(variabel berubah) pada berbagai fenomena gejala alam, terutama untuk menentukan volume
bahan galian. Landasan dari pembelajaran geostatistik adalah "The Theory of Regionalised
Variables”, dimana data dari titik-titik sampel mempunyai korelasi satu sama lain sesuai dengan
karakteristik penyebaran endapan mineral.
Analisis dari geostatistik merupakan teknik geostatistik yang terfokus pada variabel spasial,
yaitu hubungan antara variabel yang diukur pada titik tertentu dengan variabel yang sama pada
titik dengan jarak tertentu dari titik pertama.
Geostatistik adalah metode statistik yang digunakan untuk melihat hubungan antar variabel yang
diukur pada titik tertentu dengan variabel yang sama diukur pada titik dengan jarak tertentu dari
titik pertama (data spasial) dan digunakan untuk mengestimasi parameter di tempat yang tidak
diketahui datanya (Oliver and Carol,2005).
Istilah ”Geostatistik” dikemukakan pertama kali oleh Matheron (1963) dan didefinisikan sebagai
aplikasi hubungan atau turunan fungsi dalam penelaahan dan perkiraan gejala alam. Gejala alam
dapat diprediksi berdasarkan penyebaran objek dalam suatu ruang, bidang maupun garis.
Penyebaran variabel dalam suatu ruang, bidang atau garis disebut variabel terregional atau dapat
diartikan sebagai variabel yang diukur tergantung pada nilai yang terdistribusi dalam ruang
berdimensi dua atau tiga. Variabel tersebut tidak lain adalah merupakan pengujian fungsi f(x)
yang menempati setiap titik (x) pada ruang.
Variabel data spasial tersebut memiliki sifat khusus yakni ketakbebasan dan keheterogenan.
Ketakbebasan disebabkan oleh adanya perhitungan alat pengamatan dan hasil yang diteliti dalam
satu titik ditentukan oleh titik lainnya dalam sistem dan keheterogenan disebabkan adanya
perbedaan wilayah.
Proses yang dilakukan dalam analisis geostatistik adalah meregister seluruh data, mengeksplorasi
data, membuat model, melakukan dan membandingkan pemodelan. Analisis mendalam dan
terintegrasi dengan geostatistik sangat diperlukan untuk dapat membuat model detail guna
analisa fasies dan peta porositas yang bertujuan determinasi dan input pada model simulasi
reservoir.
Historically, linear and lognormal krigings were first created to estimate the in situ mineral
resources of blocks. Nonlinear geostatistics and indicator kriging were subsequently
developed to evaluate also the portion recovered when applying a cut-off on selective
mining units (SMUs) within blocks. In practice these methods are generally based either on
the Gaussian model with a transformation generalizing the lognormal case or on the
indicators above cut-offs. Very often the indicator approach is simplified by kriging
separately each indicator, and when starting from a continuous variable, a practical
advantage of the discretization into classes lies in the easy treatment of a zero effect and of
the high values. However, a number of so-called isofactorial models have also been
developed for a discrete or continuous variable, where the full cokriging of indicators (i.e.
disjunctive kriging) simplifies to the separate kriging of factors. Moreover, these models are
equipped with a change of support, allowing a consistent estimation of recoverable
resources on SMUs.
Min-Max Autocorrelation Factors (MAF) analysis of the indicators offers a new approach for
indicator modelling. In particular the first factor, the one with the highest spatial continuity,
can help in choosing the type of model. For example a monotonic experimental first factor
can be used directly as the basis of a discrete diffusion model, unless a continuous diffusion
model such as the Gaussian model can be used on the original variable. This approach is
illustrated on a uranium deposit mined selectively: estimates of recoverable resources by
discrete disjunctive kriging and uniform conditioning in a Gaussian model are compared
locally to short-term estimates based on two areas densely drilled.
Introduction
Although it was a domain of intense research many years ago, nonlinear geosta-tistics
(Rivoirard, 1994; Chiles and Delfiner, 1999) is still a complex and difficult part of
geostatistics. In contrast with linear geosta-tistics, which considers only linear combinations
of the variable, nonlinear geostatistics deals with transformations of the variable, for
example a Gaussian transformation or indicators.
One purpose of nonlinear geostatistics is the estimation of the target variable itself at points
or over blocks. Another one is the estimation of a transformation of the variable (Vann and
Guibal, 2000). Typically it is used to predict the exceedence of the threshold at points (e.g.,
the indicator Ind{Z(x)>z}) or for blocks (Ind{Z(v)>z} where v denotes the block support).
The latter case, which corresponds in particular to the recoverable resources of selective
mining units (SMUs) above cutoff z, is more complex as it cannot be reduced to a simple
block averaging and demands a change of support.
In practice today, the two most commonly applied nonlinear approaches are Gaussian-
based methods such as uniform conditioning or multiple indicator kriging (IK) (Journel,
1982; Vann et al., 2000). The choice of one technique or the other is often made a
priori, and the existence of other methods is ignored. In particular, the fact that local
estimation is better supported by the transformation of the variable that presents the
highest spatial correlation is largely unexploited.
In this paper we propose to use the Min/Max Autocorrelation Factors (MAF) (Switzer and
Green, 1984; Desbarats and Dimitrakopoulos, 2000) of indicators as a tool to determine the
transformation that yields the highest spatial correlation and to choose the model for
nonlinear geostatistics accordingly. This model can then be used to compute local estimates
using disjunctive kriging. This approach extends the normal practice of multiple IK as it
takes into account cross-correlations between the indicators and includes an appropriate
change-of-support model, rather than an arbitrarily chosen one.
The paper is structured as follows. We first present an overview of the main nonlinear
models and methods. Then we consider the use of MAF of indicators for the choice of the
model. Finally, we present a case study for the local estimation of mineral resources on real
data.
The Gaussian transformed model is very commonly applied, both in nonlinear geostatistics
and in conditional simulation. The transformation generalizes the lognormal distribution
used at the origin of geostatistics (Krige, 1951, 1952, 1978).
Thanks to a multi-Gaussian hypothesis, the Gaussian model easily provides the conditional
distribution (and so the conditional expectation) at target points (Verly, 1983). It is adapted
to an original variable which has a continuous distribution and in particular has no zero
effect (a high proportion of zeroes can cause a problem for the inversion into Gaussian
values). The Gaussian model is also equipped with a change-of-support model. A variant
technique is the uniform conditioning (UC) under the Gaussian model (Rivoirard, 1994;
Deraisme et al., 2008), which predicts the distribution of SMU values in a panel, conditional
on an estimate of this panel (relaxing the constraints on zero effect and stationarity).
In the indicator approach, the variable is either discrete or if continuous is discretized into
classes. This can be convenient in case of a zero effect, as well as in case of high values
that can be grouped into one class. IK consists of independently kriging the indicators of
(cumulated) classes, or in estimating linearly each class with a common variogram. Its
advantage relies on its simplicity. It does not, however, exploit the joint structure of
indicators nor, when using a common variogram, the common destructuration of high
grades (Vann et al., 2000). In addition, it is often used with a posterior change of support
that does not guarantee consistency (Emery, 2008). Furthermore, post-processing is
required to obtain estimates of indicators at all possible cut-offs.
Disjunctive kriging (DK) is the original name for indicator cokriging (Matheron, 1976). The
required knowledge of bivariate distributions between points is actually equivalent to the
multivariate structure of indicators. DK is possible with both discrete and continuous
distributions.
In the case of a mosaic model with independent valuations (Rivoirard, 1984), all structures
are the same and DK reduces to independent kriging of each indicator class (this is the
model where IK would be optimal at point support).
A number of so-called isofactorial models were developed years ago (refer in particular to
the numerous papers by Matheron cited in Chiles and Delfiner, 1999). The factors have no
spatial cross-correlation, so that DK is obtained by kriging these separately. Moreover,
internally consistent change-of-support models exist for all of these models. An example of
such an isofactorial model is the Gaussian model, where bivariate distributions are
Gaussian, and factors are the Hermite polynomials of the Gaussian transformed variable.
