3

BLOK KRIGING
Dalam dua bab terakhir, kami berkonsentrasi pada tujuan poin perkiraan. Seringkali, bagaimanapun,
kami membutuhkan perkiraan blok atau, lebih predsely, perkiraan nilai rata-rata dari suatu variabel
dalam suatu yang ditentukan area lokal [1]. Salah satu metode untuk mendapatkan perkiraan
semacam itu adalah dengan mendiskritkan lokal daerah ke banyak titik dan kemudian rata-rata
perkiraan titik individu semua bersama untuk mendapatkan rata-rata di atas area tersebut. Padahal
secara konseptual sederhana, prosedur ini mungkin sangat mahal. Sebagai contoh,
dalam aplikasi pertambangan ratusan ribu perkiraan blok mungkin diperlukan. Jika setiap blok
didiskritisasi menjadi 100 poin, dan masing-masing estimasi titik dibuat oleh kriging biasa, akan ada
beberapa juta sistem kriging untuk dipecahkan. Dalam bab ini kita akan melihat berapa jumlah
perhitungan dapat dikurangi secara signifikan dengan membangun dan menyelesaikannya
hanya satu sistem kriging untuk setiap perkiraan blok. Kami memulai bab ini dengan pengembangan
blok kriging sistem dan ikuti dengan contoh yang menunjukkan kesetaraan antara
blok kriging dan rata-rata estimasi titik kriged dalam blok itu. Kami kemudian menggunakan data V
sampel untuk mengeksplorasi bagaimana diskritisasi blok tersebut memengaruhi perkiraan. Bab ini
menyimpulkan dengan studi kasus yang membandingkan estimasi blok yang dihitung dengan kriging
dan dengan jarak terbalik kuadrat ke nilai-nilai yang benar.

Sistem Blok Kriging

Sistem blok kriging adalah sirnilar dengan sistem kriging point yang diberikan
di bab sebelumnya :

Matriks C terdiri dari nilai kovarian Cij antara acak variabel vi dan Vj pada _the lokasi sampel ..
Vektor D terdiri dari nilai kovarian CiO antara ralldom va.riables vi pada sampel
lokasi dan variabel acak Vo lokasi di mana kita butuhkan sebuah esthnate. Vektor dari bobot kriging
Wl,. •. ， Ωn dan parameter Lagrange μ. Harus diingat bahwa variabel acak Vi, Vj ， dan Vo adalah
model dari fenomena di bawah belajar dan ti1de di atas C mengingatkan kita bahwa ini adalah
parameter dari model fungsi acak. Namun, anggaplah kita ingin memperkirakan nilai rata-rata
fenomena sorne di atas area lokal, bukan di lokasi titik. Dalam kerangka kerja model fungsi acak yang
kami gunakan sebelumnya, nilai rata-rata dari fungsi acak di atas area lokal hanyalah aver usia
(kombinasi linear) dari semua variabel acak titik yang terkandung dalam area lokal. Ingat kembali
dari Bab 9 bahwa kombinasi linear variabel acak juga merupakan variabel acak, sehingga nilai rata-
rata di atas area lokal dapat digambarkan sebagai berikut:

di mana VA adalah variabel acak yang sesuai dengan nilai rata-rata area A dan vj adalah radom
vàriables yang sesuai dengan nilai titik dalam A.

Jika kita memeriksa sistem kriging titik biasa yang diberikan dalam Persamaan 13.1 dengan
pandangan terhadap modifikasi untuk estimasi blok, kami
akan segera melihat bahwa locatioll dari titik atau blok yang kita perkirakan sama sekali tidak ada
hubungannya dengan pembangunan.

sama sekali tidak ada hubungannya dengan pembangunan kovarian matriks C. Matriks ini
tidak bergantung pada lokasi di mana perkiraan diperlukan dan kami dapat menyimpulkan dengan
benar bahwa matriks C tidak memerlukan modifikasi apa pun untuk blok kriging. Namun, vektor
kovarian D terdiri dari nilai kovariansi antara variabel acak di lokasi sampel dan variabel acak pada
lokasi yang kami coba perkirakan. Untuk estimasi titik, ini covariances adalah kovarian point-to-
point. Dengan analogi, untuk estimasi blok, nilai kovarian yang diperlukan untuk vektor kovarian D
adalah titik-ke-blok covariances. Bahkan, dengan membuat perubahan tunggal ini, kita dapat
mengubah sistem kriging titik biasa menjadi biasa sistem blokir kriging.

