ARTICLE · 1082653
三维矿业软件估值中的克里格法:种类、定义、适用范围与注意事项
三维矿业软件估值中的克里格法:种类、定义、适用范围与注意事项克里格法（Kriging）是地质统计学（Geostatistics）中用于空间插值的一组最优线性无偏估计方法（BLUE — Best Linear Unbiased Estimator）。给定已知样品点的品位值，克里格法通过对每个样品赋予权重，对待估块体进行估值。 所谓“最优”，指在无偏（估计误差的期望为零）的前提下，使估计方差最小。这是克里格法区别于距离反比法（IDW）、最近邻法（NN）的本质——后两者的权重由几何距离规则直接给定，而克里格权重是通过求解变差函数方程组推出来的，权重的背后有数据自身的空间结构在支撑。 Danie G. Krige（南非矿业工程师）：1951年在硕士论文中研究威特沃特斯兰德金矿品位分布，发现样品的估值应考虑空间位置与数据离散性，提出加权估值思想。 Georges Matheron（法国数学家）：1960年代将 Krige 的经验方法系统化、数学化，创立区域化变量理论（Theory of Regionalized Variables），并以 Krige 的名字将方法命名为 Kriging，于枫丹白露创立地质统计学中心。 随后 Matheron 的学生及国际学者（David、Journel、Huijbregts 等）将其完善并推向矿业应用。Journel 与 Huijbregts 1978 年出版的《Mining Geostatistics》至今仍是该领域的经典教材。 一个常被问的问题：克里格法能用于哪些变量？原则上任何具有空间相关性的变量都可以——品位、密度、岩性指标、蚀变强度、甚至地下水水位。矿业中最常见的应用是品位估值。 理解克里格法，绕不开变差函数（Variogram，也称变异函数）。在克里格方程组中，它是唯一体现数据空间结构的数学输入，也是估值质量的首要决定因素。 变差函数描述的是：两个相距 h 的样品，其品位差异的半方差随距离 h 的变化规律： γ(h) = ½ × E[（Z(x) − Z(x+h)）²] 直观理解：两个样品离得越近，品位通常越接近，γ(h) 越小；离得越远，相关性越弱，γ(h) 越大，直到超过某个距离后相关性消失，γ(h) 趋于平稳。 块金效应（Nugget Effect, C₀）：距离趋近于零时的γ(h)值，反映微观变异、取样误差、化验误差。块金效应大，空间相关性弱，估值更接近简单平均，搜索半径应相应缩小。 变程（Range, a）：γ(h) 达到基台值时的距离，即“空间相关性的最大距离”。变程决定了搜索邻域的合理半径：搜索半径明显超过变程后，新增样品对估值的贡献趋近于零。 基台值（Sill, C₀+C）：γ(h) 平稳后的值，近似等于数据的方差，反映变量的总体离散程度。 矿体是有方向的。沿走向方向，品位在100米外仍相关；沿厚度方向，可能20米就无关了。变差函数需要分方向拟合——沿走向、倾向、厚度方向分别计算实验变差函数，拟合出各向异性的几何参数（长轴、中轴、短轴及其比值）。 如果跳过这一步，直接采用各向同性的球形模型与单一变程，等于默认矿体在三维空间的各个方向上空间结构一致——对多数矿床而言，这个前提并不成立。 变差函数拟合是克里格估值中最难、最耗时、也最有技术含量的环节。软件操作半天能学会，变差函数拟合要练几年。 前提：已知区域品位的全局平均值（mean），且变差函数已知。 权重：不要求权重和为1。 适用场景：理论研究、条件模拟（Conditional Simulation）的基础方法。 矿业实践中的使用：极少直接使用。实际生产中很难预先“知道”一个可靠的全局均值。 前提：未知均值，但假设估值邻域内均值局部恒定（local stationarity）。 权重：约束权重和为1。 适用场景：大多数金属矿床的品位估值，是国内国际矿山块体模型估值的主要方法。 优点：稳健、理论成熟。 局限：对高度偏态分布（如金矿品位）效果打折扣，此时通常改用指示克里格或对数变换。 前提：区域变量存在趋势（trend/drift）——品位随空间位置系统性变化（如随深度系统性变贫）。 