05 - estimación local
TRANSCRIPT
-
8/12/2019 05 - Estimacin local
1/92
Leccin 5:La estimacin local
-
8/12/2019 05 - Estimacin local
2/92
De los estimadorestradicionales al kriging
-
8/12/2019 05 - Estimacin local
3/92
Introduccin
Objetivo
La estimacin local consiste en evaluar (predecir) el valor de la
variable regionalizada en un sitio no muestreado del espacio,utilizando para ello los datos circundantes disponibles.
Asimismo, se puede evaluar el valor promedio de la variable en
un soporte mayor que el soporte de los datos (por ejemplo, losbloques de seleccin minera).
-
8/12/2019 05 - Estimacin local
4/92
-
8/12/2019 05 - Estimacin local
5/92
Los estimadores tradicionales (2)
Estimador del ms cercano vecino
Atribuye toda la ponderacin al dato ms cercano al sitio a
estimar. En este caso se trata del dato ubicado en C.
-
8/12/2019 05 - Estimacin local
6/92
Los estimadores tradicionales (3)
Estimador del inverso de la distancia
Asigna a cada dato una ponderacin inversamente proporcional
a (una potencia de) su distancia al sitio a estimar.
inverso de la distancia inverso del cuadrado de la distancia
-
8/12/2019 05 - Estimacin local
7/92
Los estimadores tradicionales (4)
Otros estimadores
mtodos baricntricos
interpolacin por triangulacin
splines
superficies de tendencia
modelos numricos de terreno para interpolar la elevacinredes neuronales
regresin de vectores de soporte
-
8/12/2019 05 - Estimacin local
8/92
Los estimadores tradicionales (5)
Ventajas
Fciles de ejecutar
Inconvenientes
Ambos estimadores no toman en cuenta la continuidad de la
variable regionalizada: regularidad en el espacio, anisotropa
El ms cercano vecino apantalla a todos los otros datos, luego
omite parte de la informacin. El inverso de la distancia no
considera las redundancias que existen entre datos agrupados
En ambos casos, el estimador privilegia los datos cercanos
No miden la precisin de la estimacin. Cul es el mejor
estimador?
-
8/12/2019 05 - Estimacin local
9/92
Los estimadores tradicionales (6)
El krigingbusca mejorar la ponderacin de los datos al tomar
en cuenta:
3) la continuidad de la variable regionalizada (variograma)2) las redundancias entre los datos (posibles agrupamientos)
1) sus distancias al sitio a estimar
privilegia los datos cercanos si el variograma es muy regular
reparte la ponderacin entre los datos si existe un efecto pepita
en caso de anisotropa, privilegia los datos ubicados a lo largo
de las direcciones de mayor alcance
Asimismo, el kriging cuantifica la precisinde la estimacin.
-
8/12/2019 05 - Estimacin local
10/92
Construccin del kriging (1)
El sistema de kriging se obtiene al plantear tres restricciones:
Restriccin de linealidad
Sea z(x) la variable regionalizada en estudio, {xa, a =1... n}los sitios con datos y x0el sitio que se busca estimar.
La primera restriccin consiste en escribir el estimador como
una combinacin lineal ponderada de los datos:
=a
aa=n
1
0
* )(z)(z xx a
buscar los ponderadores {a, a = 1... n} y el coeficiente a
-
8/12/2019 05 - Estimacin local
11/92
Construccin del kriging (2)
Restriccin de insesgo
En el modelo probabilstico, el error cometido debe tener una
esperanza nula:
el estimador no tiende a sobreestimar o subestimar el valor
real desconocido
Nota:
las maysculas se refieren a variables / funciones aleatorias, las minsculas a
las variables / funciones determinsticas
E[Z*(x0)Z(x0)] = 0
-
8/12/2019 05 - Estimacin local
12/92
Construccin del kriging (3)
Restriccin de optimalidad
Se busca minimizar la varianza del error cometido (varianza
de kr iging), que mide la amplitud potencial de dicho error
bsqueda de la precisin mxima
minimizar sK2(x0) = var[Z
*(x0)Z(x0)]
-
8/12/2019 05 - Estimacin local
13/92
-
8/12/2019 05 - Estimacin local
14/92
Plan de kriging (2)
Relacin entre las varianzas de kriging con n y con n+k datos
Se pierde precisin (aumenta la varianza de kriging) cuando:
el nmero de datos omitidos (k) es grande
los ponderadores asignados a estos datos son muy distintos de 0
los k datos omitidos no pueden ser estimados en forma precisa porlos n datos restantes
La vecindad mvil puede descartar datos que recibiran poca
ponderacin (datos lejanos de x0) y/o datos redundantes con
otros (datos agrupados).
