Variography untuk Geolog yang Benci Matematika: Panduan Visual

Kalau kamu dilatih sebagai geolog dan bukan statistikawan, pertama kali seseorang menyodorkanmu experimental variogram dan minta kamu fit, reaksinya biasanya panik diam-diam yang diikuti copy-paste apa pun yang dipakai konsultan senior kuartal lalu. Aku pernah melakukannya. Sebagian besar rekanku pernah melakukannya. Hasilnya adalah model variogram yang terlihat baik di layar lalu diam-diam merusak kriging di hilir.

Tulisan ini adalah penjelasan yang kuharap diberikan seseorang padaku di hari pertama. Tanpa aljabar matriks. Tanpa pembuktian covariance. Hanya intuisi lapangan tentang apa itu variogram, apa yang dia katakan tentang endapanmu, dan cara membacanya tanpa pura-pura paham.

Apa yang sebenarnya diukur variogram

Variogram menjawab satu pertanyaan praktis: seberapa cepat grade berubah saat kamu menjauh dari sample yang sudah diketahui?

Itu saja. Kalau kamu berdiri di composite grade tinggi dan berjalan 10m ke samping, apakah kamu masih mengharapkan grade tinggi? Bagaimana dengan 50m? 200m? Pada jarak tertentu, grade di titik baru jadi praktis tidak berhubungan dengan grade di tempatmu mulai. Jarak itu adalah range kamu, dan itu angka terpenting di grafiknya.

Variogram memetakan ide itu. Di sumbu X: jarak pemisahan antara dua sample (juga disebut lag). Di sumbu Y: setengah dari selisih kuadrat grade-nya, dirata-ratakan di seluruh pasangan yang kamu punya pada lag itu. Nilai tinggi di Y berarti grade sudah banyak berubah. Nilai rendah di Y berarti grade-nya mirip.

Kalau kamu pernah menggambar peta kontur dengan tangan dan merasakan “dua titik ini harusnya terhubung, dua itu mungkin tidak”, kamu sudah memahami variography. Variogram cuma versi formal dari intuisi itu.

Tiga angka yang perlu kamu tahu

Tiga parameter menggambarkan hampir semua model variogram. Buat ketiganya benar dan kriging-mu berperilaku baik. Buat salah dan grade block-nya akan membohongimu.

Range: seberapa jauh kontinuitas menjangkau?

Range adalah jarak di mana dua sample jadi tak terkorelasi. Di luar range, mengetahui grade di sample A tidak memberitahumu apa pun tentang grade di sample B.

Analogi lapangan: kalau spasi drillhole-mu 50m dan range-mu 30m, setiap block berada di zona di mana tidak ada sample tetangga yang informatif. Kamu praktis sedang melakukan estimasi nearest-neighbor tak peduli algoritma apa yang kamu pilih. Kalau range-mu 200m dan spasimu 50m, setiap block punya neighborhood sample berguna yang melimpah dan kriging mengerjakan tugasnya dengan layak.

Aturan praktis: targetkan spasi drillhole kira-kira setengah dari range variogram, atau lebih pendek. Kalau range-mu 80m, bor pada grid 40m untuk Indicated, grid 20m untuk Measured.

Sill: total variance

Sill adalah nilai tempat variogram mendatar. Dia mewakili total variance dari populasi grade di domain. Kalau domain-mu punya grade Cu berkisar dari 0,1% sampai 2,5%, sill menangkap sebaran itu.

Dalam praktik kamu biasanya menormalkan experimental variogram ke sill 1,0 (disebut variogram relatif atau standardized). Itu membuat fitting model lebih mudah dibaca, karena nugget dan partial sill berakhir sebagai fraksi yang bisa kamu interpretasikan langsung.