做法：先用多项式拟合趋势，再对残差进行克里格。 适用场景：存在明显趋势且无法用矿化域（domain）剥离的数据。 矿业实践中的使用：较少。因为实践中通常用域划分（domaining）替代趋势建模——把不同矿化特征的区段分为独立域，各自估值，比用数学趋势函数更可靠。 做法：设定若干品位阈值（如0.1%、0.3%、0.5%），将每个样品转化为“是否超过该阈值”的0/1指示变量，分别克里格，得到该点品位超过各阈值的概率分布。 适用场景：高度偏态分布（金矿、银矿等贵金属品位）；需要评估可采储量（recoverable reserves）——即品位高于某边界品位的概率与金属量；数据中存在大量特异值（outliers），直接估值会被极端值严重干扰。 优点：不假设数据分布形态，天然抗特异值。 局限：数据处理量大，应用复杂。 做法：将品位数据取对数→在对数空间克里格→反对数变换回原始空间。 适用场景：品位呈对数正态分布（许多金矿、部分铀矿）。 注意：反对数变换存在系统偏差，必须做偏差校正，否则估值系统性偏低。 做法：利用与主变量空间相关的次级变量辅助估值。例如：用生产勘探的加密数据辅助勘探数据的估值，或用与钼高度相关的某指示元素辅助钼品位估值。 适用场景：主变量样品稀疏、次级变量数据丰富且两者相关性显著。 局限：拟合交叉变差函数（cross-variogram）复杂，对数据配对要求高。 做法：非线性克里格，通过双变量分布假设估算待估块体品位超过阈值的概率。 适用场景：可采储量估算，历史上用于金矿较多。 现状：使用减少，多被多重指示克里格（MIK）或条件模拟替代。 严格说 UC 不是“克里格”，而是基于克里格面板估值（panel estimate）推导最小开采单元（SMU）尺度可采储量的方法。它解决的是克里格估值的光滑效应问题（见第五节），在 Whittle 境界优化和可采储量报告中被广泛使用。 普通克里格 OK：近似稳健即可使用；典型场景为有色金属（铜、钼、铅锌）常规估值；复杂度中。 简单克里格 SK：需已知均值；典型场景为理论研究、模拟基础；复杂度低。 泛克里格 UK：要求数据存在空间趋势；典型场景为趋势明显的矿床（少用，多用域划分替代）；复杂度高。 指示克里格 IK：无分布假设；典型场景为金、银等偏态贵金属及可采储量评估；复杂度高。 对数正态克里格：要求数据对数正态；典型场景为金矿（须做偏差校正）；复杂度中。 协克里格：要求变量间相关；典型场景为数据稀疏但辅助信息丰富；复杂度高。 多重指示克里格 MIK：无分布假设；典型场景为高偏态矿床可采储量；复杂度很高。 变差函数之外，克里格估值的实际效果高度依赖几个工程参数： 搜索椭球体：方向应与变差函数各向异性方向一致（通常沿矿体走向、倾向布置），半径通常取变程或略大于变程。 样品数限制：最少/最多样品数（min/max samples）。常见实践：最少3-5个，最多16-24个（视数据密度，为经验范围，需经QKNA验证）。 八分法搜索（Octant Search）：将搜索椭球分为8个象限，每个象限限制样品数，防止估值被单一方向的数据团簇主导。 实际估值常用两到三轮搜索：第一轮小半径（高密度数据区）、第二轮扩大半径、第三轮兜底。每轮估值结果应记录搜索半径或样品数，用于后续模型可信度分级。 估值不是对块体中心点估值，而是将块体细分为离散点（如 3×3×3 或 5×5×5），对每个离散点估值后取平均。离散化不足会使估值停留在点支撑尺度，块体平均对块金效应的稀释作用无法体现，估值方差被系统性高估——这是一个容易忽略的软件设置。 定量克里格邻域分析（Quantitative Kriging Neighbourhood Analysis）：通过扫描不同搜索半径、样品数组合，监测克里格效率（Kriging Efficiency）和回归斜率（Slope of Regression），定量选出最优参数组合。CIM《资源量与储量估算最佳实践指南》将 QKNA（或等效论证）列为推荐做法——参数应有定量依据，而不是直接沿用默认设置。 克里格法建立在平稳性（stationarity）假设上。