Another example is the gamma model, whose factors are the Laguerre polynomials (Hu,
1988).
Such models are diffusion-type models: intermediate values are met when going from low
to high values and vice-versa. Moreover, they are based on a defined probability
distribution: Gaussian, gamma, etc. The observation of elliptically-shaped scatter plots
between points separated by a given distance, typical of bi-Gaussian distributions, for
instance, is in practice a good vector for the choice of a Gaussian model, before modelling
the variogram of the Gaussian transformed variable.
On the other hand, the indicator approach considers directly structural tools such as simple
or cross-variograms. We have already seen the very particular case of the mosaic model.
Two isofactorial models are especially interesting here, which correspond to finite discrete
distributions and which are not based on a defined probability distribution. This makes them
suitable to describe an indicator transformed data-set. One is the discrete diffusion model
developed by Matheron (1976) and Lajaunie and Lantuéjoul (1989). Its modelling is based
on the experimental determination of its first factor, the one which carries the highest
spatial continuity. This should be monotonic with respect to the variable under study (this is
a condition for diffusion, representing the transition from low to high values through
medium ones). All other factors are derived from this first factor. The other model is the
model with indicator residuals (IR) (Rivoirard, 1989). It is not a diffusion-type model, but a
hierarchical one, where the first factor is one basic indicator and the other factors are the
successive residuals of indicators.
Discrete disjunctive kriging (DDK), based on a discrete isofactorial model, can handle zero-
effect or atoms (i.e. 0 or other values observed with a high proportion), extreme values,
and includes a change of support. It can be viewed as an extended IK as it overcomes
recognized limitations of the IK approach: specifically, it takes into account the cross-
correlations between the indicators and includes a consistent change-of-support model. The
parameters of these discrete models (discrete diffusion or IR) can be derived from the
analysis of MAF computed on indicators, since the MAF of indicators correspond to an
experimental version of the factors of an isofactorial model.
Using MAF of indicators for the choice of model
The fact that the local estimation should be driven by what corresponds to the major spatial
continuity in the variable is largely unexploited in many geostatistical approaches. For
instance, in a transformed Gaussian model, the Gaussian variable is known to be the
transformed variable that has the highest continuity (and the estimation is based on the
kriging of the Gaussian variable), but this fact is not used for choosing the model. This is
where MAF of indicators (after discretization of the variable) can be useful (as linear
combinations of indicators, MAF are the same whether cumulated indicators are used or
not). Remember that MAF are multivariate statistics which are for spatial statistics or
geostatistics what principal components (PCs) are for statistics: in both cases they are
orthogonal linear combinations of the initial variables, but in the case of MAF they are based
on spatial continuity instead of statistical variability in the case of PCs. MAF are ranked by
decreasing spatial continuity at a chosen separation vector h, and their cross-correlation at
this distance and at distance 0 is zero.
Modelling MAF assumes that their cross-correlation is zero for other distances, which can be
checked on the experimental cross-variograms of the MAF. The absence of cross-correlation
over all distances implies that an isofactorial model fits the data. In addition, computing the
MAF of indicators provides valuable structural information. In particular the first MAF is the
linear combination of indicators that presents the highest spatial continuity. It is a function
of the discrete variable under study, and its composition in term of values or classes on the
original variable is meaningful.
A first factor which is a stepwise function of the variable (i.e. an indicator) could orientate
towards an IR model. With a monotonic first factor, the structure is essentially due to the
gradual transition from low to high values. This corresponds to a diffusion-type model, and
could support the use of a discrete diffusion model or another diffusion-type model such as
a Gaussian or gamma model. MAF that do not correspond to existing models (e.g. a first
factor that is not monotonic) would require the development of new models, enabling
kriging MAF and possibly including a change of support.
In the following section, discrete disjunctive kriging is applied to drill-holes from a uranium
project in a horizontal stratabound sediment-hosted deposit: two areas were densely drilled
to establish the grade variogram, especially for short distances, and to evaluate long-term
resource models. The data-set used to illustrate the methodology contains composites
derived from radiometric measurements in vertical drill-holes and has been split in two
subsets: (a) holes drilled on a regular 50 m centred grid used to establish long-term models
on 25x25x2 m3 panels (or long-term data-set); (b) holes drilled on a regular 12.5 m centred
grid in two 50x50 m areas (or short-term data-set). Basic statistics on 2 m length
composites are reported for both data-sets in Table I.
Two long-term resource models have been computed considering 5x5x2 m3 SMUs, the first
one using the uniform conditioning in a Gaussian model (UC); the second using discrete
disjunctive kriging (DDK); both are based on the same long-term data-set. Finally, a
uranium grade model on 5x5x2 m3 blocks is computed using composites from the short-
term data-set. This model, restricted to the 50x50 m areas, is similar to those used to guide
the production and has been considered as the reference.
The application of uniform conditioning follows the classical approach (e.g. Rivoirard 1994);
it is not described further and only the application of discrete disjunctive kriging and the
comparisons are presented in more detail.
The discrete approach requires a disjunctive coding of the initial variable: a set of thresholds
(0 < z1< ... zi ··< zN) define indicators of ore classes and a discrete average grade can be
calculated as follows:
The histogram of the discrete grade is completely specified by the proportion and the
average value of each class (Table II). In case of clustered data, a declustering procedure
should be applied to derive the appropriate proportions attributable to each class interval.
The selectivity curves of the raw variable and its discrete counterpart are compared
in Figure 1: the mean is preserved (i.e. the metal content) and the selectivity is slightly
reduced (-3% of the selectivity index, i.e. the Gini coefficient). The reduction of the variance
is higher (-50%) as the values of the upper tail of the histogram are summarized with a
single value. The thresholds were selected between 0.2 and 1.5%o for practical
considerations. It is not necessary that the thresholds be evenly spaced. They could be
defined as those minimizing the reduction of the selectivity index (or the variance) for a
given number of classes, but such optimal thresholds were not considered here.
MAF (Switzer and Green, 1984) of the indicators have been computed for different lag
values, along the drill-holes and horizontally. Figure 2 reports the experimental values of
the first factor as a function of the class index. The first factor is fairly independent of the
lag value used to calculate the MAF. This result shows that the isofactorial assumption is
reasonable for this application.
The first factor is strictly monotonic, which is a good indication for the use of a discrete
diffusion model. Details on this model and its implementation can be found in Lajaunie and
Lantuéjoul (1989). The development of the model is sophisticated and out of the scope of
the present paper. In contrast, the model is very easy to use for a practitioner having
access to dedicated software. The reason is that the model is entirely defined by the
marginal distribution of the discrete variable (i.e. the proportions of the N+1 classes) and
by the first factor. The first factor is the function of the discrete variable which presents the
highest spatial correlation: it is directly derived from data and coincides with the first MAF of
the indicators. It has to be monotonic. All the other factors of the model are automatically
deduced from this first factor. Figure 3 compares the experimental factors derived from the
MAF analysis of the indicators and the factors of the fitted diffusion model. As we can see,
the diffusion model describes accurately the experimental factors.
Experimental variograms of MAF are reported in Figure 4. They have been computed along
the vertical drill-holes and horizontally (no anisotropy was observed horizontally). They
show that the spatial correlation of factors decreases with their rank (this is consistent with
their definition) and are significant only for the first three factors. It has been checked that
the cross variograms show no significant spatial structure between factors.
In the case of the discrete diffusion model, the covariance functions of the factors (χi) are
derived from the covariance of the first factor, according to the following formula:
In this formula the power coefficients (1 < λi < λi+1 for i > 1) are characteristics of the
diffusion model, which are computed automatically from the marginal distribution and the
first factor.
