013 Kriging

08 - Kriging

Estimadores lineales ponderados Kriging Simple Kriging Ordinario Propiedades del Kriging Plan de Kriging Validacin
MI54A EVALUACIN DE YACIMIENTOS
UNIVERSIDAD DE CHILE
Estimadores lineales ponderados

La idea bsica es estimar el valor de una variable regionalizada (por ejemplo, la ley de cobre total) en una posicin u donde no conocemos el valor verdadero, planteando:
Z (u) ! a P i Z (u i )
* i!1
donde Z*(u) es el valor estimado para la posicin u, {Z(ui), i=1...n} Z*(u {Z(u son los valores de los datos en las posiciones {ui, i=1...n}, a es un {u coeficiente aditivo y {Pi, i=1...n} son ponderadores. {P

Qu factores podran considerarse en la asignacin de los ponderadores?

cercana a la posicin que est siendo estimada redundancia entre los valores de datos continuidad o variabilidad espacial anisotropa (direccin preferencial)

Estimador del ms cercano vecino: vecino atribuye toda la ponderacin al dato ms cercano al sitio a estimar (Pi = 1 para el P dato ms cercano, Pi = 0 para los otros datos, a = 0) Tambin llamado estimador por polgonos de influencia , puesto que el sitio a estimar se encuentra en el polgono de influencia del dato que se lleva toda la ponderacin

Estimador del inverso de la distancia: atribuye a cada data una distancia ponderacin proporcional al inverso de su distancia al sitio a estimar Existen variantes, donde se eleva la distancia a una cierta potencia:
a!0
1 c d iw Pi ! 1 n i!1 c d w i
donde di es la distancia entre el dato ni y la posicin que se est ni estimando, c es una constante pequea, y w es un valor usualmente comprendido entre 1 y 3

Inverso de la distancia Inverso del cuadrado de la distancia

Los estimadores anteriores son sencillos de aplicar, pero la asignacin de la ponderacin slo depende del criterio de cercana. La idea del mtodo de kriging es incorporar los otros criterios (redundancias entre datos, continuidad espacial, anisotropa) mediante el uso del variograma. De este modo, se logra obtener estimaciones ms precisas mejor planificacin, mejor seleccin estril / mineral, + $$$

Kriging es una coleccin de tcnicas generalizadas de regresin lineal para minimizar una varianza de estimacin definida de un modelo a priori de covarianza (R. Olea, 1991). El Kriging es el mejor estimador lineal insesgado (Best Linear Unbiased Estimator, BLUE) Estimator,

lineal porque es una combinacin lineal ponderada de los datos insesgado porque el error de estimacin tendr una media igual a 0 mejor en el sentido del error de varianza mnima para un modelo dado de covarianza / variograma

Existen varios tipos de kriging:

Kriging simple: media m conocida simple: Kriging ordinario: media m desconocida ordinario: Kriging con deriva: media desconocida que depende de cada posicin m(u) deriva: m(u

Kriging universal - intrnseco: la deriva es un polinomio de las coordenadas Kriging trigonomtrico: la deriva es una funcin peridica trigonomtrico: Kriging con deriva externa: la deriva es proporcional a una variable secundaria externa: Kriging lognormal: cuando el logaritmo de los datos tiene una distribucin normal lognormal: Kriging de indicadores: aplica kriging a datos binarios (indicadores) que codifican indicadores: probabilidades de pertenecer a un tipo de roca o de sobrepasar una ley de corte Kriging disyuntivo: aplica kriging a factores que descomponen la variable a estimar disyuntivo: Kriging multi-Gaussiano: aplica kriging a la transformada Gaussiana de los datos multi-Gaussiano:
Kriging no lineal: aplica kriging a una transformada de la variable lineal:

Kriging multivariable = cokriging Etc.
Kriging Simple
Hiptesis 1) Se conoce el valor promedio m de la variable regionalizada 2) Tambin se conoce el variograma K(h), el cual presenta una meseta: K(g) = W2 p existe una funcion de covarianza, dada por C(h) = W2 K(h)
Kriging Simple
Queremos construir el mejor estimador lineal insesgado para estimar el valor en un sitio u:
Z (u) ! a P i Z (u i )
* i!1 n
Para determinar el coeficiente a y los ponderadores {Pi, i=1...n}, se {P examina las condiciones de insesgo y de varianza mnima.
Kriging Simple
Condicin de insesgo El valor esperado del error de estimacin es:
E{Z (u) Z (u)} ! a P i E{Z (u i )} E{Z (u)}

