Curso de Geoestadistica – Dia 3:

Interpolacion

Octubre 2008
Principios de Interpolacion Lineal
Introduccion
 Estimados ≠ verdadero
 la tabulacion de recursos se basa en estimados,
no valores verdaderos (los cuales son
desconocidos).
 Los estimados siempre tienen errores
 El objetivo de la estimacion es minimizar los
errores de estimacion
 el modelo se basa en un volumen infimo de muestras
relativo al volumen total del deposito (en general en
el orden de 0.000007% a 0.0004%)
Introduccion
 Geologia y homogeneidad estructural
 la interpolacion debe de ser limitada a areas que
son geologica y estadisticamente homogeneas
 Los controles geologicos definen la
mineralizacion. Un entendimiento profundo del
modelo geologico es critico para poder realizar
una estimacion confiable
Tipos de dominios para interpolacion
 geologico (litologia, estructural: Ag, Cu, Co, Fe, SG)
 grade shells (e.g., Bi, Zn, Mo)
 zonas definidas por indicadores (e.g., solubles)
 bloques taggeados directamente por indicadores
(e.g., As, Pb)
 combinacion de metodos (Bi, Zn, Mo, etc. ….)
Introduccion
 Cambio de soporte
 Es la relacion entre el tamaño (volumen) de la
muestra o bloque y su varianza. La dispersion de
las leyes de los bloques alrededor de la media de
los bloques es menor que la dispersion de las
leyes de las muestras alrededor de la media de
las muestras. Es critico que se tome en cuenta el
cambio de varianza al ir de muestras a bloques
para poder estimar correctamente las curvas de
ley-tonelaje por encima de un cutoff dado
Introduccion
 La estimacion no debe de tener un
sesgo global
 sesgo (bias) global ocurre
cuando la ley global estimada
no es igual a la ley real.
 Esto se puede evitar con un
muestreo correcto y con el uso
correcto de los controles
geologicos
 Introduccion
 La estimacion debe de minimizar la
“conditional bias”
 “conditional bias” es la sobre-
estimacion de la ley en las zonas de
alta ley y la sub-estimacion en las
zonas de baja ley (o vice-versa). Es
un efecto inevitable de la
interpolacion. Se puede minimizar
utilizando un mayor numero de
muestras para interpolar un bloque
Introduccion
Introduccion
 En resumen, la metodologia de estimacion a usar
debe:
 evitar sesgo global
 minimizar sesgo local (“conditional bias”)
 tomar en cuenta correctamente el cambio de
soporte adecuado al tamaño de los bloques
Introduccion
 el objetivo de la estimacion es obtener la “mejor”
estimacion del valor de una variable en un punto en
el espacio en funcion de los datos disponibles

Z1

Z3 ? Z2

Z4
Introduccion
 ¿como se estima la ley del bloque? por medio de una
combinacion lineal de las leyes de las muestras
(promedio ponderado)
z(x2)

z* =  wi z(xi) z(x1) z(x3)