=aaa
ss=s
kn
1ndatosn
2
Kdatoskn0
2
0
2
Kdatosn0
2
K )()()()(datoskn
xxxx
-
8/12/2019 05 - Estimacin local
15/92
Plan de kriging (3)
Forma de la vecindad mvil
Idealmente, la vecindad debera tener la forma de las curvas
de iso-correlacin, para tomar en cuenta la anisotropa en la
correlacin espacial de los datos.
En general, para simplificar, se toma una vecindad en forma
de elipse(2D) o elipsoide(3D).
-
8/12/2019 05 - Estimacin local
16/92
Plan de kriging (4)
Divisin en sectores angulares
Para mejorar la reparticin de los datos en torno al sitio a
estimar, es recomendable dividir la vecindad en sectores
angulares y buscar datos en cada sector.
-
8/12/2019 05 - Estimacin local
17/92
Plan de kriging (5)
Tamao de la vecindad mvil
Los parmetros ms relevantes a considerar son: el alcance
del variograma y la malla de muestreo.
Factores que incitan a aumentar el tamao
Factores que incitan a disminuir el tamaocambios en la continuidad espacial, irrelevancia de los
datos lejanos, poca confiabilidad del modelo de
variograma para distancias muy grandes, tiempos de
clculo.
precisin, insesgo condicional
-
8/12/2019 05 - Estimacin local
18/92
Plan de kriging (6)
Validacin cruzada
Para determinar el plan de kriging, se puede recurrir a la
validacin cruzada o al jack-knife: probar varios planes y
escoger aquel que entrega los resultados ms satisfactorios
precisin alcanzada
sesgo condicional
-
8/12/2019 05 - Estimacin local
19/92
Varios tipos de kriging
-
8/12/2019 05 - Estimacin local
20/92
Kriging simple (1)
Hiptesis
Se conoce el valor promedio mde la variable regionalizada.
En general, se supone constante en el espacio y se toma
igual a la media (desagrupada) de los datos disponibles.
Tambin se conoce el variograma g(h), el cual presenta una
meseta g() =s2. Por lo anterior, se tiene una funcin de
covarianza dada por
)()(C 2 hh gs=
-
8/12/2019 05 - Estimacin local
21/92
Kriging simple (2)
Restriccin de linealidad
=a
aa=n
1
0
* )(z)(z xx a
La estimacin en un sitio x0se escribe como una combinacin
lineal ponderada de los datos circundantes, ubicados en los
sitios {xa, a =1... n}:
-
8/12/2019 05 - Estimacin local
22/92
-
8/12/2019 05 - Estimacin local
23/92
-
8/12/2019 05 - Estimacin local
24/92
Kriging simple (5)
Sistema de ecuaciones finales
Se llega al siguiente sistema de ecuaciones lineales:
mide las
redundancias
entre datos
mide la influencia
de los datos sobre
el valor a estimar
==a
=
a=
a
=aa
)(C)(C,n...1
]1[
0
n
1
n
1
xxxx
ma (insesgo)
-
8/12/2019 05 - Estimacin local
25/92
Kriging simple (6)
Escritura matricial del sistema de ecuaciones
De la forma: A X= B
=
)(C
)(C
)(C)(C
)(C)(C
0n
01
n
1
nn1n
n111
xx
xx
xxxx
xxxx
Se resuelve por inversin matricial, pivote de Gauss, o
descomposicin LU de la matriz de covarianza.
-
8/12/2019 05 - Estimacin local
26/92
Kriging simple (7)
Precisin de la estimacin
El valor mnimo de la varianza del error de estimacin se llama
var ianza de kr iging simpley vale:
=a
aa s=sn
1
0
2
0
2
KS )(C)( xxx
Siempre se tiene
2
0
2
KS )( ss x
-
8/12/2019 05 - Estimacin local
27/92
Kriging simple (8)
Ejemplo 1: efecto pepita puro
Los ponderadores se anulan y el estimador es igual a la media
conocida. La varianza de kriging es igual a la varianza a priori
s2.