The covariance of the discrete grade can be derived also from the covariance of the first
factor:
where the c are the linear coefficients to compute the discrete grade (with mean m) from
the factors:
The variogram models fitted to the experimental variograms are reported in Figures
4 and 5: all models are derived from the covariance model of the first factor; this
covariance is exp{-τ(h)} where τ is the variogram:
This model can be used to compute the cokriging of any linear combination of the factors,
thus any function of the discrete grade. An application is the disjunctive kriging estimate of
the grade on SMU or panels, i.e. the short-term model, or the in situ resources of the long-
term model.
To compute local estimates of the part of in situ resources that can be recovered by
selective mining, a change-of-support model is necessary. For the discrete diffusion model
(Matheron 1984; Lajaunie and Lantuéjoul, 1989), the change of support is specified by a
coefficient s (s > 0) derived from the variance of the grade for the block support (calculated
from the variogram of the grade):
The variance of the discrete grade computed on the composites is 0.42. The variance of the
grade for the block 5x5x2 m3 is derived from the sill of the regularized model; its value is
0.32. The coefficient of the change of support computed from Equation [5] is s = 0.33.
Once this coefficient s has been computed, the covariance of the first factor of the
blocks, ρv, is deduced from the regularized model of the discrete grade of the composites:
Similarly to the model for composites, the model for the first factor of the blocks is exp{-
τv(h)} where τν is the variogram :
The simple and cross-covariance functions between point and block factors are then derived
from the Cartier relation (Chilès and Delfiner, 1999). They are used to compute the kriging
of any linear combinations of the block factors, in particular the disjunctive kriging of the
metal and ore above a cut-off.
On the two areas densely drilled, the selectivity curves giving the metal vs. the tonnage at a
given cut-off, Q(T), for the Gaussian uniform conditioning and the discrete disjunctive
kriging are reported in Figure 6. These estimates are based on the composites of the 50 m
centered grid (i.e. the long-term data-set). They are compared with the selectivity curve of
the short-term model computed using the composites of the 12.5 m centered grid (i.e. the
short-term data-set).
Table III gives the comparison for cut-off 0.3% eU. The experimental selectivity curves of
the short-term and long-term data-sets are reported also in Figure 6: there is a significant
difference between the average grade of the long-term data-set, 0.5% eU, and the average
grade of the short-term data-set, 0.7% eU. The local estimation of the recoverable
resources fits, for both methods, the local experimental mean and predicts the selectivity
deduced from the short-term model.
In the present application, two different nonlinear techniques, UC and DDK, give similar
results. Both techniques are based on a diffusive model, a continuous one for UC and a
discrete one for DDK.
Conclusion
Nonlinear geostatistics can be viewed as a research technique for the transformation of the
variable leading to the highest spatial continuity and being consequently the most
appropriate to drive local estimations. One approach to consider is the analysis of the MAF
of indicators. This novel point of view makes a direct link between the elementary indicator
approach and the more sophisticated models of nonlinear geostatistics. In the present
application, the MAF of indicators can be seen to support the choice of a diffusion model.
MAF of indicators analysis also appears as a structural tool on which a methodology can be
developed to estimate recoverable mineral resources using DDK. Practical applications may
reveal the need to develop new models for MAF of indicators including their change of
support. Other subjects of research concern the relaxation of stationarity and the extension
to multivariate situations.
1. Persegi empat; Bila panjang persegi empat P dan lebar L, maka luasnya LPE= P x L
2. Segitiga :
Bila panjang satu sisi b dan tinggi segitiga pada sisi itu = h, maka luas segitiga LST =
1/2 bh.
Bila sudut a diketahui dan sisi pengapitnya b dan c diketahui, maka luas segitiga LST =
1/2 bc sin a.
Bila ketiga sisi segitiga masing-masing a, b, dan c diketahui, maka luas segitiga LST =
(s(s - a)(s-b)(s-c))¹/² dengan s = 1/2 (a+b+c).
3. Trapesium ; Bila kedua sisi sejajar trapesium b₁ dan b₂ serta tingginya h diketahui, maka luas
Cara offset dengan interval tidak tetap : A = 1/2(S₁ y₁ +S₂ y₂ + S₃y₃ + ....
+ Sn yn ) dengan S₁ = d₁, S₂ = d₁ + d₂, S₃ = d₂ + d₃, S₄ = d₃ + d₄ dan S₅ = d₄
Cara simpson 1/3. dua bagian dianggap satu set A = //3 ( y₀ + 4y₁ + y₂)
Cara simpson 1/3 untuk offset ganda berulang A = //3 {y₀ + yn + 4(y₂ + y₄ + ... + yn-₁)
+ 2 (y₃ + y₅ + ... + yn-₂)}
Geostatistik merupakan cabang dari pada statistik terapan yang dibantu dengan deskripsi
matematik dan analisa (observasi) geologi. Pada dasarnya statistik dapat digunakan untuk
estimasi dan penelaahan variabel, faktor atau keadaan yang ada kaitanya dengan ilmu
kebumian.
Variogram atau semivariogram merupakan alat utama dalam perhitungan melalui
geostatistik, selain itu dapat juga untuk mengukur variansi ( mean squarred error) dalam
estimasi nilai Z(x+h) dengan Z(x), jika sampel pada posisi x+h nilainya sama dengan sampel
pada posisi x, maka kesalahan adalah Z(x) - Z(x+h), yang kuadrat rata-ratanya bernilai 2 ɣ(h).
Persamaan Semivariogram eksperimental adalah :
Model variogram eksperimental yaitu variogram yang diperoleh dengan memasukan nilai
sampel dalam rumus variogram merupakan realisasi dari pada sifat-sifat spasial dari
regionalized variabel. Hal ini dilakukan agar variogram tersebut dapat digunakan untuk alat
estimasi nilai suatu dimensi yang lebih besar dari pada ukuran sampel sehingga perlu adanya
model teoritis yang cocok dengan realisasi sifat-sifat spasial berkaitan dengan regionalizad
variabel yang sedikit memperlihatkan keadaan statis.
Variogram yaitu representasi hubungan antar data secara spasial (ruang) pada suatu arah
tertentu. Dimana dapat dirumuskan dalam rumus umum dibawah ini :
Dimana :
�(h) : Nilai variogram untuk arah tertentu dan jarak h
h : 1d, 2d, 3d, 4d, (d = jarak k antara conto)
z(x₁) : harga (data) pada titik x₁
z(x₁+h) : data pada titik yang berjarak h dari xi
N(h) : Jumlah pasangan data
Metode seperjarak (Invers Distance Method)
Metode matematik banyak diterapkan pada tahap awal evaluasi mineral
deposit. Metode dan teknik perhitungan dipengaruhi oleh kondisi geologi lokal,
metode penambangan dan lain sebagainya. Metode yang diterapkan, dalam
praktek yang sebenarnya selalu sesuai dengan teori yang diberikan. Salah satu
metode perhitungan tersebut adalah metode Invers Distance.
Prinsip penaksiran metode Invers Distance adalah dilakukan teknik
pembobotan titik data yang didasarkan pada :
Letak grid atau blok yang akan ditaksir terhadap letak data conto
Kecenderungan Penyebaran data kualitas
Persamaan pembobotanya :
Faktor pembobotan :
➣ Invers distance squared
Persamaan pembobotanya
Faktor pembobotan
Persamaan pembobotanya
Faktor pembobotan
Perincianya adalah sebagai berikut :
➫ sudut perubah yang maksimum
➫Dimensi ruang sesuai dengan pola penyelidikan yaitu :
Square
Circle
Rectangle
Ellips
Pada titik data yang terdekat dengan titik yang ditaksir akan memberikan
bobot yang lebih besar dari pad titik data yang lebih jauh.
Kelemahan
Tidak ada hubungan antara jarak dan range a pada variogram
Pada deposit irregular dengan range kecil akan diperlakukan sama
dengan pada deposit reguler dengan luas a.