Nugget: lantai noise

Nugget effect adalah nilai tempat model memotong sumbu Y pada jarak nol. Secara teoretis, dua sample yang diambil di titik yang sama harusnya punya grade yang sama dan variogram harusnya mulai dari nol. Pada kenyataannya tidak, karena:

• Repeatability pengukuran assay tidak sempurna
• Sub-sampling memperkenalkan variance (Gy fundamental sampling error yang terkenal)
• Mikro-variabilitas geologis ada di bawah support sample-mu

Nugget 0,3 (pada sill ternormalisasi 1,0) berarti 30% variance-mu adalah noise murni yang tidak bisa diprediksi model spasial mana pun. Itu sebuah bendera. Entah berarti QC assay-mu asal, ukuran sample-mu terlalu kecil untuk ukuran butir mineralnya, atau endapannya memang nuggetty (free gold adalah contoh buku teksnya).

Kalau variogram emasmu punya nugget 0,05, kamu tidak menemukan endapan yang unik-kontinu. Kamu mungkin under-sampling grade tinggi dan experimental variogram-mu mulus secara artifisial. Cek ulang top-cut dan definisi domain-mu.

Membaca experimental variogram

Experimental variogram adalah awan titik yang kamu hitung dari data sebelum fit sebuah model. Bentuknya seperti scatter yang naik dari nilai rendah, mendaki melewati suatu struktur, lalu mendatar (semoga) di sill.

Tiga hal yang harus dicek sebelum kamu fit apa pun:

1. Jumlah pasangan per lag. Setiap titik di variogram mewakili rata-rata dari N pasangan sample pada jarak itu. Kalau N di bawah sekitar 30, titik itu tidak andal. Sebagian besar software membolehkanmu menampilkan jumlah pasangan per lag. Lihatlah. Abaikan bin lag dengan terlalu sedikit pasangan saat menilai model.

2. Jarak lag. Spasi lag mengontrol resolusi variogram. Terlalu kecil dan setiap bin lag punya terlalu sedikit pasangan dan kurvanya noisy. Terlalu besar dan kamu mengaburkan struktur short-range tempat range sebenarnya berada. Titik awal yang masuk akal adalah setengah dari rata-rata spasi drillhole-mu.

3. Lag maksimum. Jangan percayai ekor di luar sekitar setengah dari rentang field. Tidak cukup pasangan pada jarak itu untuk bermakna, dan variogram sering berbuat aneh (naik melewati sill, turun kembali) yang murni artefak.

Kalau experimental variogram-mu punya kurang dari 50 pasangan di bin lag pertama, kamu tidak punya cukup data untuk fit variogram sama sekali. Composite dengan cara berbeda, perluas domain, atau terima bahwa kamu sedang mengestimasi dengan judgment, bukan geostatistik.

Fitting sebuah model: tiga bentuk yang akan benar-benar kamu pakai

Model variogram adalah fungsi kontinu yang difit ke awan eksperimental. Tiga bentuk mencakup 95% kasus nyata.

Spherical

Default-nya. Naik mantap dari nugget, lalu membelok dan mencapai sill tepat di range. Di luar range, model-nya datar di sill.

Pakai saat: experimental variogram punya plateau yang jelas dan kenaikannya terlihat kira-kira linear di lag-lag awal. Ini kuda beban untuk porphyry Cu, Au disseminated, dan sebagian besar endapan sediment-hosted.

Exponential

Naik lebih cepat dari spherical dekat titik asal, dan mendekati sill secara asimtotik (jadi tidak pernah benar-benar mencapainya). “Practical range” dari model exponential secara konvensi didefinisikan sebagai jarak di mana variogram mencapai 95% dari sill.

Pakai saat: experimental variogram naik cepat dekat nol dan plateau-nya kurang terdefinisi jelas. Umum untuk gaya fault-controlled atau vein-hosted.

Gaussian

Punya bentuk datar dekat titik asal (awal “parabolik”) lalu mendaki tajam. Dia menyiratkan perilaku yang sangat mulus, sangat kontinu pada jarak pendek.

Pakai saat: kamu benar-benar punya variabel yang mulus dan kontinu seperti elevasi atau ketebalan pelapukan. Hampir tidak pernah pakai untuk grade. Model Gaussian pada variogram grade menghasilkan sistem kriging yang tidak stabil secara matematis (matriksnya jadi singular atau hampir-singular). Estimasinya terlihat mulus tapi rapuh secara numerik.

