Anda di halaman 1dari 69

GEOSTATISTIK

TUGAS KELOMPOK KE-1


HUBUNGAN SPASIAL, ESTIMASI DAN PEMODELAN

Disusun oleh :

Devin Theo Handoko (163210858)


Ilham Febriandi (143210712)
Leovaldo Pangaribuan (143210663)
Rezky Vanya Hazani (143210601)
Ridho Ali Islamuddin (143210676)
Rita Susanti (143210598)
Robby Kusuma Wijaya (163210855)
Wisnu Heru Ramadhan (143210715)
Kelas VI E

PROGRAM STUDI S1 TEKNIK PERMINYAKAN


UNIVERSITAS ISLAM RIAU
2017
KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat-Nya
sehingga makalah ini dapat tersusun hingga selesai. Tidak lupa kami juga
mengucapkan banyak terimakasih atas bantuan dari pihak yang telah
berkontribusi dengan memberikan sumbangan baik materi maupun pikirannya.
Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan
pengalaman bagi para pembaca, Untuk ke depannya dapat memperbaiki bentuk
maupun menambah isi makalah agar menjadi lebih baik lagi.
Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin
masih banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat
mengharapkan saran dan kritik yang membangun dari pembaca demi
kesempurnaan makalah ini.

Pekanbaru, Maret 2017

Penulis

ii
DAFTAR ISI

KATA PENGANTAR ............................................................................... ii

DAFTAR ISI .............................................................................................. iii

BAB I PENDAHULUAN ................................................................... 1


A. Latar Belakang .................................................................. 1
B. Rumusan Masalah ............................................................. 2
C. Tujuan Penulisan ............................................................... 2

BAB II PEMBAHASAN ..................................................................... 3


A. Model Fungsi Random ...................................................... 4
B. Hubungan Spasial ............................................................. 9
C. Estimasi dari Variogram................................................ ... 17

BAB III PENUTUP ............................................................................... 65


A. Kesimpulan ....................................................................... 65
B. Saran .................................................................................. 65

DAFTAR PUSTAKA ................................................................................ 66

iii
BAB I

PENDAHULUAN

A. Latar Belakang
Terdapat berbagai metode untuk memperkirakan hubungan spasial dan juga
beberapa prosedur yang digunakan untuk model hubungan spasial sehingga data
dapat dimasukkan ke dalam teknik yang memperkirakan nilai-nilai di lokasi tanpa
sampel. Kumpulan data geosains dibedakan oleh jenis lain dari sampel dalam satu
aspek penting yang menunjukkan hubungan spasial. Dalam hal sederhana, nilai-
nilai yang berdekatan akan terkait satu sama lain. Hubungan ini menjadi lebih
kuat sebagai jarak antara pengurangan nilai-nilai yang berdekatan dan dalam
banyak kasus, menjadi tidak berkorelasi terhadap jarak tertentu. Jenis informasi
kualitatif harus didefinisikan dalam bentuk yang sesuai yang digunakan untuk
memperkirakan nilai di lokasi tanpa sampel.
Suatu hal penting untuk mengasumsikan stasioneritas sebelum
memperkirakan hubungan spasial. Hubungan spasial ini didasarkan pada data
sampel yang diamati, namun data ini digunakan untuk memperkirakan nilai-nilai
di lokasi di mana kita tidak memiliki sampel. Memahami asumsi untuk
menentukan daerah mana yang diperkirakan memiliki hubungan. Beberapa
metode ini tidak dibatasi oleh paradigma geostatistik konvensional dan karena itu,
memungkinkan lebih banyak fleksibilitas dalam menggambarkan hubungan
spasial. Untuk itu perlu diketahui pemahaman lebih lanjut mengenai geostatistik
ini karena terdapat beberapa metode dan aturan dalam pemodelan dan estimasi
pada hubungan spasial seperti pemodelan variogram, estimasi variogam, batasan
dan jenis model yang digunakan dan hal-hal lainnya.

1
B. Rumusan Masalah
Berdasarkan latar belakang di atas, maka permasalahan yang dapat
dirumuskan dalam makalah ini adalah:
1. Bagaimanakah model fungsi acak?
2. Bagaimanakah bentuk hubungan Spasial tersebut ?
3. Bagaimanakah estimasi dari variogram?

C. Tujuan Penulisan
Berdasarkan rumusan masalah diatas, maka tujuan penyusunan makalah ini
adalah:
1. Menjelaskan bagaimana modeel fungsi acak
2. Menjelaskan bentuk hubungan spasial
3. Menjelaskan bagaimana estimasi dari variogram

2
BAB II
PEMBAHASAN

Terdapat beberapa jenis teknik dalam pendeskripsian hubungan spasial


untuk geosains. Kumpulan data geosains dibedakan oleh jenis lain dari sampel
dalam satu aspek penting yang menunjukkan hubungan spasial. Dalam hal
sederhana, nilai-nilai yang berdekatan dan terkait satu sama lain. Hubungan ini
menjadi lebih kuat sebagai jarak antara pengurangan nilai-nilai yang berdekatan
dan, dalam banyak kasus, menjadi tidak berkorelasi terhadap jarak tertentu. Jenis
informasi kualitatif harus didefinisikan dalam bentuk yang sesuai yang digunakan
untuk memperkirakan nilai di lokasi tanpa sampel. Terdapat berbagai metode
untuk memperkirakan hubungan spasial dan juga penjelasan prosedur yang
digunakan untuk model hubungan spasial sehingga mereka dapat dimasukkan ke
dalam teknik yang memperkirakan nilai-nilai di lokasi tanpa sampel.
Makalah ini dibagi menjadi beberapa bagian. Bagian pertama
menggambarkan pentingnya asumsi stasioneritas sebelum memperkirakan
hubungan spasial. Hubungan spasial ini didasarkan pada data sampel yang
diamati, namun, kami menggunakannya untuk memperkirakan nilai-nilai di lokasi
di mana kita tidak memiliki sampel. Memahami asumsi untuk menentukan daerah
mana yang diperkirakan memiliki hubungan.
Pada bagian kedua, kami menyajikan ringkasan statistik konvensional yang
digunakan untuk menggambarkan hubungan spasial terkait kovarians dan
correlogram. Bagian ini juga memperkenalkan variogram, statistik yang paling
umum digunakan untuk menggambarkan hubungan spasial. Seperti dalam bab-
bab lain, contoh numerik dan lapangan yang menggambarkan teknik-teknik
tersebut.
Meskipun variogram adalah statistik yang paling umum digunakan, dalam
prakteknya, estimasi variograms membutuhkan perhatian khusus. Di bagian
berikutnya, kita akan membahas beberapa masalah potensial dalam
memperkirakan variograms dan solusi praktis yang dapat diterapkan untuk
meminimalkan efek tersebut. Masalah ini termasuk ketidakstabilan dalam

3
perkiraan nilai yang diperkirakan, pengaruh yang tidak semestinya dari data
outlier, dan bias sampling. Terdapat beberapa solusi untuk semua ini.
Setelah variogram diperkirakan, langkah selanjutnya adalah pemodelan
variogram untuk disajikan dalam format yang sesuai. Pembatasan tertentu ada di
pemodelan estimasi variogram. Terdapat batasan dan jenis model yang akan
digunakan. Bagian ini dibagi menjadi model dengan batas dan model tanpa batas.
Perbedaan ini dibuat oleh jenis variogram yang diamati. Model dengan batas
digunakan ketika variogram mencapai nilai konstan setelah jarak lag tertentu, dan
yang tanpa batas digunakan ketika variogram tidak mencapai nilai konstan atas
wilayah yang diamati. Bagian pada model tanpa batas juga mencakup diskusi
model fraktal dan model "hole effect" (efek jelas dalam arah vertikal di mana
lingkungan geologi diulang melalui siklus pengendapan).
Membangun hubungan spasial antara dua variabel yang berbeda yang
terletak di lokasi yang berbeda kontras dengan bagian sebelumnya, yang
berhubungan dengan hubungan spasial untuk satu variabel yang terletak di lokasi
yang berbeda. Baik estimasi dan pemodelan prosedur untuk hubungan ini juga
penting dilakukan. Selain itu terdapat metode alternatif untuk menggambarkan
hubungan spasial. literatur baru-baru ini telah disajikan beberapa teknik baru yang
memungkinkan mendeskripsikan reservoir dalam format yang lebih fleksibel.
Beberapa metode ini tidak dibatasi oleh paradigma geostatistik konvensional dan
karena itu memungkinkan lebih banyak fleksibilitas dalam menggambarkan
hubungan spasial.

A. Model Fungsi Random


Telah diperkenalkan konsep dari percobaan acak yang dapat menghasilkan
beberapa kemungkinan, tidak ada yang bisa diprediksi dengan pasti. Bab ini juga
membahas alasan untuk mempertimbangkan pengeboran, serta percobaan acak.
Kita dapat mengembangkan konsep ini untuk memperkirakan nilai-nilai di
lokasi tanpa sampel. Tujuan geostatistik adalah untuk memperkirakan nilai-nilai
di lokasi di mana tidak ada informasi. Kita menggunakan kumpulan sampel data
yang tersedia untuk mengembangkan model-model tertentu dan menggunakan

4
model-model untuk memprediksi nilai-nilai di lokasi tanpa sampel. Jika kita dapat
mengembangkan model deterministik berdasarkan evolusi atau perubahan pada
reservoir, kita akan dapat memprediksi setiap properti reservoir pada setiap lokasi
dengan pasti. Bagaimanapun, kami tidak memiliki pengetahuan ini, oleh karena
itu, pendekatan kami harus empiris dan terkait dengan ketidakpastian. Meskipun
kita menggunakan semua data sampel yang tersedia dengan cara terbaik,
memperkirakan di lokasi tanpa sampel memiliki ketidakpastian. Untuk
mencerminkan ketidakpastian ini, kita lakukan perkiraan sebagai variabel acak
(dilambangkan dengan huruf besar). Untuk contoh, jika lokasi tanpa sampel

, nilai estimasi dilambangkan sebagai , di mana x adalah variabel.


Di samping nilai-nilai perkiraan, kita memperlakukan nilai-nilai sampel sebagai
variabel acak karena, kita tidak melakukan dengan cara deterministik pada nilai-
nilai sampel. Kurangnya pengetahuan lengkap mengenai kehadiran nilai tertentu
dari variabel di lokasi tertentu membenarkan perlakuan lokasi sampel sebagai
variabel acak. Sampel yang sebenarnya hanya realisasi dari variabel acak.
Dalam menggambarkan kedua data sampel dan nilai-nilai variabel di lokasi
tanpa sampel dalam hal variabel acak, kita menggunakan apa yang disebut model
random-fungsi. Pada kenyataannya, kita mungkin hanya memiliki satu nilai pada
setiap lokasi sampel. Namun dalam arti deterministic, kita tidak tahu, misalnya
mengapa porositas 15 persen diamati di lokasi tertentu. Karena kurangnya
pengetahuan, maka kita perlakukan kedua lokasi sampel dan tanpa sampel dengan
model random-fungsi.
Kebutuhan stasioneritas, selain asumsi bahwa semua lokasi dijelaskan oleh
variabel acak, kita juga harus mempertimbangkan pembatasan yang terkait dengan
penggunaan data sampel yang tersedia untuk memprediksi nilai-nilai di lokasi
tanpa sampel. Bab 1 membahas secara singkat asumsi dari stasioneritas. Asumsi
ini, secara kualitatif, mensyaratkan bahwa model yang diusulkan berdasarkan
sampel data yang ada dapat menggambarkan perilaku populasi yang diamati.
Tujuannya yaitu menyimpulkan populasi berdasarkan data sampel. Seperti dalam
kasus teknik statistik-inferensi lainnya, kita tidak bisa membuktikan atau
menyangkal asumsi ini. kita hanya harus membuat keputusan mengenai informasi