* i!1
! a Pi m m
i!1
p Para que este valor esperado sea nulo, se debe plantear
a !{1 P i } m
i!1
MI54A EVALUACIN DE YACIMIENTOS UNIVERSIDAD DE CHILE
Kriging Simple
Condicin de varianza mnima La varianza del error de estimacin se expresa en funcin de la covarianza
var{Z * (u) Z (u)}
= =
var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}
a2-2ab+b2
P P
i i !1 j !1
cov{Z (u i ), Z (u j )} 2 P i cov{Z (u), Z (u i )}

i !1 n
C (0)
P P C (u u
i j i i !1 j !1
) 2 P i C (u u i )
i !1
C (0)
Kriging Simple

Los ponderadores ptimos (que minimizan la varianza del error) pueden determinarse tomando derivadas parciales con respecto a los ponderadores
n x[ ] ! 2 P j C (u i u j ) 2 C (u u i ), i !1,...n xP i j !1
e igualndola a cero:
P C (u
j j !1
u j ) ! C (u u i ), i ! 1,... n
Este sistema de n ecuaciones con n ponderadores desconocidos es el sistema de kriging simple (KS)
Kriging Simple

En notacin matricial: C (u1 u1 ) . / 1 C (u u ) . n 1 C (u1 u n ) / C (u n u n ) C (u1 u) P1 / / ! C (u u) P n n
mide las correlaciones (redundancias) entre datos
mide las correlaciones entre datos y valor a estimar
Kriging Simple

El estimador se escribe:
Z (u) ! P i Z (u i ) {1 P i } m
* i!1 i!1
La media aparece con un ponderador que es el complemento de la ponderacin acumulada de los datos. Mientras ms lejos el sitio u de los datos, menores sern sus ponderadores y mayor ser la ponderacin de la media. De cierto modo, la media compensa la falta de informacin aportada por los datos
Kriging Simple
Varianza del error Asimismo, es posible determinar el valor de la varianza del error (que se minimiz). Esta varianza lleva el nombre de varianza de kriging , aunque se refiere a la varianza del error de kriging:
W (u) ! W P i C (u i u)
2 KS 2 i !1 n
Puede calcularse sin conocer los valores de los datos. Se demuestra que esta varianza siempre es menor o igual a W2.
Kriging Simple: ejemplo

Hay tres ecuaciones para determinar los tres ponderadores:

P1 C(1,1) P 2 C(1,2) P 3 C(1,3) ! C(0,1) P1 C( 2,1) P 2 C( 2,2) P 3 C( 2,3) ! C( 0,2) P1 C( 3,1) P 2 C( 3,2) P 3 C( 3,3) ! C( 0,3)
K1,2 K0,1 K1,3 K0,2 K0,3 K2,3
En notacin matricial
C(1,1) C(1,2) C(1,3) P 1 C(0,1) C( 2,1) C( 2,2) C(2,3) P ! C(0,2) 2 C( 3,1) C( 3,2) C(3,3) P 3 C(0,3)
Recordar que C(h) = C(0) - K(h)

Kriging simple con un efecto pepita cero y un variograma esfrico istropo con tres alcances diferentes
Cambio del alcance
alcance = 1 alcance = 5 alcance = 10
Distancia
alcance = 10 5 1
1 0.781 0.648 0.000
2 0.012 -0.027 0.000
3 0.065 0.001 0.000

Kriging simple con un variograma esfrico istropo con alcance 10 y tres diferentes efectos pepita
Cambio del efecto pepita
100% 75%
K
pepita = 25% Distancia
P
pepita = 0% 25% 75% 100%
0.781 0.468 0.172 0.000
0.012 0.203 0.130 0.000
0.065 0.064 0.053 0.000

Kriging simple con un variograma esfrico con un efecto pepita del 25%, un alcance principal de 10 y alcances menores diferentes
Cambio de anisotropa
P
anisotropa 1:1 2:1 5:1 20:1
0.468 0.395 0.152 0.000
0.203 0.087 -0.055 0.000
0.064 0.141 0.232 0.239
Kriging Ordinario
Hiptesis 1) No se conoce el valor promedio m de la variable regionalizada. Esto permite generalizar el kriging a situaciones donde esta media no es constante en el espacio: la media puede variar de una regin a otra, siempre que sea aproximadamente constante en cada vecindad de kriging. 2) Slo se conoce el variograma K(h) o la funcin de covarianza C(h)
Kriging Ordinario
Condicin de insesgo El valor esperado del error de estimacin es:
E{Z (u) Z (u)} ! a P i E{Z (u i )} E{Z (u)}