z*
z(x6)
z(x4)
z(x5)
Introduccion
 el peso asignado a las muestras debe de tener en
cuenta lo siguiente:
 los controles geologicos
 el caracter espacial de la mineralizacion
 ubicacion y forma/tamaño de los bloques
 ubicacion de las muestras con respecto a si
mismas y conrespecto al bloque a ser estimado
 no debe de introducir bias global
 minimizar el “conditional bias”
Metodos de Interpolacion lineal
 poligonal
 seccional
 nearest-neighbour (NN)
 inverso a la distancia (IDW)
 kriging
 simple kriging (SK)
 ordinary kriging (OK)
 indicator kriging (IK)
 multiple indicator kriging (MIK)
 Poligonal
 se divide el area en poligonos de influencia
alrededor de las muestras; se asigna la ley
de la muestra al poligono
 Ventajas:
 facil de entender
 facil de hacer en depositos simples
 Desventajas
 no toma en cuenta el cambio de soporte
 una sola muestra por estimado
 discontinuidad en los estimados
 no toma en cuenta la correlacion espacial
de las muestras
 Seccional
 procedimiento
 se divide el deposito en secciones
(verticales u horizontales)
 se composita la interseccion de los taladros
 se dividen los poligonos en poligonos de
influencia de los compositos
 se asigna ley de composito a su poligono
 se calcula ley total de seccion
 ley de seccion se extiende a punto medio
 Ventajas:
 facil de hacer aun en depositos con formas
complejas
 Desventajas
 no es muy flexible
 una sola muestra por estimado
 leyes muy similares a poligonal
Nearest-neighbor (NN)
 se asigna a cada bloque la ley del composito mas
cercano
 Ventajas:
 facil de entender
 facil de hacer
 Desventajas
 no toma en cuenta el cambio de soporte
 una sola muestra por estimado
 discontinuidad en los estimados
 no toma en cuenta la correlacion espacial de las
muestras
 Inverso de la distancia (IDW)
 asigna los pesos en funcion al inverso de la
distancia (elevado a un poder dado) de la
muestra al bloque
 Ventajas:
 facil de entender y de hacer
 toma en cuenta la disminucion de la
correlacion con la distancia
 puede tomar en cuenta anisotropia,
clustering, y cambio de soporte
 Desventajas
 la correlacion espacial es arbitraria
 no minimiza la varianza de estimacion
 necesita variografia para anisotropia y
cambio de soporte
Error de Estimacion
Error de Estimacion (1)
 Siempre hay un error asociado con un estimado
E = Z* - Z
 Estos errores tienen una distribucion que se puede
representar por medio de la media o de la varianza
de los errores (o varianza de estimacion)
 Todo metodo de estimacion de tener:
 una media de los errores aprox. cero (unbiased)
 una pequeña varianza de los errores, los cuales
deben de estar concentrados alrededor de la
media de los errores
Error de Estimacion (2)
 E = Z* - Z
 pero, m(x+y) = m(x) + m(y)
 entonces, m(E) = m(Z*) – m(Z)
 no bias significa: m(Z*) = m(Z)
 entonces, m(E) = 0
Suma de Pesos (1)

n
Z *   wi zi
i 1

 el objetivo es seleccionar los pesos wi de tal forma

que:
 den un estimado no-sesgado de Z
 den la minima varianza de estimacion
Suma de Pesos (2)
 para obtener pesos no sesgados basta que la suma
de los pesos sea igual a 1
Avg( Z x *)  Avg( Z x )
n
Avg( wi g i )  Avg( Z x )
i 1
n

 w Avg( g )
i 1
i i  Avg( Z x )
n

w
i 1
i m m
n

w
i 1
i 1
 Varianza de Estimacion (1)
 se puede demostrar que la varianza de estimacion se puede
calcular en funcion del modelo de variograma:
 E2  2 (vi ,V )   (V ,V )   (vi , v j )
 donde:
 (v,V) es el variograma promedio entre las
muestras y el bloque
 (V,V) es el variograma promedio entre
todos los puntos del bloque
 (v,v) es el variograma promedio entre las
muestras
 es decir, depende de:
 la configuracion de las muestras relativas
al bloque
 del tamaño del bloque
Varianza de Estimacion (2)
 Se puede demostrar que la varianza de estimacion:
 E2  2 (vi ,V )   (vi , v j )   (V ,V )
 se puede calcular de acuerdo a:
 E2  2 i  (vi ,V )   i  j  ij   (V ,V )
i j

 es decir, conociendo el variograma, se puede calcular

la varianza de estimacion de cualquier metodo (no
solo kriging)
Kriging
Minimizacion de la Varianza de Estimacion
 Se puede demostrar que la varianza de estimacion,
de acuerdo a la formula anterior, esta minimizada si
los pesos cumplen las siguiente condiciones:
n

 w  (v , v )     (v , V )
i 1
i i j i

n
 wi  1
i 1

 μ es el parametro de Lagrange
Varianza de Estimacion (2)
 Cuando los pesos satisfacen las condiciones
anteriores, la varianza de estimacion (llamada
tambien la varianza de Kriging) se puede calcular de
la siguiente manera:
n
 OK
2
  wi  (vi ,V )     (V ,V )
i 1
interpretacion de la “kriging variance”
 la “kriging variance” (σ2OK) es un estimador del error
de estimacion
 σ2OK depende solo de la configuracion geometrica de
los datos; en general, subestima el error real de
estimacion
 σ2OK es una funcion del modelo (en especial del
variograma); errores en el modelo no se reflejan en
σ2OK
interpretacion de la “kriging variance”
 si se usa correlograma, variograma estandarizado o
relativo, se debe de re-escalear para calcular la
varianza de estimacion
σ2OK = σ2est_corr x σ2
 σ2OK se puede utilizar para diseñar campañas de
perforacion que minimicen el error (en especial
cuando no hay muchos datos)
Simple Kriging y Ordinary Kriging
Simple Kriging & Ordinary Kriging
 el estimado de un bloque se puede calcular en
funcion de la siguiente ecuacion:
 n

