3 Tehnikal
Cara simulasi dengan cara merata-ratakan data sangatlah terbatas. Dalam ilmu
lingkungan, kita bermain dengan dua dimensi data dan ingin mensimulasikan model yang
merepresentasikan data kita. Ada tiga metode untuk mensimulasikan dan sering digunakan,
yaitu Lower-upper (LU) Decomposition, Sequential Gaussian Simulation dan Simulated
Annealing. Semua metode tersebut bias bersifat conditional maupun unconditional, meskipun
LU decomposition lebih sering digunakan untuk simulasi yang bersifat unconditional. Metode
yang keempat adalah turning bands method, meskipun popular namun ada beberapa
kekurangan.
= = %
dimana L dan U adalah lower dan upper dari triangular matriks. Teknik ini berdasarkan
Cholesky dan dikenal sebagai Cholesky Decomposition. Semua kovarian matriks, seperti
dalam system kriging dapat menggunakan metode ini.
Untuk mensimulasikan sebuah nilai area yang unconditional, maka kita mulai dengan
sebuah variogram atau kovarian dari variasi normal. Untuk ini kita menghitung matriks
kovarian untuk area tersebut, C dengan elemen Cij untuk semua I dan j. Matriks C
didekomposisi unutk mendapatkan L. Kemudian kita membuat sebuah vector g dari bilangan
acak yang diambil dari data yang terdistibusi normal N(0,1). Dengan mengalikan L dengan g
akan memberikan nilai vector yang dibutuhkan untuk simulasi:
=
dan
= =
Untuk simulasi conditional, kita coba N data yang mana untuk simulasi pada posisi
tidak tersampel T. Kemudian kita harus mempertimbangkan titik N + T totalnya. Kovarian
matriks simetrik C juga dimensi N +T dan meliputi empat sub-matriks. Dapat didekomposisi
sebagai
++ +% 0 ++ +%
= ++
+% %% %+ %% 0 %%
Nilai T diambil secara terpisah dan secara random pada distribusi normal seperti diatas
untuk memberikan vector g. Sebagai tambahan, pengkondisian N data ditransformasikan ke
betuk normal standard an ditunjukan dengan vector z. Nilai vektor pengkondisian simulasi y
dari panjang N+T adalah
+
= ./
%+ ++ + %% %
Hasil vector dapat ditransformasikan kembali kebentuk semula.
Teknik LU decomposition mempunyai keuntungan dalam efesiensi numeric. Dan
kelemahannya adalah kompuasinya tidak praktis untuk kebanyakan titik karena matriks C
harus ditahan di memori dan itu menjadi terlalu besar untuk didekomposisi. Batasan jumlah
tempat adalah sekitar 1000 (N+T), tetapi ini akan meningkatkan memori computer.
Bagaimanapun, jika ingin merealisasikan sebanyak-banyaknya untuk nilai yang kecil akan
sangat cepat karena matriks C harus didekomposisi hanya sekali. Semua yang dilakukan adalah
untuk mendapatkan nilai random vector yang diambil dari sesuatu yang terdistribusi normal.
1. Pastikan data adalah sekitar normal, transformasi kedalam bentuk distibusi normal jika
perlu.
2. Hitung dan modelkan variogram.
3. Spesifikan titik koordinat dimana akan disimulasikan. Biasanya pada sebuah grid.
4. Determinasi urutan dimana titik ; , = 1, 2, . .. yang akan dilakukan simulasi. Pilihlah
titik dengan random akan memaksimalkan keberagaman perbedaan realisasi.
5. Simulasikan di setiap titik berikut
a) Gunakan simple kriging dengan model variogram untuk mendapatkan () dan
23 ; .
b) Gambarkan sebuah nilai secara random pada sebuah distribusi normal
? , 23 ? .
c) Masukan nilai ini kedalam grid ; dan tambahkan kedalam data.
d) Proses ke node selanjutnya dan simulasikan nilai di titik di grid.
e) Ulangi langkah-langkan (a) sampai (c) sampai semua node telah disimulasikan.