-
8/12/2019 05 - Estimacin local
28/92
Kriging simple (9)
Ejemplo 2: variograma esfrico de meseta 1 en el espacio 1D
kriging varianza de kriging ponderadorde la media
-
8/12/2019 05 - Estimacin local
29/92
Kriging ordinario (1)
Hiptesis
Se desconoce el valor promedio de la variable regionalizada
Se conoce el variograma g(h), el cual puede o no tener meseta
El considerar el valor de la media como desconocido permite
generalizar el estimador a situaciones donde esta media no es
constante en el campo: la media puede variar de una regin aotra del espacio, siempre que sea aproximadamente constante
en cada vecindad de kriging.
Estimador ms robusto
-
8/12/2019 05 - Estimacin local
30/92
Kriging ordinario (2)
Restriccin de linealidad
=a
aa=n
1
0
* )(z)(z xx a
La estimacin en un sitio x0se escribe como una combinacin
lineal ponderada de los datos circundantes, ubicados en los
sitios {xa, a =1... n}:
-
8/12/2019 05 - Estimacin local
31/92
Kriging ordinario (3)
Restriccin de insesgo
La esperanza del error de estimacin vale:
ma
a
]1[
])(Z[E])(Z[E])(Z)(Z[E
n
1
0
n
1
00
*
=
=
=aa
=aaa xxxx
Siendo mdesconocida, la nica alternativa es plantear
1y0n
1
== =a
aa
-
8/12/2019 05 - Estimacin local
32/92
Kriging ordinario (4)
Restriccin de optimalidad
La varianza del error de estimacin se expresa en funcin del
variograma:
La minimizacin de esta expresin bajo la restriccin de insesgorequiere introducir una incgnita adicional llamada multiplicador
de Lagrange, denominada m.
=a
aa=a =
aa=a
a ggs=n
1
0
n
1
n
1
2n
1
2
00
* )(2)(]1[)](Z)(Zvar[ xxxxxx
-
8/12/2019 05 - Estimacin local
33/92
Kriging ordinario (5)
Sistema de ecuaciones finales
mide las
redundancias
entre datos
mide la influencia
de los datos sobre
el valor a estimar
insesgo
g=mg=a
=
=
a=
a
=a
a
)()(,n...1
0
1
0
n
1
n
1
xxxx
a
-
8/12/2019 05 - Estimacin local
34/92
-
8/12/2019 05 - Estimacin local
35/92
Kriging ordinario (7)
Precisin de la estimacin
El valor mnimo de la varianza del error de estimacin se llama
var ianza de kr iging ordinar ioy vale:
mg=s =a
aa
n
1
00
2
KO )()( xxx
En general (no siempre) se tiene
2
0
2
KO )( ss x
-
8/12/2019 05 - Estimacin local
36/92
Kriging ordinario (8)
Ejemplo 1: efecto pepita puro de meseta 2
Los ponderadores son iguales a 1/n, de modo que el estimador
coincide con la media aritmtica de los datos. La varianza dekriging es s2+ s2/n y supera levemente la varianza a priori.
-
8/12/2019 05 - Estimacin local
37/92
Kriging ordinario (9)
Ejemplo 2: variograma esfrico de meseta 1 en el espacio 1D
kriging varianza de kriging
-
8/12/2019 05 - Estimacin local
38/92
Otros tipos de kriging (1)
Kriging con deriva
El valor esperado m(x) vara en el espacio, reflejando una tendencia
sistemtica (deriva) en la distribucin espacial de los valores.
kriginguniversal/ intrnseco: la deriva es un polinomio de las
coordenadas
krigingtr igonomtrico: la deriva es una combinacin de
funciones coseno y seno
krigingcon deriva externa: la deriva es proporcional a una
variable externa conocida en forma exhaustiva (modelo
digital de elevacin, fotografa area, imagen satelital)
-
8/12/2019 05 - Estimacin local
39/92
Otros tipos de kriging (2)
Kriging de bloques
Permite estimar directamente el valor promedio de la variable
sobre un soporte mayor que el soporte de los datos (bloque)
como las unidades selectivas de explotacin:
Para que los clculos tengan un sentido fsico, es necesario que lavariable estudiada sea aditiva.
Ventajas de estimar directamente Z(v) en lugar de {Z(x1),
Z(xM)} : ganancia en tiempos de clculo; posibilidad de calcular la
varianza de estimacin para el bloque.