Z u    wi (vi  mi )  mu 
*

 i 1 
 para SK, mi = m(u) = m, constante sobre todo el
dominio, y conocido (“dominio estacionario”); puede
usar media localmente variable
 para OK, mi = m(u) ≠ m, variable dentro del dominio
total, pero localmente constante pero desconocido
(“dominio localmente estacionario”)
Simple Kriging & Ordinary Kriging
 en SK los pesos no estan limitados a que sumen 1
 la variable wmSK es el “peso de la media de SK” y se
calcula de acuerdo a:
n
SK
wm  1  SK
wi
i 1

 wmSK es una medida de la densidad de datos:

 wmSK es mayor en zonas con pocos datos
 wmSK es menor en zonas con abundantes datos
Simple Kriging & Ordinary Kriging
 entonces, para SK:
n 
Z * u    wi (vi  mi )  mu 
 i 1 
 n SK 
*
Z SK u    wi (vi  m)  m
 i 1 
 n SK   n
SK 
*
Z SK u    wi vi   1   wi  m
 i 1   i 1 
Simple Kriging & Ordinary Kriging
 entonces, para OK:
n 
Z u 
*
  wi (vi  mi )  mu 
 i 1 
 n OK 
u    wi vi  mu   mu 
*
Z OK
 i 1 
 n OK   n
OK 
*
Z OK u    wi vi   1   wi  mu 
 i 1   i 1 
 n OK 
*
Z OK u    wi vi 
 i 1 
Simple Kriging & Ordinary Kriging
 se puede demostrar que OK es lo mismo que:
 estimar mOK(u) en cada punto a estimar (cada
bloque)
 y luego hacer simple kriging usando mOK(u):

 n SK 
*
Z OK u    wi vi  mOK u   mOK u 
 i 1 
 n SK   n
SK 
*
Z OK u    wi vi   1   wi  mOK u 
 i 1   i 1 
Simple Kriging & Ordinary Kriging
 en resumen, la relacion entre SK y OK es:
*
Z OK u   Z SK
*
u   wmSK mOK u   m

 en general:
 Z*OK < Z*SK en areas de ley menor al promedio
 Z*OK > Z*SK en areas de ley mayor al promedio

 la discrepancia entre Z*OK y Z*SK aumenta con el valor

de wmSK, es decir lejos de los datos
 Simple Kriging & Ordinary Kriging
 en general:
 OK da mejores resultados
en areas con bastante
datos
 SK da mejores resultados
en areas con pocos datos
 la mayoria de dominios
geologicos son solo
localmente estacionarios
(OK es preferido)
 SK da resultados mas
suavizados (smoothed) que
OK
Las ecuaciones de Kriging
n

 w  (v , v )     (v , V )
i 1
i i j i
S1 X V X S2

n
 wi  1 S3 X
i 1

w1 ( s1 , s1 )  w2 ( s1 , s2 )  w3 ( s1 , s3 )     ( s1 ,V )

w2 ( s2 , s1 )  w2 ( s2 , s2 )  w3 ( s2 , s3 )     ( s2 ,V )
w3 ( s3 , s1 )  w2 ( s3 , s2 )  w3 ( s3 , s3 )     ( s3 ,V )
w1  w2  w3 1
Interpretacion de la matriz de kriging
en forma de matriz (y usando covarianzas):

C11 ... C1n 1  w1   C10 

 . . . .   .   . 
      