Aturan lapangan: kalau kamu meraih variogram Gaussian pada grade, berhenti. Kamu entah over-smooth experimental variogram-mu, melewatkan nugget, atau sedang memodelkan variabel yang berbeda dari yang kamu kira.

Struktur bersarang (nested structures)

Endapan nyata sering butuh dua struktur ditumpuk bersama. Struktur short-range untuk kontinuitas lokal (di dalam satu ore shoot) plus struktur longer-range untuk tren keseluruhan (selubung endapan). Total sill adalah jumlah partial sill, dan kamu fit masing-masing dengan range dan bentuknya sendiri.

Jangan lewat dari dua struktur bersarang kecuali kamu sedang menulis makalah riset. Model tiga-struktur terlihat mengesankan di laporan dan tidak memperbaiki estimasi.

Anisotropi: arah itu penting

Endapan sediment-hosted yang berbaring datar lebih kontinu sepanjang bedding ketimbang melintanginya. Sistem vein lebih kontinu sepanjang strike ketimbang melintangi vein. Sistem porphyry copper kira-kira isotropik di zona bijih, lalu menjadi anisotropik pada skala endapan karena overprint struktural.

Menghitung directional variogram adalah cara kamu mengukur ini. Kamu hitung satu variogram sepanjang sumbu mayor (biasanya sepanjang strike atau dip), satu sepanjang sumbu semi-mayor, dan satu sepanjang sumbu minor. Kamu akan dapat tiga range berbeda, sering dengan nugget dan sill yang sama.

Rasio dari range-range itu adalah anisotropy ratio kamu. Anisotropi 4:1 berarti grade empat kali lebih kontinu sepanjang arah mayor ketimbang minor. Rasio itu langsung masuk ke search ellipsoid kamu untuk kriging. Buat salah dan search-mu akan menarik sample dari arah yang salah, dan grade block-mu akan mengabur.

Workflow praktis:

1. Hitung variogram omnidirectional dulu untuk dapat nugget dan sill.
2. Hitung tiga directional variogram dengan toleransi sudut yang longgar (22,5° tipikal) untuk dapat cukup pasangan.
3. Kunci nugget dan sill di ketiga model directional, fit hanya range-nya.
4. Konfirmasi sumbu mayor selaras dengan geologi yang kamu logging. Kalau variogram-mu bilang sumbu mayornya N40°E dan data strukturalmu bilang N20°W, salah satunya keliru. Selidiki.

Contoh terapan: grade copper pada proyek porphyry

Bayangkan proyek porphyry Cu gaya Sulawesi, 80 lubang pada spasi kira-kira 60m, interval assay mentah 1m di-composite ke 3m untuk estimasi. Grade Cu berkisar dari 0,05% sampai 1,8% dengan rata-rata sekitar 0,45%.

# Pseudo-workflow, library-agnostic
omni_variogram = compute_variogram(
    data=composites["Cu_pct"],
    lag_distance=30,        # half average spacing
    n_lags=15,              # max 450m, well under field extent
    tolerance=0.5,          # half-lag tolerance
)
# Result: nugget ~0.18, sill ~1.0 (normalized), range ~140m

Membaca omni:

• Nugget di 0,18 (18% dari total variance). Wajar untuk porphyry Cu. QC-nya bersih, jadi ini mikro-variabilitas sungguhan.
• Plateau sill di 1,0 sekitar 140m. Lewat 140m, sample tak terkorelasi.
• Struktur tunggal, fit spherical.

Sekarang hitung directional:

Anisotropy ratio: 180:110:75, atau kira-kira 2,4:1,5:1. Itu masuk ke search ellipsoid untuk ordinary kriging. Dengan spasi drillhole 60m, setiap block punya cakupan bagus sepanjang sumbu mayor (3 range sample dalam jangkauan) dan cakupan memadai pada sumbu minor. Kriging akan bekerja baik.

