TEORI KRIGING

TUGAS: GEOSTATISTIK DAN PERMODELAN

SUMBERDAYA ALAM
DOSEN: ADREE OCTOVA.S.SI,M.T

OLEH:
1. QIRATUL AINI
2. RIZKI ALDI SAPUTRA
3. MUHAMMAD DHIVO
1. Ringkasan

Bab ini menyajikan teori kriging. Kriging merupakan metode estimasi yang
memberikan estimasi linier tak bias tunggal dari nilai titik atau rata-rata blok.
Disini "Terbaik" berarti varians minimum. Tiga jenis estimator kriging akan
dibahas yaitu: ordinary kriging (OK) digunakan saat mean tidak diketahui,
kriging yang tidak diketahui nilai meannya dan simple kriging (SK) digunakan
saat mean diketahui.
Persamaan untuk ketiga estimator ini diturunkan untuk kasus stasioner, dan
diperluas ke kasus variabel intrinsik untuk ordinary kriging. Teorema
aditifnyayang memberi kaitan antara estimator OK dan SK terbukti. Untuk
ordinary kriging , formula untuk kemiringan regresi linier dari kelas sebenarnya
pada perkiraannya diberikan, dan kepentingannya dalam kaitannya dengan
kesetaraan bersyarat akan dibahas. Terakhir, kriging ditunjukkan sebagai
interpolator yang tepat.
2 . Tujuan kriging

Sampling memberikan infornasi yang akurat pada titik data. Kita

membutuhkan cara yang akurat untuk memperkirakan nilai di titik
intermediate atau rata-rata di atas blok. Keakuratan perkiraan
tergantung pada beberapa faktor:
a. jumlah sampel dan kualitas data pada masing-masing titik.
b. posisi sampel dalam deposit.
c. jarak antara sampel dan titik atau blok yang akan diestimasi. ini
alami untuk mengandalkan lebih banyak sampel sekitarnya, bukan
yang lebih jauh.
d. kontinuitas spasial dari variabel yang sedang dipertimbangkan.
3. Turunan Persamaan Kriging

Masalahnya adalah sebagai berikut: kita memiliki N data nilai Z

(XI), Z (XN) yang kita miliki dan kita ingin memperkirakan fungsi
linier dari variabel Z (x). Misalnya kita mungkin ngin
memperkirakan nilainya pada titik tertentu, Z (xo), atau rata-rata
di atas tertentu wilayah.

Volume V bisa jadi keseluruhan deposit, atau blok penambangan,

atau bisa juga kecil sebagai satu titik dalam hal estimasi titik. Itu
bahkan bisa menjadi bentuk yang tidak beraturan.
Pertimbangkan rata-rata tertimbang data

Dimana .i adalah faktor pembobotan. Dengan konvensi

bintang tersebut akan digunakan untuk menunjukkan
perkiraan nilai dibandingkan dengan nilai nyata tapi tidak
diketahui
Di sinilah kita menggunakan model geostatistik. Kami
mempertimbangkan variabel regionalisasi

Bobot yang dipilih sehingga estimatornya adalah:

a. tidak bias: E [Z ~ - Zv] = 0.
b.varians minimum: Var [Z~ - Zvl adalah minimum.
Varians ini akan disebut varians kriging.
4. Estimator Kriging yang Berbeda

Dalam contoh pertama kita mengasumsikan bahwa variabel regionalized Z (x)

adalah stasioner dan itu artinya, m, tidak diketahui. Kriging dengan mean
yang tidak diketahui disebut ordinary kriging, yang disingkat OK. Kami
pertama kali menurunkan sistem persamaan untuk ordinary
kriging untuk kasus stasioner dalam hal variogram dan kemudian
kovariansi sebelum menunjukkan bagaimana untuk memperluas hasil ini ke
kasus intrinsik.
Langkah selanjutnya adalah melihat bagaimana memperkirakan mean yang
tidak diketahui m. Setelah itu kita akan Lihat apa yang terjadi pada estimator
kriging jika mean, m, diketahui. Ini disebut simple kriging dan disingkat SK.
Dalam semua kasus ini, satu kesatuan persamaan linier disebut sistem kriging
harus dipecahkan untuk mendapatkan bobot kriging dan varians kriging.
5. Ordinary Kriging
Variabel Z (x) diasumsikan bersifat stasioner dengan mean m. Artinya
pada setiap titik sama dengan m dan begitu juga rata-rata blok apapun.
Itu adalah,