6. Back-transform nilai simulasi jika diperlukan.
3. Reaslisai pertubasi dengan mengswapping nilai pasangan, seperti dalam versi pertama
GSLIB (Deutch dan Journel, 1992) atau dengan penggantian, seperti dalam versi kedua
program (Deutch dan Journel, 1998).
Swapping. Nilai pada dua node, katakan ? dan ; dipilih pada nilai acak dan
diswap, dan G dihitung kembali. Jika G berkurang itu berarti bahwa variogram
ekperimental baru, ? () lebih dekat dengan () dan swapping dibiarkan tetap. Hal
ini menganalogikan sebuah perubahan molekul dalam annealing yang menghasilkan
penuruhan dalam energy bebas Gibbs. Proses terus berlanjut dengan swap dari dua atau
lebih nilai, perhitungan kembali G dan penyimpangan swap dibiarkan jika G berkurang.
Replacemant. Nilai pada node random diganti dengan nilai lain yang digambarkan
random pada distribusi yang sama dengan nilai awal, dan G dihitung kembali. Sama
seperti pada swapping, nilai baru dibiarkan jika G berkurang.
4. Proses akan berakhir ketika kedua G telah cukup kecil atau jumlah swap telah mencapai
batas.
Meskipun terdapat batas yang secara geostatistik dalam prosenya, dan hasilnya tergantung pada
(a) pemilihan nilai awal secara acak pada node kosong dari grid dan (b) pemilihan pasangan
secara acak unutk diswap datau dipilih node grid dimana nilai diganti dan nilai yang
menggantinya. Ada beberapa kemungkinan hasil dengan variogram yang sesuai selera dan
satunya didapatkan, kemudian masih masih dianggap sebagai sebuah realisasi dari fungsi acak.
Strategi yang digarisbawahi diatas, teteapi ada tambahan detail untuk di obeservasi.
1. Nilai observasi atau pengkonsisian data pada grid tidak pernah diswap atau diganti.
2. Persamaan model variogram memberikan berat yang sama untuk semua semivariansi.
Kita tau bahwa secara umum semua itu dekat ordianat, contohnya semua pada lag yang
kecil lebih dapat diandalkan daripada semua yang jauh. Jika kita membagi kuadrat
perbedaan dengan kuadrat nilai model kemudian kita akan memberikan berat yang
lebih besar untuk perbandingan dekat ordinat.
E
3
5 ()C ()C
(0) =
3 ()C
CF/
3. Jika kita menolah semua swap atau replacement yang gagal untuk menurunkan nilai G
hasilnya boleh jasdi sebuah local minimum dari global yang kita harapkan. Jadi,
beebrapa swap yang gagal diatas dapat ditahan. Kemuadian kita harus menyaring aturan
dalam diterimanya sap, dan kita lakukan lagi untuk referensi ke annealing fisis.
Frekuensi dengan mana swap yang tidak kelihatan tidak menguntungkan dibiarkan
secara proporsional.
KLM NOP
exp
nilai t dibuat tinggi pada keadaan awal dan kemudian menurun secara perlahan, dan ini
adalah cara konvergen ke local minimum dihindari. Kuantitas t temperature dalam
distribusi boltzman, yang mana menurun sepanjang subuah metal mengalami anneal.
Langkah yang tepat dengan t dikurangi ditemukan untuk beberapa trial dan error.
Goovaerts (1997) menyarankan bahwa awal dengan t tinggi. Kemudian diturunkan t
dengan beberapa factor , <1 ketika swap yang diterima cukup atau telah banyak
percobaan (Farmer, 1991). Maksimum nilai diterima atau swap yang dicoba itu dipilih
sebagai beberapa multiple dari total node grid T.
12.5 Ilustrasi
Gambar 5.5 dan 5.6 adalah contoh dari random model yang dihasilkan oleh simulasi
unconditional. Kita ilustrasikan hasil pengkondisian dengan mengembalikan ke kasus di
Brooms Barn Farm.
