Surpac Ordinary Kriging [PDF]

Citation preview

Buka topik dengan navigasi You are here: Menu Perintah > Model blok > Estimasi > Kriging biasa



kriging biasa Fungsi ini memperkirakan nilai ke dalam atribut model blok berdasarkan nilai bobot titik data yang dipilih dalam ellipsoid pencarian yang berpusat pada blok. Untuk menjalankan fungsi ini: Pilih Block model > Estimation > Ordinary kriging , atau... Di Pemilih Fungsi , ketik BM FILL OK, dan tekan ENTER. Sebelum menggunakan fungsi ini, Anda harus mengidentifikasi atribut dan domain, serta model variogram dan parameter elipsoid anisotropi yang sesuai untuk domain.



Nama Atribut Nilai estimasi yang sedang dimodelkan harus disimpan dalam atribut real atau float. Atribut harus ada sebelum Anda dapat memilihnya.



Jarak anisotropik ke sampel terdekat Jarak anisotropik terkecil ke sampel, untuk blok yang diestimasi. Ini dihitung berdasarkan orientasi sampel ke pusat massa blok yang diestimasi, dan parameter anisotropi. Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan jarak anisotropik ke titik terdekat tidak disimpan. Catatan : Jika kondisi isotropik didefinisikan (dengan menetapkan rasio mayor/semi-mayor ke 1 dan rasio mayor/minor ke 1), jarak anisotropik sama dengan jarak dunia nyata dari pusat blok ke sampel. Jika anisotropi digunakan (rasio mayor/semi-mayor dan rasio mayor/minor keduanya lebih besar dari 1), jarak anisotropik ke sampel akan berbeda dengan jarak dunia nyata.



Jarak anisotropik rata-rata ke sampel Jarak anisotropik ke setiap sampel dihitung berdasarkan orientasi sampel ke pusat massa blok yang diestimasi, dan parameter anisotropi. Jarak anisotropik rata-rata ke semua sampel adalah jumlah semua jarak anisotropik dari pusat massa blok ke sampel pemberi informasi dibagi dengan jumlah sampel. Jarak anisotropik rata-rata = jumlah (jarak anisotropik untuk balok yang diestimasi) / jumlah sampel Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan jarak anisotropik rata-rata ke titik terdekat tidak disimpan. Catatan : Jika kondisi isotropik didefinisikan (dengan menetapkan rasio mayor/semi-mayor ke 1 dan rasio mayor/minor ke 1), jarak anisotropik sama dengan jarak dunia nyata dari pusat blok ke sampel. Jika anisotropi digunakan (rasio mayor/semi-mayor dan rasio mayor/minor keduanya lebih besar dari 1), jarak anisotropik ke sampel akan berbeda dengan jarak dunia nyata.



Jumlah sampel Jumlah sampel yang termasuk dalam ellipsoid anisotropi, berpusat pada blok centroid. Untuk menyimpan nilai ini, Anda dapat memilih atribut integer yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut integer baru akan dibuat dengan nilai latar belakang -99. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan jumlah sampel tidak disimpan.



Varians Kriging Ini adalah ukuran distribusi data di sekitar blok yang diestimasi. Ini hanya terkait dengan lokasi data di sekitar blok dan model variogram. Nilai varians kriging yang rendah dapat menunjukkan distribusi data yang baik di sekitar blok. Nilai varians kriging yang tinggi dapat terjadi ketika data berkerumun, atau tidak terdistribusi dengan baik di sekitar blok. Varians kriging terkadang berguna dalam mengklasifikasikan bijih ke dalam kategori terukur, terindikasi, dan tereka. Varians Kriging = jumlah (titik pembobotan ke varian blok) - (varians di dalam blok) + pengali LaGrange



Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan varians kriging tidak disimpan.



Blok Varians Selisih nilai antara nilai rata-rata untuk varians semua sampel dalam model blok, dan varians sampel dalam satu blok individu. Varians blok = varians sampel rata-rata - varians sampel blok Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan varians blok tidak disimpan.



Efisiensi Kriging Efisiensi kriging dihitung dengan membagi selisih antara varians blok dan varians kriging dengan varians blok. Efisiensi kriging dapat digunakan untuk menentukan ukuran blok yang optimal, dan untuk mengklasifikasikan blok individu ke dalam kategori sumber daya seperti terukur, terindikasi, dan tersimpul. Efisiensi kriging = (varians blok - varians kriging) / varians blok Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan efisiensi kriging tidak disimpan.



Jumlah bobot negatif Jumlah sampel yang menerima bobot negatif selama estimasi kriging biasa. Seringkali, di mana sampel informasi dikelompokkan, beberapa sampel menerima bobot negatif. Jumlah sampel yang diberi bobot negatif dapat digunakan untuk mengklasifikasikan blok individu ke dalam kategori sumber daya seperti terukur, terindikasi, dan tereka. Untuk menyimpan nilai ini, Anda dapat memilih atribut bilangan bulat yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut integer baru akan dibuat dengan nilai latar belakang -99. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan jumlah sampel dengan bobot negatif tidak disimpan.



Pengganda Lagrange Pengganda Lagrange digunakan dalam matriks kriging untuk meminimalkan kesalahan estimasi dengan memastikan bahwa bobot nilai sampel yang digunakan untuk krige jumlah blok menjadi 1. Nilai positif yang besar untuk pengali Lagrange umumnya menunjukkan bahwa sampel jauh dari blok, atau sangat berkerumun. Nilai negatif yang besar untuk pengali Lagrange biasanya menunjukkan bahwa sampel terlalu dekat dengan blok, atau berjarak terlalu jauh di sekitarnya. Pengganda Lagrange dapat digunakan untuk mengklasifikasikan blok individu ke dalam kategori sumber daya seperti diukur, ditunjukkan, dan disimpulkan. Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan pengali Lagrange tidak disimpan.



Kemiringan bias bersyarat Juga dikenal sebagai kemiringan regresi, kemiringan bias bersyarat mengidentifikasi korelasi yang diharapkan antara nilai blok yang diestimasi dan nilai blok yang sebenarnya. Kemiringan bias bersyarat dapat digunakan untuk menentukan ukuran blok yang optimal, dan untuk mengklasifikasikan blok individu ke dalam kategori sumber daya seperti terukur, terindikasi, dan tereka. Kemiringan bias bersyarat = ( Varians blok - Varians Kriging + |Pengali Lagrange| ) / ( Varians blok - Varians Kriging + 2 x |Pengali Lagrange| ) Untuk menyimpan nilai ini, Anda dapat memilih atribut float atau real yang ada, atau memasukkan nama untuk atribut baru. Jika Anda memasukkan nama, atribut float baru dibuat dengan tiga tempat desimal dan nilai latar belakang -99.000. Jika Anda membiarkan bidang ini kosong, tidak ada atribut yang dibuat, dan kemiringan bias bersyarat tidak disimpan.



Jenis sumber data Data yang akan digunakan untuk estimasi dapat berupa STRING FILE atau BLOCK MODEL.



Lokasi, rentang ID, Rentang string, bidang D



Jika sumber data adalah file string, Anda harus melengkapi setiap input ini untuk menjelaskan file string atau file dari mana data sampel akan diperoleh. Masukkan rentang Lokasi dan Id dari file string yang diperlukan. Masukkan rentang String dan bidang deskripsi untuk menentukan data dari file string atau file yang akan digunakan untuk estimasi.



Nama model dan Atribut Jika sumber data adalah Model Blok maka Anda harus memasukkan nama model blok dan bidang atribut dalam model tersebut yang akan digunakan sebagai sumber data untuk estimasi.



Membatasi data? Masukkan 'Y' jika Anda ingin membatasi pemilihan data atau 'N' untuk pemilihan yang tidak dibatasi. Lihat Membuat Batasan . Membatasi data secara efektif menghilangkan semua titik sampel yang tidak diperlukan dari proses estimasi sepenuhnya.



Catatan khusus: Membatasi sumber data menggunakan batasan model blok untuk menentukan titik sampel mana yang akan dipilih. Akibatnya, jika menggunakan batasan geometris seperti di dalam 3DM, di atas DTM, dll., titik sampel yang dipilih tidak akan sesuai dengan batas geometris. Sebaliknya mereka akan konsisten dengan kendala model blok dari batas geometris. Ini adalah perkiraan yang bergantung pada resolusi model blok. Jika Anda memeriksa data Batasan? bidang, bidang berikut akan muncul:



Simpan titik sampel terbatas? Menyimpan titik sampel yang dibatasi ke file string dapat digunakan untuk mengonfirmasi bahwa batasan yang benar telah diterapkan. Jika Anda mencentang Simpan titik sampel terbatas? lapangan, dua bidang berikut akan muncul:



Lokasi keluaran Masukkan lokasi file string untuk menyimpan titik yang dibatasi.



Nomor id keluaran Masukkan ID untuk file string untuk menyimpan poin yang dibatasi. Pilih Apply untuk menampilkan form SEARCH PARAMETER atau Cancel untuk kembali ke menu BLOCK MODELING .



Jenis pencarian Masukkan jenis pencarian yang mungkin ELLIPSOID atau OCTANT. Pencarian ellipsoid 3D dapat digunakan jika titik data yang digunakan terdistribusi secara wajar dan tidak menunjukkan pengelompokan yang signifikan. Ini hanya menggunakan sampel terdekat ke blok yang diperkirakan hingga jumlah maksimum sampel yang ditentukan. Pencarian oktan harus digunakan di mana ada pengelompokan titik data yang signifikan. Ini membagi bidang horizontal menjadi delapan area yang sama dan membutuhkan hingga n/8 sampel dari setiap oktan untuk digunakan dalam estimasi di mana 'n' adalah jumlah sampel maksimum yang ditentukan. Jika ada terlalu banyak oktan kosong di sekitar blok, maka blok tersebut tidak akan diestimasi. Gunakan Ellipsoid Visualiser untuk membantu mendefinisikan ellipsoid pencarian Anda.



Jumlah minimum sampel untuk dipilih Ini menetapkan batas yang lebih rendah pada jumlah sampel yang akan digunakan untuk estimasi untuk memastikan estimasi yang valid.



Jumlah maksimum sampel untuk dipilih Ini menetapkan batas atas jumlah sampel yang akan digunakan untuk estimasi guna meminimalkan waktu pemrosesan.



Radius pencarian maksimum Jarak pencarian maksimum digunakan dalam hubungannya dengan jumlah sampel maksimum untuk memilih sampel yang akan digunakan dalam perhitungan kriging. Umumnya (walaupun tidak harus) diatur ke nilai yang sedikit lebih besar dari kisaran variogram sumbu utama. Pengecualian untuk hal ini adalah jika telah ditetapkan bahwa bobot kriging berdasarkan konfigurasi blok / sampel tipikal cenderung nol pada jarak yang lebih pendek dari kisaran ini. Sementara



kisaran variogram memberikan jarak maksimum di mana ada beberapa korelasi antara titik-titik data, besarnya bobot kriging yang pada akhirnya menentukan jarak sampel signifikan mana yang akan ditemukan. Radius pencarian maksimum diukur dalam arah sumbu utama. Jarak pencarian sumbu semi-mayor dan minor dipengaruhi oleh rasio anisotropi yang digunakan untuk menentukan bentuk ellipsoid. Hanya jika rasio ini sama dengan 1,0 maka jarak pencarian maksimum akan sama ke segala arah.



Jarak pencarian vertikal maksimum Hal ini memungkinkan penolakan titik data jika terlalu jauh secara vertikal dari blok untuk memberikan estimasi yang berarti. Perhatikan bahwa ini adalah jarak pencarian VERTIKAL dan tidak dipengaruhi oleh orientasi ellipsoid pencarian. Untuk digunakan dalam mengestimasi nilai suatu blok, suatu titik harus terlebih dahulu berada dalam ellipsoid pencarian dan juga harus berada dalam jarak pencarian vertikal maksimum.



Dibatasi oleh lubang bor? Opsi ini memungkinkan Anda untuk membatasi titik sampel dengan memilih jumlah terbatas dari setiap lubang bor. Opsi ini hanya akan muncul jika Anda menetapkan data Anda berasal dari file string (yaitu tidak akan muncul jika Anda telah menetapkan data model blok). Jika Anda memeriksa Batasan dengan lubang bor? lapangan, dua bidang berikut akan muncul:



Bidang Desc Masukkan kolom deskripsi yang berisi id lubang bor. Petunjuk: Data file string sering dihasilkan dari fungsi pengomposisian Surpac. Setiap fungsi pengomposisian menjelaskan bidang deskripsi tempat id lubang disimpan, sehingga dokumentasi online untuk fungsi pengomposisian yang menarik harus ditinjau untuk perincian lebih lanjut tentang di mana id lubang disimpan.



Jumlah maksimum sampel per lubang bor Masukkan jumlah maksimum sampel per lubang yang dapat digunakan dalam estimasi.



Jumlah maksimum oktan yang berdekatan tanpa sampel Ini menentukan jumlah maksimum oktan yang berdekatan yang mungkin tidak memiliki sampel namun perhitungan akan tetap dilakukan (pencarian oktan saja).



Bantalan sumbu utama Ini adalah bantalan sumbu panjang ellipsoid pencarian. Anisotropi yang didefinisikan oleh ellipsoid ini digunakan untuk menentukan jarak sampel dari pusat blok untuk memilih yang akan menginformasikan perkiraan.



Plunge atau pitch dari sumbu utama Ini adalah perpindahan sudut sumbu utama dari horizontal dalam bidang vertikal melalui sumbu utama. Perpindahan negatif jika sumbu utama jatuh ke bawah. Terjun diukur dari bidang horizontal (diukur dari X atau Y bila konvensi rotasi adalah ZXY atau ZYX) dan pitch adalah pengukuran dari bidang miring (diukur dari sumbu Z jika konvensi rotasi adalah ZXZ atau ZYZ).



Penurunan sumbu semi-mayor Ini adalah perpindahan sudut sumbu semi-mayor dari horizontal dalam bidang vertikal normal ke sumbu utama. Perpindahan positif jika kemiringan ke kiri melihat ke bawah terjun dari sumbu utama.



1. sumbu minor



2. sumbu utama



3. sumbu semi-mayor



4. arah kemiringan positif



5. kemiringan terhadap sumbu utama



RASIO ANISOTROPI mayor / semi mayor Ini adalah rasio panjang sumbu utama dengan panjang sumbu semi-mayor.



Mayoritas Minoritas Ini adalah rasio panjang sumbu mayor dengan panjang sumbu minor. Pilih Terapkan untuk menampilkan formulir PARAMETER KRIGING atau Batal untuk kembali ke formulir SPESIFIKASI SUMBER DATA .



Nama file variogram Masukkan nama file yang berisi parameter model variogram yang akan digunakan. Setelah nilai dipilih dan fokus dipindahkan ke bidang lain pada formulir ini, file akan dibaca dan parameter model variogram akan diisi ke dalam bidang parameter variogram. Bidang-bidang ini dapat dimodifikasi jika perlu sebelum menerapkan formulir. Biarkan bidang ini kosong jika parameter model variogram yang akan digunakan belum disimpan ke file.



model variogram Masukkan tipe model yang akan digunakan untuk kriging. Ini mungkin salah satu dari Spherical, Nested Spherical, Exponential, Gaussian, atau Hole Effect.



Jumlah struktur Ini bisa 1 - 5 untuk model Spherical Bersarang, dan harus 1 untuk semua jenis model lainnya.



Nugget (Co) Ini adalah nilai nugget untuk model.



Ambang (C(#)) Ini adalah perbedaan antara ambang total dan nugget. Nilai untuk setiap struktur diperlukan.



Rentang (A(#)) Ini adalah kisaran model. Nilai untuk setiap struktur diperlukan.



PARAMETER ANISOTROPY (satu per struktur) bantalan Ini adalah bantalan sumbu panjang ellipsoid anisotropi untuk struktur ini. Anisotropi yang ditentukan oleh ellipsoid ini digunakan untuk menentukan jarak sampel informasi dari pusat blok. Default yang disediakan adalah ellipsoid pencarian.



Terjun Ini adalah perpindahan sudut sumbu utama dari horizontal dalam bidang vertikal melalui sumbu utama. Perpindahan negatif jika sumbu utama jatuh ke bawah.



Mencelupkan Ini adalah perpindahan sudut sumbu semi-mayor dari horizontal dalam bidang vertikal normal ke sumbu utama. Perpindahan positif jika kemiringan ke kiri melihat ke bawah terjun dari sumbu utama.



Mayor/Semi Ini adalah rasio panjang sumbu utama dengan panjang sumbu semi-mayor.



Mayoritas Minoritas Ini adalah rasio panjang sumbu mayor dengan panjang sumbu minor.



Jumlah poin deskritisasi Titik-titik ini akan didistribusikan secara merata melalui blok untuk memberikan target estimasi dan kemudian akan dirata-ratakan untuk memberikan perkiraan untuk seluruh blok.



Nama file keluaran Masukkan nama file `.not' yang akan digunakan untuk menulis parameter estimasi.



Sertakan keluaran debug Centang kotak ini jika Anda menginginkan informasi tambahan. Biarkan tidak dicentang jika Anda hanya menginginkan ringkasan parameter estimasi. Informasi tambahan yang disertakan dalam keluaran debug: Perkiraan Kelas Varians Kriging Simpangan baku * 2 Blok varians Efisiensi kriging = (varians blok - varians kriging) / varians blok Kemiringan regresi = standar deviasi / Estimasi nilai Kemiringan bias bersyarat = (varians blok - varians kriging + | LaGrange |) /



                                        (varians blok - varians kriging + |2 * LaGrange |)



Batasi interpolasi Centang kotak ini jika Anda ingin membatasi blok yang akan diestimasi di dalam batasan. Biarkan kotak tidak dicentang untuk interpolasi tanpa batas. Lihat Membuat Batasan. Pilih Terapkan untuk melakukan estimasi kriging atau Batal untuk kembali ke formulir PARAMETER PENCARIAN .



Hasil Nilai akan diestimasi untuk atribut yang dinominasikan dalam blok yang dipilih oleh ellipsoid pencarian dan batasan.



Pesan WARNING - Negative kriging variance - check block size and/or number of descretisation points Varians kriging negatif akan terjadi jika varians dispersi dari sebuah blok lebih besar dari rata-rata tertimbang varians ekstensi dari sampel yang menginformasikan blok tersebut. Ini mungkin karena blok yang terlalu besar relatif terhadap jarak antar sampel, jumlah titik diskritisasi yang tidak mencukupi digunakan untuk mengkarakterisasi blok, atau kebetulan yang tidak menguntungkan antara titik sampel dan titik diskritisasi. Tidak ada blok yang akan ditulis di mana varians kriging negatif terjadi. Jika menjadi jelas bahwa varians kriging negatif sedang dihitung untuk setiap blok, fungsi dapat dihentikan menggunakan kunci ABORT. Hak Cipta © 2014 Dassault Systèmes GEOVIA Inc.



navigasi



Buka topik dengan