Kebanyakan estimator rata-rata tertimbang tertimbang dari nilai

data sekitarnya; bahwa adalah, itu adalah kombinasi linier dari data:

Rata-rata kesalahan estimasi [Z ~ - Zv] adalah :

Agar tidak bias, kesalahan yang diharapkan harus nol, jadi entah m == 0 atau bobot kriging harus
menambahkan sampai 1. Dalam kasus pertama, mean diketahui. (ini mengarah ke Simple
Kriging). Jika m tidak diketahui maka bobot harus berjumlah 1,2

Varians minimum. PVriansi dari error [Z ~ - Zv] dapat dinyatakan dalam

Istilah kovarians atau variogramnya:
di mana Y (Xi, V) merupakan rata-rata dari variogram antara Xi dan volume V, yaitu

Seperti yang terlihat pada Bab 6, y (V, V) adalah rata-rata variogram

antara dua Titit x dan x 'menyapu secara independen sepanjang
volume V.
Dengan cara yang sama C (Xi, V) dan C (V, V) adalah rata-rata
untuk kovariansi. Dalam urutan untuk meminimalkan estimasi
varians di bawah kendala bahwa jumlah bobot kriging harus
sama dengan 1, kami mengenalkan pengganda Lagrange ", untuk
diminimalkan

Karena jumlah bobot harus 1.0, maka ditambahkan apakah tidak mengubah nilai .

Jadi sebagian turunan dari kuantitas tersebut kemudian ditetapkan menjadi nol. Ini mengarah ke
satu set N + 1. Persamaan linier disebut sistem kriging.

Bila ditulis dalam bentuk model variogram yang kriging sistemnya adalah:
Minimal varians yang disebut varians kriging, diberikan oleh:

Jelas persamaannya juga bisa diperoleh dari segi kovariansi oleh

Meminimalkan bentuk persamaan [7.7]. Sistem kriging kemudian adalah:

Dua pengali Lagrange dihubungkan oleh ~ = - .. Yang sesuai

Varians kriging diberikan oleh:

Untuk mengatasi sistem, lebih mudah menuliskannya dalam bentuk matriks: AX = B.

Jika y adalah model yang dapat diterima dan jika tidak ada banyak titik, matriks A selalu tidak
tunggal. Itu adalah invers A-I. Jadi solusi dan bisa dibuktikan Itu unik. Keunikan itu penting
karena kemudian digunakan untuk menghubungkan jenis kriging yang berbeda. Perbedaan
kriging dapat dituliskan:

6. Persamaan OK untuk Variabel Tregional intrinsik

[()- Zv ] = m-m = m [ - 1 ]
Agar tidak bias, yang diharapkan kesalahan harus, nol jadi = m = 0 atau kriging Bobot
harusmenambahkan hingga 1.Dalam kasus pertama rata rata dikenal.( hal ini sederhana Kriging ).Jika
m tidak diketahui kemudian bobot harus jumlahnya kepada 1.2

7. Exercise
Minimum. berbeda yang berbeda dari kesalahan z ~ - zv dapat dinyatakan dalamhal baik covariance
atau variogram:
= C ( , ) + c (v,v) 2 c (X , v)
= 2 (X1,V ) (X, ) - ( v,v )
Di mana y ( xi, v ) adalah rata rata variogram antara xi dan volume v, i.e.
( , V ) ( ) dx

ide bahwa kriging bobot harus jumlahnya kepada daripada 0 kadang kadang 1Menyebabkan
kebingungan.Jumlah dari semua bobot masih kosong karena sudah adaBerat -1 di depan z ( v )
dalam ekspresi untuk perkiraan kesalahan.
Seperti juga terlihat di bab, 6 y ( v, v ) adalah rata rata variogram antara duaPoin x dan x ' menyapu
secara independen di seluruh volume. V

(V,V) = (X -' ) dx dx'

Dengan cara yang sama c ( xi, v ) dan c ( v, v ) adalah yang rata-rata untuk
covariance.Dalam rangkaUntuk meminimalkan estimasi varians di bawah
permasalahannya sehingga jumlah dari krigingBobot harus sama dengan
aku, kami memperkenalkan sebuah lagrange multiplier ", ke dalam
ekspresiUntuk diminimalisir.Sejak jumlah dari timbangan itu harus 1,0,
menambahkan istilah dalam 1.1. Apakah Tidak merubah nilai dari ekspresi.

8 . = Var (Zv Zv ) 2u ( -1)

Parsial turunan kuantitas ini kemudian ditata ke nol.Hal ini untuk satu set n
1Linier persamaan kriging sistem disebut.Kotak menunjukkan rincian dari
6Diferensiasi. langkahKetika ditulis dalam hal yang variogram model kriging
Sistem

9. ( - )+u = ( , V)
i = 1, 2.N
=1
10. = ( , V ) - (V,V)+ u

11. Jelas persamaan dapat juga telah diperoleh dalam hal covariance
olehMeminimalkan yang frrst bentuk 7,7.Sistem yang kriging adalah kemudian:
C ( , ) + u' = c ( , V ) i = 1, 2,N
=1
12. Kriging adalah interpolator yang tepat

Cara termudah untuk menunjukkan bahwa kriging adalah interpolator yang

tepat adalah melalui sebuah contoh.
Melanjutkan contoh yang sesuai di mana 5 titik data digunakan untuk
mengekang blok 200m x 200m, anggap kita sekarang ingin memperkirakan
nilainya di salah satu titik sampel (contohnya yang sentral) dari data yang
tersedia termasuk titik itu. Bisa dilihat bahwa matriks di sisi kiri sama persis
seperti sebelumnya. Hanya vektor di sisi kanan yang berubah. Sistem baru
adalah ..
=
 Varians kriging yang sesuai adalah
nol.

13. Melakukan geometris menunjukkan prosedur minimisasi

Tujuan dari latihan ini adalah untuk memberikan ilustrasi geometrik

tentang hubungan antara kriging biasa dan sederhana. Untuk menjaga hal-
hal sederhana, kita asumsikan bahwa hanya dua sampel yang tersedia
untuk memberi nilai pada krige kelas V. Alasan hanya mengambil dua
sampel adalah agar mudah untuk merencanakan dua fungsi yang tidak
diketahui. Untuk kesederhanaan, variabel regional yang mewakili kelas
dianggap stasioner dan kovariannya C(h) memiliki unit sill.
13.1 Bentuk kuadrat yang harus diminimalkan
Varians estimasi umum yang harus diminimalisir bila ada dua
sampel, adalah ..
dan di mana d adalah nilai yang sesuai dipilih. Gambar 7.3. menunjukkan dua
cara untuk memvisualisasikan variasi estimasi sebagai fungsi dari bobot.
Grafik 3D menunjukkan bahwa itu adalah permukaan berbentuk cekungan.
Dari persamaan tersebut, jelas terlihat bila bobot masing-masing diambil nilai
a dan b, dan nilainya adalah d. Pembaca dapat menyelesaikan sistem SK untuk
memeriksa apakah a dan b bobot SK dan d adalah varian SK. Garis kontur iso-
varians (di sebelah kiri) adalah proyeksi dari "cekungan".

Gambar 7.3. Di sebelah kanan, Gambar 7.4. Garis yang mewakili batasan OK
representasi 3D dari varians estimasi + = 1 telah dilapiskan pada garis kontur
sebagai fungsi dari bobot; Di sebelah kiri, isovariance. Koordinat titik di mana ia
garis kontur iso-varians yang sesuai menyinggung salah satu elips adalah bobot OK.
Setelah meminimisasi kriging sederhana kita sekarang pergi ke kriging biasa. Karena kondisi yang
berbeda, bobot sekarang harus berjumlah 1, yaitu + = 1. Gambar 7.4 menunjukkan garis - 1 =
bergabung dengan titik (0,1) dan (1,0) yang mewakili masalah ini. Minimum terjadi pada titik di
mana garis ini menyinggung salah satu elips. Nilai bobot yang sesuai hanyalah bobot OK, dan tinggi
pada titik itu adalah varians OK. Karena ini bukan dasar cekungan, maka tinggi pada titik tersebut
lebih tinggi dari pada bagian bawah. Dengan kata lain, varians OK sama dengan atau lebih besar
dari varian SK. Hal ini juga bisa dilihat melalui persamaan. Menggantikan = 1 - ke dalam bentuk
kuadrat, maka ..
 SEKIAN

TERIMA KASIH