uts pemograman komputer

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. .


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.


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.


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 .


5/25

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)


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 .


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

.


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)....


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


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) :


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


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


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.


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 .


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.


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


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.


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.


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.


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.


21/25


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.


23/25

GRID 12,5


24/25

GRID 50


25/25

GRID 100

uts pemograman komputer

Documents