Кокригинг в маркшейдерии

Скачать статью на тему: "Кокригинг в маркшейдерии". В которой рассматривается применение метода кокригинга в маркшейдерии как эффективного инструмента повышения точности пространственной интерполяции геолого-геофизических данных.
Author image
Denis
Тип
Статья
Дата загрузки
16.10.2026
Объем файла
33 Кб
Количество страниц
7
Уникальность
Неизвестно
Стоимость работы:
Бесплатно
Заказать написание авторской работы с гарантией

Аннотация. В статье рассматривается применение метода кокригинга в маркшейдерии как эффективного инструмента повышения точности пространственной интерполяции геолого-геофизических данных. Актуальность темы обусловлена необходимостью учета сложных пространственных взаимосвязей и интеграции разнородных источников информации при моделировании месторождений. Кокригинг позволяет использовать коррелированные переменные, что особенно важно при ограниченном объеме данных по основному компоненту, а также при частичной гетеротопии измерений. В работе подробно анализируются преимущества кокригинга по сравнению с традиционными методами интерполяции, такими как кригинг и IDW, а также выделяются типы данных, для которых данный подход наиболее эффективен. Приведены примеры практического применения метода, рассмотрены вопросы программной реализации и перспективы дальнейшего развития.

Abstract: The article discusses the use of the cockriging method in surveying as an effective tool for improving the accuracy of spatial interpolation of geological and geophysical data. The relevance of the topic is due to the need to take into account complex spatial relationships and the integration of heterogeneous information sources when modeling deposits. Coking allows the use of correlated variables, which is especially important with a limited amount of data on the main component, as well as with partial measurement heterotopy. The paper analyzes in detail the advantages of cockriging compared to traditional interpolation methods such as kriging and IDW, and highlights the types of data for which this approach is most effective. Examples of practical application of the method are given, issues of programmatic implementation and prospects for further development are considered.

Ключевые слова: Кокригинг, маркшейдерия, пространственная интерполяция, геостатистика, кригинг, коррелированные переменные, вариограмма, гетеротопия, анизотропия, моделирование месторождений, оценка запасов, геологоразведка, Micromine, ArcGIS.

Keywords: Coking, surveying, spatial interpolation, geostatistics, kriging, correlated variables, variogram, heterotopy, anisotropy, field modeling, reserve estimation, geological exploration, Micromine, ArcGIS.

Содержание не найдено

Список литературы
1. Геостатистика: теория и практика / В. В. Демьянов, Е. А. Савельева ; под ред. Р. В. Арутюняна; Ин-т проблем безопасного развития атомной энергетики РАН. М.: Наука, 2010. 327 с.
2. Дэвис Дж. С. Статистический анализ в геологии, книга 2. М.: Недра, 1990. 427с.  
3. Дэвис Дж. С. Статистический анализ данных в геологии, книга 1. М.: Недра, 1990. 319с.
4. Крюкова С. В., Симакина Т. Е. Пространственная интерполяция концентрации взвешенных частиц PM10 методом кокригинга» опубликована в журнале // Учёные записки Российского государственного гидрометеорологического университета. 2018. №51. С. 150-161.
5. Капутин Ю. Е., Ежов А. И., Хейнли С. Геостатистика в горно-геологической практике. Апатиты: Изд. КНЦ РАН, 1995. 191с.
6. Армстронг М. Основы линейной геостатистики. Люксембург: Springer, 1998. 149 с.
7. Вяльцев А.С. ПРИМЕНЕНИЕ КОКРИГИНГА ДЛЯ ОЦЕНКИ СОДЕРЖАНИЙ // Успехи современного естествознания. 2024. № 7. С. 47-53. DOI: https://doi.org/10.17513/use.38289.
8. Как работает пространственно-ограниченная многомерная кластеризация // Esri URL: https://pro.arcgis.com/ru/pro-app/3.3/tool-reference/spatial-statistics/how-spatially-constrained-multivariate-clustering-works.htm (дата обращения: 10.04.2025).

3. Вычислительная сложность и ресурсоемкость. Кокригинг требует решения более сложных и объемных систем уравнений, чем классический кригинг. Это приводит к значительному увеличению времени обработки и необходимости использования более мощных вычислительных ресурсов, особенно при работе с большими массивами данных или в многомерных задачах.
4. Чувствительность к выбросам и нестационарности. Метод плохо работает при наличии выбросов в данных или при сильной нестационарности исследуемых переменных. В таких случаях интерполяция может давать искажённые результаты, а дисперсия оценки - не отражать реальную неопределённость.
5. Ограничения по типу данных

Похожие работы