C n1 ... C nn 1  wn  C n 0 
     
 1 ... 1 0   1 
C  w  D
w  C 1  D
pesos clustering distancia
Interpretacion de la matriz de kriging
 en resumen, kriging es un buen estimador porque
escoge los pesos en funcion a:
 correlacion espacial (definida por el variograma)
 distribucion de las muestras entre si
 distribucion de las muestras con respecto al
bloque
 tamaño del bloque
Aspectos Miscelaneos de Kriging
 “screening effect”
 en zonas con abundantes
muestras, muestras cercanas al
bloque “filtran” el efecto de las
muestras mas lejanas
 este efecto es proporcional a la
continuidad del variograma
 corolario: si el variograma es
discontinuo (alto nugget y/o rango
corto), se podrian usar mas
muestras, pues el “screening
effect” seria minimo
pesos negativos
 kriging puede producir pesos negativos (debido al
“screening effect”)
 generalmente ocurre cuando el variograma es muy
continuo y/o cuando hay muestras muy juntas
(clustered)
 algunos programas permiten convertir los pesos
negativos a cero (no recomendable)
variogram scaling
 los pesos son una funcion de la forma del
variograma; re-escaleo de los sills (e.g., al usar
variograma estandarizado o correlograma) no afectan
el valor estimado pero si la varianza de kriging
propiedades de Kriging
 efecto de pepita
 a mayor efecto de pepita, mayor “smoothing”
(asigna pesos similares a todas las muestras)
 forma del variograma
 a menor pendiente cerca al origen, mayor peso a
las muestras cercanas al bloque
 rango
 a mayor rango, mas peso a las muestras cercanas
al bloque
Otros Tipos de Kriging
Otros Tipos de Kriging
 Local Anisotropy Kriging (LAK)
 Indicator Kriging (IK)
 Multiple Indicator Kriging (MIK)
LAK: Local Anisotropy Kriging (1)
 es un proceso en dos pasos:
1. identifica para cada bloque el elipsoide (rangos,
orientacion, anisotropia) que minimiza el CV de
las muestras dentro de ese elipse; este paso
guarda la orientacion del elipsoide dentro del
bloque
2. utiliza el elipsoide definido en el paso anterior
para interpolar
 este metodo es bueno cuando hay bastantes datos
y no hay una direccion definida de anisotropia o esta
no sigue un comportamiento lineal
LAK: Local Anisotropy Kriging (2)
 LAK: Local Anisotropy Kriging (3)
 variograma LAK: usa coordenadas en funcion del elipsoide y no coordenadas
reales
 pares solo de compositos dentro del mismo elipsoide
 pares separados un vector h son combinados entre elipsoides
Indicator Kriging (1)
 similar a OK pero interpola indicadores en vez de
leyes
 son metodos de interpolacion no lineal
 IK → un solo indicador
 MIK → mas de un indicador, generalmente 8 a 10;
utilizado para interpolar variables continuas
 resultados menos sensibles a “outliers”
 sin embargo, necesita aplicar modelos para
extrapolar leyes altas
Indicator Kriging (2)
 resultados son probabilidades, no leyes
 variable categorica: resultado es probabilidad de que
bloque pertenezca a dicha categoria
 variable continua: resultado es probabilidad de que
bloque este por encima del cutoff; en MIK, resultados
dan la curva de proabilidad de la ley en el bloque
 resultados son en soporte puntual; necesita
aplicacion de un metodo de cambio de soporte para
poder convertir resultados a soporte de bloque
Multiple Indicator Kriging (1)
 importante escoger:
 cutoffs a usar
 variograma de indicadores

 los criterios utilizados para OK se aplican; en

particular, se debe de tener en cuenta el control
geologico (subdividir los datos por dominios)
 no es necesario hacer capping o outlier restriction
Multiple Indicator Kriging (2)
 cutoffs a usar:
 objetivo es definir distribucion de leyes en mineral
 ~10 cutoffs es generalmente suficiente
 cutoffs bajos a frecuencias constantes
 cutoffs altos a intervalos de contenido metalico
constante
Multiple Indicator Kriging (3)
 variograma de indicadores:
N
 k h  
1
    