5
apa yang bisa kita gunakan untuk menggambarkan daerah yang diamati. Dalam
prakteknya, keputusan jelas berdasarkan semua informasi yang tersedia. Namun
terdapat resiko dalam mengkategorikan informasi untuk mendefinisikan wilayah
yang kecil stasioneritas dimana satu kumpulan data tertentu mungkin berlaku.
Wilayah stasioneritas juga tidak bisa terlalu luas. Jika sangat berbeda data
geologinya, mungkin tidak bisa digabungkan ke dalam satu wilayah dari
stasioneritas. Pada saat yang sama, jika daerah yang kecil ditentukan, kita
mungkin memiliki data yang sangat terbatas untuk masing-masing daerah.
meskipun sulit untuk menyatakan aturan umum tentang bagaimana wilayah
stasioneritas harus didefinisikan, itu sudah cukup bahwa jumlah informasi yang
relevan harus dikumpulkan untuk membuat prediksi yang tepat tentang populasi.
keputusan adalah sebuah subjektif penting dan bervariasi dari lapangan ke
lapangan juga selama tahap awal pengembangan, wilayah besar stasioneritas
mungkin harus digunakan karena keterbatasan data. Dengan informasi lebih
lanjut yang dikumpulkan, kita mungkin dapat menentukan wilayah tersebut.
Dicatat bahwa teknik geostatistik bukan satu-satunya teknik di mana asumsi ini
harus dibuat. Setiap teknik interpolasi dapat membuat asumsi implisit ini sebelum
data sampel digunakan. Dalam membuat asumsi dari stasioneritas atas wilayah
yang diamati, kami mencoba untuk membuatnya sebisa mungkin restriktif. Untuk
tujuan geostatistik, urutan pertama dan kedua dari stationarities harus memuaskan.
Secara matematis, urutan pertama stasioneritas dapat ditulis sebagai

dimana fungsi dari variabel acak dan dan


menentukan dua lokasi dari variabel acak. Fungsi yang paling umum digunakan
adalah nilai expexted. Oleh karena itu, dapat ditulis

6
Artinya, nilai yang diharapkan dari variabel acak di adalah sama dengan

nilai yang diharapkan dari variabel acak lag jarak jauh. Nilai dari dapat
bervariasi dari nol sampai jarak maksimum antara variabel dalam wilayah yang
diamati.
Apakah definisi ini berarti dalam praktek? Nilai yang diharapkan dari
variabel itu sendiri merupakan aritmetik. Oleh karena itu, defenisinya adalah
bahwa aritmatika berarti variabel acak di seluruh wilayah yang sama. Jika kita
membagi wilayah yang diamati menjadi subregional kecil dan menghitung sarana
sampel dalam subregional ini (dengan asumsi bahwa jumlah yang memadai
sampel yang disajikan dalam setiap sub regional), yang berarti harus tetap cukup
dekat satu sama lain. Contoh dari hal ini adalah pada contoh 2.3 di Bab 2, yang
disajikan sarana lokal aliran unit 3 Data porositas dari kumpulan data lapangan.
Salah satu pilihan adalah untuk mengurangi daerah untuk mencapai nilai konstan.
Pilihan lain adalah dengan menggunakan modifikasi dalam menggambarkan
hubungan spasial. Bab ini membahas beberapa teknik yang dimodifikasi yang
digunakan untuk mengatasi variasi lokal pada kumpulan data sampel. Kita dapat
menggunakan opsi pertama jika data yang memadai ada dalam masing-masing
daerah yang lebih kecil untuk melanjutkan studi. Dalam prakteknya, ini tidak
mungkin, karena itu, pilihan kedua lebih sering digunakan.
Urutan kedua stasioneritas dapat didefinisikan secara matematis sebagai

Hubungan ini menunjukkan bahwa fungsi dari dua variabel acak terletak
terpisah jarak independen dari lokasi dan merupakan fungsi dari jarak dan arah
antara dua lokasi. Panah atas u dan L menunjukkan bahwa lokasi dapat
diberlakukan dalam hal vektor daripada jarak dan arah antar dua lokasi.
Dalam prakteknya, kita dapat menggunakan kovarians sebagai salah satu
fungsi yang berhubungan dengan dua variabel yang terletak pada jarak tertentu
dan arah terpisah.

7
Dengan kata lain,

Kovarians dalam wilayah stasioneritas adalah suatu fungsi dari vector L,


bukan variabel. Ini marupakan asumsi yang penting. Artinya, selama kita tahu
jarak dan arah antara dua titik, kita dapat memperkirakan kovarians antara
variabel acak pada titik tersebut; kita tdk memerlukan variabel-variabel acak yang
sebenarnya di titik tersebut. Oleh krn itu, persamaan 3.4 dapat ditulis sebagai

dengan definisi kovarians,

Bagaimanapun, pers 3.6 dapat disederhanakan krn pers 3.2: order pertama asumsi
stasioneritas.

8
Dapat ditulis

Kita dapat menetapkan fungsi lain yang menggambarkan hubungan antara


dua variabel yang terpisah dengan jarak tertentu; variogram; dibahas pada bagian
berikutnya.

B. Spatial Relationship

Dalam bagian ini, kita membahas hubungan spasial yang paling umum
digunakan untuk menggambarkan bagaimana keterkaitan nilai yang berdekatan.

1. Kovarians
Bab 2 memperkenalkan kovarians sebagai cara untuk capture hubungan
spasial. Pers 3.7 mendefinisikan kovarians dalam asumsi stasioneritas orde
pertama dan kedua. Dengan definisi tersebut, perkiraan kovarians dpt
dihitung seperti berikut

dimana n(L) = jumlah pasangan di jarak vektor L: x(ui), dan x(ui + L) nilai
nilai variabel di lokasi dan ui dan ui + L, masing-masing; dan n = total
jumlah titik sampel.
Istilah kedua di sisi kanan pers 3.8 merupakan rata-rata aritmetik semua titik
data. c(L) = nilai etsimasi berdasarkan data sampel. Pers 3.8 dapat ditulis
sebagai

dimana = rata-rata aritmatik data sampel

9
Contoh 3.1. Contoh ini menggunakan data sampel yang digunakan dalam
contoh numeric 2.6. table 3.1 memberikan data porositas sebagai fungsi
kedalaman di sumur vertical.
Penyelesaian. Untuk menggunakan per 3.9, terlebih dahulu hitung rata-rata
aritmetik.

Karena data dikumpulkan dalam satu arah (vertical y), maka arah
diabaikan.

demikian juga, pada lag 2ft, terdapat 5 pasang

Menggunakna perhitungan yang sama, nilai kovarians pada lag 3ft dapat
dihitung seperti berikut :

Perhitungan hanya dilakukan pada titik ini krn jumlah pairs semakin kecil
seiring bertambahnya lag. Sebagai special case, definisi pada L=O adalah

10
Ini merupakan definisi varians.

Ulangi perhitungan ini meksipun telah dihitung dalam contoh numeric 2.6.
pemeriksaan ulang contoh numeric 2.6 menunjukkan jawabanna sedikit
berbeda. Contohnya, pada L= 1 ft, estimasi kovarians dalam contoh 2.6
adalah 0.43, sementara dalam contoh ini 0.823. Observasi yang sama dpt
dilakukan untuk lag yang lain. Perbedaan ini disebabkan oleh asumsi
tambahan orde pertama stasioneritas yang dibuat dalam contoh ini.
perbedaan antara dua jawaban tersebut siginifikan. Bagian berikutnya
membahas yg lebih tepat.

2. Correlation Coefficient.
Koefisien korelasi dapat digunakan untuk menggambarkan hubungan
spasial. Gunakan definisi koefisien korelasi untuk menggambarkan
hubungan spasial.

Dimana p(L) = koefisien korelasi pada lag L; C(L)= kovarians; dan =


standard deviation untuk data di vektor u dan u+L,masing-masing. Dengan
demikian, jika kita membuat asumsi dari stasioneritas orde kedua, dapat
dinyatakan

Oleh karena itu, dapat dinyatakan

Menggantikan pers 3.12 ke dalam pers 3.10 menghasilkan

11
Menggunakan data sampel, nilai estimasi koefisien korelasi dapat ditulis
sebagai

dimana c(0) = varians sampel

Contoh nomor 3.2. Menggunakan data dari contoh numeric 3.1, hitunglah
koefisien korelasi sebagai suatu fungsi dari jarak jauh.
Penyelesaian. Nilai-nilai kovarians telah dihitung sebelumnya. Oleh karena
itu, koefisien korelasi pada L=1 ft adalah

Nilai ini berbeda dengan nilai yang dihitung dalam contoh numerik 2.6
disebabkan oleh asumsi orde kedua stasioneritas dalam contoh ini. bagian
berikutnya membahas ketepatan persamaan yang relevan for examining the
field data.

3. Variogram
Variogram umumnya menggunakan teknik geostatistik untuk
menggambarkan hubungan spaasial. Secara matematik, dapat didefinisikan
sebagai

12
Itu merupakan setengah varians dari perbedaan antara dua nilai di L
secara terpisah. Sebelum lebih mendalam, perlu memehami variogram
secara kualitatif. As the definition indicates, nilai variogram adalah nol pada
L=0 karena

Karena asumsi data geosains, perbedaan dua nilai meningkat seiring


meningkatmya jarak. Dengan kata lain, varian meningkat sebagaimana jarak
lag meningkat, yang mana kebalikan dari kovarian.

Dengan definisi varian, pers 3.15 dapat dikembangkan menjadi

Namun, asumsi orde pertama stasioneritas memang diharuskan

Dengan demikian, sisi kanan pers 3.17 sama dengan nol.

Dengan definisi kovarian, pers 3.18 menjadi

Lampiran C: rincian derivasi pers 3.19


Seperti yang diharapkan, variogram berkaitan erat dengan kovarians
jika asusmi orde pertama dan kedua stasioneritas digunakan. Variogram

13
meningkat sebagai penurunan kovarians. Keduanya variogram dan
kovarians capture hubungan spasial. Variogram meningkat sebagai
penurunan jarak lag antara nilai-nilai (hubungan semakin melemah);
kovarians menurun sebagaimana jarak lag antara dua titik meningkat.
Persamaan 3.18 dapat ditulis sebagai

Dimana n(L)= jumlah pasangan pada jarak lag L, x(i) and x(u+L) =
nilai data untuk pasangan ke i di L jarak lag yang terpisah. Aksen di atas y
mengindikasikan bahwa itu merupakan nilai estimasi dalam data sampel.

Contoh numerik 3.3. gunakan data dalam contoh numerik 3.1 untuk
mengestimasi variogram sbg fungsi jarak jauh.

Penyelesaian. Seperti halnya kovarians, pertama sekali kumpulkan semua


pasang pada jarak lag yang diberikan. Untuk L=1 ft, ada 6 pasang. Oleh krn
itu, menggunakan pers 3.20 memberikan

14
Gambar . 3.1 menunjukkan plot variogram sebagai fungsi jarak lag.
Untuk tujuan perbandingan, nilai-nilai kovarian juga ditampilkan. Seperti
yang dibahas sebelumnya, ini menunjukkan tren yang berlawanan dengan
meningkatnya jarak lag.
Kedua variogram dan covariance dapat menangkap hubungan spasial
memadai. Mengapa menggunakan variogram bukannya kovarians? Salah
satu alasannya adalah tradisi. Dengan konvensi, variogram yang telah
digunakan dalam geostatistik untuk menggambarkan hubungan- rela spasial.
Kebanyakan literatur geostatistik juga menggunakan variogram tersebut;
Oleh karena itu, pemahaman tentang konsep variogram membuat lebih
mudah untuk mengikuti literatur. Alasan kedua adalah bahwa variogram
dapat menangkap hubungan spasial dalam kondisi tertentu di mana
kovarians mungkin tidak. Perhitungan variogram hanya membutuhkan
asumsi bahwa varians dari perbedaan antara dua nilai menjadi terbatas
(Persamaan. 3.15), sedangkan perhitungan kovarians mensyaratkan bahwa
varians dari data, C (0), menjadi terbatas. dalam beberapa kasus di mana
data yang vanability meningkat dengan meningkatnya jarak dalam wilayah
kepentingan, estimasi nilai C (0) mungkin tidak mungkin tapi estimasi
tersebut yang variogram kekuatan. Dengan kata lain, estimasi variogram
membutuhkan asumsi kurang ketat (hanya itu varians dari selisih tersebut

15
menjadi terbatas, yang juga disebut hypothesis1 intrinsik) dari covaniance
tersebut. Dalam situasi yang paling praktis, perbedaan ini mungkin tidak
penting. Namun, karena popularitas dari variogram, sebagian besar
hubungan spasial dalam geostatistik masih dijelaskan oleh vaniogram
daripada covaniance.