Data potassium dari brooms Barn Farm pertama kita transformasikan ke nilai normal
dan variogram dihitung pada nilai transformasi. Sebuah fungsi spherical fit nilai eksperimen
dengan c0 = 0.2536, c = 0.8410 dan a =458 m yang digambarkan pada gamaar 12.1(a). GSLIB
(Deutch dan Journel, 1998) program simulasi mengasumsi bahwa sill varian dari nilai
normanya ditrasformasi akan menyatu dan parameter model diatas diatur secara proporsional
to c0 = 0.2326 dan c = 0.7674 untuk menyakinkan ini lihat gamnasr 12.2(b). Terakhir digunakan
untuk mendapatkan nilai dengan Sequential Gaussian Simulation pada sebuah grid 10 m x 10
m dengan nilai normal K pada interval 40 m . Delapan simulasi dilakukan dengan nilai acak
yang unik pada setiap waktu. Dan nilai simulasi normal ditrasnformasikan kembali ke skala
awal. Rata-ratanya dan variansinya dikalkulasi (table 12.1) dan sangat dekat dengan data.
Gambar 12.2 menunjukan peta dari delapan model. Ada perbedaan dalam detail local, tetapi
itu semua mencerminkan variasi pola normal yang ditunjukan pada gambar 8.22. Khusunya,
ada variasi yang lebih lokan dalam peda simulasi model daripada peta krigging.gamabar 12.3
menunjukan variogram ekperimental diplotkan di titik interval 40 m. ada sedikit perbedaan
untuk setiap model, tetapi semua dekat dengan fungsi generasi. Kita mencocokan fungsi
spherical secara satu-satu.dan table 12.2 memberikan model parameternya. Ada sedikit
perbedaan dalam variansi model, tetapi bagaimanapun perbedaan yang besar dalam range dari
fungsi generasi.
Kita juga mengilustrasikan hasil simulated annealing pada grid yang sama dan
dikondisikan pada nilai normal sama K. Gambar 12.4 menujukan keadaan dalam proses aneal.
Peta pertama, Gambar 12.4(a), termasuk data dan nilai tambahan yang diambil dari normal
distribusi dengan nilai rata-rata yang sama dan variansinya. Model terlihat tidak mengikuti pola
dan variogram ekponensialnya ditunjukan pada gambar 12.5(a) itu relative datar. Fungsi
objektif pada keadaan ini, pertama adalah 1. Gambar 12.4(b) menujukan hasil setelah 65000
sawps, di keadaan fungsi objektif mengalami penurunan dari 1 ke 0.5289. Sebuah pola yang
bagus memulai untuk membuat dan dapat terdeteksi. Variogram dari model, dipaparkan pada
gamabr 12.5(b), menunjukan hanya struktur yang lemah pada keadaan ini, yang mana
memanifestasi dirinya sendiri sepanjang autokorelasi. Variogram ekperimental masih terlihat
agak datar dekat ordinat. Bagaimanapun setelah approksimasi 190000 swaps fungsi objektif
mencapai 0.0004 da variogram ekperimental dekat dengan kurva theoretical, seperti terlihat
pada Gambar 12.5(c). Fitur utama dari pola sapsial yang terjadi pada gambar 12.4(c). dan peta
ini muncul kembali yang dari sequential Gaussian simulation (Gambar 12.2) dengan fitur yang
bagus yang dari block krigging (gambar 8.22). Kemudian, itu tidak sama dengan terakhir pada
gambar 12.2. Peta pada gambar 12.4(d) dan (e) untuk dua atau lebih simulasi yang konvergen
setelah 19500 swap dan sebuah fungsi objektif 0.0002. Gambar 12.5(d) dan (e) menunjukan
variogramnya.
Peta pada gambar 12(c) (e) dengan jelas berbeda dari satu yang lainnya dan terlihat
berbeda lebih dari yang dihasilkan sequential Gaussian simulation, ada lebih perbedaan antara
yang didetail. Dengan jelas, itu semua menunjukan detail yang lebih local dari pada yang
terlihat pada peta krigging.