Titik-titik blok covariances yang diperlukan untuk blok kriging dapat dikembangkan sebagai berikut:
Kovariansi antara variabel acak pada sampel ke-10 kation dan variabel acak VA mewakili nilai rata-
rata fenomena di atas area A sama dengan rata-rata titik-ke-titik covariances antara vi dan variabel
acak sama sekali titik-titik dalam A. Karena itu sistem blok kriging dapat ditulis :

Bilah di atas kovarian di sisi kanan mengingatkan kita akan hal itu kovarian tidak lagi merupakan
kovarian point-to-point, tetapi rata-rata kovarian antara lokasi sampel tertentu dan semua poin
dalam A:

Kemudian di bab ini kita akan menentukan jumlah diskretisasi poin yang dibutuhkan dalam A untuk
memberi kita perkiraan yang memadai Dari CiA. Varietas blok kriging diberikan oleh:

Nilai C AA dalam persamaan ini adalah rata-rata kovarian antar pasangan lokasi dalam A:

Dalam prakteknya, rata-rata blok-ke-blok kovarian ini didekati oleh mendiskritisasi area A menjadi
beberapa poin. Penting untuk menggunakan diskritisasi yang sama untuk perhitungan kovarian
point-to-block di D dan untuk perhitungan kovarian blok-ke-blok dalam Persamaan 13,5 [2].
Keuntungan menggunakan sistem blok kriging yang diberikan dalam Persamaan 13.3 adalah bahwa
ia menghasilkan perkiraan rata-rata blok solusi dari hanya satu sistem kriging. Kerugiannya adalah
bahwa perhitungan rata-rata kovarian melibatkan perhitungan yang lebih sederhana dari pada
perhitungan titik-ke-titik kovarian pada intinya sistem kriging. Namun, penghematan komputasi
hanya membutuhkan satu set persamaan linear simultan jauh lebih besar daripada yang tambahan
biaya menghitung rata-rata kovarian point-to-block. Kenyamanan menaksir nilai blok secara
langsung adalah fitur sistem kriging biasa yang tidak dimiliki oleh estimasi lain metode. Meskipun
beberapa metode dapat diadaptasi dengan cara yang sama, hasilnya tidak konsisten. Sebagai
contoh, metode inverse distance dapat diadaptasikan sehingga bobotnya sebanding dengan rata-
rata jarak antara sampel terdekat dan blok. Sayangnya perkiraan dihitung dengan prosedur ini ure 1
tidak sama dengan yang dihitung dengan rata-rata perkiraan titik individu dalam blok. Di bagian
selanjutnya, kami akan memberikan contoh yang menunjukkan hal itu sistem blok kriging yang
diberikan dalam Persamaan 13.3 menghasilkan perkiraan identik dengan yang diperoleh dengan
rata-rata estrnates menghasilkan oleh Persamaan 13.1.

Estimasi Blok Versus rata-rata Titik Perkiraan

Contoh blok kriging ditunjukkan pada Gambar 13.1a. Lima sampel lokasi ditandai dengan tanda plus;
nilai sampel diberikan segera di sebelah kanan setiap tanda dengan blok kriging yang sesuai berat
badan diapit dalam tanda kurung. Model variogram digunakan untuk menghasilkan Matriks kriging
adalah yang digunakan sebelumnya dalam studi kasus di Bab 12 dan dikembangkan secara rinci di
Bab 16. Blok yang rata-ratanya nilai yang ingin kami perkirakan ditampilkan sebagai kotak yang
diarsir. Untuk tujuan menghitung berbagai kovarian rata-rata, blok ini telah discretized oleh empat
poillts ditampilkan sebagai titik-titik hitam pada Gambar 13.1a. Estimasi blok adalah Va = 337 ppm.
angka 13,1 b hingga 13,1e menunjukkan bobot kriging alld estimasi titik untuk masing-masing dari
empat titik lokasi di dalam alun-alun yang teduh. Seperti yang ditunjukkan pada Tabel 13.1, a verage
dari empat titik perkiraan adalah sama dengan blok langsung perkiraan dan rata-rata titik kriging
untuk bobot tertentu sampel sama dengan berat blok kriging untuk sampel itu.