Contoh Lapangan 3.1. Bidang Contoh 3.1. Menghasilkan vaniogram dan


kovarians untuk data baik porositas untuk Well Nos. 34-29.
Larutan. dihasilkan kovarians dan correlogram angka (Gambar. 2.23) untuk
data baik di lapangan Contoh 2.8. Di sini, kita menggunakan definisi
tersebut yang variogram dan covaniance, yang didasarkan pada asumsi orde
kedua stasioneritas, untuk menghasilkan vaniogram dan covaniance.

Gambar 3.2. menunjukkan plot variogram sebagai fungsi jarak lambat data
porositas yang baik. Seperti yang diharapkan, vaniogram dimulai dengan
nilai nol dan meningkat perlahan-lahan. Pada sekitar (L) = 1 3 ft, vaniogram
mencapai terminologi geostatistik value.secara konstan, jarak di mana
variogram mencapai nilai konstan disebut "range" dari variogram tersebut.
Kisaran merupakan jarak yang jarak nilai yang berdekatan membosankan
terkait satu sama lain. hubungan semakin lemah dengan meningkatnya jarak

16
Lag, dimulai dengan jarak nol. Di luar jarak lag sama dengan rentang
variogram (1 3 ft pada Gambar. 3.2), nilai-nilai yang berdekatan antara satu
sama lain. The covaniance Plot pada Gambar. 3.2 dasarnya adalah bayangan
cermin dari plot variogram. Dimulai dengan nilai yang sesuai dengan C (0)
dan mencapai nilai konstan pada (1) = 13 ft. The covaniance pada jarak
yang kira-kira nol, menunjukkan sifat berkorelasi data di luar jarak itu.
Seperti dijelaskan sebelumnya, jarak di mana kovarians mencapai nilai
konstan disebut kisaran kovarian.
Sama seperti. 3.19,

Oleh karena itu, pada jarak lag nol, y (1) = O. Demikian pula, di luar jarak
lag sama dengan jangkauan, C (L) O (lihat Fig.3.2). Dengan mensubstitusi
nilai ini ke dalam Persamaan. 3. 19 memberikan

untuk L a, di mana a = jangkauan. Artinya, nilai ambang ini kurang lebih


sama dengan varians dari data. Dalam prakteknya, ambang jendela mungkin
tidak persis sama dengan varians sampel. Ini mungkin karena konfigurasi
data atau skema sampling. Namun, dalam banyak kasus, ambang ini sangat
dekat dengan varians dari data.

C. Estimasi Variogram
Dibagian sebelumnya menjelaskan tentang dasar defenisi dari variogram
dan estimasi nilai variogram dengan persamaan yang tepat. Dalam prakteknya,
terdapat beberapa kesulitan dalam memperkirakan variogram. Karena tujuan ini
adalah untuk mendapatkan hubungan spasial didalam cara kemungkinan yang
terbaik, persamaan variogram yang asli diubah untuk mendapatkan hubungan
spasial. Bagian ini akan menjelaskan tentang masalah umum yang terjadi didalam
estimasi variogram dan usulan solusi yang diterapkan dalam praktek. Ketika

17
banyak solusi yang diusulkan mungkin tidak memiliki landasan teori yang kuat,
mereka telah membuktikan didalam praktek.

1. Kurangnya Pasang yang Cukup


Pada defenisinya, variogram adalah sifat dalam statistik. Kita
menghitung rata-rata kuadrat perbedaan antara dua nilai yang terletak pada
jarak lag tertentu. Untuk mendapatkan nilai rata-rata agar menjadi
representatif sebenarnya dari jarak lag yang diberikan, pasangan data yang
cukup dibutuhkan untuk jarak lag tersebut. Untuk set data vertikal yang
diuji pada Contoh Lapangan 3.1, data sampel dipilih pada rentang yang
seragam. Terdapat jumlah pasang yang cukup untuk semua jarak lag pada
kasus ini. Walaupun mendapatkan jumlah pasangan sebagai yang cukup
adalah sulit, paling tidak tujuh hingga sepuluh pasang dibutuhkan untuk
perkiraan yang dapat diandalkan dari variogram pada jarak lag yang
diberikan. Dan juga, penting untuk diketahui bahwa jumlah minimum
pasangan hanya berhubungan sejauh yang dapat diandalkan. Contohnya,
apabila sepuluh pasang tidak menyediakan struktur yang dapat diandalkan,
maksud alternatif yaitu dapatkan dan butuh untuk dicari lagi variogram yang
dapat diandalkan.
a. Jumlah pasang
Biasanya metode yang digunakan untuk meyakinkan pasang yang
cukup pada jarak lag yang diberikan adalah membatasi jarak
maksimum pada variogram yang dihitung. Untuk daerah pengumpulan
yang diberikan, kemungkinan jumlah pasang menurun karena jarak lag
bertambah. Contoh 3.1 dan 3.2. dimana jumlah pasang menurun seiring
jarak lag bertambah. Akhirnya, karena jarak lag sesuai dengan jarak
kemungkinan maksimum diantara dua titik sampel, hanya satu pasang
data yang dapat tersedia pada jarak lag tersebut. Nyatanya, kita
mungkin tidak dapat untuk mendapatkan estimasi variogram yang
dapat diandalkan pada jarak lag. Untuk menghindari masalah ini, rule
of thumb dipakai dalam literatur geostatistik yaitu menggunakan

18
setengah dari jarak kemungkinan maksimum dengan daerah tujuan
sebagai jarak lag maksimum dan dimana variogram dihitung. Sebagai
contoh, apabila 10.000 ft adalah jarak maksimum antara dua titik
sampel dengan daerah tujuan, maka estimasi variogram dibatasi dengan
jarak lag maksimum yaitu 5.000 ft.
Aturan dari setengah jarak maksimum juga menyediakan tujuan penting
lainnya. Berikut defenisi dari estimasi variogram ( Persamaan 3.20)

Dikarenakan variogram dihitung sebagai rata-rata kuadrat perbedaan,


ini disebut simetri. Meskipun kita mengambil perbedaan sebagai

, hasil jawaban tidak berubah.


Variogram memberikan perkiraan yang sama dengan menambahkan
180 untuk arah yang diberikan. Menggunakan aturan setengah jarak
maksimum secara efektif meyakinkan bahwa pasang representatif
dipilih berdasarkan kedua sisi dari lokasi yang diberikan.

b. Toleransi lag

Gambar 3.3 Toleransi terhadap jarak lag


Alternatif kedua yaitu untuk meyakinkan pasang yang cukup untuk
jarak lag yang diberikan adalah untuk menjelaskan toleransi terhadap
jarak dan arah. Ini khususnya berguna untuk areal set data. Khususnya,

19
pengujian data distribusi secara areal menunjukkan bahwa sampel
bukan didistribusi pada rentang asli, dengan demikian jumlah pasang
yang cukup untuk jarak lag tepat tidak dapat diperoleh. Sebagai contoh,
untuk memperkirakan variogram pada jarak lag 330 ft, kita dapat
memiliki satu pasang data tepatnya pada 330 ft. Walaupun kita dapat
memiliki tiga pasang tambahan antara 310 ft dan 330 ft dan lima pasang
tambahan antara 330 ft dan 350 ft. Nyatanya, kita dapat memperoleh
pasang tambahan untuk estimasi yang lebih baik dari variogram dengan
menjelaskan toleransi terhadap jarak lag. Definisi variogram diubah
sebagai

Dimana L = toleransi terhadap jarak lag. Untuk estimasi variogram


pada jarak lag L, kita memilih semua pasang dengan L L jarak lag.
Gambar 3.3 menjelaskan toleransi terhadap jarak pada penelitian
isotropik, yang mana hanya ditujukan pada jarak untuk semua sudut.
Ketika mencari untuk titik sampel yang jauh dari x(u) pada jarak yang
diberikan L, kita dapat mencari untuk semua titik data dengan L L
jarak. Didalam Gambar 3.3, tidak ada titik sampel yang tepat berjarak
L. Namun, dengan menggunakan toleransi L, kita dapat memperoleh
dua pasang pada jarak lag.

Pada Gambar 3.4a menunjukkan toleransi terhadap jarak dan arah


didalam daerah 2D. Toleransi L L didefenisikan terhadap jarak, dan
didefenisikan terhadap arah.
Pada penambahan toleransi terhadap arah, batasan lainnya dapat
ditempatkan pada memilih pasang yang tepat. Kita dapat mendefinisikan
luas bidang, yang mana jarak garis tegak lurus terhadap arah pada saat
menghitung variogram. Jarak ini menjelaskan lebar maksimum area untuk
digunakan memilih pasang data. Gambar 3.4b menunjukkan, jarak lag

20
tertinggi, ketika area mencapai lebar maksimum, lebar yang sama digunakan
untuk memilih pasang yang tepat pada jarak lag yang diberikan dan memilih
arah. Didalam kehadiran batas luas bidang, lebar areal coverage meningkat
sebagaimana jarak lag meningkat. Luas bidang memungkinkan kontrol yang
lebih baik dan terarah pada perkiraan variogram.

Gambar 3.4
a) Toleransi terhadap arah dan jarak untuk estimasi variogram
b) kegunaan luas bidang untuk batasan tolerasi berarah
Pada set data 3D, apabila kita medefinisikan toleransi terhadap jarak
dan dua arah, volume toleransi terlihat seperti kerucut pipih. Luas bidang
harus didefenisikan untuk kedua arah.
Toleransi yang tepat terhadap jarak dan arah adalah keputusan subjektif.
Arahan utama harus menggunakan toleransi yang tepat untuk memperoleh
struktur variogram tafsiran dengan jelas. Pada hal Deutsch dan Journel ,
secara umum, struktur spasial tidak dapat dibuat dengan memanipulasi
toleransi dan arah apabila tidak ada didalam data. Namun, pilihan buruk
toleransi dapat menutupi struktur spasial yanng ada. Dengan demikian,
toleransi harus dipilih sehingga variogram yang ditafsirkan diperoleh.