Jika titik referensi adalah lubang bor, kemudian faktor pembobotan tak
berhingga, maka metoda ini tidak dapat diterapkan.
Metoda ini didasarkan pada estimasi titik dan tidak bergantung pada
ukuran blok.
Sehingga data dengan jarak yang sama namun mempunyai pola sebaran
yang berbeda masih akan memberikan hasil yang sama.
Metoda ini belum memberikan korelasi ruang antara titik data dengan
titik data yang lain.
Nilai estimasi (1) dan variabel estimasi krigging (2) yang ditentukan dengan
metoda geostatistik untuk suatu variabel terregional disetiap support V adalah
sebagai berikut
a) Blok teratur
Jika garis regresi B _ B' yang menunjukan hubungan antara conto dan kadar blok diplot,
maka blok - blok dengan kadar 5% juga akan ditambang walaupun kadar conto kadar 3,5%
(gambar atas). Daerah 4 pada gambar 1 yang baik ditambang karena kesalahan informasi
menjadi kecil, sementara itu daerah 3 yang ditambang walaupun berkadar rendah menjadi lebih
besar, walaupun demikian secara keseluruhan daerah dengan blok-blok yang mempunyai kadar
> cut off grade (5%) dan ditambang menjadi lebih besar.
Berdasarkan analisis variogram, Mathero memberikan koreksiperkiraan kadar pada suatu
blok yang tidak hanya dipengaruhi oleh conto didalam blok saja, tetapi juga pada conto-conto
disekitarnya.
Gambar. Perubahan bentuk elips pencaran data akibet koreksi dengan metoda kriging
Memalui koreksi ini bentuk elips akan lebih kurus/sempit dengan batas-
batasnya mendeteksi garis regresi yang membentuk sudut 45⁰. Jumlah conto
dan pasangan bloknya pada daerah 3dan daerah 4 yang menyatakan kadar
rendah ditambang atau kadar tinggi tidak ditambang akan berkurang.
Sumber :
Perhitungan cadangan dan geostatistik Dudi Nasrudin Usman, S.T
Variogram Definition
VARIOGRAM
Variogram dihitung dengan suatu rumus yang sederhana yaitu perbedaan rata-rata antara dua
titik conto dengan jarak tertentu. Oleh karena perbedaan tersebut kemungkinan < 0 atau > 0,
agar perbedaan rata-rata tersebut selalu > 0 maka perlu diaplikasikan perhitungan statistik yang
berdasarkan pada perbedaan kuadrat.
1. PERHITUNGAN VARIOGRAM
var = varians.
1.1 Variogram eksperimental
Sebagai contoh data kadar emas (dalam ppm) di sepanjang urat dengan jarak pengambilan
conto (d) setiap 2 m :
harga 7 9 8 10 9 11 11 13 11 12 16 12 10 11 10 12 15 ppm
├──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┼──┤
lokasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
(7-9)2+(9-8)2+(8-10)2+(10-9)2+(9-11)2+(11-11)2+.....+ (10-12)2+(12-15)2
2x16
Jadi semua titik conto yang berada pada search area yang didefinisikan dengan angle classes
( /2) dan distance classes (hh) akan dianggap sebagai titik-titik conto yang berjarak h
dari titik xo pada arah termaksud (Gambar 1.2).
Gambar 1.2 Arah variogram (), search area dengan angle of classes ( /2) dan distance
classes (hh) (David, 1977)
Setiap titik conto mempunyai kesempatan untuk menjadi titik origin (x i). Titik-titik lainnya
dihitung dengan perbedaan kuadratnya [z(xi) - z(xi+h)]2. Jarak antara titik origin (x i) dan titik
lainnya (xi+h) harus berada pada distance classes (hh). Jika titik xi+h berada di luar daerah
distance classes dan angle classes, maka perbedaan kuadrat tidak dihitung. Demikian
perhitungan ini berulang-ulang ke setiap titik xi+h.
Selanjutnya prosedur nomor satu titik-titik lainpun diberi kesempatan menjadi titik origin xi.
Untuk posedur 1 dan 2 hitung jumlah pasangannya N(h) yang memenuhi syarat di atas dan
juga jumlahkan secara kumulatif semua perbedaan kuadratnya [z(xi)-z(xi+h)]2. Dengan rumus
di atas, maka dapat dihitung (semi)variogram untuk jarak pasangan h=1d.
Variogram untuk jarak pasangan h selanjutnya (2d, 3d, 4d, ... dst.) lakukan kembali dengan
prosedur 1 sampai dengan 3. Dengan demikian akan didapat hasil perhitungan variogram untuk
setiap jarak h.
Plot grafik variogram dengan sumbu X adalah h sedangkan sumbu Y nya adalah harga
variogram untuk jarak h yang bersangkutan.
Experimental variogram khususnya sangat berguna untuk menganalisis stuktur suatu endapan
bahan galian dan tidak dapat langsung digunakan dalam perhitungan cadangan. Untuk itu perlu
adanya model variogram teoritis untuk difitkan dengan eksperimental variogram. Model teoritis
ini diekspresikan dengan suatu model matematis.
Model matematis yang banyak digunakan dan umumnya terjadi pada endapan mineral adalah
model sferis (David, 1977, Barnes, 1979). Fungsi matematisnya berbentuk polinomial
sederhana, dimana variogram akan mencapai suatu nilai yang tetap (finite) untuk h yang tidak
terbatas. Nilai finite ini dinamakan sill(Gambar 1.3).
(h) = C0 + C h>a
(h) = 0 h=0
C0 = nugget variance
Bila ditarik garis tangent dari origin (0), maka garis tersebut akan me-motong sill pada posisi
2/3 a dan ini dapat digunakan untuk memperkirakan harga range of influence.
Ada dua metoda yang umumnya digunakan untuk memfit variogram eksperimental dengan
variogram teoritisnya yaitu metoda visual dan metoda least square. Dengan metoda visual
(manual) biasanya sudah cukup memuaskan, dan banyak digunakan oleh para ahli geostatistik
(David, 1979). Karena sense yang banyak berperan dalam melakukan fitting tersebut, maka
dalam pekerjaan ini pengalaman akan sangat menentukan kualitas fitting. Tujuan utama
dari fitting ini adalah untuk mengetahui parameter geostatistik seperti a, C, dan C0.
Variogram yang mempunyai pasangan conto yang sangat sedikit agar diabaikan.
Nugget variance (C0) didapat dari perpotongan garis tangential dari beberapa titik pertama
variogram dengan sumbu Y.
Sill (C0+C) kira-kira sama dengan atau mendekati varians populasi. Garis tangensial di atas
akan memotong garis sill pada jarak 2/3 a, sehingga selanjutnya dapat dihitung harga a (David,
1977, Clark, 1979, Leigh and Readdy, 1982)
Interprestasi nugget variance untuk variogram dengan sudut toleransi 1800(variogram rata-rata)
akan sangat membantu untuk memperkirakan besarnyanugget variance (David, 1979)
Nugget variance diambil dari multiple variogram (dalam berbagai arah). Dalammultiple
variogram, best spherical line sebaiknya lebih mendekati variogram yang mempunyai pasangan
conto yang cukup
Geostatistik
Istilah Geostatistik pertama kali digunakan secara luas oleh Matheron (1963) dan didefinisikan sebagai
aplikasi hubungan atau turunan fungsi random dalam penelaahan dan memperkirakan gejala alam. Gejala alam itu
sendiri seringkali dapat dikenal variabelnya yang tertentu, misalnya penyebaran dalam suatu ruang, bidang maupun
garis. Penyebaran variabel dalam suatu ruang, bidang atau garis disebut variabel teregional atau dapat diartikan
sebagai variabel yang diukur tergantung pada nilai sekitar yang terdistribusi dalam ruang berdimensi dua atau tiga.
Variabel tersebut tidak lain adalah merupakan pengujian fungsi f(x) yang menempati setiap titik (x) pada ruang.
