Upload
affan-nanda
View
42
Download
0
Embed Size (px)
Citation preview
5/27/2018 Uts Pemograman Komputer
1/25
Ketidakpastian Perkiraan Sumber Daya Penilaian: Sebuah
Kontribusi Geostatistik
Selama puluhan tahun yang lalu,industri pertambangan dianggap sebagai sumber daya /
cadangan estimasi. Sebagian besar metode yang didasarkan pada prosedur geometri dan
distribusi data spasial . Oleh karena itu , untuk kepastian dengan tonase dan nilai baik diabaikan
atau salah penanganan , meskipun berbagai kode pertambangan memerlukan ukuran kepercayaan
dalam nilai yang dilaporkan .
Metode-metode tradisional dianggap telah gagal dalam melaporkan tingkat kepercayaan
dalam jumlah dan nilai . metode kriging dikenal untuk memberikan estimasi terbaik dan varians
terkait . Diantara metode kriging , Kriging biasa digunakan dalam satu untuk sumber daya
mineral / cadangan esti -masi , terutama karena ketahanan dan fasilitas dalam penilaian
ketidakpastian dengan menggunakan varians kriging . Hal ini juga diketahui bahwa varians tidak
dapat mengenali variabilitas data lokal ,
Simulasi stokastik digunakan untuk membangun lokal atau ketidakpastian dunia tentang
atribut geologi menghormati momen statistiknya . Studi ini meneliti metode mampu
menggabungkan ketidakpastian dengan perkiraan sumber daya dan cadangan melalui
gaussian,sekuensial dan simulasi indikator sekuensial. Hasil penelitian menunjukkan bahwa
untuk jenis mineralisasi mempelajari semua metode diklasifikasikan tonase sama. Metode
diilustrasikan menggunakan bor eksplorasi set data lubang dari deposit batubara Brasil. .
5/27/2018 Uts Pemograman Komputer
2/25
PENDAHULUAN
Estimasi sumber daya mineral sangat penting untuk perencanaan ekonomi di setiap
perusahaan pertambangan. Selain menyimpulkan tahap eksplorasi mineral, evaluasi sumber daya
/ cadangan adalah dasar dari kegiatan studi kelayakan yang akan dibentuk. Kegiatan seperti
perncanaan tambang, orientasi tambang, proyeksi dari cashflow, pinjaman untuk membiayai
proyek-proyek tambang dan bahkan pembiayaan dalam operasi pabrik pengolahan. Disamping
perkiraan sebelumnya dari keterdapatan sumberdaya dan klasifikasi yang sebenarnya dari
sumberdaya.
Klasifikasi sumber daya selanjutnya digolongkan ke dalam kelas atau kategori yang
berbeda, berdasarkan dari variasi sumberdaya harus disediakan dan harus memperhitungkan
resiko dari masing masing kategori. Industry pertambangan telah membuat dan mengakui standar
dari evaluasi dan klasifikasi sumberdaya, dan itu menjadi standar dari klasifikasi ini.
Sejak tahun 1994, Dewan Lembaga Pertambangan dan Metalurgi (CMM), sebuah entitas
internasional bahwa institusi yang berkumpul di Amerika Serikat (SME), Australia(AuslMM),
Canada (CIM), Inggris (IMM), dan Afrika Selatan (SAIMM). Telah mengusulkan satu set
definisi untuk laporan dan klasifikasi sumber daya mineral dan definisi cadangan. Definisi ini
kemudian diadopsi oleh komite yang dibentuk oleh PBB pada tahun 1998, yang sangat
merepresentasikan kondisi international.
System yang digunakan di Australia mengikuti standar PBB yang diketahu juga sebagai
JORC (Joint Organisation Reserves Committee) atau persatuan komite cadangan. JORC adalah
komite yang mengakui salah satu proposal paling baik dan terorganisir untuk melaporkan
cadangan mineral dan sumberdaya (AuslMM ,1999). JORC menyajikan pedoman yang jauh
berbeda jika dibandingkan dengan system yang dipakai di Brazil saat ini (Mu ller and others,
1987).