21
Pada praktek, estimasi variogram harus dimulai dengan toleransi yang
kecil. Apabila variogram tidak memperlihatkan secara jelas mendefenisikan
struktur atau terlalu menunjukkan banyak fluktuasi, toleransi pasti
meningkat. Toleransi kemungkinan yang paling kecil pada struktur tafsiran
dapat diamati yang harus digunakan untuk estimasi variogram. Teknik ini
menerapkan antara toleransi yang didefenisikan terhadap jarak atau arah.
Apabila toleransi terlalu kecil, variogram yang diperkirakan tidak dapat
sebagai crisp, yang mana beberapa rincian didalam struktur dapat hilang
yang mungkin penting dari titik hubungan spasial. Khususnya, apabila
struktur spasial menunjukkan anisotropy (perbedaan hubungan spasial
didalam perbedaan arah), toleransi yang besar terhadap arah mungkin
menyamar struktur anisotropik. Contohnya, apabila perbandingan rentang
variogram pada arah x terhadap rentang variogram pada arah y ( tegak lurus
terhadap arah x) adalah 5, menggunakan toleransi 45 terhadap sudut,
dapat menurunkan perbandingan hingga 2,4. Dengan demikian, penting
untuk menggunakan toleransi kemungkinan yang paling kecil untuk
memperoleh kedua struktur yang benar dan anisotropy, apabila ada.
Dari titik perkiraan, selalu lebih baik untuk memulai dengan struktur
variogram isotropik sebelum menyelidiki kehadiran anisotropy. Struktur
variogram isotropik menganggap bahwa struktur variogram adalah hanya
fungsi dari jarak, bukan arah (lihat Gambar 3.3). Perkiraan variogram
isotropik memberikan pencocokan dari beberapa parameter (seperti toleransi
terhadap jarak) sebelum memulai perkiraan variogram anisotropik. Dan
juga, beberapa jenis struktur spasial harus jelas didalam variogram isotropik.
Apabila struktur tidak muncul diamati pada kelakuan isotropik yang
diperkiran, maka sulit untuk membayangkan bahwa beberapa jenis struktur
dapat diperoleh dengan menyelidiki kelakuan anisotropik. Ini penting untuk
mengingat bahwa variogram isotropik, dengan menganggap semua pasang
pada jarak tersendiri lag yang diberikan dari arah, menggunakan lebih
banyak pasang pada jarak lag yang diberikan dibandingkan dengan
variogram anisotropik yang diperkirakan, yang mana dibatasi dengan arah

22
serta jarak. Dengan demikian, variogram isotropik harus memberikan
struktur yang lebih stabil daripada variogram anisotropik. Apabila struktur
tafsiran tidak dapat diperoleh dengan variogram isotropik, ini hampir tidak
mungkin untuk mengamati struktur tafsiran didalam variogram anisotropik.

Contoh Lapangan 3.2


Selidiki efek jarak dan toleransi berarah pada variogram yang diperkirakan
untuk data porositas pada Flow Unit 3
Solusi

Gambar 3.5 Efek jarak lag pada variogram yang diperkirakan

Set data khusus menyatakan data log porositas dirata-ratakan secara


aritmetika. Gambar 3.5 menunjukkan variogram isotropik yang diperkirakan
dengan perbedaan rentang lag dengan toleransi yang ditentukan yaitu 250 ft.
Yang mana, rentang lag 800 ft menyatakan jarak 800, 1600, 2400, dan
selanjutnya, dengan toleransi menyatakan penyebaran 250 ft dari tiap jarak
lag. Untuk toleransi yang ditentukan, variogram yang diperkirakan untuk
membedakan rentang lag adalah sangat mirip. Rentang variogram 800 ft
menunjukkan lebih fluktuasi daripada 1000 atau 1400 ft jarak lag karena ini
diperkirakan pada lebih jarak lag, yang menggambarkan lebih fluktuasi.
Secara kesuluruhan, hasilnya sangat mirip, yang menunjukkan bahwa

23
pilihan rentang lag tidak memiliki efek yang signifikan pada perhitungan
variogram.

Gambar 3.6 Efek toleransi pada variogram yang diperkirakan

Gambar 3.6 menunjukkan plot variogram yang diperkirakan untuk


toleransi lag yang berbeda pada rentang lag 1400 ft untuk toleransi 250,
500, dan 700 ft. Walaupun variogram yang diperkirakan untuk toleransi
yang berbeda terlihat mirip, pengujian lebih dekat menyatakan bahwa
fluktuasi yang diamati menjadi lebih kecil seiring toleransi meningkat.

Tabel 3.2 memberikan nilai variogram, rata-rata jarak lag, dan jumlah
pasang untuk toleransi yang berbeda. Sebagaimana diharapkan, jumlah
pasang yang mungkin untuk jarak lag yang diberikan meningkat seiring

24
toleransi meningkat. Ini juga mengurangi fluktuasi dan menstabilkan
variogram yang diperkirakan. Perbedaan dalam rata-rata jarak lag untuk
toleransi yang berbeda meningkat karena rata-rata dari semua jarak untuk
pasang dengan toleransi yang diberikan dianggap sebagai rata-rata jarak lag.
Sebagai contoh, semua pasang dengan 1400 500 ft dikumpulkan untuk
tolerasi 500 ft sebagai lag kedua. Jarak tersendiri untuk semua pasang turun
dengan rentang itu. Jumlah 252 pasang sesuai dengan toleransi ini. Rata-rata
jarak lag dari semua pasang ini adalah 1496,13 ft. Ini adalah nilai yang
tertera pada tabel. Dengan cara yang sama, semua pasang dengan 1400
700 ft dikumpulkan untuk toleransi sebagai lag kedua 700 ft. Rata-rata
jarak lag dari 330 pasang ini adalah 1568,53 ft (Tabel 3.2).
Pada dasar Gambar 3.5 dan 3.6, kita menggunakan rentang lag 1400 ft
dengan toleransi 700 ft untuk penyelidikan selanjutnya. Walaupun
keputusan untuk memilih parameter ini subjektif, mereka muncul untuk
memberikan variogram yang lebih stabil. Dan juga, jarak maksimum antara
dua titik lainnya telah diamati untuk 31000 ft. Dengan demikian, semua
perhitungan variogram dibatasi hingga jarak maksimum 15000 ft.

Gambar 3.7 Efek arah pada perhitungan variogram anisotropik


toleransi= 20.
Gambar 3.7 dan 3.8 pengujian lebih lanjut, efek toleransi terhadap arah.
Gambar 3.7 menyatakan variogram yang diperkirakan dalam empat arah 0,
45, 90, dan 135. Untuk tujuan orientasi, 0 sesuai dengan timur dan 90

25
sesuai dengan utara. Toleransi berarah digunakan 20. Variogram yang
diperkirakan menunjukkan fluktuasi yang signifikan. Ini dikarenakan oleh
kekurangan jumlah pasang yang memadai untuk jarak lag yang diberikan.
Contohnya, pada 45, nilai variogram untuk lag kedua adalah 54.6.
Pengujian lebih dekat, menyatakan hanya dua pasang pada jarak lag
tersebut. Dengan demikian, nilai khusus tersebut bukanlah representatif dari
jarak lag tersebut. Walaupun sulit untuk memahami, variogram
menunjukkan banyak lagi kontinuitas (perubahan bertahap) pada 0
daripada 90.

Gambar 3.8 Efek toleransi berarah pada variogram anisotropik


toleransi = 40

Gambar 3.8, dimana toleransi berarah 40, menyatakan ini lebih


lanjut. Dibandingkan dengan toleransi 20, variogram yang diperkirakan
lebih lancar dan menunjukkan kurang berubah-ubah. Tabel 3.3
menunjukkan jumlah pasang untuk tiap arah. Untuk kebanyakan jarak lag,
kita memiliki pasang yang cukup untuk jarak lag yang diberikan. Nyatanya,
jumlah pasang pada sudut tertentu adalah kurang dari jumlah pasang yang
sesuai dengan variogram isotropik. Keseluruhan, kita dapat menyatakan
bahwa kita memiliki pasang yang cukup untuk memperoleh representatif
variogram didalam arah yang berbeda. Walaupun sulit untuk mengamati,

26
variogram pada arah 0 menyatakan lebih kontinuitas daripada satu di arah
90.
Anisotropy yang muncul didalam variogram dapat diperiksa lebih lanjut
dengan menghitung jarak lag pada variogram yang diperkirakan pada tiap
arah mencapai variasi sampel. Ingat bahwa ambang dari variogram kira-kira
sama dengan variasi dari sampel.

Untuk set data, varians adalah sama dengan 23.1. Oleh karena itu,
dengan menggambar garis horizontal pada nilai variogram dari 23.1. kita
dapat menghitung lag jarak di mana variogram dalam arah tertentu
mencapai nilai pada 23.1. Kami juga memperkirakan variograms di 22.5,
67.5, 112.5, dan 157.5o tetapi tidak menunjukkan hasilnya di sini.

Tabel 3.4 menyajikan lag jarak dihitung mana variograms tersebut.


Karena pameran variogram simetri setelah setiap 180o, variogram di 0o
adalah sama seperti yang di 180o. Jelas, lag jarak sesuai dengan varians di
157.5o adalah yang terbesar, dan lag jarak di 90o adalah yang terkecil; yaitu,

27
data porositas menunjukkan kontinuitas maksimum pada 157.5o dan
contiuity minimum di 90o.

Untuk kenyamanan pemodelan, kami selalu menganggap bahwa arah


dari kontinuitas maksimum dan minimum yang tegak lurus satu sama lain.
Ara 3,9 plot lag jarak pada tabel 3.4 di arah yang tepat. Jelas, pada 157.5O
jarak lag maksimum. Juga perhatikan simetri setelah 180O. Elips
ditumpangkan di atas jarak lag ini. Meskipun, pada kenyataannya, panjang
dari jarak lag dalam berbagai arah tidak jatuh tepat pada perimeter elips,
untuk tujuan pemodelan, kita mengasumsikan bahwa elips mewakili kisaran
variograms di arah yang berbeda. Di setiap sudut, jarak antara pusat elips
dan perimeter elips sesuai dengan rentang arah thet. Pemodelan variagon
yang dibahas nanti, dan alasan untuk pendekatan seperti itu menjadi lebih
jelas.

Cukuplah untuk menyatakan bahwa prosedur eksplorasi memperkirakan


variograms dalam arah yang berbeda dan merencanakan jarak lag arah yang
sesuai dengan varians sampel dapat memberikan informasi tentang arah dari
kontinuitas maksimum dan minimum. Meskipun kita dapat fine tune arah

28
yang tepat dari maksimum dan kontinuitas minimum, dan 67.5o merupakan
arah kontinuitas minimum.

2. Ketidakstabilan
Estimasi variogram mewakili rata-rata aritmatika dari perbedaan
kuadrat dari nilai-nilai pasangan variabel pada jarak lag tertentu. Karena
menggunakan kuadrat dari perbedaan, perbedaan besar antara sepasang
diberikan diperbesar. Jika pasangan menunjukkan perbedaan besar,
perbedaan kuadrat mungkin memiliki dampak yang signifikan pada nilai
variogram deret hitung rata-rata tidak proporsional pada jarak lag tertentu,,
sehingga ketidakstabilan variogram estimasi. Ketidakstabilan ini dapat
mencegah menangkap struktur variogram yang mendasari yang mungkin
ada dan juga menyebabkan fluktuasi diperkirakan variogram dengan
meningkatnya jarak lag. ketidakstabilan harus diminimalkan untuk model
variogram tersebut.

29
Dua metode yang umum digunakan untuk meminimalkan fluktuasi
adalah untuk meningkatkan kemungkinan jumlah pasangan untuk jarak lag
diberikan atau menghapus fora pasangan tertentu diberikan lag jarak.
Bagian sebelumnya membahas kemungkinan pertama: meningkatkan
jumlah kemungkinan pasangan untuk jarak lag diberikan dengan
menggunakan nilai-nilai toleransi yang tepat sehubungan dengan jarak dan
arah. Diskusi yang menunjukkan bahwa peningkatan jumlah pasangan untuk
jarak lag diberikan tidak meningkatkan stabilitas variogram tersebut.

Sebuah alternatif untuk meningkatkan stabilitas ini dari variogram


perkiraan adalah untuk memeriksa pasangan yang mungkin digunakan
untuk estimasi variogram untuk jarak lag diberikan. Perbedaan antara dua
nilai titik pada pasangan adalah apa yang mempengaruhi variogram yang.
Jika perbedaannya sangat lagre, perbedaan kuadrat dapat memiliki dampak
yang signifikan terhadap estimasi variogram. Jika kita dapat menghilangkan
tertentu "ekstrim" pasangan yang memiliki dampak signifikan pada
perhitungan variogram, kita mungkin dapat memperoleh perkiraan yang

30
lebih baik dari variogram yang kurang terpengaruh oleh pasangan yang
ekstrim.