Memvariasikan Grid dari Lokasi Titik di dalam Blok

Ketika menggunakan pendekatan blok kriging, seseorang harus memutuskan bagaimana

mendiskritkan area lokal atau memblokir yang diperkirakan. Grid diskritisasi
poin harus selalu teratur; jarak antar titik, bagaimanapun,
Gambar 13.1 Di (a) blok yang diarsir diestimasi secara langsung menggunakan blok kriging, dengan
blok yang didekati oleh empat titik yang ditampilkan sebagai titik. Dekat lokasi sampel ditandai
dengan tanda tambah. Nilai yang diposting langsung ke kanan tanda plus adalah nilai sampel dan
nilai yang dilampirkan dalam tanda kurung adalah berat kriging yang sesuai. Angka (b) untuk (e)
menunjukkan hasil untuk titik kriging masing-masing dari empat poin di dalam kotak yang teduh.
Rata-rata dari titik perkiraan dalam (b) ke (e) identik dengan perkiraan blok VA = 337 dalam (a).

Tabel 13.1 Perkiraan dan bobot titik yang ditunjukkan pada Gambar 13.1 (b) - (e) ditabulasikan dan
dirata-ratakan, mendemonstrasikan persamaannya untuk memperkirakan blok langsung ditunjukkan
pada Gambar 13.1 (a.).
mungkin lebih besar dalam satu arah daripada yang lain jika kontinuitas spasial bersifat anisotropik.
Contoh dari grid anisotropic seperti diberikan pada Gambar 13.2. Blok berbayang diperkirakan oleh
enam titik yang terletak di a jaringan 2 x 3 biasa. Spadlig yang lebih dekat dari titik di utara - selatan
arah mencerminkan keyakinan bahwa ada sedikit kesinambungan dalam arah ini daripada di arah
timur-barat. Terlepas dari perbedaan di timur-barat dan jarak utara-selatan, keteraturan grid
memastikan masing-masing akun discretizing point untuk area yang sama, seperti yang ditunjukkan
oleh putus-putus garis.

Jika seseorang memilih untuk menggunakan poin discretizing lebih sedikit, kurang memori
komputer diperlukan dan perhitungannya lebih cepat. Komputasi ini efisiensi harus ditimbang
terhadap keinginan untuk akurasi, yang memanggil untuk sebanyak mungkin poin.

Tabel 13.2 memberikan beberapa contoh efek nomor tersebut poin discretizing pada
perkiraan akhir. Tabel menunjukkan perkiraan dari nilai V rata-rata dalam 10 x 10 m2 blok
menggunakan blok biasa kriging untuk menghitung bobot untuk sampel di dekatnya. Dalam contoh-
contoh ini, strategi pencarian termasuk semua sampel dalam radius 25 m dari pusat blok; model
variogram digunakan untuk menghitung berbagai covariances adalah yang sama digunakan dalam
studi sebelumnya dan diberikan dalam Persamaan 12.25-12.27. Satu-satunya parameter berubah
dari satu kriging menjadi selanjutnya adalah jumlah poin yang digunakan untuk mendiskritkan blok
10 x 10 m2.

Gambar 13.2 Sebuah contoh yang menunjukkan desain grid 2 x 3 titik reguler lokasi witbin
satu blok. Titik-titik tersebut terletak di dalam persegi 50 yang masing-masingnya discretizing poin t
accoun t8 untuk area yang sama, seperti yang ditunjukkan oleh garis putus-putus.