Aspek terpenting yang mebuat JORC berbeda dengan pedoman yang dipakai Brazil
dalam melaporkan cadangan adalah jarak sample. JORC juga berbeda dengan pedoman Brazil
karena membutuhkan titik titik pengamatan dengan spasi yang lebih dekat untuk setiap kelas dari
sumberdaya. Aspek ini membuat lebih JORC ketat dalam mendefinisikan kelas sumber daya.
5/27/2018 Uts Pemograman Komputer
3/25
JORC mengarah ke nilai yang lebih konservatif jika dibandingkan dengan sumber daya
yang akan diperoleh melalui sistem Brasil karena fakta ini, metode JORC di pakai dalam
melaporkan cadangan dan sumberdaya dalam artikel ini.
Kelas batubara in situ ( diukur, ditunjukkan, dan disimpulkan) didefinisikan berdasarkan
distribusi spasial dari sampel dan ketidakpastian terkait dengan tonase dihitung untuk deposit
tertentu atau bagian itu. Dengan demikian , klasifikasi batubara in situ atau sumber batubara
memerlukan definisi ketidakpastian terkait dengan perkiraan. Namun apa yang tidak dinyatakan
dalam sistem klasifikasi adalah bagaimana ketidakpastian harus diukur . Bahkan aturan JORC
,menyediakan data minimum yang diperlukan, tetapi tidak menentukan atau menyarankan
estimasi setiap algoritma atau bagaimana ketidakpastian harus dinilai. Sumber Daya , dan
cadangan yang mencerminkan tingkat yang berbeda keyakinan, geologi dan derajat yang
berbeda teknis dan evaluasi ekonomis .
Metode tradisional digunakan untuk mengevaluasi sumberdaya seperti polygon
berdasarkan posisi pengambilan sampel dan tidak model spasial dari kontinuitas deposit..
Metode ini tidak dapat menyediakan ukuran kesalahan yang terkait dengan perkiraan mereka.
Karena mereka tidak memberikan penilaian kesalahan, metode ini tidak pantas untuk penilaian
local atau ketidakpastian global yang terkait dengan perkiraan.
Teknik simulasi sekuensial digunakan untuk menghasilkan model endapan, setelah
dikombinasikan memperlihatkan hubungan dengan risiko dalam mendefinisikan tonase. Hasil
yang diperoleh dibandingkan dengan ketidakpastian yang disediakan oleh pendekatan
geostatistik yang lama, yang didasarkan pada penggunaan varians kriging (standard error dari
mean) untuk menentukan interval kepercayaan. Ini metodologi geostatistik untuk klasifikasi
sumber daya diilustrasikan dalam studi kasus deposit batubara besar Brasil.
5/27/2018 Uts Pemograman Komputer
4/25
STUDI KASUS
Geologi
Obyek deposit penelitian ini terletak di selatan Santa Catarina yang merupkan cekungan
batubara (Gambar 2) dan telah dieksploitasi sejak awal 1900-an.
Figure 2. Local geology (modified from Mu ller and others, 1987).
Di antara beberapa lapisan batubara , Barro Branco dan Bonito merupakan lapisan yangpaling penting . Barro Branco digunakan untuk memproduksi batubara dengan aplikasi
metallurgi. Saat ini , produksi diarahkan sepenuhnya kepada batubara untuk pembangkit listrik
tenaga uap. Formasi ini dianggap salah satu formasi yang paling amat penting di Parana Basin
dan diketahui Brazil sebagai pemegang deposit batubara nya . Rincian dari Rio Bonito,dengan
formasi stratigrafi yang ditampilkan pada Gambar 3.
Lapisan Bonito pada dasarnya dibentuk oleh lapisan batubara dengan lapisan penutup
dari batu lanau dan batu lempung . Seperti yang terlihat dalam tiga angka terakhir , studi kasus
ini memperlihatkan deposit batubara klasik yang terdapat di Brazil , terbentuk di lingkungan
danau yang relatif kecil. Lingkungan ini memperlihatkan geometri endapan dengan kontinuitas
lebih lama,dengan ketebalan batubara sepanjang sumbu utama endapan dan jarak pendek
sepanjang arah orthogonal .