Penyebaran plot adalah salah satu cara untuk memeriksa pasangan ini
ekstrim 6. Plotting satu titik data sepasang vs titik data lain dari pasangan
yang sama dapat mengungkapkan perbedaan antara dua titik data. Jika
pertandingan antara dua titik adalah tepat, titik jatuh pada garis 45O. Atas
dasar plot pencar, pasangan tertentu dapat dihapus, dan variogram dapat
menghitung ulang untuk jarak lag diberikan.

Atau, persentase tertentu dari pasangan menunjukkan penyimpangan


maksimum dapat dihilangkan untuk menciptakan lebih banyak keseragaman
dalam analisis dan untuk menghilangkan subjektivitas dalam menentukan
pasangan harus dihapus. Misalnya, untuk setiap jarak lag, 10% dari semua
pasangan di urutan menunjukkan penyimpangan maksimum dapat dihapus.
Dalam keadaan ini, variogram yang merupakan rata-rata dipotong dari
perbedaan kuadrat untuk jarak lag tertentu. cara dipotong seperti ini sering

31
digunakan dalam statistik untuk mengurangi dampak buruk dari nilai-nilai
menentu (misalnya, figure skating di Olimpiade, dua nilai ekstrim
dikeluarkan dari penghitungan akhir). Prosedur ini juga memiliki
keuntungan menjadi tujuan.

Contoh Lapangan 3.3. Analisa aliran data unit 3 porositas dan estimasi
ulang variogram dengan menghapus efek extreme pairs.

32
Solusi. Untuk latihan ini, kita mengasumsikan bahwa interval rata-rata
lag adalah 1400 ft, dengan toleransi 700ft. Gambar 3.10 menunjukkan
penyebaran plot untuk dua interval lag yang berbeda ; pertama dan keenam.

Untuk interval lag pertama, kita memiliki 42 pasang (lihat tabel 3.2).
Namun, kami hanya menampilkan 21 pasang di sini. 21 pasangan lainnya
adalah symmetrial dengan 21 pasangan pertama, dan tidak mengubah
estimasi variogram (yaitu, x (ui) vs. X (u2) simetris untuk x (u2) vs (u1) dan
penggunaan kedua pasangan tidak menambahkan informasi tambahan
apapun karena perbedaan kuadrat akan sama untuk kedua pasangan). Dalam
plot pencar di ara. 3.10, kita dapat menghapus dua pasang yang dapat
dianggap sebagai ekstrim. Pilihan apa pasang data untuk dipertimbangkan
sebagai ekstrem adalah sewenang-wenang. Dalam ara. 3.10b, yang
menunjukkan 216 pasang, keputusan menjadi lebih sulit. Angka ini
menunjukkan lima pasang yang dianggap ekstrim. Proses ini dapat menjadi
sangat sulit dan rumit. Sebagai akibat dari sifat yang sangat subjektif
menghapus pasangan individu atas dasar plot pencar (kecuali itu sangat jelas
bahwa siapa pun akan menghapusnya), kita tidak mencoba untuk

33
memperkirakan variogram setelah romoval subjektif dari pasangan tertentu
untuk setiap interval lag .

Sebaliknya, kami mengadopsi pendekatan menghapus persentase


tertentu dari pasangan dari jumlah total pasangan. Gambar. 3.11
menunjukkan sekitar petak variogram setelah pengangkatan 5% dan 10%
dari pasangan yang ekstrim. Perhatikan bahwa ekstrim mengacu pada
pasangan menunjukkan perbedaan terbesar: pasangan yang menunjukkan
perbedaan terkecil tidak dianggap ekstrim. Hal ini karena pasangan yang
menunjukkan perbedaan besar mempengaruhi rata-rata lebih dari pasangan
yang menunjukkan perbedaan kecil.

Dalam gambar. 3.11. ambang keseluruhan (maksimum nilai variogram)


menurun sebagai pasangan ekstrim dihapus. Hal ini untuk diharapkan
karena rata-rata dari kuadrat perbedaan kecil setelah pengangkatan pasangan
menunjukkan perbedaan terbesar. Efeknya akan lebih parah setelah
penghapusan 10% dari pasangan yang ekstrim daripada setelah
penghapusan 5% dari pasangan yang ekstrim. Sayangnya, struktur
keseluruhan dari variograms (termasuk fluktuasi) sebagian besar tidak
terpengaruh oleh penghapusan ini. Karena tujuannya adalah untuk
menangkap tata ruang dan belum tentu nilai ambang yang tepat,
penghapusan pasang ekstrem belum menambahkan informasi baru untuk
pemahaman kita tentang hubungan spasial dalam kasus ini.

Perhatikan bahwa, meskipun kami tidak arsip kelancaran diinginkan


dalam hal ini dengan menghapus sejumlah pasangan, teknik ini mungkin
dapat diterapkan pada set data lainnya. Penting untuk diingat bahwa tujuan
keseluruhan adalah untuk menangkap struktur yang paling interpretabel.
Oleh karena itu, penting untuk mencoba modifikasi yang berbeda yang
memberikan struktur yang paling diinterpretasi harus digunakan untuk
analisis lebih lanjut.

34
3. Pengaruh Outliers

Outlier sulit untuk menentukan. Dalam arti konvensional, titik data


outlier yang out-side "norma". Untuk distribusi normal, data poin yang
berada di luar mean plus atau minus tiga standar deviasi dapat dianggap
outlier. Namun, untuk distribusi yang tidak dapat menjelaskan dengan
fungsi distribusi parametrik, sulit untuk mendefinisikan dengan tepat apa
yang merupakan data yang outlier. Secara khusus, jika data pameran
beberapa perintah dari besarnya variasi, sulit untuk menentukan nilai luar
yang data dapat dianggap sebagai outlier. Sebagai contoh, data
permeabilitas di lokasi juga biasanya menunjukkan beberapa perintah dari
besarnya variasi. Ini menjadi jelas ketika koefisien variasi (rasio standar
deviasi berarti) adalah> 2. Untuk data permeabilitas, nilai khas koefisien
variasi, sangat sulit (dan subjektif) untuk mendefinisikan "anomali" data.

Data outlier secara signifikan dapat mempengaruhi estimasi variogram.


Seperti dijelaskan sebelumnya, penggunaan nilai ekstrim dalam estimasi
variogram dapat memperkuat efek karena perbedaan kuadrat antara
sepasang data yang digunakan. Jika perbedaan antara sepasang diberikan
beberapa kali lipat, kuadrat perbedaan cukup besar untuk mempengaruhi
estimasi variogram pada jarak lag tertentu. Ingat bahwa variogram adalah
rata-rata aritmatika dari perbedaan kuadrat; ada kedepan, satu perbedaan
kuadrat besar secara signifikan dapat mengubah nilai variogram. Hal ini
dapat menciptakan ketidakstabilan di estimasi variogram dan juga dapat
mencegah kita dari jelas mengidentifikasi struktur ruang untuk variabel
tertentu.

Cara paling mudah untuk menangani informasi outlier yang


menyebabkan ketidakstabilan ini adalah untuk menghapus titik data dan
proses estimasi. Jika alasan fisik yang cukup ada untuk penghapusan, kita
hanya dapat menghapus data titik atau poin dan reestimate variogram
tersebut. Dengan tidak adanya alasan yang memuaskan, sulit untuk

35
membenarkan penghapusan titik data tertentu atau poin untuk kenyamanan
matematika belaka. Jika titik data tertentu dihilangkan, informasi berharga
bisa hilang yang mungkin sulit untuk menemukan sebaliknya. Secara
khusus, ketika sampel kumpulan data menunjukkan beberapa perintah-of-
besarnya variasi, sulit untuk menghilangkan titik data tertentu saja.

Cara yang lebih baik untuk menangani variasi dalam Sample Data
adalah dengan menggunakan beberapa jenis transformasi nonlinear untuk
meminimalkan variasi. Pada bagian ini, kita membahas banyak dari
transformasi yang umum digunakan untuk meminimalkan efek dari outlier
atau nilai-nilai ekstrim. Catatan, bagaimanapun, bahwa penggunaan
transformasi nonlinear dapat membuat kesulitan tambahan selama proses
estimasi, Chap. 4 membahas kesulitan-kesulitan ini.

a. Log Transform.

Yang paling umum digunakan transformasi adalah dengan


menggunakan logaritma dari nilai sampel. Dengan mengambil baik
alamiah (base e) atau basis 10 log, urutan-of-besarnya variasi
dijabarkan ke dalam variasi di bagian integer dari log dari variabel. Ini
harus meminimalkan efek der-of-besarnya variasi ekstrim dan atau-
dalam titik data.

Feild Contoh 3.4. Misalnya bidang ini menguji pengaruh log


transformasi dari estimasi variogram untuk dua variabel. Porositas
untuk Arus Unit 3 tidak digunakan dalam contoh ini menjadi-
menyebabkan data porositas tidak menunjukkan variasi yang tions
cukup signifikan untuk mengharuskan penggunaan transformasi
nonlinear. Sebaliknya, kita menggunakan awal-potensi (IP) data, yang
dikumpulkan dari beberapa sumur dalam lapangan, sebagai variabel.
Kami alsouse kh bersih sebagai variabel lain. nilai bersih-kh di setiap
sumur ditentukan dengan menambahkan permeabilitas inti
(dikumpulkan pada 1-ft interval) atas seluruh selang bayar zona. Nilai

36
ini mencerminkan kontribusi dari semua unit aliran di lokasi sumur
tertentu.

Gambar. 3.12 menunjukkan lokasi spasial untuk data IP dan nilai-nilai


IP yang terkait di setiap lokasi. Gambar. 3.13 menunjukkan nilai net-kh
di lokasi yang sama. Kami memiliki total 48 nilai baik dan data net-kh
IP. Gambar. 3.14 menunjukkan histogram untuk IP dan data net-kh.
Kedua variabel menunjukkan sejumlah besar nilai-nilai di kisaran
rendah dan tailing panjang. variasi dalam nilai-nilai lebih dari beberapa

37
kali lipat. Data IP berkisar dari 10 B/D setinggi 2.800 B/D dan data net-
kh berkisar dari 7,0 ke 36,347.0 md-ft. Koefisien variasi untuk data IP
0.93, dan koefisien variasi untuk data net-kh 1.33. Jika kita telah
dianggap data kaki permeabilitas kaki-demi-individu, bukan data net-
kh, kita akan mengamati koefisien jauh lebih tinggi dari variasi.
Namun, "rata-rata" atas seluruh selang zona membayar mengurangi
koefisien variasi substansial.

Contoh pada lapanga ini menggambarkan penerapan log transformasi


baik untuk data net-kh IP dan, dengan memperhatikan hanya
variograms isotropik. Hasil yang sama dapat diperoleh untuk
variograms anisotropik juga. Selang lag rata-rata 1400 dengan toleransi
jarak 700 ft diasumsikan. Nilai-nilai ini sama dengan yang digunakan di
lapangan Contoh 3.2 3.3. Karena data yang dikumpulkan dari bidang
yang sama dengan sekitar kepadatan yang sama, kita dapat
mengasumsikan bahwa interval lag dan toleransi lag tidak berubah

secara signifikan,.

Gambar. 3.15 membandingkan variogram konvensional variogram dari


data log berubah. Variogram konvensional, terutama pada jarak lag
besar, menunjukkan variasi yang signifikan Sebaliknya, variasi
dipamerkan oleh data ditransformasikan kecil. Satu-satunya
pengecualian adalah pada jarak lag terbesar. Perubahan dalam
variogram dari variabel data berubah jauh lebih bertahap daripada di
variogram konvensional. Jelas, lag transformasi telah meminimalkan
fluktuasi nilai perkiraan variogram.

Efek ini bahkan lebih jelas untuk data net-kh, yang menunjukkan
koefisien tinggi variasi dari data IP. Gambar .316 menunjukkan,
variogram konvensional dilihat hampir tidak menunjukkan struktur
spasial, fluktuasi mendominasi variasi, dan sulit untuk menangkap tren
bertahap dalam data. Sebaliknya, variabel log-transformasi

38
menunjukkan tata ruang baik berkembang. Dimulai dengan nilai yang
sangat kecil, estimasi variogram meningkat dan mencapai nilai ambang
sekitar 7.000 ft. Di luar itu, variogram yang cukup konstan, Seperti
sebelumnya, satu-satunya pengecualian untuk tren bertahap ini adalah
nilai estimasi pada jarak lag 14.000 ft. Jika tidak, log transformasi jelas
telah membantu untuk mengidentifikasi struktur variogram untuk data
net-kh.

Secara keseluruhan, untuk kedua IP dan net-kh data, log transformasi


telah menghasilkan identifikasi yang lebih baik dari tata ruang, ltu aman
untuk menyatakan bahwa semakin tinggi variasi dalam kumpulan data
asli, semakin besar dampak dari transformon lag estimasi variogram.
Seperti yang dinyatakan sebelumnya, jika tujuannya adalah untuk
menangkap tata ruang yang dipamerkan oleh data sampel, log
transformasi dapat menjadi alat yang berguna, terutama untuk data yang
menunjukkan variasi urutan dari magnitude .

b. Daya Transform.
Penggunaan daya transformasi mirip dengan log transformasi. Alih-alih
menggunakan data sampel itu sendiri, mengambil daya transformasi
dengan rumus

dimana : variabel berubah, x (u) variabel asli, dan p = daya. Nilai p


harus kurang dari satu. Semakin kecil daya yang kita gunakan, maka
semakin kecil variasi dari nilai data. Nilai yang paling umum digunakan
dari p adalah 0.5, yang merupakan akar kuadrat dari nilai data sampel.

39
Contoh Lapangan 3.5. contoh ini menggunakan data yang sama seperti
yang digunakan dalam contoh lapangan 3.4 dengan penambahan
penggunaan akar kuadrat dari data sampel sebagai variabel baru dalam
memperkirakan variogram.

Gambar 3.17 membandingkan variogram konvensional dengan yang


dari nilai-nilai berubah untuk data IP. Akar kuadrat transformasi tidak

40
menunjukkan perbaikan yang signifikan atas data konvensional.
Besarnya fluktuasi untuk kedua data ditransformasikan dan data asli
mirip. Gambar. 3.18 menunjukkan hasil transformasi persegi root pada
variograms net-kh. Hasilnya mirip dengan hasil data IP. Meskipun
variogram dari data ditransformasikan menunjukkan struktur sedikit
lebih baik pada jarak lag kecil, fluktuasi variograms diperkirakan belum
diminimalkan.

Secara keseluruhan, akar kuadrat transformasi memperbaiki struktur


variogram diperkirakan lebih sedikit dibandingkan dengan variogram
konvensional. Jelas, dengan nilai yang lebih rendah dari kekuatan,
sedikit lebih perbaikan mungkin diamati. Namun, alih-alih
menggunakan prosedur trial and-error dari nilai daya yang berbeda,
mungkin lebih mudah untuk menggunakan log transformasi dibahas di
bagian sebelumnya.

41
Untuk meringkas, daya transformasi tidak muncul untuk menjadi efektif
dalam mengubah data sebagai log transformasi. Jika tujuannya adalah
untuk mengurangi variabilitas data melalui transformasi non linear, log
transformasi dapat mencapai tujuan itu lebih baik daripada mengubah
daya.

c. Peringkat Transform.
Chap. 2. Singkat dibahas peringkat kumpulan sampel data yang
diberikan. Prinsip yang sama digunakan untuk memperkirakan
variogram dari data peringkat-data transformasi. Untuk menghitung
akhir peringkat nilai sampel yang diberikan, semua data sampel disusun
dalam urutan menaik, dengan nilai awal terendah dan nilai akhir
tertinggi. Peringkat dari nilai-i secara berurutan dihitung dengan

42
di mana n = jumlah titik sampel dan R1 = peringkat dari nilai-i dalam
urutan. Peringkat nilai tertinggi adalah sedikit kurang dari satu untuk
memastikan bahwa hanya kemungkinan kecil ada yang perkiraan nilai
di lokasi tanpa sampel akan kurang dari nilai terkecil atau lebih besar
dari nilai terbesar.

Menggunakan peringkat transformasi memastikan bahwa tidak ada


perbedaan yang signifikan antara nilai sampel karena semua nilai-nilai
sampel jatuh antara nol dan satu. Rank transformasi, bagaimanapun,
memberikan informasi hanya tentang pemesanan relatif dari data
sampel. mereka tidak menyampaikan informasi tentang besarnya
sampel. jika kita hanya tertarik pada rangking relatif variabel perticular
di lokasi tanpa sampel, peringkat mengubah dapat menangkap
informasi tersebut.

Contoh Lapangan 3.6. Contoh ini menggunakan data yang sama dengan
yang digunakan di lapangan Contoh 3.4 dan 3.5.

Gambar. 3.19 membandingkan variogram konvensional dengan


variogram dari variabel rank-transformed untuk data IP. Untuk set data
ini, kita melihat tidak ada peningkatan yang signifikan dalam hal
membedakan struktur variogram. Di Gambar 3.20, yang menunjukkan

43
plot yang sama untuk data net-kh, pangkat transformasi ditingkatkan
struktur variogram keseluruhan. Variogram dari data ditransformasikan
tidak menunjukkan banyak fluktuasi sebagai variogram konvensional.
Selanjutnya, pada jarak lag kecil, perubahan ini jauh lebih bertahap dari
itu ditunjukkan oleh variogram konvensional.

Secara keseluruhan, peringkat transformasi dapat membantu untuk


menentukan struktur variogram yang lebih baik. peringkat transformasi
tidak mempertahankan informasi tentang besarnya mutlak dari data
sampel. Namun, membatasi nilai antara nol dan tidak menghilangkan
pengaruh data outlier, terlepas dari berbagai sebenarnya dari data
sampel. Selain itu, transformasi pangkat telah diamati untuk menjadi
berguna dalam prosedur estimasi tertentu yang mencoba untuk
menentukan ketidakpastian di lokasi tanpa sampel dalam hal
distribution.7 probabilitas Chap 4 membahas aplikasi tertentu.

d. Indikator Transform.
Indikator transformasi memungkinkan transformasi dari variabel
kontinu ke dalam variabel diskrit. Banyak variabel reservoir, seperti
permeabilitas dan porositas, adalah variabel kontinu, ini variabel
kontinu dapat direpresentasikan dalam variabel hal ofdiscrete dengan
indikator transformasi, yang didefinisikan

44
Variabel indikator dapat mengambil hanya dua nilai: satu atau nol. Jika
nilai sampel kurang dari ambang batas yang diberikan, indikator
mengambil nilai satu. Jika nilai sampel lebih besar dari ambang batas
yang diberikan, indikator mengambil nilai nol. Dengan menentukan
beberapa nilai ambang batas, kita dapat menentukan beberapa nilai
indikator pada setiap ambang batas. Lampiran C menyediakan beberapa
properti tambahan dari fungsi indikator.

Contoh Numerik 34. Tabel 35 memberikan data potensi di berbagai


lokasi. Menggunakan nilai ambang 178.403. dan 1.350B / D, mengubah
data menjadi nilai indikator.

Solusi. Contoh ini menggunakan bagian dari data IP sampel yang


digunakan dalam contoh bidang sebelumnya Pemilihan nilai ambang
batas adalah subjektif, Untuk contoh ini, kami memilih nilai-nilai yang
sesuai dengan 25, 50 (median), dan persentil ke-75.

Untuk menghitung nilai indikator yang sesuai pada setiap ambang batas
untuk setiap sampel membandingkan data sampel dengan ambang
batas. Misalnya, untuk sampel pertama, di ambang satu (178B/D), 850

45
> 178, i = 0; di ambang dua (403 B/D), 850 > 403, i 0; dan pada
ambang tiga (1,350 B/D). 850 1.350, i = 1. Bandingkan nilai sampel
dengan nilai ambang batas. jika nilai sampel kurang dari atau sama
dengan nilai ambang batas, menetapkan nilai indikator satu.Jika nilai
sampel lebih besar dari nilai threshold, menetapkan nilai indikator nol.
Ulangi prosedur ini untuk setiap sampel.

Table 3.6 menunjukan hasil. Di table 3.6, i1 = indikator nilai sesuai


untuk ambang pertama, i2 = indikator nilai sesuai untuk ambang kedua, dan

46
i3 = indikator nilai sesuai untuk ambang ketiga. Empat kombinasi dari
indikator nilai berwujud, tergantung pada apakan nilai kurang dari ambang
pertama (1,1,1), diantara pertama dan kedua ambang (0,1,1), diantara keuda
dan ketiga ambang (0,0,1), atau lebih besar dari ambang ketiga (0,0,0).
Penggunaan ambang tambahan memungkinkan penentuan nilai indikator
tambahan pada tiap poin sampel.

Mendefinisikan setiap titik sampel dari nol atau satu menghilangkan


efek data asing. Perbedaan antara keduanya nilai indikator sampel dapat
berupa nol atau satu. Nilai-nilai ekstrim, oleh karena itu, tidak berakibat
buruk terhadap perkiraan variogram. Salah satu kelemahan dari
mendefinisikan nilai-nilai indikator adalah bahwa perbedaan halus antara
nilai-nilai data dalam kelas tertentu (antara dua nilai ambang batas berturut)
hilang. Misalnya, di Numerik Contoh 3.4 kita tidak bisa lagi membedakan
antara 270 dan 385 B/D karena keduanya dijelaskan oleh set yang sama
nilai indikator. Untuk beberapa hal, mendefinisikan batas tambahan dapat
menghilangkan kekurangan. Namun, ada batas untuk jumlah ambang batas
yang dapat didefinisikan. Kemudian dalam bab ini, kita membahas kesulitan
indikator pemodelan variograms jika terlalu banyak ambang didefinisikan.
Juga, prosedur estimasi menjadi komputasi lebih menuntut (Bab. 4
membahas ini).

Selain menghilangkan dampak data asing, mendeskripsikan nilai


sampel di syarat dari nilai indikato memiliki dua keuntungan. Pertama,
dengan tepat mendefinisikan nilai-nilai ambang batas dan memperkirakan
indikator variograms di setiap ambang, kita dapat mempelajari bagaimana
nilai-nilai sampel yang terhubung pada ambang yang berbeda. Sebagai
contoh, kita dapat amati bahwa nilai-nilai yang relatif kecil menunjukkan
baik kontinuitas (perubahan variogram halus pada rentang lebih besar dari
nilai--nilai yang tinggi, yang menunjukkan kurang kontinuitas. Jenis seperti
perilaku tidak dapat diamati melalui variogram konvensional sampel nilai
9,10.

47
Kedua, definisi indikator memungkinkan pembentukan informasi untuk
diterjemahkan ke dalam bentuk kuantitatif yang unik. misalnya, sebuah
deskripsi facies geologi bisa diterjemahkan menjadi indikator fungsi. Jika
ketiga facies di amati pada lokasi sumur tertentu, Facies 1 bisa
dideskripsikan (1,0,0) nilai indikator, Facies 2 (0,1,0) nilai indikator, dan
facies 3 (0,0,1) nilai indikator. Sekali nomor di daftarkan ke setiap lokasi
sesuai untuk setiap facies, kelangsungan spasial facies geologi dapat
dievaluasi kuantitatif. Ini adalah aplikasi dari penerapan indikator
tranformasi untuk variabel berlainan.