Kalau proyek yang sama kembali dengan omni range 30m dan spasi 60m, kamu akan over-spaced. Kriging akan berperilaku seperti nearest neighbor, dan kamu butuh entah pengeboran lebih rapat atau klasifikasi yang lebih konservatif.

Jebakan umum

Lima kesalahan yang muncul di hampir setiap laporan variogram pertama geolog junior:

1. Pasangan per lag tidak cukup. Variogram naik dalam kurva mulus, lalu melonjak liar lewat lag 5 karena setiap bin lag punya 12 pasangan. Lihat jumlah pasangannya. Kalau di bawah 30, abaikan lag-nya.

2. Jarak lag salah. Menyetel lag ke sample length-mu (1m atau 2m) padahal spasi drillhole-mu 60m berarti selusin bin lag pertama dihitung hanya di dalam drillhole tunggal, melewatkan struktur spasial yang penting.

3. Mencampur domain. Menghitung satu variogram melintasi dua litologi berbeda. Hasilnya berantakan yang tidak cocok dengan model mana pun. Domain dulu, variogram kedua. Selalu.

4. Memercayai variogram omnidirectional saja. Endapan anisotropik terlihat isotropik saat kamu mengaburkannya ke semua arah. Selalu cek minimal dua directional variogram, meski kamu akan kembali ke omni.

5. Memaksakan fit model Gaussian karena “terlihat lebih mulus”. Dia lebih mulus karena terlalu mulus secara matematis. Matriks kriging-mu akan tidak stabil dan peta variance-nya tidak realistis.

Model variogram yang fit ke awan eksperimental dengan sempurna itu mencurigakan. Data nyata itu noisy. Model yang memeluk setiap lekukan sudah over-fit dan mungkin tidak akan generalisasi.

Di mana Orebit GeoSuite berperan

Phase 03 (Orebit Resource) menghitung variogram omnidirectional dan directional secara otomatis saat kamu mengunggah CSV drillhole yang sudah di-composite. Dia menangani:

• Jarak lag yang disarankan otomatis berdasarkan spasi drillhole-mu
• Jumlah pasangan per lag, ditampilkan bersama variogram
• Auto-fitting model spherical, exponential, dan nested dengan default yang masuk akal
• Slider visual untuk menyetel nugget, range, dan sill supaya kamu bisa melihat model ter-update secara real time
• Ekspor parameter variogram sebagai lampiran JORC Table 1 Section 3

Kamu bisa override setiap parameter auto-fit secara manual. Default-nya dikalibrasi terhadap pustaka endapan porphyry, vein, dan sediment-hosted nyata, yang membawamu ke model yang bisa dipertahankan dalam hitungan menit ketimbang jam.

Kalau kamu baru di variography dan mau melihat parameternya bergerak bersama datamu, ini cara tercepat membangun intuisi. Padukan dengan workflow validasi drillhole dan kamu sudah mencakup pipeline persiapan data sampai estimasi dari ujung ke ujung.

Coba Core gratis → · Ambil bundle — Rp 99K → (modul satuan Rp 49K · sekali bayar · jadi milikmu selamanya)

Intinya

Variography bukan matematika. Itu deskripsi formal dari apa yang sudah dilakukan matamu saat melihat strip log dan berkata “dua intercept itu mungkin milik shoot yang sama”. Matematikanya cuma membuat deskripsi itu bisa diulang, bisa dipertahankan, dan bisa ditandatangani Competent Person.

Buat nugget-nya benar. Buat range-nya benar. Buat anisotropi-nya benar. Jangan meraih model Gaussian. Jangan percayai bin lag dengan terlalu sedikit pasangan.

Itu cukup untuk mengestimasi sebagian besar endapan secara kompeten. Sisanya adalah pengulangan.

Sedang menghadapi variogram pertamamu dan mau sanity check pada parameternya? Email hello@orebit.id dengan experimental variogram-nya dan kuberi tahu apa yang menonjol.