5/27/2018 Uts Pemograman Komputer
5/25
Statistik Deskriptif dan Kontinuitas Spasial Dari 471 lubang bor berlian (DDH) meliputi
seluruh wilayah, sejumlah besar dibuang karena beberapa alasan . Mengingat sampel yang
digunakan untuk penilaian sumber daya harus dengan perwakilan dan menyajikan tingkat
kepercayaan yang tinggi , semua dengan drillholes keandalan dalam hal hasil inti atau kriteria
logging dihilangkan dari pemodelan deposito. Declustering sebuah Prosedur ( Deutsch dan
Journel , 1992 ) digunakan untuk mendapatkan statistik representatif untuk seluruh wilayah .
Gambar 3. Khas stratigrafi bagian untuk Formasi Rio Bonito (dimodifikasi dari Caye dan lain-
lain, 1975)
5/27/2018 Uts Pemograman Komputer
6/25
Declustering diperlukan dalam keadaan di mana beberapa daerah sampel lebih padat dari
pada yang lain dan ketika ada strategi pengeboran preferensial dikenal .Dalam situasi ini ,
dimana berisi statistik global yang diperlukan , bobot yang berbeda digunakan untuk setiap
individu sampel berdasarkan jumlah pengelompokan hadir di zona di mana sampel yang
diberikan diposisikan .Sampel di zona berkerumun tinggi menerima proporsional menurunkan
histogram declustered weights.Untuk ketebalan dan berat jenis yang digambarkan dalam Gambar
5.
Gambar 4 . Khas stratigrafi bagian untuk Bonito Coal jahitan .
5/27/2018 Uts Pemograman Komputer
7/25
Dalam urutan, analisis spasial adalah kontinuitas dilakukan pemodelan arah besar dan
kecil anisotropi . Dua - struktur variogram bola ( Sph ) Model [ (h ) ] diperkirakan dari
percobaan variogram poin untuk dua variabel sebagai :
untuk ketebalan batubara, dan:
berat jenis, di mana dan jangkauan variogram
.
5/27/2018 Uts Pemograman Komputer
8/25
MENILAI KETIDAKPASTIAN
Simulasi dapat dikondisikan untuk titik data yang diketahui dan menghormati kontinuitas
spasial seperti dimodelkan oleh variogram / kovarians. Simulasi juga menghindari efek
smoothing diinginkan diasosiasikan dengan algoritma perkiraan yang paling. Keuntungan dari
simulasi dibandingkan untuk memperkirakan metode adalah bahwa hal itu menghasilkan
beberapa realisasi equiprob-bisa, mereka semua cukup cocok dengan statistik sampel yang sama
dan mengidentifikasi data kondisi-ing. Himpunan realisasi alternatif memberikan ukuran visual
dan kuantitatif (sebenarnya model) dari ruang ketidakpastian. Distribusi ini kemudian dapat
digunakan untuk menentukan tingkat kepercayaan dalam risiko analisi-sis dan pengambilan
keputusan (Goovaerts, 1997; Mwasinga, 2001).
Ketidakpastian juga dapat diatasi dengan menggunakan metode kriging untuk
menghitung interval keyakinan blok lokal di sekitar mean asumsi distribusi normal untuk
kesalahan. Bertentangan dengan simulasi, algoritma kriging bertujuan untuk menyediakan
estimasi terbaik lokal dalam arti least-square. Algoritma ini memberikan estimasi dan kesalahan
yang terkait dengan itu, bernama kriging varians (Matheron, 1963; David, 1977; Journel, 1983;
Isaaks dan Srivastava, 1989). Literatur geostatistik membahas penggunaan varians kriging biasa
( 2OK) untuk mengukur ketidakpastian. Ada keterbatasan dalam menggunakan parameter iniuntuk menilai variabilitas yang sebenarnya, sebagai varians kriging dihitung dengan
mempertimbangkan hanya geometri sampel, yaitu, penataan ruang mereka (Journel, 1983)....