k ,h

2 N k ,h
 k i k i
i x  i x  h
2

i 1

 es la probabilidad de que los indicadores sean

diferentes
 sill = varianza del indicador = pk(1-pk)
 mejores resultados con correlograma
 variograma de indicadores pueden modelar distintas
continuidades/anisotropias a distintos cutoff
Multiple Indicator Kriging (4)
Multiple Indicator Kriging (5)
 como los indicadores estan relacionados a traves de
los cutoffs sucesivos, los parametros (anisotropia,
sills, etc.) no deben de cambiar significativamente
entre indicadores adyacentes
 la estrategia de busqueda sigue los mismo principios
que para OK
Asuntos practicos
Seleccion del metodo a usar
 IDW
 usar variograma para definir orientacion y
anisotropia del elipsoide de busqueda
 usar opcion de distancia anisotropica
 usar herco para seleccionar la potencia del IDW
que de los mejores resultados
Seleccion del metodo a usar
 SK
 datos son relativamente escasos y media esta bien
definida
 si los datos tienen una distribucion muy cercana a
la media
 el CV es muy bajo (<0.5)
 no hay mucho efecto de outliers
Seleccion del metodo a usar
 OK
 metodo preferido pues reproduce muy bien trends
 mejor cuando CV < 1; sin mayores problemas con
CV 1-1.5
 alto CV se puede controlar con capping o outlier
restriction
Seleccion del metodo a usar
 IK
 para definir zonas (o bloques) con una
probabilidad dada de estar por encima de un cutoff
dado
 para definir zonas (o bloques) con una
probabilidad dada de pertenecer a una categoria
dada
Seleccion del metodo a usar
 MIK
 mineralizacion altamente erratica
 altos coeficientes de correlacion (>2)
 outliers
 continuidad de mineral diferente a diferente cutoffs
 se quiere estimar la distribucion de leyes dentro
del bloque
Min/Max numero de comps
 Max: en general definido por el grado de suavizado
necesario (en base al herco)
 Max por ddh: 2 o 3
 Min:
 en lo posible, tratar de usar un minimo de 2 ddh
para interpolar bloque: Min = (Max_por_ddh) + 1
 en areas de pocos datos, se puede interpolar
utilizando un solo comp (solo de relleno)
estrategia de busqueda
 es comun, pero no necesario, utilizar un elipsoide de
busqueda orientado paralelo a las direcciones
pricipales del variograma; esto es mas importante en
IDW
 no hay problema en usar muestras mas alla del rango
de busqueda
 usar octantes y/o cuadrantes en areas con muchos
datos cercanos al bloque; esto es mas importante en
interpolacion usando blastholes; esto es mas
importante en IDW
estrategia de busqueda
 siempre chequear unos cuantos bloques (utilizando la
opcion “debug ellipsoid” de MineSight) para verificar
que el elipsoide de busqueda este orientado de la
manera correcta
 interpolar en pasos:
 comenzar con rangos pequeños (2 o 3 veces el
espaciamiento promedio de ddh)
 aumentar el rango para bloques no interpolados
(1.5X a 2X el rango del paso previo)
estrategia de busqueda
 # muestras ↓, variabilidad ↑, precision ↓
 long. composito ↓, variabilidad ↑
 un elipsoide de busqueda muy grande no es
necesariamente bueno porque se puede salir de la
hipotesis de estacionariedad local
discretizacion del variograma promedio
 la formula de kriging usa el variograma promedio el
cual se basa en una aproximacion numerica en
funcion de los parametros de discretizacion usados
 a mayor numero de puntos, mas precision, pero mas
lento
 en general la discretizacion en el eje Z no debe de
ser menor a (altura de banco)/(long. de composito)
 discretizacion en planta (XxY): generalmente se usa
4x4, pero total de puntos en bloques 3D nunca debe
de ser menor a 30 (XxYxZ)
discretizacion del variograma promedio
 Kriging artefacts
 pesos inusualmente altos:
 algunos pesos pueden ser
muy altos debido a exceso
declustering
 usualmente no es mayor
problema si se usan mas de
dos taladros o se limita a no
mas de 2 o3 comps por
taladro
Block size
 generalmente, estimados de bloques mucho menores
que el espaciamiento promedio de ddh no son
precisos
 el SMU generalmente es mucho menor que el
espaciamiento de ddh; a veces se usan bloques
menores del SMU para acomodar la geologia
 metodo AMEC: interpolar diretamente los bloques,
optimizando por variabilidad de las leyes al nivel del
SMU y correcta reproduccion del cambio de soporte
 se sacrifica precision por variabilidad
Conditional bias
 es cuando la pendiente de la linea de regresion entre
ley real vs ley estimada es diferente de 1
 global unbias no significa no conditional bias
 todos los estimadores lineales producen
condicional bias
 OK es conditionally biased
Conditional bias
 se puede reducir:
 incrementando el tamaño del bloque
 incrementando el numero de muestras
 sin embargo, esto incrementa el “smoothing” de las
leyes y produce curvas de tonelaje y ley recuperables
sesgadas
 AMEC
 en long term planning: se da prioridad a reproducir
las curvas ley-tonelaje correctamente, sacrificando
un poco de conditional bias
 en short term planning/ore control: estimados
deben de ser correctos y precisos
criticas al kriging
 muy suavizado (smooth):
 todos los metodos de interpolacion lineal (excepto
polygonal y NN) son suavizados
 los valores de los bloques siempre deben de ser
suavizados con respecto a los compositos
 se chequea con herco

 blowouts
 puede pasar con cualquier interpolador lineal
 se puede limitar por capping o durante el kriging
 necesita control geologico/dominios
MineSight Issues
 “big box” vs elipsoide de busqueda
 ejes de elipsoide de busqueda
 rotaciones
QAQC de Interpolacion
 Chequear:
 compositos
 codificacion bloques y compositos
 kriging plan
 seteo de la interpolacion
 MineSight run reports