* i!1
! a Pi m m
i!1
p Siendo m desconocida, para que este valor esperado sea nulo se debe plantear
a!0
P
i!1
!1
Kriging Ordinario
Condicin de varianza mnima La varianza del error de estimacin se expresa en funcin de la covarianza
var{Z * (u) Z (u)}
= =
var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}
P P
i i !1 j !1
cov{Z (u i ), Z (u j )} 2 P i cov{Z (u), Z (u i )}

i !1 n
C (0)
P P C (u u
i j i i !1 j !1
) 2 P i C (u u i )
i !1
C (0)
Kriging Ordinario

Los ponderadores ptimos (que minimizan la varianza del error sujeto a que la suma de los ponderadores sea igual a 1) 1) pueden determinarse introduciendo un multiplicador de Lagrange Q
n n n
n var{Z (u) Z (u)} ! P i P j C (u i u j ) 2 P i C (u u i ) C (0) 2Q P i 1 i!1 j !1 i!1 i !1

* !0
y anulando las derivadas parciales con respecto a los ponderadores y con respecto al multiplicador de Lagrange
Kriging Ordinario

Las derivadas parciales son:

n x[ ] ! 2 P j C (u i u j ) 2 C (u u i ) 2 Q, i !1,...n xP i j !1
x[ ] n ! 2 P i 1 xQ i!1

Se desemboca en el sistema de kriging ordinario (KO)

n P j C (u i u j ) Q ! C (u u i ), i !1,... n !1 j n P !1 !1 i i
Kriging Ordinario

En notacin matricial:
C (u1 u1 ) / C (u u ) n 1 1
. 1 . .
C (u1 u n ) 1 / / C (u n u n ) 1 1 0
P1 C (u1 u) / / ! P C (u n u) n Q 1
mide las correlaciones (redundancias) entre datos
mide las correlaciones entre datos y valor a estimar
Kriging Ordinario

Se puede escribir tambin en trminos de variograma
K (u1 u1 ) / K (u u ) n 1 1
. 1 . .
K (u1 u n ) 1 / / K (u n u n ) 1 1 0
P1 K (u1 u) / / P ! K (u u) n n Q 1
No es preciso que el variograma tenga una meseta para que exista este sistema. Por ende, se puede utilizar aun cuando el variograma crece infinitamente y no existe ni varianza ni covarianza
Kriging Ordinario
Varianza del error La varianza del error ( varianza de kriging ) vale:
W (u) ! W P i C (u i u) Q
2 KO 2 i!1 n
! P i K (u i u) Q
i !1
Puede calcularse sin conocer los valores de los datos. En ocasiones, esta varianza puede ser mayor que W2.
Kriging de bloques

El kriging (simple, ordinario ) puede ser extendido a la estimacin directa del valor promedio en un bloque:
Z(V) !

1 V Z(u)du V
El sistema de kriging slo difiere del sistema de kriging puntual en el miembro de la derecha: hay que reemplazar la covarianza punto-punto C(ui u) por la covarianza punto-bloque:
1 C (u i , V ) ! V 1 N V C (ui ,u)du } N C (ui ,x k ) k !1
donde {xk, k = 1
N} son puntos que discretizan el bloque V.
Observacin sobre el sistema de kriging

Los ponderadores y la varianza de kriging toman en cuenta:

aspectos geomtricos: distancias entre el sitio a estimar y los datos; distancias (redundancias) entre los datos mismos aspectos variogrficos: continuidad espacial, anisotropa, mediante la covarianza o el variograma
No toman en cuenta

informacin local: valores de los datos ( en particular, son indiferentes a la presencia de un efecto proporcional)
A continuacin, se presenta un estudio de la sensibilidad de los resultados a cambios en la configuracin geomtrica de los datos y del modelo variogrfico.
Efecto de Distancia