5/27/2018 Uts Pemograman Komputer
9/25
Gambar. Peta lokasi untuk drillholes dengan data ketebalan batubara yang digunakan (titik
hitam) dan bekas (titik abu-abu). Garis putus-putus mendefinisikan sewa pertambangan proyek.
Batas didefinisikan oleh kode JORC untukA, diukur, B, menunjukkan, dan C, kategori tereka
5/27/2018 Uts Pemograman Komputer
10/25
disajikan dengan peningkatan berbagaisetiap jarak ekstrapolasi. Daerah final untuk tiga kategori
dalam batubara in situ disajikan dalam D.
Pada dasarnya, tidak dapat memperhitungkan nilai sampel, tetapi hanya lokasinya,
akibatnya dapat mengabaikan variabilitas lokal (Goovaerts, 1997; Arik, 1999). Yamamoto
(2001) mengusulkan alternatif dimana bobot kriging dapat digunakan untuk mendefinisikan
ketidakpastian yang berhubungan dengan estimasi sumber daya. Mendefinisikan kepercayaan
interval untuk mempehitungkan pekiraan data variabilitas. Meskipun perbedaan kriging memiliki
sendiri batasan, dalam situasi di mana kumpulan data pameran distribusi simetris dan data
sampel secara teratur, dapat digunakan untuk perkiraan kesalahan dengan menggunakan:
() () () (()
- u) ()
di mana C (0) adalah sebuah variansi dari data tesebut, adalah bobotnya dihitung untuk setiap
acuan dalam lingkungan u, C (u u) adalah analisis kovarian dari setiap acuan dan lokasi u
dan adalah Lagrangian (Matheron, 1963).
Sebuah model blok untuk kedua variabel , yaitu , ketebalan batubara dan berat jenis 350
350 m didefinisikan menggunakan ordinary kriging dengan variograms sebelumnya disajikan .
Model ini divalidasi dan hasil yang diperoleh dari model , yang digunakan untuk menentukan
interval kepercayaan disajikan berikutnya . Untuk setiap blok , akumulasi batubara ( t/m2 ,
dinyatakan sebagai produk dari ketebalan dengan kerapatan ) memiliki varians yang dievaluasi
dan dinyatakan dengan ( David , 1977) :
5/27/2018 Uts Pemograman Komputer
11/25
di mana :
2 ( xy ) adalah varian produk , xy adalah koefisien korelasi , (x) dan ( y ) adalah standar deviasi , x dan y adalah nilai-nilai blok estimasi ketebalan dan berat jenis .
Gambar 8. Percobaan Semivariogram (titik) dan model yang sesuai (garis kontinyu) pada A,
lebih pendek, dan B, jangkauan yang lebih panjang untuk ketebalan normal
5/27/2018 Uts Pemograman Komputer
12/25
MENILAI KETIDAKPASTIAN MELALUI SIMULASI STOKASTIK
Seperti dibahas sebelumnya, dua algoritma yang digunakan untuk menghasilkan model
simulasi dan bagian ini dengan singkat meninjau fitur utama dari simulasi algoritma. Sebuah
penyajian cermat dari simulasi stokastik tersedia di Deutsch dan Journel (1992), Goovaerts
(1997), dan Chil `es dan Delfiner (1999).
Pertimbangkan simulasi sifat kontinu z di N titik grid u'j bersyarat untuk kumpulan data
fz (u ), D1, :::, ng. Simulasi sekuensial (Isaaks, 1990, G 'omez-bangau' Andez dan
Srivastava, 1990) mengizinkan pemodelan dari fungsi pendistribusian bersyarat kumulatif (ccdf)
F(u'j, z| (n))= Prob{Z (u'j) z| (n)} g, maka sampel itu pada setiap titik grid dikunjungi
sepanjang urutan acak. Untuk memastikan reproduksi dari model z-semivariogram, setiap ccdf
dibuat bersyarat tidak hanya untuk data n asli tapi juga untuk semua nilai simulasi di lokasi yang
dikunjungi sebelumnya. Dua kelas utama algoritma simulasi sekuensial dapat dibedakan,
tergantung pada apakah rangkaian cdfs kondisional ditentukan menggunakan model multi
Gaussian atau formalisme indikator.