48
Bidang Contoh 3.7. Contoh ini menggunakan data yang sama
digunakan dalam Contoh Bidang 3.4 melalui 3.6: IP dan nilai-nilai net-kh.
Untuk memperkirakan variogram indikator, kami mengubah baik IP dan
nilai-nilai net-kh oleh nilai median. Untuk IP, median adalah 403 B / D;
untuk net-kh, median adalah 3.482 md-ft. Tergantung pada apakah nilai
turun di bawah atau di atas median, sebuah appropri- makan nilai indikator
ditugaskan di setiap lokasi.

Gambar. 3.21 membandingkan variogram konvensional dan sesuai dari


nilai indikator median untuk data IP. Indikator variogram ini lebih halus
daripada gram vario- konvensional dan ciri tata ruang yang jauh lebih baik.
Sebagai Gambar. 3.22 menunjukkan, peningkatan dengan indikator fungsi
signifikan untuk data net-kh. Meskipun nilai pertama (sesuai dengan jarak
lag terpendek) jauh lebih tinggi dari yang diharapkan, dapat diabaikan
karena hanya berisi dua pasang. Setelah mengabaikan titik ini, semua titik
lainnya jelas menunjukkan struktur spasial.

Secara keseluruhan, fungsi indikator memiliki kemampuan


menghilangkan efek data outlier melalui indikator transformasi tersebut.
Menggunakan indikator transformasi meminimalkan fluktuasi di

49
variograms konvensional. Normal-Score Transform. Normal-skor
mengubah transformasi data terendahsampel ke dalam wujud data yang
mengikuti normal (Gaussian) distribusi. Gambar. 3.23 menunjukkan ini.

Transformasi secara skematis. Sebuah fungsi distribusi kumulatif dapat


dibangun untuk setiap data sampel. Fungsi distribusi kumulatif memiliki
nilai minimum nol dan nilai maksimum satu. Untuk fungsi distribusi
normal, fungsi distribusi kumulatif memiliki kisaran yang sama. Setiap nilai
sampel dikaitkan dengan fungsi distribusi yang sesuai. Untuk nilai yang
sama dari fungsi distribusi kumulatif kita dapat mendefinisikan nilai biasa
pada skor dan berubah setara. Biasanya, nilai normal-skor terbentuk
mempunyai rata-rata nol dan varians satu: karena itu, mereka berkisar dari -
3 sampai +3. Menggunakan data seperti transformasi untuk setiap nilai
sampel memungkinkan transformasi dari semua nilai sample yang sesuai
skor normal. Ada satu-ke-satu korespondensi antara nilai sampel dan
transformasi nilai terbentuk Artinya, jika kita tahu nilai berubah, kita dapat
hitung kembali nilai sampel yang sesuai.

Dengan transformasi data sampel untuk skor normal, variabilitas data


set dibatasi untuk-3sampai-3 .secara efektif, tidak ada orde dari besarnya
variasi dalam kumpulan data. Efek data ekstrim pada gram vario- harus
diminimalkan dengan transformasi. Keuntungan lain dari normal-skor
berubah adalah teknik estimasi, dibahas dalam bab-bab selanjutnya, bekerja
lebih baik dengan data nilai yang berubah normal. Setelah mendapatkan
estimasi dengan data ditransformasikan kita dapat mengubah kembali nilai-
nilai variabel asli.

Bidang Contoh 3.8. Contoh ini menggambarkan penerapan skor yang


normal transformasi dari estimasi variogram untuk data net-kh IP dan.
gambar. 3.24 menunjukkan efek transformasi untuk data IP, dan Gambar.
3.25 menunjukkan efek yang sama untuk data net-kh. Tidak ada
peningkatan yang signifikan dapat dicatat untuk data IP yang berubah.

50
Namun, untuk data kh net-, estimasi variogram dengan data
ditransformasikan menunjukkan definisi yang lebih baik dari hubungan
spasial dari variogram dengan data mentah. Tampaknya bahwa semakin
besar variasi dalam kumpulan data, bentuk normal-skor yang bertranformasi
meningkatkan estimasi variogram. Perhatikan bahwa kusen dari variograms
dekat dengan salah satu karena varians skor mal atau- sama dengan satu.

Untuk meringkas materi yang dibahas dalam bagian ini, transformasi


nonlinier berguna untuk meminimalkan dampak data asing estimasi fungsi
variogram. Lima transformasi diperiksa: log, listrik, peringkat, indikator,
dan skor normal. Dari lima, log dan transformasi indikator telah paling
berhasil dalam mengurangi fluktuasi dari estimasi variogram. log
tranformasi, meskipun mudah digunakan, dapat menciptakan kesulitan
dalam memperkirakan nilai-nilai sample yang tidak diketahui di lokasi.
Indikator mengubah kehilangan beberapa variasi yang halus, bagaimanapun,
itu mempunyai keuntungan tambahan selain hanya menghilangkan efek dari
data asing. kekuatan transformasi tidak muncul untuk menjadi sangat sukses
dalam menghilangkan fluktuasi variogram. Formulir berubah, oleh karena
itu, jarang digunakan. Peringkat transformasi berguna dalam mendefinisikan
kelangsungan data sampel jika kita tertarik pada urutan relatif dari data. Hal
ini juga dapat digunakan dalam hal tertentu, teknik estimasi skor normal
berubah cukup sukses dalam meminimalkan fluktuasi estimasi yang
digabungkan dengan variogram dan memiliki keuntungan tambahan yang
berguna dalam beberapa prosedur estimasi.

51
Selain transformasi ini, mungkin ada transformasi nonlinear lain yang
dapat digunakan untuk mengurangi fluktuasi perkiraan variogram. Isu utama
yang perlu diperhatikan dalam penggunaan transformasi nonlinear adalah
bahwa variogram yang akhirnya akan digunakan untuk memperkirakan nilai
di lokasi. tanpa sampel kita menggunakan variabel berubah dalam
menghasilkan hubungan esensial spaasial, kita bisa memperkirakan
perubahan variabel di lokasi tanpa sampel. Sebuah metode yang efektif
perlu atau mengkonversi data diubah kembali ke variabel original. Selama
metode yang efektif dapat diciptakan untuk transformasi inverse tersebut,
transformasi tersebut efektif dalam menangkap hubungan spasial, yang jika
tidak mungkin sulit untuk membedakan dengan data asli.

4. Bias Sampling

Chap. 2 dibahas secara singkat dampak sampling bias pada statistik


univariat dan juga mempresentasikan hasil declustering jenis data set berarti
sampel dan varians sampel. Pada bagian ini, kita membahas teknik yang
digunakan untuk menghapus dampak sampling bias pada estimasi
variogram yang singkat, hasil pengambilan sampel bias dari sumur cara
dibor di lapangan minyak. Beberapa sumur eksplorasi pertama dapat dibor
atas dasar informasi yang sama. Namun, informasi yang dikumpulkan dari
sumur ini, sumur berikutnya dibor atas dasar informasi tambahan, tentu saja,
sumur baru yang dibor di daerah di mana potensi maksimum untuk
tambahan oil recovery ada. Untuk menggunakan analogi geologi, jika
reservoir meliputi pasir channel dan pesawat lumpur, upaya akan dilakukan
untuk mengebor sumur di pasir channel bukan di bidang lumpur.

Ketika kita analisa dan mengumpulkan sampel untuk menggambarkan


hubungan spasial, kita harus memahami bahwa kepadatan juga mungkin
lebih tinggi di daerah-daerah di mana ada prospek yg lebih nyata dan
didaerah rendah di mana potensi rendah. Jenis sampling bias mungkin
menguji kemampuan kita untuk menggambarkan hubungan spasial.

52
Misalnya, jika sumur dibor di daerah tinggi porositas, estimasi variogram
pada jarak lag kecil agar dari itu menggunakan informasi hanya di daerah
tinggi porositas. Pada jarak lag 600 ft, dengan semua pasangan pada saat itu
lag jarak di didaerah tinggi porosittas, hanya pasanga lagi di 600 ft
digunakan untuk variogram estimasi. Ini berarti bahwa pasangan lag
digunakan secara selektif diambil dari daerah yang berpotensi tinggi daerah-
daerah yang mewakili porositas tinggi, permeabilitas tinggi, tinggi ketebalan
bayar zona, atau kombinasi dari variabel-variabel ini). Di bawah ini
keadaan-keadaan, sarana aritmatika dari nilai-nilai data yang digunakan
untuk jarak tertentu lag nominal mungkin tidak sama dengan rata-rata
sampel.

Jika kita mendefinisikan

Dimana arimatik digunakan untuk data poin pertama dalam

data pasangan dan arimatik berguna untuk pasangan data kedua


poin dengan pasangan data untuk jarag lag tertentu, kemudian rata-rata
keduanya

53
Yang merupakan rata-rata aritmatika dari semua data poin yang
digunakan untuk memperkirakan variogram pada jarak lag tertentu. Jika kita
mendefinisikan mean aritmetik dari semua sampel sebagai

Di mana n = jumlah total sampel, idealnya, dan sangat mirip


satu sama lain. Jika kita memiliki pasangan yang cukup setiap lag jarak dan
semua pasangan berkumpul mewakili en wilayah secara perwakilan, lag

mean, , dan sampel berarti X, harus serupa. Namun, jika untuk jarak
lag tertentu, kita menggunakan pasangan dari daerah yang terutama kecil
karena sampling bias, dua cara ini mungkin sama satu sama lain. Argumen
yang sama bisa dikembangkan untuk perbedaan antara varians sampel dan l
varians. Varians sampel didefinisikan sebagai

Dan variasi lag didefinisikan sebagai

54
Untuk pengambilan sampel selektif dalam mengestimasi variograms,
varians lag dan varians sampel mungkin berbeda satu sama lain. Jenis
variasi, dalam arti ketat, melanggar persyaratan pertama dan orde kedua
stationarities. Ingat bahwa di bawah orde pertama stasioneritas, berarti tidak
berubah, dan, di bawah orde kedua stasioneritas, variogram fungsi dari
hanya jarak lag, bukan dari lag mean atau varians. Kesulitan ini harus
diatasi untuk memperkirakan hubungan spasial untuk data sampel dengan
benar .

Untuk statistik univariat, kami dianggap sebagai prosedur sederhana


declustering untuk memperkirakan berisi sampel berarti dan varians sampel.
Sayangnya, prosedur sederhana tidak notexist untuk estimasi variogram
tersebut. Beberapa prosedur telah diusulkan dalam literatur untuk
menjelaskan bias sampel berikut ini membahas beberapa teknik ini Umum
untuk variogram relatif.

a. General Relative Variogram


Umum relatif variogram didefinisikan sebagai

Lag berarti untuk jarak tertentu. Normalnya variogram dengan lokal


eliminasi rata-rata pengaruh variasi pada rata-rata lag. Denomonator
menggunakan persegi dari lag mean sebagai gantinya lag mean karena unit
dari persegi lag mean dan (L) adalah sama. Hasilnya GR(L) adalah
variogram berdimensi normal.

b. Pairwise-Variogram Relatif
Pairwise-variogram relatif didefinisikan sebagai

55
= pairwise-variogram relatif and simbol-simbol lainnya
Dimana PR()
sudah didefinisikan sebelumnya. pairwise-variogram relatif juga
dinormalisasi variogram conventional dengan square mean. Hanya
berbeda antara general relatif dan pairwise-variogram relatif itu, di
pairwise-variogram relatif, setiap pasang square berbeda adalah
dinormalisasi dengan respect dari square of pair mean daripada the
square of a lag mean, itu yang dilakukan di variogram relatif secara
umum.

Tidak ada variogram relatif umum maupun pairwise-variogram relatif


yang teori dasarnya seperti variogram konventional. Namun, mereka
telah terbukti menyediakan hasil yang lebih baik pada aplikasi praktis
lainnya.

c. Variogram nonergodic
Isaaks dan Srivastava yang pertama menjelaskan konsep dari variogram
nonergodic. Sebelum kita membahas variogram nonergodic, kita harus
menjelaskan ergodicity. Menurut Christoakos, fungsi acak disebut
ergodic jika itu covariance (variogram) bertepatan dengan rata-rata
yang sesuai dihitung selama realisasi tunggal tersedia. Dalam
prakteknya, kita hanya memiliki satu kemungkinan distribusi realisasi
sebenarnya dari nilai sample di setiap lokasi. Kita menggunakan titik
sample untuk estimasi rata-rata, variogram dan covariance. Kita
asumsikan setiap estimasi variogram atau covariance berdasarkan dari
dsitribus titik sample atas seluruh wilayah penting. Tidak peduli jarak
lag untuk menghitung variogram, asumsi ergodicity membutuhkan
pengumpulan sample dari seluruh wilayah jadi rata-rata spatial sampel

56
bertepatan dengan parameter sebenarnya. Namun, dibahas sebelumnya,
sampel menggunakan estimasi variogram pada setiap jarak lag adalah
berbeda. Dari setiap titil sample dalam wilayah interest, kita tidak
memiliki titik data yang sesuai yang bisa berpasangan dengan titik
sample di setiap jarak lag. Tergantung pada sample yang tersedia,
hanya memilih titik data yang digunakan untuk estimasi variogram pada
jarak lag tertentu. Kita menggunakan realisasi dari titik sample untuk
estimasi variogram pada setiap jarak lag. Mewakili tingkah laku
nonergodic.
Untuk menghitung tingkah laku nonergodic, isaaks dan srivastava
menjelaskan covariace nonergodic yaitu

Menggantikan Eqs.3.26 dan 3.27, kita bisa menulis Eq.3.35 yaitu

+
Dimana - = rata-rata lag. Covariance nonergodic berbeda dari
covariace koventional (dijelaskan pada Eq.3.9). di Eq.3.9, kita
menjelaskan covariace yaitu :

57
Perbandingan dari Eqs.3.9 dan 3.36 menunjukkan perbedaan pada dua
equation yang digunakan pada mean di sisi kanan equation. Covariance
nonergodic menghitung dari variasi rata-rata lag, sementara konvential
menggunakan rata-rata sample. Jelas, dengan nilai yang besar dari
sample sehingga rata-rata lag sekitar dengan rata-rata sample dari setiap
jarak tertentu, Eqs.3.9 dan 3.36 tidak berbeda. Namun, jika sample
berat sebelah jadi kita memilih selektif pair dari wilayah berbeda pada
jarak lag berbeda, covariace nonergodic berbeda dari definisi konvential
covariance.
Covariance nonergodic bisa digunakan pengkuran spatial kontinus, tapi
geostatistik konvensional menggunakan variogram. Kita bisa
menjelaskan variogram nonergodic yaitu

) = variogram nonergodic dan c(0) = variasi


Dimana NE (
sample.Eq.3.37 sama dengan Eq.3.19. lampiran C tersedia rincian
tambahan.

d. Correlogram Nonergodic
Konsep variogram nonergodic bisa dapat diambil satu langkah lebih
jauh dari covariance normal, dengan menghitung dari variasi di kedua
rata-rata lag sebaik variasi lag. Kita bisa menjelaskan correlogram
nonergodic yaitu :

58
) = covariance nonergodic dijelaskan di Eq.3.36: variasi
Dimana CNE(
lag dijelaskan di Eq.3.31 dam 3.32, masing-masing definis berbeda dari
Eq.3.14

Denominator dari Eqs.3.14 dan 3.38 hanya identik jika variasi lag
sesama variasi sample. Jika variasi lag mencerminkan variasi di sample
menggunakan jarak lag tertentu, corelogram nonergodic akan berbeda
dari definisi correlogram nonergodic. Sebelum itu, untuk mengikuti
)]
konventional digunukan pada geostatistik, kita menggunakan [1-rNE(
pengukuran spatial kontinus kita karena itu berperilaku sama sebagai
variogram.
Ketiga pengukuran menjelaskan bagian improve interpretasi spartial
kontinus jika itu perbedaan signifikan antara properti lag dan properti
sample. Contoh lapangan 3.9.

59
Unit 3, IP data dan net-kh data. Table 3.7 menunjukkan bagaimana
rata-rata lag dan variasi lag berubah pada jarak lag berbeda dari tiga set data.
Variasi lag adalah perhitungan variasi pada semua dasar titik data digunakan
pada estimasi variogram pada jarak lag tertentu. Dari definisi, itu dapat
dihitung sebagai :

Rata-rata lag, , dihitung dengan Eq.3.28


Dari ketiga variabel, rata-rata sample dan variasi sample menunjukkan
jarak lag pada 0 ft. Dari data porositas, sebagai contoh, rata-rata sample
yaitu 21.62 dan variasi sample 23.11
Data porositas tidak menunjukan variable signifikan spartial. Itu juga
mencerminkan pada rata-rata lag dan variasi lag. Rata-rata lag cukup
konstan dari semua jarak lag; variasi dalam nilai adalah kecil. Variasi lag
menunjukkan beberapa variasi lebih kecil dari jarak lag; namun, nilai setabil
pada jarak lag besar. Pada kontras, untuk kedua IP dan net-kh,

60
rata-rata lag lebih tinggi daripada rata-rata sample pada jarak lag lebih kecil.
Jarak lag meningkat , rata-rata lag yang baik atau sedikit kurang rata-rata
sample. Tipe tingkah laku yang diharapkan karena beberapa sumur
pemboran di wilayah di potensi tinggi, yang juga wilayah itu dengan nilai
net-kh lebih tinggi. Karena itu, jarak singkat, the pairs digunakan pada
estimasi variogram mencerminkan nilai relatif yang tinggi. Variasi lag juga
lebih tinggi pada jarak lag lebih kecil, namun, penurunan nilai atau stabilitas
peningkatan jarak lag. Indentifikasi literatur pertambangan disebut efek
proportional efek itu mencerminkan kenaikan variasi lokal terhadap nilai
rata-rata variasi lokal. Dengan kata lain, nilai-nilai yang tinggi cenderung
menunjukkan lebih variabilitas dari nilai-nilai yang rendah.

Mengetahui tingkah laku rata-rata lag dan variasi lag, kita akan
mengharapkan saran modifikasi pada section itu tidak berdampak signifikan
pada viriogram porositas; dimana, untuk IP dan data net-kh, kita akan
mengamati beberapa perubahan estimasi variogram.

Tugas pertama kita efek modifikasi pada variogram porositas. Gambar


3.26 menunjukkan penggunaan variogram relatif umum pada data isotropic;
variogram konventional termasuk pada perbandingan. Diharapkan
perubahan tidak signifikan diamati pada variogram dengan variogram relatif
umum. Hasil serupa bisa dicatat pada pairwise,

61
variogram relatif pada gambar 3.27. gambar 3,28 dan 3.29 menunjukkan
plot variogram nonergodic dan correlogram, masing-masing. Estimasi
variogram dengan modifikasi menunjukkan dasarnya hubungan jumlah
spatial. Untuk kedua modifikasi itu, variogram naik dengan cepat ke nilai
ambang, inditifikasi jumlah kekurangan spatial kontinus. Karena estimasi
variogram itu menyediakan struktur diinterpretasi terbaik yang harus
digunakan, kita menggunakan variogram konventional untuk data itu.

Gambar 3.30 menunjukkan efek modifikasi variogram untuk data IP.


Untuk menghilangkan kekacauan, variasi relatif umum tidak menjelaskan,
tapi perilaku ini sangat mirip dengan pairwise-variogram relatif. Varigram
konventional memperlihatkan fluktuasi lebih. Jarak yang besar, sebagai
gantinya mencapai nilai stabil, ada fluktuasi yang cukup besar pada estimasi
variogram. Pairwise- variogram relatif menunjukkan variasi yang cukup
halus pada estimasi variogram, yang meningkatkan secara bertahap dan
mencapai dasarnya nilai konstan pada jarak yang besar. Variogram
nonergodic dan correlogram nonergodic juga menunjukkan fluktuasi halus
dan kontinuitas yang lebih baik pada estimasi variogram. Secara
keseluruhan, keempat modifikasi jelas meningkatkan estimasi variogram
untuk definisi struktur spartial yang lebih baik. Perbandingan dari perbedaan
modifikasi menujukkan pairwise- variogram realtif menyediakan struktur
penafsiran yang sangat jelas.

62
Kesimpulan serupa bisa dapat dicapai untuk data net-kh. Variogram
konventional gagal untuk menunjukkan beberapa struktur spatial (gambar
3.31) beberapa stuktur dengan fluktiasi pada nilai estimasi variogram,
sebaliknya, pairwise-variogram relatif dan correlogram nonergodic
menunjukkan perubahan halus dengan struktur penafsiran yang jelas.
Variogram nonergodic menunjukkan beberapa perubahan lebih pada
variogram konventional; namun, itu juga menjelaskan beberapa fluktuasi
pada nilai estimasi.

Secara keseluruhan, saran modifikasi pada bagian ini bisa memperbaiki


kemampuan kita untuk menggambarkan hubungan spatial. Itu dengan dasar
yang benar dimana data sample berupa berat sebelah, dimana hasil pada
variasi di rata-rata lag dan variasi lag . dalam pembelajarannya menyediakan
lebih banyak struktur penafsiran yang instimewa.

Sec 3.4 dianggap variasi metode dan modifikasi digunakan pada estimasi
variogram. Bagian ini membahas metode yang digunakan pada model variogram
itu. Estimasi variogram memperbolehkan kita untuk mengetahui nilai variogram
hanya pada jarak yang besar dimana kita menghitung variogram. Tujuan
utamanya, namun, pada estimasi variogram menggunakan informasi untuk
estimasi nilai variable tanpa sample.

63
64
BAB III
PENUTUP

A. Kesimpulan
Berdasarkan pembahasan tersebut, maka dapat disimpulkan
1. Tujuan geostatistik adalah untuk memperkirakan nilai-nilai di lokasi di
mana tidak ada informasi, yaitu dengan menggunakan kumpulan sampel
data yang tersedia untuk mengembangkan model-model tertentu dan
menggunakan model-model untuk memprediksi nilai-nilai di lokasi
tanpa sampel yang tidak memiliki ketidakpastian. Untuk mencerminkan
ketidakpastian ini, kita lakukan perkiraan sebagai variabel acak.
2. Terdapat beberapa jenis hubungan spasial (spatial relationship) yakni
kovarians, korelasi koefisien, dan variogram.
3. Dalam prakteknya, terdapat beberapa kesulitan dalam memperkirakan
variogram. Karena tujuan ini adalah untuk mendapatkan hubungan
spasial didalam cara kemungkinan yang terbaik.

B. Saran
Terdapat beberapa saran dalam pembahasan makalah ini, yaitu
1. Dalam memperkirakan nilai atau parameter yang tidak terdapat pada
data lapangan tidak dapat dilakukan tanpa melakukan suatu metode,
sehingga diperlukan pemahaman yang kuat agar memperoleh nilai yang
valid.
2. Pada pemilihan data harus dilakukan secara teliti dengan memperhatikan
seluruh aspek didalamnya.
3. Sebagai seorang engineer harus memahami segala dasar teori, agar pada
saat mempraktekkan didapatkan hasil yang akurat.

65
DAFTAR PUSTAKA

Kelkar, M and Perez, G. 1989. Applied Geostatistics for Reservoir


Characterization. University of Tulsa.

66