Caso base y efecto del aumento en la distancia sobre los ponderadores (K ( h) ! 0,2 0,8 Sph(100) )
Caso base
W2K = 0,1888 0,25
Efecto de distancia
W2K = 0,2162 0,265
50
0,25
0,25
50
0,303
0,303
0,25 0,129
50 MI54A EVALUACIN DE YACIMIENTOS
50
Efecto Pantalla y Anisotropa

Efecto pantalla y de la anisotropa (Anis. Geom. 4 x 1) sobre los ponderadores (K ( h) ! 0,2 0,8 Sph(100) )
Efecto pantalla
W2K = 0,1668 0,247
Efecto de la anisotropa
W
2 K
= 0,2248 0,074
50
0,233 0,174 0,080 0,033
0,233
50
0,426
0,426
0,074
50 MI54A EVALUACIN DE YACIMIENTOS
50
Efecto de Declusterizacin y Distancia

Efecto de declusterizacin y distancia sobre los ponderadores (K (h) ! 0,2 0,8 Sph(100) )
Efecto de declusterizacin
W
2 K
Efecto de decl. + distancia

W 0,3437
2 K
= 0,1668 0,215 0,111 0,106 0,111 0,215 0,3437
= 0,2107
50
0,242
50
0,2674
0,016 0,013 0,016
50
50
100
150
Cambio en efecto pepita

Efecto sobre los ponderadores de un cambio en el efecto pepita
Caso base
W
2 K
Cambio en el efecto pepita

W
2 K
= 0,0827
= 0,1206
0,208 50 0,042 50
0,1044
0,1456
50 K(h) = 0,2 + 0,8 Sph(100)

50 K(h) = 0,7 + 0,3 Sph(100)

Propiedades del Kriging

interpolacin exacta: la estimacin en un sitio con dato es igual al valor del dato y la varianza de kriging en este sitio vale 0 aditividad: la estimacin de la ley de un bloque es igual al promedio de las estimaciones de leyes puntuales en este bloque suavizamiento: la dispersin de los valores estimados es menor que la dispersin de los valores verdaderos, sobre todo en las zonas donde hay pocos datos. En consecuencia, se tiende a subestimar las zonas de altas leyes y sobreestimar las zonas de bajas leyes. El kriging es inapropiado para evaluacin de procesos donde los valores extremos son importantes ( simulaciones) insesgo y precisin: por construccin sesgo condicional: el error promedio puede no tener esperanza nula cuando se considera slo los sitios donde la ley estimada es alta (o baja). En general, el sesgo condicional es pequeo si se usa suficientes datos (>15)


Ilustracin del sesgo condicional
Al tener sesgo condicional, se incurre en una mala apreciacin del negocio. La ley media del material mandado a planta (material cuya estimacin supera una ley de corte) es inferior a la ley media estimada de este material, mientras que la ley media del material mandado a botadero es superior a la ley media estimada de este material.

Ilustracin del suavizamiento
Plan de Kriging
Cules son los datos a utilizar en la estimacin?

Vecindad nica: se usa todos los datos Vecindad mvil: se usa slo los datos cercanos al sitio (bloque) a estimar

En general, se toma una vecindad en forma de elipse (2D) o elipsoide (3D), orientado segn la anisotropa observada en el variograma Se suele dividir la vecindad en sectores angulares (cuadrantes en 2D octantes en 3D) y buscar datos en cada sector Los radios del elipse (elipsoide) no necesariamente corresponden a los alcances del variograma, sino que se definen de manera de poder encontrar suficientes datos para hacer la estimacin
Plan de Kriging
Ejemplo de vecindad mvil
Validacin del kriging

Para validar los parmetros del kriging (modelo de variograma, vecindad elegida), se puede usar los siguientes mtodos:

Validacin cruzada: se estima sucesivamente cada dato considerando solamente los datos restantes Jack-knife: se divide la muestra inicial en dos partes (por ejemplo, cuando hay dos campaas de sondajes), y se estima una parte a partir de la otra
Luego, se hace un estudio estadstico de los errores cometidos para saber si el kriging fue satisfactorio (buena precisin, poco sesgo condicional )

Criterios de validacin:

medias de los errores y de los errores estandarizados: deben ser cercanas a cero p estimador sin sesgo varianza de los errores: debe ser la ms baja posible p estimador preciso varianza de los errores estandarizados: debe ser cercana a 1 p el variograma cuantifica adecuadamente la incertidumbre nube de dispersin entre valores reales y estimados: la regresin debe acercarse a la diagonal p insesgo condicional

Ejemplo: jack-knife entre dos campaas de sondaje de exploracin, usando kriging ordinario. Se busca poner a prueba distintas vecindades de kriging.