Dengan menggunakan asumsi multivariate normal, percontohan simulasi Gaussian (sGs)
membutuhkan distribusi normal untuk kumpulan data asli yang tidak biasanya dalam situasi
tersebut pada deposit mineral. Dengan demikian, sebagian besar contoh transformasi skor yang
normal mendahului langkah simulasi bersyarat dan ditransformasi kembali dari nilai-nilai
simulasi yang diperlukan untuk kembali menyimpannya ke skala yang asli. Dalam Persamaan (7)
dan (8) dan Angka 8 dan 9 kontinuitas spasial
5/27/2018 Uts Pemograman Komputer
13/25
Gambar 9. Percobaan Semivariogram (titik- titik) dan model yang pas (garis kontinyu) pada A,
lebih pendek, dan B, jangkauan yang lebih panjang untuk kepadatan normal.
Gambar 11. Fluktuasi ergodic dari variograms dalam rentang lebih pendek dan lebih lama untuk
ketebalan, A dan B, dan berat jenis, C dan D, dalam ruang normal untuk lima realisasi acak.
Dalam garis abu-abu terus menerus, Model variografic disajikan.
5/27/2018 Uts Pemograman Komputer
14/25
Setelah normalisasi kumpulan data, algoritma Gaussian sekuensial kemudian diterapkan
untuk menghasilkan 100 realisasi setiap blok diskrit dari dua variabel. Himpunan realisasi
alternatif memberikan ukuran visual dan kuantitatif (sebenarnya model) ketidakpastian. Namun,
sebelum distribusi ini dapat digunakan dalam analisis risikodan pengambilan keputusan,
distribusi univariat dan skor variograms normal harus direproduksi dalam fluktuasi statistik
wajar (Gambar 10 dan 11).
Dengan simulasi dihasilkan untuk ketebalan dan berat jenis , 100 skenario yang mungkin
akumulasi batubara ( t/m2 ) dibangun . Model ini diperoleh secara acak memilih realisasi dari
kelompok 100 realisasi dihasilkan untuk ketebalan variabel dan satu dari kelompok realisasi
dihasilkan untuk berat jenis variabel . Keputusan tentang jumlah realisasi yang dibutuhkan dalam
proses pengambilan keputusan didasarkan pada Bonato , Costa , dan Koppe ( 2000 ) , dimana
jumlah realisasi yang menstabilkan varians dari tonase global terpilih sebagai jumlah yang
diperlukan untuk memetakan yang disebut ruang ketidakpastian .
Seperti yang diamati (Gambar 12 ) , varians diperoleh stabil setelah 45 simulasi dan
jumlah ini cukup besar untuk menjamin bahwa ketidakpastian tentang parameter kepentingan
diperoleh dengan benar . Meskipun fakta ini , 100 model yang dibangun dan distribusi respon ini
set yang lebih besar dianalisis . Dalam masing-masing model , hanya blok dalam setiap batas
individu ( didefinisikan oleh batas ekstrapolasi direkomendasikan oleh JORC ) disimpan .Jumlah nilai akumulasi batubara dalam setiap batas dikalikan dengan daerah blok . Dengan
demikian , adalah mungkin untuk mendapatkan tonase di setiap model untuk setiap kategori
sumber daya .
5/27/2018 Uts Pemograman Komputer
15/25
KETIDAKPASTIAN PERKIRAAN PENILAIAN SUMBER DAYA
Gambar 13.Histograms batubara di tonase in situ diperoleh dalam simulasi model untuk tiga
kelas A, terukur, B, menunjukkan, dan C.