=
=M
m
mv M
dv
v
1
)(Z1
)(Z||
1)(Z xxx
-
8/12/2019 05 - Estimacin local
40/92
Otros tipos de kriging (3)
El sistema de kriging de bloques slo difiere del sistema puntual enel miembro de la derecha:
g=mg=a
=
=
a=
a
=aa
),()(,n.. .1
0
1
n
1
n
1
v
a
xxx
con
= aaa gg=gM
m
mv Mdvv 1
)(1
)(||
1),( xxxxxx
Aunque el clculo del trmino requiere una discretizacin
del bloque v, se estima el valor de este bloque resolviendo un solo
sistemade kriging.
),( vag x
-
8/12/2019 05 - Estimacin local
41/92
Otros tipos de kriging (4)
Co-kriging
Versin multivariable del kriging, donde se busca estimar el
valor de una variable (Cu) tomando en cuenta los datos de esta
variable y de otras variables correlacionadas (As, Mo).
Requiere tener los modelos variogrficos de cada variable (Cu,
As, Mo), as como variogramas cruzadosentre las distintas
variables (Cu-As, Cu-Mo, As-Mo), para medir las
correlaciones entre estas variables.
-
8/12/2019 05 - Estimacin local
42/92
Otros tipos de kriging (5)
Kriging transitivo
Se plantea en un marco determinstico (no se interpreta la variable
regionalizada como realizacin de una funcin aleatoria). En
cambio, se introduce aleatoriedad en la posicin de los datos.
Kriging aleatorio
Existen dos fuentes de aleatoriedad: la posicin de los datos,considerada como incierta, y la variable regionalizada, considerada
como una realizacin de una funcin aleatoria.
-
8/12/2019 05 - Estimacin local
43/92
Otros tipos de kriging (6)
Kriging lognormal
Supone que el logaritmo de los datos tiene una distribucin normal
(Gaussiana). Se hace el kriging de los datos logartmicos, luego se
aplica una transformacin de vuelta
}2
)()](Z[ln{exp)(Z 0
2
KOn
1
0
* ms
= =a
aa
xxx
donde sKO2(x0) es la varianza de kriging ordinario de ln[Z(x0)]
y mes el multiplicador de Lagrange introducido en el sistema
de kriging ordinario.
-
8/12/2019 05 - Estimacin local
44/92
Otros tipos de kriging (7)
Kriging no lineal
Aplica kriging a una funcin no lineal de la variable. Permite
caracterizar el valor desconocido Z(x0) por una distribucin de
probabilidad, en lugar de un valor estimado y una varianza deestimacin
kriging de indicadores
kriging disyuntivo (co-kriging de indicadores) kriging multi-Gaussiano
-
8/12/2019 05 - Estimacin local
45/92
Kriging de indicadores (1)
Principio
Se busca caracterizar el valor en el sitio ? por una distribucin de
probabilidad, la cual refleja la incertidumbre en este sitio.
-
8/12/2019 05 - Estimacin local
46/92
Kriging de indicadores (2)
sitioponderador de
kriging (%)ley
ley de corte
n1 0.1
ley de corte
n2 0.2
ley de corte
n3 0.3
ley de corte
n4 0.4
ley de corte
n5 0.5A 5.2 0.21 0 0 1 1 1
B -7.2 0.35 0 0 0 1 1
C 57.9 0.42 0 0 0 0 1
D 27.1 0.28 0 0 1 1 1
E 15.7 0.53 0 0 0 0 0
F 1.2 0.05 1 1 1 1 1
? 0.389 0.012 0.012 0.335 0.263 0.842
La estimacin de cada
indicador se interpreta comola probabilidad que el valor
verdadero sea menor que la
ley de corte asociada.
-
8/12/2019 05 - Estimacin local
47/92
-
8/12/2019 05 - Estimacin local
48/92
Kriging de indicadores (4)
Se promedian ambas correcciones, luego se interpola y extrapola
para completar la distribucin de probabilidad.
correccin final interpolacin/extrapolacin
-
8/12/2019 05 - Estimacin local
49/92
Kriging de indicadores (5)
Tambin se puede aplicar una correccin de cambio de soporte.