Entri dalam Tabel 13.2 menunjukkan perbedaan signifikan dalam perkiraan menggunakan
grid yang mengandung kurang dari 16 poin diskritisasi; dengan lebih dari 16 poin, namun,
perkiraannya sangat mirip. Untuk blok dua dimensi, akurasi yang cukup biasanya dapat diperoleh
dengan grid 4 x 4 berisi 16 poin. Untuk blok tiga dimensi, lebih banyak poin biasanya diperlukan;
sebuah kisi 4 x 4 x 4 berisi 64 poin biasanya cukup.
 Studi kasus

Selanjutnya kami menyajikan studi kasus yang membandingkan blok kriging biasa perkiraan nilai
rata-rata V dalam 10 x 10 m2 blok untuk diblokir perkiraan menggunakan metode kuadrat jarak
terbalik. Untuk penelitian ini, kami telah menggunakan diskritisasi yang sangat baik, dengan masing-
masing Blok 10 x 10 m2 didiskritÌ oleh 100 poin. Blok biasa perkiraan kriging dihitung menggunakan
semua sampel dalam 25 m. Itu model variogram digunakan untuk menghitung berbagai kovarian
yang dibutuhkan oleh Persamaan 13.3 adalah persamaan yang kita gunakan untuk kasus titik kriging
belajar di Bab 12.

Perkiraan kuadrat jarak terbalik dihitung menggunakan

Tabel 13.2 Contoh perkiraan nilai rata-rata V dalam 10 x 10 m2 blok menggunakan blok kriging biasa
dan berbagai grid diskritisasi di dalam blok.

strategi pencarian yang sama seperti yang digunakan untuk kriging. Untuk setiap blok, 100 inverse
distance point estimations dirata-ratakan bersama untuk diperoleh perkiraan blok.

Ringkasan statistik untuk perkiraan diberikan pada Tabel 13.3. Itu rata-rata dari perkiraan blok kriged
lebih dekat ke nilai sebenarnya dari pada perkiraan kuadrat jarak terbalik. Korelasi kriged
perkiraan dengan nilai sebenarnya juga lebih besar. Dalam kasus khusus ini, perkiraan blok kriged
memiliki standar deviasi lebih dekat dengan yang benar dan karena itu tidak semulus perkiraan jarak
terbalik.

Statistik ringkasan kesalahan estimasi diberikan dalam Tabel 13.4. Kesalahan dari blok kriging biasa
memiliki arti yang lebih dekat o dari yang dari jarak terbalik kuadrat. Spread mereka, yang diukur
oleh standar deviasi atau rentang interquarti1e, juga lebih rendah. Itu M AE dan M S E, yang
menyediakan langkah-langkah kombinasi bias dan menyebar, keduanya mendukung perkiraan blok
kriging biasa.

Angka 13,3 dan 13,4 memberikan perbandingan dari dua set kesalahan menggunakan peta
grayscale. Simbol plus menunjukkan perkiraan positif kesalahan sementara simbol minus
menunjukkan kesalahan estimasi negatif. Itu magnitude relatif dari kesalahan sesuai dengan tingkat
arsiran ditunjukkan oleh skala abu-abu di bagian atas gambar.
Fitur yang paling mencolok dari peta ini adalah konsistensi dari terlalu tinggi di daerah Danau Walker
itu sendiri dan yang sesuai.

Tabel 13.3 Statistik ringkasan untuk perkiraan blok kriged biasa, inverse perkiraan blok kuadrat jarak,
dan nilai blok V yang benar.

Tabel 13.4 Ringkasan statistik untuk distribusi kesalahan dari blok biasa metode kriging dan inverse
distance squared.
Gambar 13.3 Peta kesalahan kriging blok V. Kesalahan positif diplot sebagai plus simbol sementara
kesalahan negatif diplot sebagai simbol minus. Besarnya kesalahan diberikan oleh skala abu-abu di
bagian atas gambar.

meremehkan di area jangkauan Wassuk. Pola ini lebih dari " dan meremehkan menggambarkan
kehalusan iuherent di kedua metode kuadrat jarak terbalik dan dalam kriging; nilai-nilai tinggi
cenderung meremehkan sementara nilai rendah cenderung terlalu tinggi.

Padahal pola over dan underestimation sama pada keduanya peta, jelas bahwa metode
inverse distance squared menghasilkan
 Gambar 13.4 Sebuah plot dari kesalahan estimasi blok kuadrat jarak inverse. Sebuah
perbandingan kesalahan ini dengan kesalahan blok kriging pada Gambar 13.3 mengungkapkan hal
itu mereka, secara umum, lebih besar.

lebih banyak kesalahan besar. Secara khusus, ada beberapa perkiraan yang terlalu besar
(tanda tambah gelap) di sekitar (80E, 180N). Di area ini, sampling yang relatif jarang dari daerah
bernilai rendah sangat memenuhi lebih padat menisik di kisaran Wassuk. Jarak terbalik kuadrat
metode tidak menangani sampel terkelompok dengan benar, memberikan terlalu banyak berat ke
sampel tambahan di daerah bernilai tinggi.

Tabel 13.5 Ringkasan statistik distribusi kesalahan estimasi titik dan blokir kesalahan estima
tion untuk V.

Peta kesalahan kriging blok biasa menunjukkan bahwa ia memiliki lebih sedikit terlalu tinggi
tetapi masih memiliki beberapa perkiraan yang cukup besar. Ini karena kombinasi faktor. The
smoothing efek yang kita bahas sebelumnya menyebabkan distribusi perkiraan blok memiliki spread
yang lebih rendah dan juga secara umum lebih sedikit dibandingkan distribusi yang sesuai dari nilai
blok yang benar. Ini, digabungkan dengan kemiringan positif distribusi nilai blok yang benar,
menciptakan lebih banyak kesempatan untuk meremehkan yang parah daripada yang parah harga
yg terlalu tinggi. Dalam kasus smoothing ekstrim, di mana semua perkiraan dekat dengan rata-rata
global, akan ada lebih sedikit perkiraan rendah tetapi sifat mereka pada umumnya akan lebih besar
daripada yang untuk lebih banyak yang melebih-lebihkan.

Hasil yang ditunjukkan pada Tabel 13.4 juga memungkinkan kita untuk membuat yang
penting berkomentar tentang keakuratan estimasi blok versus estimasi titik. Dalam Bab 12 kami
mempresentasikan titik kriging untuk variabel yang sama V dan memberikan statistik summ.ary dari
kesalahan estimasi pada Tabel 12.4. Statistik ini diberikan lagi pada Tabel 13.5, di mana mereka
dibandingkan ke ringkasan statistik dari distribusi kesalahan untuk estimasi blok. Meskipun estimasi
titik memiliki kesalahan rata-rata yang lebih baik, ini bukan
 ini bukan sebuah Gambar 13.5 Peta dari kesalahan kriging titik V. Shading yang lebih gelap
dari simbol dalam gambar ini menunjukkan bahwa besarnya kesalahan estimasi titik adalah lebih
besar dari kesalahan estimasi blok yang ditunjukkan pada Gambar 13.3.

peraturan umum. Dengan kriteria statistik lainnya, perkiraan blok adalah lebih baik. Mereka
memiliki spread yang lebih rendah dan berkorelasi lebih baik dengan yang benar nilai-nilai.

Gambar 13.5 adalah peta kesalahan dari studi kasus titik kriging. Pola keseluruhan kesalahan
estimasi mirip dengan pola blok kriging kesalahan; kesalahan estimasi titik, bagaimanapun,
cenderung lebih besar. Simbol pada Gambar 13.5 cenderung lebih gelap dari pada Gambar 13.3,
yang memberikan bukti lebih lanjut kepada fakta bahwa estimasi blok umumnya lebih akurat
daripada estimasi titik.
 Catatan

[1] Demi kenyamanan, kami menggunakan frasa “estimasi blok” untuk menggambarkan estimasi
nilai rata-rata dari variabel spasial dalam area lokal yang ditentukan; di tiga tempat makan "area
lokal" harus ditafsirkan sebagai volume lokal.
[2] Jika seseorang menggunakan diskritisasi yang berbeda untuk dua perhitungan, di sana adalah
risiko mendapatkan varians kesalahan negatif dari Persamaan 13.5.