12.

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.

12.3.1 Lower-Upper Decomposition

Tehnik LU decomposition adalah metode berdasarkan hasil dalam teori matriks yang
mana semua kuadrat simetrik yang positif didefinisikan dengan C, yang merepresentasikan
triangular bawah, yang mana triangular bagian atasnya merupakan transposenya.

= = %

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.

12.3.2 Sequential Gaussian Simulation

Pendekatan sekuensial adalah metode yang paling mudah untuk mensimulasikan data
Gaussian multivarian. Setiap nilai disimulasikan secara sekuan berdasarkan fungsi distribusi
komulatif normal, yangmana harus dideterminasi pada setiap posisi untuk disimulasikan.
Pengkondisian data meliputi semua data awal dan semua nilai simulasi sebelumnya dengan
tetangga dari titik yang disimulasikan.
Sequential Gaussian Simulation m2emulai asumsi bahwa error kriging itu terdistribusi
normal dengan rata-rata 0 dan variansi 23 5 . Contohnya (0, 23 5 ). Dalam keadaan
distribusi probabilitas untuk nilai sebenarnya adalah a ((5 ), 23 5 ), bergeser sebesar
(5 ).
Untuk mengimplementasikan tekninknya, berikut langkah-langkahnya.

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.

12.3.3 Simulated Annealing

Simulated Annealing adalah sebuah istilah umum untuk subuah alghoritma yang mana
mengotimasi daripada mensimulasi dengan ketat. Metode ini berdasarkan prinsip srokhastik
relaksasi yang dideskripsikan Kirkpatrick et al. (1983), yangmana Geman dan Geman (1984)
menunjukan bahwa dapat digunakan untuk proses dan mengembalikan gambar. Konsepnya
diturunkan dari cara sebuah metal mendingin. Ketika metal itu mendingin secara, hal itu
menyebabkan membeku ke bentuk keadaan yang kacau meliputi banyak Kristal kecil. Jika
padatan kemudian dipanaskan untuk waktu yang lama dan dibiarkan mendingin secara
perlahan , molekuk didalamnya akan membuatnya berubah kedalam cristal yang lebih besar
yangmana energy bebas itu kecil. Proses ini dinamaka annealing. Deutch dan Journel (1992)
mengenalkan Simulated Annealing ke bidang Geostatistik untuk pembentukan keadaan acak
denagn karakteristik yang spesifik. Dalam geostatistik nilai variable yang diregionalkan
seimbang dengan melokul. Nilai tersebut dapat berpindah atau diganti dengan metode yang
meninimalkan beberapa fungsi objektif yang mengukur deviasi antara target dan karakteristik
realisasi sekarang disetiap perturbasi ke-i dari data. Fungsi objektif mirip sekali dalam Deutch
dan Journels (1992) GSLIB mereproduksi model variogram G.
 E
3
? = ()C ()C
CF/
Dalam persamaan ()C , m = 1, 2, , M, adalah nilai model empiris, dan ()C adalah nilai
yang dihitung untuk realisasi pada grid penuh dan memberikan nilai G. Kuantitas M
mendefinisi batas yangmana G itu dikomputasi. Jika variasinya isotropic kemudian M adalah
jumlah maksimum interval pada grid.

Langkah-langkah dalam Simulated Annealing

1. Proses dimulai dengan data, nilai observasi Z(x) untuk model variogram yang kita
punya (() dan simulasi dikondisikan pada data. Proses ini menghasilkan nilai
tambahan pada fine grid. Idealnya data itu seharusnya mendapatkan node pada grid ini,
tetapi jika tidak dilakukan pada kebanyakan alghoritma yang merekan gerakan ke node
grid yang paling dekat. Node yang tidak dimiliki pada grid telah tentukan nilai yang
didapatkan dari distribusi frekuensi sama dengan data.
2. Mengkomputasi nilai awal dari fungsi obejktif dari realisasi pertama.
E
3
(0) = 5 ()C ()C
CF/
Tipiklanya 5 ()C untuk realisasi pertama akan datar karena nilai yang digambarkan
terpisah dari satu lainnya pada awal yang kosong.