Geostatistik adalah merupakan aplikasi teori variabel terregional dalam mempelajari fenomena-fenomena
gejala alam, terutama untuk menentukan volume bahan galian. Landasan dari Geostatistik adalah “The Theory of
Regionalised Variables”, yang mana bahwa data dari titik-titik sampel mempunyai korelasi satu sama lain sesuai
dengan karakteristik penyebaran endapan mineralnya.
Tahapan perhitungan cadangan dalam analisis geostatistik secara umum meliputi : pengamatan data
lapangan, variografi, dan perhitungan variansi perkiraan dan variansi krigging.
[][A]=[D]
Keterangan :
11 12 . . . 1n 1
vx1
vx2
[D]= :
xn
1
= matrik yang harganya tergantung pada blok V dan titik conto Xi
[ A ] = pembobot
sehingga besarnya pembobot [ A ] = [ ]-1 [ D ]
Langkah-langkah analisa Krigging :
Dengan rumus-rumus diatas dibuat susunan matriks untuk menghitung variansi antara conto dengan titik
yang akan ditaksir tebalnya. Dari matriks tersebut dapat ditentukan bobot pengaruh setiap contoh yang menjadi
penaksir terhadap titik yang akan ditentukan tebalnya.
Selanjutnya koefisien-koefisien matriks dihitung dengan gabungan rumus sebagai berikut :
xixj = C + Co - (h)
n
(h) = 1/2 N (h) [ Z (Xi + h) - Z (Xi) ]2
i=1
keterangan :
xixj = kesalahan krigging
C + Co = nilai sill
Co = Nugget effect
3.2.1. Variogram
Variogram oleh Journel & Huijbreght (1978) dikatakan sebagai karakteristik variabel diantara dua kuantitas
(conto) Z(xi) dan Z(xi+h). Variogram eksperimental dapat dinyatakan dengan persamaan berikut:
............................................. (8)
dimana:
: Variogram eksperimental
Persamaan di atas hanya berlaku bagi data dengan jarak antar pasangan (lag) yang sama sebesar h dan
berarah 0°. Sedangkan untuk data yang memiliki jarak antar conto tidak teratur diperlukan suatu toleransi untuk
kedua variabel tersebut. David (1977) menjelaskan istilah angle classes (θ±α/2) dan distance classes (h±Δh) sebagai
toleransi untuk menghitung pasangan data dengan jarak antar data yang tidak teratur. Semua titik conto atau data
yang berada pada search area yang didefinisikan dengan angle classes dan distance classes akan dianggap sebagai
titik-titik conto yang berjarak h dari titik x o (titik origin) pada arah yang dimaksud, seperti yang ditunjukkan pada
Gambar 3.3.
Gambar 3.4. Searching area untuk variogram dengan angle classes (θ±α/2) dan distance classes (h±Δh) (David, 1977).
a. Komponen Variogram
Sebuah variogram memiliki beberapa komponen (Gambar 3.4) yaitu antara lain:
1. Nugget effect
Nugget effect merupakan petunjuk bahwa data mempunyai ketidakteraturan yang tinggi. Nugget effect dapat
dihindari dengan memperkecil jarak sampling(Darijanto, 1998). Apabila nugget pada suatu model variogram tinggi,
maka akan dihasilkan nilai bobot conto yang hampir sama untuk semua conto, akibatnya penaksiran kriging akan
mirip dengan nilai rata-rata biasa.
2. Sill
Sill adalah varians maksimum yang terdapat pada suatu distribusi, dimana rata-rata varians tidak
bergantung lagi pada jarak antar sampel.
3. Range
Secara umum γ(h) akan naik dengan bertambahnya harga h, artinya besarnya perbedaan harga pada dua
titik conto akan sangat tergantung dengan jarak antara kedua titik tersebut. Kenaikan harga γ(h) tersebut akan
berlangsung selama masih terdapat pengaruh harga antar titik conto tersebut, daerah ini dikenal dengan
nama daerah pengaruh suatu conto, sampai akhirnya konstan di suatu harga γ(∞) =C (sill) yang merupakan varians
populasi. Daerah pengaruh suatu conto ini mempunyai suatu jarak dengan notasi a yang dikenal dengan nama
daerah pengaruh (range). Di luar jarak ini maka rata-rata variasi harga Z(x) dan Z(x+h) tidak lagi tergantung dengan
jarak, dengan kata lain Z(x) dan Z(x+h) tidak berkolerasi satu dengan yang lainnya.
Dari hasil perhitungan variogram diplot pada suatu koordinat kartesian jarak antar pasangan data (h) dan
variogram γ(h) seperti terlihat pada Gambar 3.6.
Interpretasi nugget variance untuk variogram dengan sudut toleransi 180° (variogram rata-rata) akan sangat
membantu untuk memperkirakan besarnya nugget variance (David, 1977).
Nugget variance diambil dari multiple variogram (dalam berbagai arah). Dalammultiple variogram, best spherical
line sebaiknya lebih mendekati variogram yang mempunyai pasangan conto yang cukup.
d. Variogram Model
Berdasarkan ada tidaknya sill dan range, maka model variogram dikelompokkan menjadi model
dengan sill dan model tanpa sill sebagai berikut :
1. Model dengan sill
Model Sferis (Model Matheron)
Model Sferis yang ditunjukkan pada Gambar 3.7. dengan persamaan:
Untuk h ≤ a
Untuk h = 0
.................. (10)
................... (11)
Mengingat h merupakan suatu vektor, maka suatu variogram harus ditentukan untuk berbagai arah. Suatu
penyelidikan perubahan sesuai dengan arah orientasinya memungkinkan munculnya anisotropi. Berikut ini
adalah beberapa sifat isotropi/anisotropi dari variogram seperti pada Gambar 3.11.
1. Isotropi
Jika variogram pada berbagai arah sama, maka dapat diartikan bahwa merupakan fungsi dengan
harga absolut h. Bila harga-harga jarak pengaruh diplotkan kedalam suatu diagram cartesius maka harga range
merupakan jarak yang sama dan berbentuk seperti lingkaran.
2. Anisotropi Geometri
Bentuk anisotropi geometri dicirikan dengan nilai sill dan nugget effectyang sama, dengan nilai range yang
berbeda. Bila harga-harga jarak pengaruh diplotkan kedalam suatu diagram cartesius maka akan menghasilkan suatu
bentukellips.
3. Anisotropi Zonal
Dalam beberapa hal kemungkinan dijumpai bahwa variogram pada arah tertentu sangat berbeda, misalnya
pada endapan yang mempunyai struktur perlapisan, dimana variasi kadar pada arah tegak lurus terhadap bidang
perlapisan sangat besar dibandingkan variasinya pada bidang perlapisan. Pada kasus ini model variogramnya benar-
benar anisotropi sempurna.
Gambar 3.12. Model variogram anisotropi geometri (a) dan zonal (b).
(Journel & Huijbreght, 1978)
: Nilai bobot
: Pengali Lagrange
Sari
Geostatistik merupakan suatu jembatan antara statistik dan GIS. Analisis geostatistik merupakan teknik
geostatistik yang terfokus pada variable spasial, yaitu hubungan antara variable yang diukur pada titik
tertentu dengan variable yang sama diukur pada titik dengan jarak tertentu dari titik pertama. Proses yang
dilakukan dalam analisis geostatistik adalah meregister seluruh data, mengeksplorasi data, membuat
model, melakukan diagnostic dan membandingkan model. Dalam aplikasi yang akan dijadikan contoh
pemodelan geologi yaitu pada lapangan gas Natuna di Laut Natuna yang meliputi data peta porositas,
permeabilitas, saturasi, dan net to gross yang dipakai untuk menghitung volumetric dan simulasi
reservoir.