-
8/12/2019 05 - Estimacin local
50/92
Kriging de indicadores (6)
Pros
fcil de ejecutar, no requiere ninguna hiptesis particular
el formalismo de los indicadores permite incorporar datos
imprecisos
los valores atpicos (outliers) se transforman en 0 - 1
-
8/12/2019 05 - Estimacin local
51/92
Kriging de indicadores (7)
Contras
mtodo engorroso cuando hay numerosas leyes de corte
anlisis variogrfico de indicadores: coherencia matemtica?
problemas de relacin de orden
interpolacin y extrapolacin de las distribuciones de probabilidad
cambio de soporte
la codificacin en indicadores pierde informacin
-
8/12/2019 05 - Estimacin local
52/92
Propiedades del kriging
-
8/12/2019 05 - Estimacin local
53/92
-
8/12/2019 05 - Estimacin local
54/92
Observaciones sobre el kriging (2)
Salvo excepciones, los ponderadores de kriging pueden ser
negativos, lo que a veces desemboca en estimaciones negativas.
El sistema de kriging es regular (entrega una solucin nica)
siempre que no existan datos duplicados.
El ponderador asignado a un dato depende de
Existencia de un efecto pepita
Presencia de una anisotropa
Redundancias entre datos
Efecto pantalla, efecto pantalla inverso, efecto de relevo
-
8/12/2019 05 - Estimacin local
55/92
Propiedades del kriging (1)
Interpolacin exacta: estimar un sitio con dato devuelve el
valor medido en este sitio
Suavizamiento (alisamiento): la dispersin de los valores
estimados es menor que la dispersin de los valores verdaderos
el kriging tiende a subestimar las zonas de altas leyes y
sobreestimar las zonas de bajas leyes
Aditividad: el kriging del valor promedio de un sector es el
promedio de las estimaciones puntuales en este sector
Insesgo: la media de los errores cometidos en una regin degran tamao se acerca a cero
-
8/12/2019 05 - Estimacin local
56/92
Propiedades del kriging (2)
Solucin: kriging no lineal o simulaciones
Ilustracin del suavizamiento
-
8/12/2019 05 - Estimacin local
57/92
Propiedades del kriging (3)
Sesgo condicional: en las zonas cuya estimacin supera unaley de corte, la media de los errores puede diferir de cero
propiedad a evitar o minimizar, de lo contrario se incurre
en una mala apreciacin del valor del negocio minero
elegir una vecindad de kriging suficientemente grande
-
8/12/2019 05 - Estimacin local
58/92
Aplicacin a los
datos mineros
-
8/12/2019 05 - Estimacin local
59/92
Eleccin del plan de kriging (1)
Se compara tres planes de kriging por jack-knife: estimar 902
datos a partir de los 1474 datos restantes. La variable en estudio
es la ley de cobre.
Plan 1: estimar con los 2 datos ms cercanos
Plan 2: estimar con los 24 datos ms cercanos (3 por octante)
Plan 3: estimar con los 48 datos ms cercanos (6 por octante)
En cada caso, se recurre al kriging ordinario, que slo requiere
especificar el modelo de variograma (media desconocida).
-
8/12/2019 05 - Estimacin local
60/92
Eleccin del plan de kriging (2)
Histogramas de los errores cometidos
Las medias de los errores son casi nulas insesgo
La mayor precisin se alcanza en los planes 2 y 3
-
8/12/2019 05 - Estimacin local
61/92
Eleccin del plan de kriging (3)
Nubes de correlacin entre leyes reales y estimadas
El sesgo condicional y la dispersin de la nube son mnimos en
los planes 2 y 3.
Kriging de las leyes de cobre a partir
-
8/12/2019 05 - Estimacin local
62/92
Kriging de las leyes de cobre a partir
de los datos de exploracin (1)
Kriging ordinario de las leyes en un banco con el plan 2
Kriging de las leyes de cobre a partir
-
8/12/2019 05 - Estimacin local
63/92
Kriging simple de las leyes (media = 0.98% Cu)
Kriging de las leyes de cobre a partir
de los datos de exploracin (2)
Kriging de las leyes de cobre a partir
-
8/12/2019 05 - Estimacin local
64/92
Kriging ordinario de bloques de soporte 5m 5m 12m
Kriging de las leyes de cobre a partir
de los datos de exploracin (3)
Kriging de las leyes de cobre a partir
-
8/12/2019 05 - Estimacin local
65/92
Kriging ordinario de bloques de soporte 25m 25m 12m
Kriging de las leyes de cobre a partir
de los datos de exploracin (4)
-
8/12/2019 05 - Estimacin local
66/92
Categorizacin de recursos (1)
No todos los bloques estimados tienen el mismo grado deconfiabilidad. Por ende, se suele definir varias categoras de
recursos:
recursos medidos: mayor grado de confiabilidad
recursos indicados: confiabilidad mediana
recursos inferidos: poca confiabilidad
Los recursos medidos + indicados se denominan demostrados
y son aquellos que se consideran para el inventario de recursos.