5/27/2018 Uts Pemograman Komputer
16/25
Tabel 3. Batas kepercayaan untuk tonase rata Dihitung untuk Batubara In Situ oleh
Perbedaan Antara Minimum dan Nilai maksimum dalam Kaitannya dengan Mean, Menggunakan
Sequential gaussian Simulasi.
Tabel 4.Indicator variograms Parameter untuk Tebal. The Sills Apakah Standar untukmemungkinkan Perbandingan Lebih Baik.
Fluktuasi ini dibandingkan dengan batas variabilitas yang dikenakan oleh sistem
klasifikasi. Sebagai metodologi ini memasok distribusi (dari, penyebaran, dll) untuk tonase yang
diharapkan, variabilitas ini dapat dihitung dengan penyebaran nilai-nilai (minimum dan
maksimum) dalam kaitannya dengan mean. Hasilnya digambarkan pada Gambar 13 dimana
penilaian atas nilai dispersi dapat diperoleh. Tabel 3 meringkas hasil.
Seperti ditekankan oleh banyak penulis (Srivastava, 1994, Goovaerts, 1997; Deutsch dan
Journel, 1992), tingkat ketidakpastian ruang tergantung pada beberapa faktor dan algoritma
tertentu yang digunakan untuk menghasilkan realisasi. Srivastava (1994) juga menunjukkan
bahwa hasil yang spesifik yang dihasilkan oleh salah satu algoritma tidak bisa direproduksi oleh
5/27/2018 Uts Pemograman Komputer
17/25
lainnya. dengan demikian, tujuan utama dari bagian ini adalah tidak hanya untuk
membandingkan perbedaan respon antara dua pendekatan simulasi, tapi mengevaluasi
bagaimana metodologi dapat diterapkan dalam mineral sumber penilaian.
Tabel 5. Indicator variograms Parameter untuk Specific Gravity. Sills yang Standar untuk
Memungkinkan Perbandingan Lebih Baik.
Gambar 16. Fluktuasi untuk histogram dari 20 realisasi independen untuk ketebalan, A, dan B,
berat jenis. Lihat Gambar 5 untuk perbandingan.
Pendekatan adalah salah satu cara untuk mengatasi kedua keterbatasan ini.
5/27/2018 Uts Pemograman Komputer
18/25
Dengan simulasi indikator sekuensial (sis) langkah inisial untuk menggambarkan
berbagai variasi z ke kelas (K +1) dengan menggunakan nilai ambang K zk. Kemudian, masing-
masing datum berubah menjadi vektor data indikator yang didefinisikan sebagai berikut:
semivariograms dari indikator yang dihitung dari sepuluh nilai ambang sesuai dengan
desil 1, 2, 3, 4, 5, 6, 7, 8, dan 9 ditambah 0,95 kuantil dari distribusi sampel. Kecuali untuk nilai
terendah dan dua tertinggi, seorang (Sph) Model variogram bola digunakan untuk
ketebalan dengan dua struktur yang diperkirakan berdasarkan variogram eksperimental indikator
didefinisikan sebagai:
di mana C0 (zk) adalah efek nugget, C1 (zk dan C2 (zk adalah kusen dengan struktur
pertama dan kedua, D1 dan D2 adalah arah terbesar dan terpendek kontinuitas dan R1 dan R2
adalah rentang pertama dan kedua arah struktur D1 dan D2. Tabel 4 dan 5 daftar parameter
untuk ketebalan dan berat variograms omnidirectional spesifik, masing-masing. Seperti
disebutkan, distribusi univariat dan semivariograms dari indikator harus direproduksi untuk
menampilkan fluktuasi statistik yang wajar. Beberapa variograms dipilih secara model acak
ditunjukkan pada Gambar 14, 15, dan 16.
5/27/2018 Uts Pemograman Komputer
19/25
Gambar 17. Histogram batubara tonase in situ diperoleh dalam model simulasi untuk tiga kelas
A, terukur, B, menunjukkan, dan C, disimpulkan.