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)

Histogramas de los errores cometidos
Las medias de los errores son casi nulas p insesgo La mayor precisin se alcanza en los planes 2 y 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


013 Kriging

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

013 Kriging

Hochgeladen von

Copyright:

Verfügbare Formate

08 - Kriging

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

Qu factores podran considerarse en la asignacin de los ponderadores?

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

MI54A EVALUACIN DE YACIMIENTOS

Estimadores lineales ponderados

Existen varios tipos de kriging:

Kriging no lineal: aplica kriging a una transformada de la variable lineal:

Kriging multivariable = cokriging Etc.

MI54A EVALUACIN DE YACIMIENTOS

MI54A EVALUACIN DE YACIMIENTOS

MI54A EVALUACIN DE YACIMIENTOS

E{Z (u)  Z (u)} ! a  P i E{Z (u i )} E{Z (u)}

p Para que este valor esperado sea nulo, se debe plantear

var{Z * (u)  Z (u)}

var{Z * (u)}  2 cov{Z * (u), Z (u)}  var{Z (u)}

cov{Z (u i ), Z (u j )}  2 P i cov{Z (u), Z (u i )}

MI54A EVALUACIN DE YACIMIENTOS

MI54A EVALUACIN DE YACIMIENTOS

En notacin matricial: C (u1  u1 ) . / 1 C (u  u ) . n 1 C (u1  u n ) / C (u n  u n ) C (u1  u) P1 / / ! C (u  u) P n n

mide las correlaciones (redundancias) entre datos

mide las correlaciones entre datos y valor a estimar

MI54A EVALUACIN DE YACIMIENTOS

MI54A EVALUACIN DE YACIMIENTOS

Kriging Simple: ejemplo

Hay tres ecuaciones para determinar los tres ponderadores:

Recordar que C(h) = C(0) - K(h)

MI54A EVALUACIN DE YACIMIENTOS

Kriging Simple: ejemplo

1 0.781 0.648 0.000

2 0.012 -0.027 0.000

3 0.065 0.001 0.000

MI54A EVALUACIN DE YACIMIENTOS

Kriging Simple: ejemplo

0.781 0.468 0.172 0.000

0.012 0.203 0.130 0.000

0.065 0.064 0.053 0.000

MI54A EVALUACIN DE YACIMIENTOS

Kriging Simple: ejemplo

0.468 0.395 0.152 0.000

0.203 0.087 -0.055 0.000

0.064 0.141 0.232 0.239

MI54A EVALUACIN DE YACIMIENTOS

MI54A EVALUACIN DE YACIMIENTOS

E{Z (u)  Z (u)} ! a  P i E{Z (u i )} E{Z (u)}

MI54A EVALUACIN DE YACIMIENTOS

var{Z * (u)  Z (u)}

var{Z * (u)}  2 cov{Z * (u), Z (u)}  var{Z (u)}

cov{Z (u i ), Z (u j )}  2 P i cov{Z (u), Z (u i )}

MI54A EVALUACIN DE YACIMIENTOS

n var{Z (u)  Z (u)} ! P i P j C (u i  u j )  2 P i C (u  u i )  C (0)  2Q P i 1 i!1 j !1 i!1 i    !1

E{Z (u) Z (u)} ! a P i E{Z (u i )} E{Z (u)}

var{Z * (u) Z (u)}

var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}

cov{Z (u i ), Z (u j )} 2 P i cov{Z (u), Z (u i )}

En notacin matricial: C (u1 u1 ) . / 1 C (u u ) . n 1 C (u1 u n ) / C (u n u n ) C (u1 u) P1 / / ! C (u u) P n n

E{Z (u) Z (u)} ! a P i E{Z (u i )} E{Z (u)}

var{Z * (u) Z (u)}

var{Z * (u)} 2 cov{Z * (u), Z (u)} var{Z (u)}

cov{Z (u i ), Z (u j )} 2 P i cov{Z (u), Z (u i )}

n var{Z (u) Z (u)} ! P i P j C (u i u j ) 2 P i C (u u i ) C (0) 2Q P i 1 i!1 j !1 i!1 i !1