Ahora bien, la definicin de cada categora es muy vaga y
depende en gran parte del criterio del especialista.
-
8/12/2019 05 - Estimacin local
67/92
Categorizacin de recursos (2)
Existe una categorizacin similar para las reservas(probadas,probables), que son la fraccin de los recursos que se puede
explotar tcnica y econmicamente.
Una manera de identificar las categoras consiste en clasificarlos bloques segn su varianza de estimacin (la definicin de
las varianzas lmites debe tomar en cuenta el tipo de yacimiento
y la malla de muestreo).
Otros criterios: criterio geolgico, nmero de datos en lavecindad de kriging, distancia promedio de los datos cercanos,
etc.
pertinencia de la categorizacin?
-
8/12/2019 05 - Estimacin local
68/92
Categorizacin de recursos (3)
Un ejemplo molestoso: categorizacin a partir de dos medidasde incertidumbre (varianza de kriging y varianza de un conjunto
de simulaciones condicionales)
A diferencia del kriging, la varianza de las simulaciones
condicionales refleja la mayor incertidumbre que existe en las
zonas de altas leyes debido al efecto proporcional.
Estimacin de las leyes de cobre a
-
8/12/2019 05 - Estimacin local
69/92
Estimacin de las leyes de cobre a
partir de los pozos de tronadura (1)
costo mina =0.6 US$/t; costo planta =4.4 US$/t; recuperacin =0.8;
costo fundicin =770 US$/t; precio cobre =1870 US$/t
Parmetros asociados a una ley de corte de 0.5% Cu:
Estimacin de las leyes de cobre a
-
8/12/2019 05 - Estimacin local
70/92
Estimacin de las leyes de cobre a
partir de los pozos de tronadura (2)
Kriging Pozos
Tonelaje a planta [Mt] 71.64 64.42
Ley promedio efectiva [%Cu] 1.041 1.089Ley promedio estimada [%Cu] 1.057 1.143Cantidad de metal efectiva [mt] 745.8 701.5Cantidad de metal estimada [mt] 757.3 736.3
Beneficio efectivo [MUS$] 298.1 295.2Beneficio previsto [MUS$] 308.2 325.8
Resultados econmicos para una ley de corte de 0.5% Cu
79%
5%
2%
14%
mineral a planta
estril a planta
mineral a botadero
estril a botadero73%
3%
8%
16%
-
8/12/2019 05 - Estimacin local
71/92
Influencia de los parmetrosen los resultados del kriging
-
8/12/2019 05 - Estimacin local
72/92
Configuracin de kriging
Se busca estimar el valor en el sitio ? a partir de los valores
en los sitios A, B, C, D, E, F.
