ဘူမိရူပဗေဒတွင် ဘူမိစာရင်းအင်းပညာ၏ အခြေခံသဘောတရားများ
ဘူမိစာရင်းအင်းပညာဆိုသည်မှာ နေရာဒေသအလိုက် ဆက်စပ်နေသော အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာရန် အထူးဒီဇိုင်းထုတ်ထားသော စာရင်းအင်းပညာ၏ ဌာနခွဲတစ်ခုဖြစ်ပြီး ဆိုလိုသည်မှာ တည်နေရာအလိုက် တန်ဖိုးများ သက်ရောက်မှုရှိသော အချက်အလက်များကို ဆိုလိုသည်။ ဘူမိရူပဗေဒတွင် အချက်အလက်များသည် နေရာဒေသအလိုက် သဘောသဘာဝရှိသည်- ဆွဲငင်အား၊ သံလိုက်၊ ငလျင်နှင့် ခုခံမှုတိုင်းတာမှုများအပြင် ဘူမိဓာတုဗေဒနှင့် ရေတွင်းမှတ်တမ်းဒေတာများအားလုံးသည် သတ်မှတ်ထားသော ကိုဩဒိနိတ်များနှင့် ချိတ်ဆက်ထားသည်။ ထို့ကြောင့် ဘူမိစာရင်းအင်းပညာသည် မြေအောက်ဘောင် ဖြန့်ဖြူးမှုပုံစံများကို နားလည်ခြင်း၊ မတိုင်းတာရသေးသော နေရာများတွင် တန်ဖိုးများကို ခန့်မှန်းခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်များ၏ မသေချာမှုကို အကဲဖြတ်ခြင်းအတွက် မရှိမဖြစ် အခြေခံအုတ်မြစ်ကို ပေးစွမ်းသည်။ ဤဆောင်းပါးသည် ဘူမိရူပဗေဒဆိုင်ရာ အခြေအနေများတွင် အများဆုံးအသုံးပြုသော ဘူမိစာရင်းအင်းပညာ၏ အခြေခံသဘောတရားများကို ဆွေးနွေးထားသည်။
ဘူမိဗေဒမှာ ဘူမိစာရင်းအင်းပညာက ဘာကြောင့်အရေးကြီးတာလဲ။
ဘူမိရူပဗေဒဆိုင်ရာ စစ်တမ်းများသည် နမူနာယူခြင်း ကန့်သတ်ချက်များနှင့် အဆက်မပြတ် ရင်ဆိုင်နေရသည်။ ကုန်ကျစရိတ်၊ အချိန်နှင့် ဝင်ရောက်ခွင့် ကန့်သတ်ချက်များကြောင့် မျက်နှာပြင် သို့မဟုတ် မြေအောက်မျက်နှာပြင်ပေါ်ရှိ အမှတ်တိုင်းကို တိုင်းတာရန် မဖြစ်နိုင်ပါ။ ထို့ကြောင့် ဘူမိရူပဗေဒဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွင် interpolation နှင့် modeling များ လိုအပ်ပါသည်။ inverse distance weighting (IDW) ကဲ့သို့သော ရိုးရှင်းသော interpolation များသည် အဆင်ပြေသော်လည်း ၎င်းတို့သည် spatial correlation တည်ဆောက်ပုံများကို လျစ်လျူရှုလေ့ရှိပြီး မသေချာမရေရာမှုကို တိုင်းတာခြင်း မရှိပါ။ ဘူမိစာရင်းအင်းပညာသည် အဓိကလိုအပ်ချက်နှစ်ခုကို ကိုင်တွယ်ဖြေရှင်းသည်- (1) ပိုမိုလက်တွေ့ကျသော ခန့်မှန်းချက်များအတွက် အချက်အလက်များ၏ spatial correlation ပုံစံများကို အသုံးချခြင်းနှင့် (2) စူးစမ်းလေ့လာမှု ဆုံးဖြတ်ချက်များကို အသိပေးရန် မသေချာမရေရာမှုအတွက် ပမာဏဆိုင်ရာ မူဘောင်တစ်ခု ပံ့ပိုးပေးခြင်း။
ဘူမိရူပဗေဒလက်တွေ့တွင်၊ ဘူမိစာရင်းအင်းပညာကို ပိုမိုသပ်ရပ်ပြီး တသမတ်တည်းရှိသော ပုံမှန်မဟုတ်သောမြေပုံများဖန်တီးခြင်း၊ ကျောက်ဂုဏ်သတ္တိများ (porosity၊ permeability၊ wave velocity) ၏ မော်ဒယ်လ်၊ multi-source data များ ပေါင်းစပ်ခြင်း (ဥပမာ- seismic နှင့် well များ) နှင့် အန္တရာယ်အခြေအနေများအတွက် မြေအောက်မော်ဒယ်များကို simulation လုပ်ခြင်းတို့အတွက် အသုံးပြုပါသည်။
အာကာသဒေတာနှင့် ကျပန်းလယ်ကွင်းများ၏ သဘောတရား
ဘူမိစာရင်းအင်းပညာ၏ အနှစ်သာရမှာ ဘူမိဗေဒ သို့မဟုတ် ဘူမိရူပဗေဒဖြစ်စဉ်များကို ကျပန်းလုပ်ဆောင်ချက်များ သို့မဟုတ် ကျပန်းလယ်ကွင်းများအဖြစ် ရှုမြင်ခြင်းဖြစ်သည်။ ဆိုလိုသည်မှာ နေရာတစ်ခုစီရှိ သိပ်သည်းဆ၊ သံလိုက်ခံနိုင်ရည်ရှိမှု သို့မဟုတ် အလျင် P ကဲ့သို့သော ကန့်သတ်ချက်တန်ဖိုးများကို သတ်မှတ်ထားသောဖွဲ့စည်းပုံပါသည့် ကျပန်းလုပ်ငန်းစဉ်တစ်ခု၏ အကောင်အထည်ဖော်မှုအဖြစ် သတ်မှတ်သည်။ ဤချဉ်းကပ်မှုတွင် ကျွန်ုပ်တို့၏ရည်မှန်းချက်မှာ "မြေပုံတစ်ခုဆွဲရန်" သက်သက်မဟုတ်ဘဲ တန်ဖိုးများ၏ ဖြန့်ဖြူးမှုနှင့် တည်နေရာများအကြား ဆက်စပ်မှုများကို ခန့်မှန်းရန်ဖြစ်သည်။
ဘူမိစာရင်းအင်းပုံစံတွင် အရေးကြီးသော အစိတ်အပိုင်းနှစ်ခုရှိသည်- လမ်းကြောင်းနှင့် ဒေသတွင်းကွဲပြားမှု။ လမ်းကြောင်းသည် ကြီးမားသောပြောင်းလဲမှုများကို ဖော်ပြထားသည် (ဥပမာ၊ ဒေသတွင်းကျောက်လွှာပြောင်းလဲမှုများကြောင့် မြောက်မှတောင်သို့ သိပ်သည်းဆတိုးလာခြင်း)။ ဒေသတွင်းကွဲပြားမှုသည် ကျောက်တုံးကွဲပြားမှု၊ ကျိုးပဲ့ခြင်း သို့မဟုတ် မျက်နှာပြင်ပြောင်းလဲမှုများနှင့် မကြာခဏဆက်စပ်နေသော အသေးစားအတက်အကျများကို ဖော်ပြသည်။ လမ်းကြောင်းနှင့် ကွဲပြားမှုကြား ခြားနားချက်သည် သင့်လျော်သောနည်းလမ်းကို ရွေးချယ်ရန် ကူညီပေးသည်- တည်ငြိမ်သောအခြေအနေများကို ရိုးရိုးရှင်းရှင်းယူဆရန် သို့မဟုတ် ရွေ့လျားမှု/လမ်းကြောင်းကို ရှင်းရှင်းလင်းလင်းထည့်သွင်းရန် ရှိမရှိ။
တည်ငြိမ်မှု- အသုံးများသော အခြေခံယူဆချက်
ဂန္ထဝင် ဘူမိစာရင်းအင်းဆိုင်ရာ နည်းလမ်းများစွာသည် တည်ငြိမ်မှုယူဆချက်အပေါ် မှီခိုနေရပြီး၊ ဆိုလိုသည်မှာ အချက်အလက်များ၏ စာရင်းအင်းဂုဏ်သတ္တိများသည် တည်နေရာပြောင်းလဲမှုများနှင့်အတူ မပြောင်းလဲဘဲ ရှိနေမည်ဖြစ်သည်။ အသုံးအများဆုံးပုံစံမှာ ဒုတိယအဆင့် တည်ငြိမ်မှုဖြစ်သည်- ပျမ်းမျှသည် ကိန်းသေဖြစ်ပြီး၊ covariance သည် ပကတိအနေအထားပေါ်တွင်မဟုတ်ဘဲ အကွာအဝေးနှင့် ခွဲထွက်မှု၏ ဦးတည်ရာ (lag) ပေါ်တွင်သာ မူတည်သည်။
ဘူမိရူပဗေဒတွင်၊ ဤယူဆချက်သည် အမြဲတမ်းမှန်ကန်သည်မဟုတ်ပါ။ အဘယ်ကြောင့်ဆိုသော် ဘူမိဗေဒအခြေအနေများသည် မကြာခဏ တဖြည်းဖြည်းပြောင်းလဲလေ့ရှိသောကြောင့်ဖြစ်သည်။ သို့သော်၊ အချို့သောစကေးများတွင် (ဥပမာ၊ ကျောက်လွှာဆိုင်ရာနယ်ပယ်တစ်ခုတည်းအတွင်း)၊ တည်ငြိမ်မှုဆိုင်ရာယူဆချက်သည် မကြာခဏ အတော်လေးကျိုးကြောင်းဆီလျော်ပါသည်။ ဒေတာသည် ခိုင်မာသောလမ်းကြောင်းကိုပြသပါက၊ detrending ကို များသောအားဖြင့် လုပ်ဆောင်လေ့ရှိသည် သို့မဟုတ် လမ်းကြောင်းကိုလိုက်လျောညီထွေဖြစ်စေသော universal kriging ကဲ့သို့သော နည်းလမ်းမျိုးကွဲကို အသုံးပြုသည်။
Variogram: ဘူမိစာရင်းအင်းပညာ၏ နှလုံးသား
ဘူမိစာရင်းအင်းပညာတွင် အထင်ကရဆုံး အယူအဆမှာ variogram (သို့မဟုတ် semivariogram) ဖြစ်သည်။ variogram သည် အချက်အလက်တန်ဖိုးများ၏ ဆင်တူမှုသည် အကွာအဝေးနှင့်အတူ မည်သို့ပြောင်းလဲသွားသည်ကို ပြသသည်။ အလိုလိုသိနိုင်သောအားဖြင့် နီးကပ်သောအမှတ်နှစ်ခုသည် အလားတူတန်ဖိုးများရှိတတ်ပြီး ဝေးကွာသောအမှတ်များသည် မတူညီသောတန်ဖိုးများရှိတတ်ကြသည်။ variogram သည် ဤနိယာမကို ပမာဏသတ်မှတ်သည်။
အတွေ့အကြုံဆိုင်ရာ semivariogram ကို ယေဘုယျအားဖြင့် အောက်ပါအတိုင်း တွက်ချက်သည်-
\[
\gamma(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2
\]
\(h\) သည် lag (အကွာအဝေးနှင့် ဦးတည်ရာ) ဖြစ်ပြီး၊ \(N(h)\) သည် ထို lag ရှိ data pair အရေအတွက် ဖြစ်ပြီး၊ \(Z(x)\) သည် data တန်ဖိုး ဖြစ်သည်။
အရေးကြီးသော variogram parameters သုံးခု:
၁။ Nugget: သုညသို့ ချဉ်းကပ်နေသော lag ရှိ semivariogram တန်ဖိုး။ Nugget များသည် နမူနာအကွာအဝေးထက် ပိုငယ်သော စကေးဖြင့် တိုင်းတာမှုအမှား၊ ဆူညံသံ သို့မဟုတ် မတူညီမှုကို ထင်ဟပ်စေသည်။
၂။ Sill: ကုန်းပြင်မြင့်သို့ရောက်ရှိသောအခါ တစ်ဝက်ဗရီယိုဂရမ်တန်ဖိုး။ ၎င်းသည် ထိုဒိုမိန်းရှိ အချက်အလက်၏ စုစုပေါင်းကွဲလွဲမှုနှင့် ဆက်စပ်နေသည်။
၃။ အကွာအဝေး- variogram သည် sill သို့ချဉ်းကပ်သည့် အကွာအဝေး။ အကွာအဝေးအောက်တွင် data များသည် ဆက်စပ်မှုရှိနေဆဲဖြစ်ပြီး အကွာအဝေးအထက်တွင် ဆက်စပ်မှု အားနည်း/ပျောက်ဆုံးနေသည်။
Variogram များသည် ဦးတည်ရာပေါ် မူတည်၍ ကွဲပြားသော ဆက်စပ်မှုတစ်ခုဖြစ်သည့် anisotropy ကိုလည်း ပြသနိုင်သည်။ ဘူမိရူပဗေဒတွင် anisotropy သည် မကြာခဏဆိုသလို ဘူမိဗေဒဆိုင်ရာဖွဲ့စည်းပုံများဖြစ်သည့် bedding၊ faults သို့မဟုတ် sediment စီးဆင်းမှု ဦးတည်ရာမှ ပေါ်ပေါက်လာသည်။ ဦးတည်ရာ variogram သည် အကြီးမားဆုံးနှင့် အနည်းဆုံး continuity ၏ ဦးတည်ရာများကို ဆုံးဖြတ်ရန် ကူညီပေးပြီး ၎င်းသည် reservoir modeling သို့မဟုတ် structural interpretation တွင် အရေးကြီးပါသည်။
Variogram မော်ဒယ်များ- အတွေ့အကြုံမှ သင်္ချာလုပ်ဆောင်ချက်များအထိ
အတွေ့အကြုံဆိုင်ရာ variogram များသည် မကြာခဏ ဆူညံပြီး kriging တွင်အသုံးပြုရန်အတွက် သင်္ချာဆိုင်ရာလိုအပ်ချက်များနှင့် အမြဲတမ်းကိုက်ညီခြင်းမရှိပါ။ ထို့ကြောင့် ၎င်းတို့ကို အောက်ပါကဲ့သို့သော သီအိုရီဆိုင်ရာမော်ဒယ်ဖြင့် တပ်ဆင်ရန် လိုအပ်ပါသည်။
- စက်ဝိုင်းပုံ
- အဆတိုး
- ဂေါ်စီယန်
– Matérn (ပိုမိုပြောင်းလွယ်ပြင်လွယ်ရှိသော်လည်း ပိုမိုရှုပ်ထွေးသည်)
မော်ဒယ်ရွေးချယ်မှုကို အတွေ့အကြုံဆိုင်ရာ variogram နှင့် ဘူမိဗေဒဆိုင်ရာ နားလည်မှု၏ပုံသဏ္ဍာန်ဖြင့် လမ်းညွှန်ထားသည်။ ဥပမာအားဖြင့်၊ Gaussian မော်ဒယ်များသည် အကွာအဝေးတိုများတွင် အလွန်ချောမွေ့သော အကူးအပြောင်းများကို မကြာခဏ ထုတ်လုပ်လေ့ရှိပြီး အလွန်စဉ်ဆက်မပြတ် ကန့်သတ်ချက်များအတွက် သင့်လျော်သည်။ Exponential မော်ဒယ်များသည် အကွာအဝေးတိုများတွင် ပိုမိုကြမ်းတမ်းပြီး မြန်ဆန်သောပြောင်းလဲမှုများရှိသည့် ဖြစ်စဉ်များအတွက် သင့်လျော်သည်။
Kriging: Variogram-အခြေခံ အကောင်းဆုံးခန့်မှန်းချက်
Kriging သည် အကောင်းဆုံး linear unbiased estimator (BLUE) ခန့်မှန်းချက်ကို ပေးစွမ်းရန် variogram ကို အသုံးပြုသည့် geostatistical interpolation နည်းလမ်းတစ်ခုဖြစ်သည်။ deterministic interpolation နည်းလမ်းများနှင့်မတူဘဲ၊ kriging သည်-
၁။ အကွာအဝေးနှင့် နေရာဒေသဆိုင်ရာ ဆက်စပ်မှုကို ထည့်သွင်းစဉ်းစားပါ။
၂။ ခန့်မှန်းမြေပုံအပြင် kriging variance မြေပုံ (မသေချာမရေရာမှု) ကိုလည်း ထုတ်လုပ်သည်။
အဖြစ်များသော kriging အမျိုးအစားများ-
– ရိုးရှင်းသော Kriging (SK): ပျမ်းမျှသည် သိရှိပြီး ကိန်းသေဖြစ်သည်။
– Ordinary Kriging (OK): ပျမ်းမျှကို မသိရသော်လည်း ဒေသခံရပ်ကွက်တွင် ကိန်းသေဟု ယူဆရသည်။
– Universal Kriging (ယူကေ): လမ်းကြောင်း/ရွေ့လျားမှု (ဥပမာ၊ ကိုဩဒိနိတ်များနှင့် ပတ်သက်၍ polynomial function) ပါဝင်သည်။
– Co-kriging: ဒုတိယကိန်းရှင်များကို အသုံးပြုခြင်း (ဥပမာ- seismic impedance ၏အကူအညီဖြင့် porosity ကို ခန့်မှန်းခြင်း)။
– အညွှန်းကိန်း Kriging: အမျိုးအစား/ဖြစ်ရပ်ဒေတာအတွက် (ဥပမာ- တိကျသော ကျောက်ဗေဒ၏ ဖြစ်နိုင်ခြေ)။
အသုံးချ ဘူမိရူပဗေဒတွင် သာမန် kriging သည် ပြောင်းလွယ်ပြင်လွယ်ရှိပြီး သိရှိထားသော ကမ္ဘာလုံးဆိုင်ရာ ပျမ်းမျှကို ယူဆရန် မလိုအပ်သောကြောင့် ခိုင်မာသော ကနဦးရွေးချယ်မှုတစ်ခု ဖြစ်လေ့ရှိသည်။
ပထဝီစာရင်းအင်း သရုပ်ဖော်ခြင်း- မြေပုံထက်ပိုသည်
Interpolation သည် တစ်ခုတည်းသော “အကောင်းဆုံး” မော်ဒယ်ကို ဖြစ်ပေါ်စေသော်လည်း မြေအောက်မျက်နှာပြင်သည် ဘယ်တော့မှ မသေချာပါ။ အန္တရာယ်ကို အကဲဖြတ်ရန်နှင့် အခြေအနေများ ဖန်တီးရန်အတွက် geostatistical simulation များကို အသုံးပြုပါသည်-
- စဉ်ဆက်မပြတ် variable များအတွက် Sequential Gaussian Simulation (SGS)။
- အမျိုးအစားအလိုက် variable များအတွက် Sequential Indicator Simulation (SIS)။
– လေ့ကျင့်ရေးပုံရိပ်များအပေါ် အခြေခံ၍ ရှုပ်ထွေးသော ဘူမိဗေဒပုံစံများအတွက် ဘက်စုံ-အမှတ်စာရင်းအင်းများ။
သရုပ်ဖော်မှုများသည် အချက်အလက်နှင့် variogram နှင့် ကိုက်ညီသော သဘောပေါက်မှုများစွာကို ဖြစ်ပေါ်စေပြီး likelihood range များ၊ quantiles များနှင့် probabilities များကို တွက်ချက်နိုင်စေပါသည်။ geophysical context တွင် သရုပ်ဖော်မှုများသည် drilling planning၊ volumetric uncertainty ကို အကဲဖြတ်ခြင်းနှင့် flow modeling နှင့် integrating လုပ်ခြင်းအတွက် မရှိမဖြစ်လိုအပ်ပါသည်။
မော်ဒယ် အတည်ပြုခြင်း- အပြန်အလှန် အတည်ပြုခြင်းနှင့် ရောဂါရှာဖွေခြင်း
ကောင်းမွန်သော ဘူမိစာရင်းအင်းပညာသည် variogram များနှင့် kriging များဖန်တီးခြင်းတွင်သာ ရပ်တန့်မနေပါ။ ဥပမာအားဖြင့် အကဲဖြတ်ခြင်းများကို ပြုလုပ်ရန်လိုအပ်သည်-
– တစ်ချက်လွှတ် cross-validation- အမှတ်တစ်ခုစီကို အခြားအမှတ်များကို အသုံးပြု၍ ခန့်မှန်းပြီးနောက် တကယ့်တန်ဖိုးနှင့် နှိုင်းယှဉ်သည်။
– အကြွင်းအကျန် ခွဲခြမ်းစိတ်ဖြာခြင်း- အကြွင်းအကျန်များကို ကျပန်းဖြန့်ဝေထားခြင်း ရှိ၊ မရှိ၊ စနစ်တကျ ဘက်လိုက်မှု ရှိ၊ မရှိ ဖြစ်သည်။
– Kriging variance check- မသေချာမှုသည် သင့်တင့်မျှတမှုရှိမရှိ (ဒေတာရှားပါးသောနေရာများတွင် မြင့်မားပြီး ဒေတာသိပ်သည်းသောနေရာများတွင် နည်းပါး)။
အတည်ပြုခြင်းသည် variogram သည် အလွန် "ချောမွေ့သည်"၊ အကွာအဝေးသည် အလွန်ရှည်/တိုသည် သို့မဟုတ် မဖမ်းယူရသေးသော anisotropy ရှိမရှိကို ဆုံးဖြတ်ရန် ကူညီပေးသည်။
ဘူမိရူပဗေဒ ဘူမိစာရင်းအင်းဆိုင်ရာ အသုံးချမှုများတွင် အဖြစ်များသော စိန်ခေါ်မှုများ
မကြာခဏ ဖြစ်ပေါ်လာတတ်တဲ့ စိန်ခေါ်မှုအချို့ကတော့ -
၁။ ဆူညံသံနှင့် non-Gaussian: ဘူမိရူပဗေဒဒေတာတွင် များသောအားဖြင့် outliers များနှင့် non-normal distributions များ ပါဝင်လေ့ရှိသည်။ အသွင်ပြောင်းမှုများ (ဥပမာ၊ normal score) သည် တစ်ခါတစ်ရံတွင် လိုအပ်ပါသည်။
၂။ မညီမညာ နမူနာယူခြင်း- တိုင်းတာမှုလမ်းကြောင်း (လမ်းကြောင်း) သည် ဒေတာကို တစ်ဖက်တွင် သိပ်သည်းစေပြီး အခြားတစ်ဖက်တွင် ပါးလွှာစေသည်။
၃။ တည်ငြိမ်မှုမရှိခြင်း- ကျောက်ဗေဒ သို့မဟုတ် ