VARIOGRAM

DAN KRIGING
Oleh
Fachri Faisal
197090300111002
 Variogram dan Kriging
• Pendahuluan
• Teori Geostatistik
• Pengestimasian Variogram
• Memodelkan Variogram
• Studi kasus: Variogram
• Prediksi geostatistik: Kriging
• Studi kasus: Kriging
Pendahuluan
• Cressie (1993), Matheron (1963), Mercer dan Hall (1911), Youden
dan Mehlich (1937), Kolmogorov (1941), Gandin (1965), Matern
(1960) dan Krige (1966)
• Istilah geostatistik pada dasarnya berlaku untuk serangkaian
model dan teknik spesifik untuk mengevaluasi cadangan yang
dapat dipulihkan untuk industri pertambangan
• Geostatistik banyak diterapkan bidang : pertanian, perikanan,
hidrologi, geologi, meteorologi, minyak bumi, penginderaan
jauh, ilmu tanah dan sebagainya.
Teori Geostatistik
• Dasar geostatistik modern adalah menjadikan variabel yang menjadi pokok
permasalahan sebagai variabel acak.
• ini berarti bahwa pada setiap titik x dalam ruang ada serangkaian nilai untuk suatu
properti, Z(x), dan yang diamati, z(x), diambil secara acak menurut beberapa
hukum, dari beberapa distribusi peluang. Pada x, properti Z(x) adalah variabel
acak dengan rerata, μ dan varians, σ2.
• Himpunan variabel acak, Z(x1), Z(x2), ..., adalah proses acak, dan nilai aktual Z yang
diamati hanyalah salah satu dari sejumlah realisasi potensi dari proses acak.
• Untuk menentukan variasi dari proses acak yang mendasarinya, kita dapat
memperhitungkan fakta bahwa nilai-nilai variabel regional di tempat-tempat yang
berdekatan satu sama lain cenderung terkait.
• Selain mengestimasi mean dan varians, kita juga dapat
mengestimasi kovarians spasial untuk menggambarkan
hubungan antara pasangan titik. Kovarians untuk variabel acak
diberikan oleh
C(x1,x2) = E [{Z(x1 )− μ( x1)}{Z(x2 )− μ(x2)}] (B.6.1)
• di mana μ(x1) dan μ(x2) adalah rata-rata Z pada x1 dan x2, dan E
menunjukkan nilai harapan.
• Namun, solusi ini tidak tersedia karena caranya tidak diketahui
dan juga hanya ada satu realisasi Z di setiap titik.
• Untuk melanjutkannya kita harus memunculkan asumsi
kestasioneran.
Stasioneritas
• Di bawah asumsi ini, atribut-atribut tertentu dari proses acak sama di mana-mana.
• Diasumsikan bahwa rata-rata, μ = E[Z(x)], adalah konstan untuk semua x, sehingga
μ(x1) dan μ(x2) dapat diganti dengan μ, yang dapat diperkirakan dengan
pengambilan sampel berulang.
• Ketika x1 dan x2 berhimpit (coincide), Persamaan. (B.6.1) mendefinisikan varian
σ ² = E[{Z(x) - μ}²], yang dianggap terbatas dan, untuk mean-nya sama di mana-
mana.
• Ketika x1 dan x2 tidak berhimpit, kovariansnya tergantung pada jarak pemisahan
mereka dan bukan pada posisi absolut mereka, dan ini berlaku untuk setiap
pasangan titik xi , xj dipisahkan oleh lag h = xi - xj (vektor dalam jarak dan arah),
sehingga
C (xi ,xj ) = E[{Z (xi) − μ}{Z (x j) − μ}] = E[{Z(x)}{Z(x + h)}− μ2] = C(h) (B.6.2)
• Persamaan (B.6.2) menunjukkan bahwa kovarians
adalah fungsi dari lag dan menggambarkan secara
kuantitatif ketergantungan antara nilai-nilai Z dengan
perubahan jarak lag.
• Autokovarian tergantung pada skala pengukuran Z; oleh
karena itu, sering dikonversi ke autokorelasi tanpa
dimensi oleh
𝜌 ℎ = 𝐶 ℎ /𝐶 0 (B.6.3)
di mana 𝐶 0 = 𝜎 2 adalah kovarians pada lag nol.
Variasi intrinsik dan variogram
• Variogram adalah alat dasar dalam Geostatistik, yang digunakan untuk
mengukur korelasi spasial antara pengamatan
• Oleh karena rata-rata sering berubah dan varians sering meningkat tanpa
batas seiring dengan meningkatnya luas wilayah.
• Hal ini menyebabkan kovarians tidak dapat didefinisikan lagi karena tidak
ada nilai untuk μ untuk dimasukkan ke dalam Persamaan. (B.6.2).
• Ini merupakan penyimpangan dari kestasioneran lemah.
• Matheron (1965) mengakui masalah yang diciptakan ini, dan solusinya
merupakan kontribusi besar bagi geostatistik praktis.
• Meskipun rata-rata umumnya tidak mungkin konstan, itu setidaknya untuk
jarak lag(h) yang kecil dan perbedaan yang diharapkan akan menjadi nol :
• dan perbedaan kuadrat yang diharapkan untuk lag tersebut menentukan
variansnya

• Kuantitas γ(h) dikenal sebagai semivarian pada lag h, atau varians per titik ketika
titik tersebut dianggap berpasangan.
• Adapun kovarians, semivarian hanya bergantung pada lag dan bukan pada posisi
absolut data. Sebagai fungsi dari h, γ(h) adalah semivariogram atau biasanya
disebut variogram.
• Jika proses Z(x) adalah stasioner orde kedua, semivarian dan kovarian setara:
Estimasi variogram
• Bagian ini menjelaskan dua metode untuk estimasi variogram dari data,
1) Metode Momen Matheron (MoM), dan
2) Metode kemungkinan maksimum residual (REML),
Metode estimator momen (MoM)
• Semivarian empiris dapat diestimasi dari data, z(x1), z(x2), ..., oleh

• di mana z(xi ) dan z(xi+h) adalah nilai aktual Z di tempat (xi ) dan (xi+h), dan m(h)
adalah banyaknya pasangan (xi+h,xi ) pada jarak h.
• Semivariogram (B.6.7) disebut semivarigram Eksperimental
 Gambar 1
a. Perbandingan untuk menghitung variogram untuk tiga interval lag dari sampel
reguler setiap 10 m sepanjang transek dan
b. semivarian diplot terhadap tiga interval lag pertama untuk membentuk
variogram sampel (kemungkinan semivarian lainnya ditampilkan sebagai garis
silang)
 Contoh:
Hitung variogram eksperimental untuk tiga jarak pertama kelas untuk data
yang diberikan di bawah ini. 'Sampel ditempatkan secara teratur setiap 5m
dalam 1 D.

Gambar 2. Data sampel ditempatkan setiap 5 m di sepanjang garis, dengan nilai ditampilkan

Jawab:
Untuk kelas variogram pertama (5m), ada dua belas perbedaan kuadrat:

ˆ 10  4,82

ˆ 15  6
Estimator variogram kemungkinan maksimum residual (REML)
• Berbeda dengan pendekatan MoM, metode ML adalah parametrik dan mereka
juga mengasumsikan bahwa proses, Z, adalah stasioner orde kedua.
• Mengikuti notasi Kerry dan Oliver (2007), diasumsikan bahwa data, z(xi), i = 1, ..., n,
realisasi dari proses ini, mengikuti distribusi Gauss multivariat dengan fungsi
densitas probabilitas gabungan (pdf) dari pengukuran yang didefinisikan oleh

• di mana z adalah vektor yang berisi data n, θ berisi parameter dari matriks
kovarians, V adalah matriks varians-kovarians ukuran n x n, dan Xβ mewakili tren.
Matriks V dapat difaktorkan sebagai

• di mana σ2 adalah varians dan A adalah matriks autokorelasi. Fungsi kepadatan

peluangnya kemudian dapat ditulis ulang sebagai
 𝑛 1
2 − −𝑛 − 1
𝑝 𝑧 𝛽, 𝜎 , 𝜃 = 2𝜋 2 𝜎 𝐴 2 exp − 𝑧 − 𝑋𝛽 𝑇 𝐴−1 𝑍 − 𝑋𝛽 (B.6.10)
2𝜎 2

• di mana θ adalah himpunan parameter kovarian tidak termasuk varians.

Parameter, β, σ2, θ, diestimasi sedemikian rupa sehingga mereka meminimalkan
fungsi loglikelihood negatif yang diberikan oleh
𝑛 1 1
ln𝐿 𝛽, 𝜎 2 , 𝜃 𝑧 = ln 2𝜋 + 𝑛ln 𝜎 + ln 𝐴 + 𝑧 − 𝑋𝛽 𝑇 𝐴−1 𝑧 − 𝑋𝛽 . (B.6.11)
2 2 2𝜎 2

• Dalam pendekatan ML parameter drift, β, diestimasi pada saat yang sama dengan
set parameter kovarian.
• Estimasi simultan dari parameter tren dan kovarian dalam pendekatan ML
menghasilkan estimasi parameter kovarian yang bias (Matheron,,1971; Kitanidis
dan Lane, 1985).
• Residual maximum likelihood (REML) yang dikembangkan oleh Patterson dan
Thompson (1971) menghindari masalah ini karena alih-alih bekerja dengan data
asli, ia menggunakan kombinasi linear data.
• Yang terakhir ini, yang dikenal sebagai kenaikan umum, menyaring tren.
Peningkatan umum, g, dapat direpresentasikan sebagai
g=Λz (B.6.12)
• di mana matriks Λ berasal dari matriks proyeksi
𝑃 = 𝐼 − 𝑋 𝑋𝑇 𝑋 −1
𝑋𝑇 (B.6.13)
• dengan menjatuhkan p baris dalam Λ karena ada p kenaikan bertahap yang secara
linear bergantung pada yang lain (Kitanidis 1983). Matriks P memiliki sifat itu
𝑃𝑋 = 0 (B.6.14)
• Kemudian
𝑃𝑧 = 𝑃𝑋𝛽 + 𝑃𝑒 = 𝑃𝑒 (B.6.15)

• yang menyaring tren terlepas dari apa koefisien β. Dimana e adalah residu. Kemudian
𝐸 g =0 (B.6.16)