不同矿化域（氧化矿/硫化矿、不同矿体、不同蚀变带）混合估值，等于强迫一套变差函数描述两种空间结构——结果必然失真。域划分因此是估值流程的前置工作，而不是一个可选项。 偏态分布中极少数极高值会主导估值。实践做法是对特异值截断（top-cut）或单独处理。截断标准常用直方图断裂点、对数概率图拐点。但截断后必须量化截断对金属量的影响——截掉的不只是数字，是真金白银。 原始样品长度不一（0.5m、1m、2m混用）会引入支撑效应（support effect）偏差。估值前必须将钻孔样品组合为统一长度（常用1m或与分段高度匹配的长度）。 克里格估值比真实品位分布更平滑：高品位被低估、低品位被高估。这不是错误，而是最小方差估计的数学属性。它的影响集中在边界品位圈矿环节：估计品位略高于边界的块段中，混有真实品位不达标的块段；估计品位略低于边界的块段中，也有真实达标的块段被遗漏。偏差的方向取决于边界品位相对均值的水平——直接用未修正的克里格模型圈定可采矿石，吨位与金属量都会失真。需要可采储量时，应使用UC、MIK或条件模拟修正。 条件偏差是光滑效应在单点估值层面的表现：克里格估值与真实品位的回归斜率小于1，高品位段系统性偏低、低品位段系统性偏高。验证方法是做品位分带的实测-估值回归分析，回归斜率应接近1。斜率显著偏离1时，应回头检查搜索邻域设置。 某些数据构型下克里格方程组会产生负权重，可能导致负品位估值——物理上无意义。软件通常提供负权重限制选项，但更好的做法是检查数据构型和变差函数模型的合理性。 克里格方差只反映给定变差函数模型下估值的相对精度，不包含变差函数拟合本身的不确定性、数据质量问题、域划分错误。克里格方差小不等于模型可信——它不能替代交叉验证和对账（reconciliation）。 各软件的默认搜索参数与变差函数模型是通用设置，与具体矿床无关。未经检验直接采用，是估值结果失真的常见来源之一。 最近邻法 NN：权重由最近样品直接赋值；不考虑空间结构；不提供误差度量；适用场景为快速检查、数据探索、对账参考基准。 距离反比法 IDW：权重按几何距离幂次反比给定；不考虑空间结构（固定规则）；不提供误差度量；适用场景为数据少、矿体简单、快速估值。 普通克里格 OK：权重由变差函数方程组求解得出；考虑空间结构；提供误差度量（克里格方差）；适用场景为资源量/储量正式估算主力。 多重指示克里格 MIK：权重由多阈值指示变差函数求解得出；考虑空间结构；提供误差度量；适用场景为偏态矿床、可采储量。 国际合规报告（JORC、NI 43-101）中，克里格法是资源量估算的主流方法，IDW和NN通常作为对比验证手段出现——三种方法结果大幅偏离时，本身就是模型质量的预警信号。 模型交付前的三道验证工序，缺一不可： 第一，交叉验证（Cross-validation）：逐一剔除样品、用其余样品估值被剔除点，检验估值误差统计（均值应接近零，标准化误差方差应接近1）。 第二，可视化检查（Visual Validation）：估值结果与钻孔品位在剖面、平面上叠加检查——矿化趋势是否被尊重、边界是否合理、有无“牛眼”（bull's eye，单个高值样品周围形成孤立高值晕圈）。 第三，全局与局部统计对比（Swath Plot）：沿走向/倾向/标高分带，对比估值品位与样品品位的分带曲线，趋势应吻合。 投产后还有第四道：对账（Reconciliation）——模型品位 vs 品位控制模型 vs 选厂入选品位的月度对账，用生产数据持续检验并修正模型。 克里格法在矿业估值中的地位，来自它一个难以替代的优点：在主流估值方法中，只有克里格把“数据的空间结构”写进了权重计算公式。距离反比法问的是“离得多近”，克里格问的是“在这个矿床上，离多近才算近”——而后者只能从变差函数中找到答案。 但正因为这个优点，它的风险也集中在同一点上：变差函数拟合错了，后面每一步都在错误的地基上精确施工。软件帮你解方程组，但解什么方程，是人的判断。 克里格法的门槛从来不在软件按钮上，而在变差函数那张图上。那张图画得越诚实，模型越可靠；图画得越应付，估值越像一场精确的误判。三维软件能把任何假设算成漂亮的块体模型——但矿山最终要用吨数和品位，为每一个假设结账。