Pendahuluan
Tujuan dari pemodelan pada industri perminyakan adalah tentu saja untuk membuat model dari reservoir
minyak dan gas. Model ini sangat berguna untuk mendapatkan perseujuan dari pemerintah dalam hal ini
pemerintah akan juga mempertimbangkan aspek ekonomi berdasarkan model yang dibuat (Tyson and
Math, 2009). Daerah konsesi Natuna terletak sekitar 225 km timur laut Pulau Natuna di laut Natuna bagian
timur. Analisis mendalam dan terintegrasi dengan geostatistik sangat diperlukan untuk dapat membuat
model geologi detail untuk analisa fasies dan peta porositas untuk tujuan determinasi dan input pada
Dalam proses analisis yang pertama perlu dilakukan adalah meregister seluruh data yang diperlukan. Hal
ini sagat penting dilakukan untuk dapat menggunakan data – data tersebut pada tahapan selanjutnya.
Kompatibilitas data untuk dapat dianalisis lebih lanjut apabila menggunakan GIS tentu sangat penting.
Data digital akan memudahkan dengan penggunaan work station. Langkah – langkah analisa yang harus
dilakukan meliputi:
1. Eksplorasi Data
Pemahaman yang menyeluruh dan dalam pada data yang ada sangat diperlukan untuk dapat menganalisis.
Eksplorasi dari pendistribusian data, melihat batasan – batasan secara global dan lokal, melihat pola –pola
global, memeriksa korelasi spasial, dan memahami kovariasi dari berbagai data.
2. Pembuatan Model
Pada mulanya geostatistik merupakan sinonim dari “kriging”. Tetapi kemudian dalam perkembangannya
juga meliputi metode deterministic. Metode deterministik tidak memiliki penilaian untuk kesalahan
prediksi, tidak ada asumsi untuk data sedangkan metode kriging memiliki penilaian untuk kesalahan
prediksi dan mengasumsikan data dari proses stokastik. Peta yang dihasilkan dapat berupa peta prediksi
3. Melakukan Diagnostik
Sebelum menghasilkan hasil akhir harus kita ketahui dahulu seberapa bagusnya prediksi nilai di tempat
yang tidak memiliki data real. Dalam pemodelan geologi khususnya pemodelan reservoir, model yang baik
akan memiliki satu kualitas yang sederhana yaitu: harus menyediakan prediksi yang baik dari perilaku
Untuk prediksi yang baik harus memiliki prediksi mean eror yang mendekati nol, RMS (root-mean-square)
yang lebih kecil lebih baik. Apabila estimasi rata – rata standar eror dibandingkan dengan prediksi eror
RMS sama maka prediksi bagus, apabila <1 maka overestimate dan apabila >1 maka underestimate.
4. Membandingkan Model
Beberapa model yang dihasilkan dari beberapa perlakuan harus dibandingkan untuk melihat mana yang
lebih baik. Penggunaan cross validation statistic sangat membantu dalam pembandingan ini. Aturan –
aturan dasar sebelumnya untuk prediksi yang baik masih digunakan juga untuk pembandingan model.
Untuk pembuatan peta fasies seismik tiap sikuen data yang diperlukan adalah geometri refleksi internal
dan hubungannya dengan batas sikuen, tambahan atribut seismik seperti amplitude dan continuity juga
Fasies deposisi diidentifikasi dari karakter seismiknya dan deskripsi litofasies yang dikalibrasi dari core
dan analisis log. Untuk mengidentifikasi karakter seismik sekarang ini dibutuhkan seorang interpreter
modern. Tantangannya adalah untuk mengintegrasikan prediksi kuantitatif, kenampakan dan pengukuran
dari data seismic ke dalam deskripsi reservoir statis dan model reservoir dinamis melalui seismic 3D dan
Beberapa teknik interpretasi seismic dalam yang dikemukakan Mair et al, (2003) adalah sebagai berikut:
Pengolahan data dengan menggunakan analisis geostatistik menghasilkan peta fasies seismic dan peta
Untuk pembuatan peta penyebaran porositas digunakan data porositas dari data sumur dan kecepatan
seismic. Pengolahan dari data yang ada menghasilkan peta seperti pada lampiran. Pola kontur pada peta
porositas jelas memperlihatkan bahwa interpretasi porositas pada reservoir sangat dipengaruhi oleh fasies
Kesimpulan
Analisis geostatic sangat diperlukan dalam pemodelan geologi. Dengan penggunaan statistic dapat
diprediksi nilai dari daerah yang tidak memiliki data real sehingga dapat dibuat hasil prediksi yang
mendekati nilai penyebaran sebenarnya. Dari data beberapa sayatan seismic dapat dibuat peta fasies
seismic dan analisa fasies deposisi. Sedangkan untuk pembuatan peta penyebaran porositas digunakan
Referensi
Dunn, et al, 1996, Application of Geoscience Technology in a Geologic Study of the Natuna Gas Field,
Hargrave, et al, 2003, What are Interpreters for? The Impact of Faster and More Objective Interpretation
Mair, et al, 2003, Prospects to Reservoir Models: Streamline the Workflow, Proceeding IPA
g-097-prospect-to-res.models
Tyson and Math, 2009, Regulatory Aspects of Geological Modelling, Proceeding IPA
Saya
Fisikawan, kandidat PhD, Departemen Teknik Pertambangan, Universitas Federal Rio
Grande do Sul - Departamento de Engenharia de Minas.camilla.zacche@gmail.com
II
Associate Professor Jurusan Teknik Pertambangan, Universitas Federal Rio Grande do
Sul. jfelipe@ufrgs.br
ABSTRAK
Ini sering untuk menghadapi masalah estimasi ketika berhadapan dengan deposit mineral
yang melibatkan beberapa variabel berkorelasi. Model yang dihasilkan diharapkan untuk
mereproduksi korelasi data. Namun, tidak dijamin bahwa korelasi yang diamati di antara
data akan direproduksi oleh model, jika variabel diestimasi secara independen, dan korelasi
ini tidak dipertimbangkan secara eksplisit. Pendekatan geostatistik yang memadai untuk
mengatasi masalah estimasi ini adalah co-kriging yang membutuhkan pemodelan kovarians
lintas dan langsung dari semua variabel, memuaskan LMC. Alternatifnya adalah untuk
mendekorelasi variabel dan memperkirakan masing-masing secara independen,
menggunakan misalnya, pendekatan faktor autokorelasi minimum / maksimum (MAF), yang
menggunakan transformasi linear pada variabel yang berkorelasi, mentransformasikannya
ke set baru yang tidak berkorelasi.Data yang diubah dapat diperkirakan melalui
kriging. Setelah itu, perkiraan kembali diubah ke ruang data asli.Metodologi diilustrasikan
dalam studi kasus di mana tiga variabel yang berkorelasi diperkirakan menggunakan
metode MAF dikombinasikan dengan kriging dan melalui co-kriging, digunakan sebagai
patokan. Hasilnya menunjukkan kurang dari 2% penyimpangan antara kedua metodologi.
RESUMO
1. Perkenalan
Aplikasi geostatistik yang berhubungan dengan beberapa variabel yang mungkin berkorelasi
menjadi lebih sering dalam estimasi sumber daya mineral. Jika ada korelasi spasial antara
dua atau lebih variabel dan satu variabel lebih disampel dibandingkan dengan yang lain
(yaitu, situasi heterotopik), maka variabel sampel yang padat dapat digunakan dalam
kombinasi untuk memperkirakan variabel lain, di bawah-sampel. Pendekatan klasik untuk
masalah multivariat dalam estimasi kelas adalah co-kriging (MARECHAL, 1970), yang
menganggap tidak hanya covariance langsung, seperti dalam kriging biasa dan sederhana
(MATHERON, 1963), tetapi juga cross-covariances antara setiap variabel dalam data
set. Akibatnya pendekatan ini mengkapitalisasi pada korelasi yang ada antara semua
variabel dan memberikan perkiraan yang lebih akurat. Namun demikian, salah satu
kelemahan besar dalam penggunaan co-kriging adalah kebutuhan untuk memenuhi model
linear co-regionalisasi (LMC), yang memerlukan variograms langsung dan lintas menjadi
kombinasi linear dari struktur dasar. Asumsi ini menjamin bahwa varian kombinasi linear
selalu positif (GOOVAERTS, 1997). Untuk membangun LMC yang valid bukanlah hal yang
sepele, dan sebenarnya sulit ketika berhadapan dengan lebih dari dua variabel yang
berkorelasi. Akibatnya, ada kebutuhan untuk alternatif yang lebih sederhana namun akurat
dan tepat untuk menangani masalah estimasi multivariat.Salah satu pendekatan tersebut
adalah analisis komponen utama (PCA) (PEARSON, 1901), di mana vektor
pengamatan, φ ( u ) = [ U1 ( u ), U2 , ... U N ( u )], diputar dalam ruang melalui
transformasi linear yang mengambil variabel N dalam kumpulan data ke ruang baru di mana
mereka tidak lagi berkorelasi. Sebagai akibatnya, setiap faktor dapat diperlakukan secara
independen, menghindari kebutuhan untuk memenuhi LMC, dan mengurangi masalah ke
salah satu kriging biasa. PCA, bagaimanapun, memiliki batasan: dekorelasi tidak dijamin
untuk vektor pemisahan non-nol, h , kecuali ada korelasi intrinsik antara data (BANDARIAN
ET AL., 2008). Sebuah alternatif untuk PCA adalah pendekatan faktor autokorelasi minimum
/ maksimum (MAF) pendekatan (SWITZER dan GREEN, 1984), yang, seperti PCA,
menerapkan transformasi linear ke set data membawanya ke ruang baru di mana tidak ada
korelasi hadir. Dalam ruang baru ini, dekorelasi dijamin untuk semua data yang dipisahkan
oleh vektor bukan nol, h .
2. Metodologi
Landasan Teoritis
dimana t i adalah vektor eigen transpose dari matriks transformasi A , sehingga faktor
MAF M i ( u ) menunjukkan peningkatan autokorelasi dengan increscent i; dengan kata lain,
faktor menunjukkan autokorelasi spasial yang lebih tinggi daripada faktor M 2 ( u )
(SWITZER dan GREEN, 1984).
Faktor MAF diperoleh melalui dekomposisi spektral dari matriks, di mana matriks
kovarian Cov φδ Cov -1 φ , di mana Cov φ adalah matriks kovarian untuk φ ( u ) untuk h =
0 dan Cov -1 φ adalah kebalikannya. Cov φδ adalah matriks kovarians untuk perbedaan
vektor yang dipisahkan oleh h = δ ; dengan kata lain,
menjadi, Cov 0 , Cov 1 dan Cov φ matriks varians-kovarians untuk h = 0 Jika φ (u)
= S ( u ) + N ( u ) dapat diwakili oleh dua model linear struktur ko-regionalisasi, spasial
matriks kovarian, untuk vektor pemisahan h , diberikan oleh:
T
ii. Hitung komponen utama V (u) sedemikian rupa sehingga V (u) = W φ ( u ), di
mana W = HD -1/2 ;
aku aku aku. Hitung matriks variogram Γ V ( h ) untuk h ≠ 0 dari set komponen V (u) ;
iv. Lakukan dekomposisi spektral Γ V ( h ) di matriknya vektor eigen C dan nilai eigen Λ ;
saya. Pertama, pendekatan klasik untuk estimasi kelas multivariat, co-kriging diterapkan
pada kumpulan data untuk menggunakan hasilnya sebagai patokan untuk studi kasus.
ii. Setelah itu, transformasi MAF diterapkan ke set data yang sama dan digunakan
dikombinasikan dengan kriging biasa, di sini dinotasikan sebagai KMAF.
aku aku aku. Akhirnya, hasil (i) dan (ii) divalidasi dan dibandingkan untuk memverifikasi
penerapan pendekatan KMAF untuk perkiraan estimasi data multivariat.
Kumpulan data
Penelitian ini dilakukan pada set data 2-D Jura (GOOVAERTS, 1997), yang berisi 259 sampel
dari tujuh variabel isotop, Nickel (Ni), Cadmium (Cd), Chromium (Cr), Cobalt (Co), Lead
(Pb) ), Seng (Zn), Tembaga (Cu). Variabel yang menarik dalam studi kasus ini adalah
konsentrasi dalam ppm Ni, Co, andCr, yang berkorelasi. Ketiga variabel ini memiliki
koefisien korelasi, ρ CoNi = 0,75 antara Cobalt dan Nickel; ρ CoCr = 0,45 antara Cobalt dan
Chromium;ρ NiCr = 0,69 antara Nikel dan Kromium. Co-kriging adalah pilihan alami untuk
memperkirakan variabel yang berkorelasi secara bersamaan. Data ini memiliki jarak
sampling rata-rata 250m sepanjang arah X dan Y, menyajikan sampel bergerombol di
beberapa daerah. Untuk menyimpang set data, algoritma Voronoi Polygon (DIRICHLET,
1850) digunakan. Statistik data declustered ditunjukkan pada Tabel 1 .
Perhatikan pada Tabel 1 bahwa untuk semua variabel studi kasus, mean yang dideklusikan
lebih tinggi dari mean clustered asli. Sebagian besar kelompok dalam kumpulan data berada
di daerah kelas rendah untuk ketiga variabel, karena itu adalah kumpulan data isotop dan
mereka semua memiliki korelasi langsung, yang berarti bahwa semua variabel meningkat
bersama-sama; pengambilan sampel preferensial menyebabkan bias ke bawah pada sarana
global.
Co-kriging
Variabel Co (ppm), Cr (ppm) dan Ni (ppm) adalah co-diperkirakan oleh co-kriging. Metode
ini membutuhkan semi-variogram langsung untuk Co (ppm), Cr (ppm) dan Ni (ppm) serta
lintas-covariogram antara Co (ppm) dan Cr (ppm), Co (ppm) dan Ni (ppm), Cr (ppm) dan Ni
(ppm). Semi-variogram eksperimental untuk Co (ppm) dimodelkan pertama, dan ini
kemudian digunakan untuk menentukan semi-variogram untuk Cr (ppm) dan Ni (ppm) dan
semua cross-covariogram. Tabel 2 merangkum parameter yang digunakan untuk semi-
variogram eksperimental.
Arah anisotropi utama adalah N45 dengan kisaran 1000m dan nol dip, arah anisotropi minor
adalah N135 dengan kisaran 500 m dan nol dip. Model yang dipasang adalah:
menjadi efek nugget, ambang struktur bola pertama dan ambang struktur bola
kedua. Matriks co-regionalisasi adalah:
Arah kontinuitas spasial untuk ketiga faktor MAF adalah sama dengan variabel asli: arah
anisotropi utama adalah N45 dengan zero dip; arah anisotropi minor adalah N135 dengan
zero dip.
Rentang utama untuk MAF1 adalah 1800 m sepanjang N45 dengan nol dip, rentang minor
adalah 1000 m sepanjang N135 dengan nol dip. Rentang utama untuk faktor MAF2 adalah
1600m sepanjang N45 dengan null dip, rentang minor adalah 1000m sepanjang N135
dengan null dip. Untuk MAF3 faktor kisaran utama adalah 1500m sepanjang N45 dengan nol
dip, rentang minor adalah 1000m sepanjang N135 dengan nol dip. Model yang dipasang
adalah:
Dengan menggunakan model ini, setiap faktor diperkirakan menggunakan kriging biasa
dengan parameter yang ditunjukkan pada Tabel 3 .
Rerata global yang diperoleh melalui kedua metode dibandingkan dengan cara pendosongan
Co (ppm), Cr (ppm) dan Ni (ppm). Deviasi relatif, antara sarana yang diperkirakan
berkenaan dengan data declustered berarti digunakan untuk memeriksa bias
global. Hasilnya ditunjukkan pada Tabel 5 .
