed:
APPLY dua bentuk berikut untuk TIDAK menimpa file *. dan file *. MDL.
Model, seperti yang diperkirakan oleh kriging biasa menggunakan efek nugget nol
ditampilkan:
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus memahami konsep-konsep
berikut:
Surpac menubars
Surpac string file
model blok Surpac
isotropy dan anisotropi
anisotropi ellipsoid
kriging biasa
Nilai-nilai efisiensi dan bersyarat kriging lereng bias digunakan dalam menganalisis
ukuran blok.
Mengingat data yang sama ini pada langkah 1, berikut adalah Beberapa contoh
untuk ukuran blok yang Berbeda
1. Koordinat untuk Melakukan analisis: Y = 7,340 x = 1660 Z = 110
2. blok dimensi: Y = 10 X = 5 Z = 5
3. blok model Asal: Y = 7,335 X = 1657,5 Z = 107,5
4. kriging biasa dalam kendala: Y <7,345., X <1662,5, Z <112,5
2. blok dimensi: Y = 5 x = 5 Z = 2
3. blok model Asal: Y = 7337,5 X = 1657,5 Z = 109
4. kriging biasa dalam kendala: Y <7,342., X <1662,5, Z <111
2. blok dimensi: Y = 2 X = 2 Z = 2
3. blok model Asal: Y = 7,339 x = 1659 Z = 109
4. kriging biasa dalam kendala: Y <7,341., X <1661, Z <111
Namun, jika ada satu atau lebih cluster dalam data, Anda harus melakukan studi di
masing-masing dari beberapa lokasi, masing-masing perwakilan dari berbagai jenis
data clustering, sebagai bersyarat kriging efisiensi dan lereng bias ditentukan oleh
ukuran blok dan contoh
lokasi dekat blok.
1.
2.
3.
4.
5.
Kriging efisiensi dan bersyarat bias kemiringan tidak tergantung pada nilai-nilai
sampel, tetapi
berkaitan dengan ukuran blok, lokasi sampel, dan parameter variogram.
Begitu Anda telah menentukan ukuran blok yang optimal, Anda dapat
menggunakan prosedur yang dijelaskan di sini
untuk membandingkan faktor-faktor lain, seperti jumlah maksimum sampel, cari
jari-jari, dan
discretisation poin.
Ringkasan
Anda harus memahami bagaimana untuk mendapatkan nilai untuk efisiensi dan
bersyarat kriging bias lereng,
dan prosedur untuk mengoptimalkan satu set ukuran blok.
Validasi model
Tinjauan
Langkah penting dalam evaluasi geostatistical adalah untuk memvalidasi model
setelah telah
diciptakan. Ada beberapa cara melakukan ini:
1.
2.
3.
4.
Persyaratan
Sebelum melanjutkan dengan bab ini, Anda harus memahami konsep-konsep
berikut:
Surpac menubars
Surpac string file
model blok Surpac
isotropy dan anisotropi
anisotropi ellipsoid
kriging biasa
2.
Pada dasarnya, Anda ingin memastikan bahwa nilai-nilai dalam model tampaknya
benar. Ini
tampaknya kasus: blok sepenuhnya dalam model memiliki nilai parsial 1,00 persen
dan blok sebagian dalam model memiliki persentase sebagian nilai antara 0 dan
1,00.
Jalankan makro _15b_display_blocks & composites.tcl.
Makro ini akan menampilkan penampang 3D solid, composited drillhole mentah dan
data, sebagai
serta nilai-nilai kriged blok di dalam padat:
Sekali lagi, Anda ingin memastikan bahwa nilai-nilai dan model blok nilai tampaknya
benar.
3. Grade-tonase kurva
Cara lain untuk memvalidasi model adalah melaporkan ton dan grade dan
membangun nilai tonase kurva.
Jalankan _16a_bm_report.tcl makro.
Makro ini akan melakukan pelaporan model blok untuk membuat sebuah file
CSV yang berisi *. grade dan
ton. Yang telah ditetapkan, *. XLS file yang ditampilkan di akhir dengan grafik
dari kelas-tonase
kurva.
APPLY masing-masing bentuk-bentuk yang ditampilkan:
5.
Anda akan melihat histogram dari data ditampilkan.
5. Analisis kecenderungan
Statistik dasar dari nilai-nilai model blok adalah cara lain untuk memvalidasi
output dari
model.
Jalankan _16b_export_centroids.tcl makro, dan BERLAKU bentuk:
Bila data yang telah diekspor, Anda akan melihat data dalam grafik:
Analisis kecenderungan dapat digunakan untuk mengidentifikasi daerahdaerah di mana estimasi model blok dapat
berbeda dengan data composited.
Ringkasan
Anda harus memahami bagaimana untuk memvalidasi model setelah telah
dibuat, dengan menggunakan berikut
teknik:
1.
2.
3.
4.