Influencia del comportamiento
-
8/12/2019 05 - Estimacin local
73/92
Influencia del comportamiento
del variograma en el origen (1)
Variograma lineal v/s variograma parablico en el origen
esfrico (alcance 1, meseta 1) Gaussiano (alcance 1, meseta 1)
Influencia del comportamiento
-
8/12/2019 05 - Estimacin local
74/92
Influencia del comportamiento
del variograma en el origen (2)
esfrico (alcance 1, meseta 1) esfrico (0.5) + pepita (0.5)
Variograma lineal v/s variograma con discontinuidad en el origen
Influencia del comportamiento
-
8/12/2019 05 - Estimacin local
75/92
Influencia del comportamiento
del variograma en el origen (3)
esfrico (alcance 1, meseta 1) efecto pepita puro (meseta 1)
Variograma lineal v/s variograma totalmente peptico
Influencia de la meseta
-
8/12/2019 05 - Estimacin local
76/92
Influencia de la meseta
del variograma
esfrico (alcance 1, meseta 1) esfrico (alcance 1, meseta 2)
Meseta = 1 v/s meseta = 2
Influencia del alcance
-
8/12/2019 05 - Estimacin local
77/92
Influencia del alcance
del variograma (1)
esfrico (alcance 1, meseta 1) esfrico (alcance 2, meseta 1)
Alcance = 1 v/s alcance = 2
Influencia del alcance
-
8/12/2019 05 - Estimacin local
78/92
Influencia del alcance
del variograma (2)
esfrico (alcance 1, meseta 1) esfrico (alcance 0.5, meseta 1)
Alcance = 1 v/s alcance = 0.5
Influencia del efecto de
-
8/12/2019 05 - Estimacin local
79/92
Influencia del efecto de
hoyo del variograma
esfrico (alcance 1, meseta 1) seno cardinal (semi-perodo 0.2)
Variograma lineal v/s variograma seudo peridico
Influencia de la anisotropa
-
8/12/2019 05 - Estimacin local
80/92
Influencia de la anisotropa
del variograma
esfrico (alcance 1, meseta 1)esfrico anistropo (meseta 1,
alcances 2 [N45E] y 0.5 [N45O])
Variograma istropo v/s variograma anistropo
Influencia del tipo de kriging:
-
8/12/2019 05 - Estimacin local
81/92
Influencia del tipo de kriging:
simple u ordinario (1)
esfrico (alcance 1, meseta 1)
kriging ordinario
esfrico (alcance 1, meseta 1)
kriging simple
Kriging simple v/s kriging ordinario
Influencia del tipo de kriging:
-
8/12/2019 05 - Estimacin local
82/92
Influencia del tipo de kriging:
simple u ordinario (2)
esfrico (alcance 0.5, meseta 1)
kriging ordinario
esfrico (alcance 0.5, meseta 1)
kriging simple
Kriging simple v/s kriging ordinario
Influencia del tipo de kriging:
-
8/12/2019 05 - Estimacin local
83/92
Influencia del tipo de kriging:
puntual o de bloque (1)
esfrico (alcance 1, meseta 1)
kriging puntual
esfrico (alcance 1, meseta 1)
kriging de un bloque 0.25 0.25
Kriging puntual v/s kriging de bloque
Influencia del tipo de kriging:
-
8/12/2019 05 - Estimacin local
84/92
Influencia del tipo de kriging:
puntual o de bloque (2)
esfrico (alcance 1, meseta 1)
kriging de un bloque 0.5 0.5
esfrico (alcance 1, meseta 1)
kriging de un bloque 1.0 1.0
Ej i i
-
8/12/2019 05 - Estimacin local
85/92
Ejercicios
Buscar un plan de kriging adecuado para las leyes de cobre y oro.
kt3d, locxyz, histplt, scatplt, condbias
A partir de los sondajes de exploracin, estimar las leyes de cobre
y oro en los bloques 25m 25m 12m e ilustrar las propiedadesdel kriging.
kt3d, pixelplt, histplt, scatplt, condbias
A partir de los pozos de tronadura, krigear las leyes de cobre en los
bloques 25m 25m 12m. Comparar los resultados econmicosobtenidos con aquellos que se obtendran al estimar cada bloque
por su pozo central.
kt3d, Excel
-
8/12/2019 05 - Estimacin local
86/92
Archivos de parmetros
de los programas GSLib
Plan de kriging (1)
-
8/12/2019 05 - Estimacin local
87/92
Plan de kriging (1)Parameters for KT3D*******************
START OF PARAMETERS:muestras1.dat -file with data0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var-1.0 1.0e21 - trimming limits2 -option: 0=grid, 1=cross, 2=jackknifemuestras2.dat -file with jackknife data1 2 3 4 0 - columns for X,Y,Z,vr and sec var0 -debugging level: 0,1,2,3jackknife.dbg -file for debugging output