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.

Akhirnya, Simulated Annealing dengan membuat ekperimental variogram konvergen ke model

masukan. Kemuadina, metode ini seharusnya tidak digunakan untuk mempelajari pergerakan
fluktuasi.

12.3.4 Simulasi dengan turning bands

Metode turning bands, menurut Matheron (1973) dan Journel (1974) adalah proses autokorelasi
acak untuk simulasi yang pertama dalam tiga simensi R3. Metode ini memasukan realisasi satu
dimensi secara terpisah untuk pertama kalinnya sepanjang garis pancaran dari pusat titik di
volume interest. Kemudian setiap titik di 3 dimensi yang mana nilainya dibutuhkan,
diproyeksikan secara orthogonal pada setiap garis dan nilai pada nilai yang terdekat
deproyeksikan secara rata-rata.
Krusialnya, fungsi kovarian satu dimensi harus diketahui C1 (h), koresponden terhadap
yang 3 dimensi, C3 (h). Itu semua didapatkan untuk fungsi 3 dimensi biasa seperti model
spherical dan eksponensial. Menemukan fungsi 1 dinemsi yang benar korespendensi ke dalam
2 dimensi, C2 (h), menjadi lebih kompleks. Ini agaknya mengapa kebanyakan paket software
tidak memasukan metode turning bands untuk R2. Meskipun kebanyakan kehawatiran itu
beberapa yang dimasukan metode menghasilkan variasi nilai yang mana spasi itu jelas. Liaht
contoh gambar V.8 pada halaman 148 dalam Deutch dan Journel (1998). Hasilnya tidak dapat
diterima.
Sebagian untuk alasan diatas dan sebagian karena Gaussian Simualtion dan Simulated
Annelaing tela terbukti suskes, metode turning bands adalah pilihan terakhir. Kita tidak
mencurahkan untuk perhatian yang lebih lanjut. Olea (1999) memberikan gambaran secara
detail metode untuk kasus yang menarik.
12.3.4 Alghoritma
Algoritma diatas diperluas denagn bukti di Olea (1999). Goovaerts (1997) juga
menjelaskannya dan mengilustrasikan aplikasinya dengan data Atteia et al. (1994) pada tanah
Swiss Jura. LU decomposition dapat deprogram di GenStat, MatLab dan S-Plus, untuk contoh
meskipun tersedia di GSLIB (Deutch dan Journel, 1999), seperti Sequential Gaussian
Simulation dan Simulated Annelaing. Metode turning bands hanya di versi pertama GSLIB
(Deutch dan Journel, 1992) dan dalam librarynya itu untuk 3 dimensi.

12.4 Penggunaan Simulasi

Simulasi itu bukan sebuah pengganti untuk estimasi, bukan itu tujuannya. Apa yang
memberikan kita gambaran variasi yang akan diharapkan antara titik sample sebagain
perbedaan dari bentuk smoothing yang dijelaskan kriging. Dengan pengkondisian simulasi
pada data kita yakinkan bahwa model digenerasi tidak menyimpang jauh dari kenyataan.
Simulasi kondisional dan unkondisional dapat memberikan kita kepadatan nilai model
yang mana kita akan pelajari disperse dan fluktuasi samplingnya, dan dari yang kita konstruksi
interval pada estimasi variogram seperti pada bab 5.
Kita telah disebut bahwa simulasi berulang memungkinkan kita untuk menilai
probabilitas yang mana sebuah variable yang melebihi sebuah threshold pada dua atau lebih
tempat di sebuah lingkungan. Ini bernilai unutk mendelimitasi zona polusi (untuk contoh, lihat
Goovaerts, 1997; Fabbri dan Trevisani, 2005) dan untuk mengestimasi waktu tempuh aur dan
solusi sepanjang akuifer yang mana tegantung pada distribusi gabungan transmittives.

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.