Catatan dalam Tabel 5 bahwa kedua metode mereproduksi data global berarti untuk semua
variabel, dengan deviasi relatif rendah (kurang dari 1% deviasi). Semakin tinggi deviasi
relatif diperoleh melalui co-kriging untuk Cr (ppm), yang merupakan variabel paling
berkorelasi dalam sistem co-estimasi. Karena model co-kriging didasarkan pada variabel Co
(ppm), dan kedua variabel ini berkorelasi buruk; ini mungkin merupakan indikasi bahwa
model LMC yang dibangun tidak cukup untuk variabel Cr (ppm) seperti untuk Co
(ppm). Meski begitu, penyimpangan relatif tidak signifikan. Sementara itu, sehubungan
dengan pendekatan co-kriging, metode KMAF menunjukkan kurang dari 2% perbedaan
relatif.
Plot Swath
Tes untuk memeriksa bias lokal juga dilakukan. Perilaku rata-rata lokal diperiksa
menggunakan petak-petak di sepanjang arah X dan Y. Buah ara. 6 dan 7 menunjukkan
petak petak untuk Co (ppm), Cr (ppm) dan Ni (ppm) sepanjang arah X dan Y.
Perhatikan pada gambar 1 bahwa model blok perkiraan mengikuti rata-rata tren lokal, dan
efek penghalusan tampak jelas dalam semua grafik pada gambar 1 . Pada gambar 1 (a) dan
(b) untuk Co (ppm), terlihat bahwa model blok co-kriged meremehkan mean, dan lebih
jelas daripada yang terlihat pada model blok KMAF, terutama sepanjang arah Y, di mana
model blok KMAF melapisi kurva data yang dideklarasikan pada sebagian besar grafik.Untuk
variabel Cr (ppm), grafik (c) dan (d), terlihat bahwa efek penghalusan sama untuk kedua
model blok perkiraan, seperti dalam grafik (e) dan (f) untuk Ni (ppm) variabel. Dalam grafik
(c) dan (d) estimasi model blok terkadang melebih-lebihkan data declustered berarti
sementara pada waktu lain, meremehkan itu, menyajikan perilaku yang sangat dekat
antara model blok. Dalam grafik (e) dan (f), jelas adalah meremehkan data declustered
yang berarti oleh kedua model blok perkiraan, memiliki juga perilaku yang sangat dekat di
antara mereka.
Korelasi Variabel
Korelasi antara variabel Co (ppm), Cr (ppm) dan Ni (ppm) diperiksa dalam setiap model
blok interpolasi ( Tabel 6 ).
Perhatikan pada Tabel 6 bahwa korelasi antara variabel lebih baik direproduksi oleh model
blok KMAF. Untuk pasangan Co (ppm) versus Cr (ppm), korelasi asli adalah ρ = 0,45 yang
merupakan koefisien korelasi terendah antara variabel dalam kumpulan data. Untuk
pendekatan KMAF, korelasi itu ditaksir terlalu tinggi sekitar 17%.Model blok co-kriged juga
melebih-lebihkan korelasi pasangan ini, sekitar 33% lebih tinggi dari nilai
aslinya.Overestimasi ini disebabkan oleh fakta bahwa model blok memiliki lebih banyak
pasangan untuk plot, yang dalam kasus korelasi palsu, dapat meningkatkan
nilainya. Adapun korelasi lain yang diamati dalam model blok estimasi, nilai asli
direproduksi dengan kurang dari 10% relatif deviasi.
Validasi silang
Validasi silang dilakukan, sebagai bagian dari analisis hasil untuk kedua model blok yang
berasal dari KMAF dan co-kriging. Perhatikan bahwa untuk KMAF, validasi silang dilakukan
pada model blok faktor MAF dan setelah itu, kembali diubah ke ruang data asli. Untuk
pendekatan co-kriging, validasi silang dilakukan mengabaikan semua variabel pada satu
sampel keseluruhan, sehingga seolah-olah dilakukan dengan menggunakan pendekatan
kriging dan tidak ada variabel yang dihasilkan bias selama verifikasi estimasi.
Koefisien korelasi antara nilai yang diperkirakan melalui KMAF dan data asli adalah ρ = 0,80
untuk Co (ppm), ρ = 0,63 untuk Cr (ppm) dan ρ = 0,76 untuk Ni (ppm), dengan rata-rata
relatif deviasi (merr % ) dari merr % = 8.5% untuk Co (ppm), merr % = 6.83% untuk Cr
(ppm) dan merr % = -8.82% untuk Ni (ppm). Pendekatan co-kriging memperoleh korelasi
dengan data asli dari ρ = 0,79 untuk Co (ppm) dengan merr % = 9%, ρ = 0,65 untuk Cr
(ppm) dengan merr % = 6,4% dan ρ = 0,79 untuk Ni (ppm) dengan merr % = 8,83%. Ini
menunjukkan bahwa untuk studi kasus ini, tidak ada kehilangan akurasi yang signifikan
dalam estimasi yang dilakukan oleh KMAF sehubungan dengan pendekatan co-kriging
klasik.
Selain itu, dianalisis adalah kesamaan antara perkiraan yang diperoleh melalui kedua
pendekatan. Koefisien linear korelasi antara model blok KMAF dan model blok kriging untuk
ketiga variabel melebihi untuk semua kasus. Ada kemiripan yang besar antara perkiraan
yang diperoleh melalui kedua metode. Awan dispersi simetris di sekitar korelasi sempurna
(x = y).
4. Kesimpulan
Telah ditunjukkan bahwa untuk studi kasus ini, nilai global rata-rata direproduksi oleh KMAF
dan dengan co-kriging dengan deviasi kurang dari 2%. Pendekatan KMAF memperoleh
perkiraan tingkat lokal yang lebih akurat, yang dikonfirmasi oleh petak petak. Korelasi
antara variabel lebih akurat menggunakan estimasi KMAF. Ingat bahwa pendekatan ini
membangun model estimasi individu untuk setiap faktor; Oleh karena itu metode ini tidak
mengharapkan perilaku spasial yang sama di antara variabel. Validasi silang menunjukkan
bahwa metode KMAF berlaku untuk kumpulan data multivariat, dan dalam studi kasus ini
menghasilkan hasil yang memuaskan seperti yang diperoleh dengan co-kriging. Namun,
keuntungan menggunakan metode KMAF adalah bahwa, berbeda dari co-kriging, ia tidak
harus memperhatikan kondisi positif LMC, yang dapat menjadi tugas yang merepotkan
dalam kasus yang melibatkan lebih dari tiga variabel.
Korelasi data asli direproduksi oleh metode yang diusulkan; Selain itu, plot petak
menunjukkan konsistensi antara hasil yang diperoleh oleh KMAF dan co-kriging dan data
asli. Ini menunjukkan decorrelation variabel sebelum proses estimasi valid, karena hasilnya
tidak menunjukkan kehilangan akurasi yang signifikan, sehingga menghindari penggunaan
LMC.
Para penulis ingin mengucapkan terima kasih kepada Badan Riset Nasional Brasil (CNPq)
dan Vale SA untuk mendukung Unit Penelitian Eksplorasi dan Perencanaan Mineral (LPM) di
Universidade Federal do Rio Grande do Sul.
6. Referensi
MATHERON, G. Prinsip geostatistik, Geologi Ekonomi, v. 58, n.8, hal. 1246 - 1266, 1963.
[ Tautan ]
PEARSON, K. Pada garis dan bidang yang paling sesuai dengan sistem titik di ruang
angkasa, Philosofical Magazine , v. 2, n. 6, hal. 559-572, 1901. [ Tautan ]
Faktor autokorelasi SWITZER, P., GREEN, AA Min / max untuk pencitraan spasial
multivariat . Stanford University, 1984. 14 hal. (Laporan Teknis 6). [ Tautan ]