jack_Cu_plan2.out -file for kriged output50 0.5 1.0 -nx,xmn,xsiz50 0.5 1.0 -ny,ymn,ysiz1 0.5 1.0 -nz,zmn,zsiz1 1 1 -x,y and z block discretization1 24 -min, max data for kriging3 -max per octant (0-> not used)100.0 100.0 150.0 -maximum search radii0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy0 -0, variable; 1, estimate trendextdrift.dat -gridded file with drift/mean4 - column number in gridded file2 0.05 -nst, nugget effect1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
100.0 100.0 180.0 -a_hmax, a_hmin, a_vert
Plan de kriging (2)
-
8/12/2019 05 - Estimacin local
88/92
Parameters for locxyz
*********************
START OF PARAMETERS:jack_Cu_plan2.out -file with data1 2 7 - columns for X, Y, variable3 -1.0e21 1.0e21 - columns for Z and coordinate limits-998.0 1.0e21 - trimming limitsmapa_error_Cu_plan2.ps -file for PostScript output0.0 400. -xmn,xmx0.0 600. -ymn,ymx1 -0=data values, 1=cross validation0 -0=arithmetic, 1=log scaling1 -0=gray scale, 1=color scale0 -0=no labels, 1=label each location0.0 3.0 0.5 -gray/color scale: min, max, increm0.25 -label size: 0.1(sml)-1(reg)-10(big)Plan 2 -Title
Plan de kriging (2)
-
8/12/2019 05 - Estimacin local
89/92
Plan de kriging (4)
-
8/12/2019 05 - Estimacin local
90/92
Parameters for SCATPLT**********************
START OF PARAMETERS:jack_Cu_plan2.out -file with data5 4 0 0 - columns for X, Y, wt, third var.-1.0 1.0e21 - trimming limitsscatplt_Cu_plan2.ps -file for Postscript output0.0 3.0 0 -X min and max, (0=arith, 1=log)0.0 3.0 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point0.5 -bullet size: 0.1(sml)-1(reg)-10(big)0.0 2.0 -limits for third variable gray scalePlan 2 -title
Plan de kriging (4)
CONDBIAS: Conditional Statistics********************************
START OF PARAMETERS:jack_Cu_plan2.out \Input data file5 4 \column for estimate, true-1.0 1.0e21 \tmin,tmaxcondb_Cu_plan2_regresion.out \Output for conditional bias20 \number of classescondb_Cu_plan2_leyesmedias.out \Output for mean above cutoff30 0.0 0.1 \number of cutoffs, start, inc
Kriging de bloques (1)
-
8/12/2019 05 - Estimacin local
91/92
Kriging de bloques (1)Parameters for KT3D*******************
START OF PARAMETERS:muestras.dat -file with data0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var-1.0 1.0e21 - trimming limits2 -option: 0=grid, 1=cross, 2=jackknifeGrilla_25x25.dat -file with jackknife data1 2 3 5 0 - columns for X,Y,Z,vr and sec var0 -debugging level: 0,1,2,3kt3d.dbg -file for debugging output
kriging_Cu25_exploracion.out -file for kriged output16 12.5 25.0 -nx,xmn,xsiz24 12.5 25.0 -ny,ymn,ysiz11 11.0 12.0 -nz,zmn,zsiz10 10 1 -x,y and z block discretization1 24 -min, max data for kriging3 -max per octant (0-> not used)100.0 100.0 150.0 -maximum search radii0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy0 -0, variable; 1, estimate trendextdrift.dat -gridded file with drift/mean4 - column number in gridded file2 0.05 -nst, nugget effect1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
100.0 100.0 180.0 -a_hmax, a_hmin, a_vert
Kriging de bloques (2)
-
8/12/2019 05 - Estimacin local
92/92
Kriging de bloques (2)Parameters for KT3D*******************
START OF PARAMETERS:Grilla_25x25_desfasada.dat -file with data0 1 2 3 4 0 - columns for DH,X,Y,Z,var,sec var-1.0 1.0e21 - trimming limits2 -option: 0=grid, 1=cross, 2=jackknifeGrilla_25x25.dat -file with jackknife data1 2 3 5 0 - columns for X,Y,Z,vr and sec var0 -debugging level: 0,1,2,3kt3d.dbg -file for debugging output
kriging_Cu25_explotacion.out -file for kriged output16 12.5 25.0 -nx,xmn,xsiz24 12.5 25.0 -ny,ymn,ysiz11 11.0 12.0 -nz,zmn,zsiz10 10 1 -x,y and z block discretization1 24 -min, max data for kriging3 -max per octant (0-> not used)100.0 100.0 150.0 -maximum search radii0.0 0.0 0.0 -angles for search ellipsoid
1 2.302 -0=SK,1=OK,2=non-st SK,3=exdrift0 0 0 0 0 0 0 0 0 -drift: x,y,z,xx,yy,zz,xy,xz,zy0 -0, variable; 1, estimate trendextdrift.dat -gridded file with drift/mean4 - column number in gridded file2 0.05 -nst, nugget effect1 0 13 0 0 0 0 0 0 it 1 2 3