Kesalahan Interval berasal dari perbedaan kriging adalahsimetris. Ini adalah konsekuensi
dari asumsi dari distribusi normal untuk asumsi kesalahan.Ini tidak digunakan untuk kesalahan
yang berasal dari kombinasi beberapa simulasi, yang menghasilkan asimetris distribusi
kesalahan.
5/27/2018 Uts Pemograman Komputer
20/25
Tabel 6 . Batas kepercayaan untuk tonase rata-rata Dihitung untuk Batubara.
Perbedaan Antara Minimum dan Nilai maksimum dalam Kaitannya dengan Mean
Variasi ( % )
Kelas sumber daya Tonnage ( Mt ) Negatif Positif ( % )
Diukur 239,8 2.92 2.24
Terindikasi 122,8 6.55 7.36
Tersirat 189,6 11,34 10,90
Setelah memvalidasi simulasi , prosedur yang sama digunakan untuk sGs untuk
menghasilkan akumulasi batubara skenario dilakukan . Ketebalan dan realisasi berat jenis secara
acak digabungkan .
Gambar 17 mengilustrasikan distribusi tanggapan untuk diukur , terindikasi dan tereka
kategori dan Tabel 6 merangkum tingkat kepercayaan diri yang diperoleh dengan pendekatan
indikator berurutan . Gambar 18 com - pares distribusi diperoleh di tiga kelas
dari sumber daya in situ . Seperti yang diamati dalam dua plot (Gambar 17 dan 18 ) ruang
ketidakpastian. Kesalahan pengukuran yang disediakan oleh metode - ologies dianalisis , yaitu ,
simulasi dan kriging kembali berkonsultasi dalam tonase yang sama dalam setiap kelas.
5/27/2018 Uts Pemograman Komputer
21/25
5/27/2018 Uts Pemograman Komputer
22/25
KESIMPULAN
Kesalahan yang terkait dengan perkiraan adalah mengelompokkan sumber daya
/cadangan mengikuti apapun yang disediakan internasional standar yang digunakan untukklasifikasi mineral-sumber daya.Makalah ini mengusulkan dua prosedur berdasarkan kerangka
geostatistik untuk menyediakan metode untuk mengukur ketidakpastian atau kesalahan dalam
sumber daya / cadangan penilaian . Studi ini berfokus pada penilaian ketidakpastian yang
berhubungan dengan estimasi sumber daya .
Metode pertama dianalisis didasarkan pada aplikasi klasik dari varians kriging untuk
menentukan interval kepercayaan . Prosedur kedua berasal dari penggunaan dua pendekatan
simulasi stokastik untuk menilai penyebaran kesalahan yang terkait dengan perkiraan .
Kedua metodologi menyebabkan hasil yang sama dalam hal tonase dalam setiap kelas ,
namun penyebaran kesalahan berasal dari simulasi berbeda dari interval yang diperoleh melalui
varians kriging .
kriging biasa dapat digunakan sebagai ukuran untuk penyebaran perkiraan. Parameter ini hanya
bergantung:
1. bentuk kontinuitas spasial data2. konfigurasi pengamatan keruangan.
Dengan demikian, kesalahan dihitung dengan menggunakan varians, tidak tergantung darinilai data memaksakan batasan berat pada penggunaannya.
Investigasi menggunakan teknik simulasi bersyarat telah menunjukkan bahwa kesalahan
yang terkait dengan perkiraan dapat dievaluasi dengan menggunakan beberapa skenario simulasi
untuk menentukan tingkat kepercayaan dan ini kemudian dapat di gunakan dalam proses
klasifikasi. Simulasi stokastik memungkinkan reproduksi statistik ( histogram , semivariogram ,
scattergram disimpulkan dari data , maka model atau realisasi terlihat lebih realistis daripada
perkiraan halus.
5/27/2018 Uts Pemograman Komputer
23/25
GRID 12,5
5/27/2018 Uts Pemograman Komputer
24/25
GRID 50
5/27/2018 Uts Pemograman Komputer
25/25
GRID 100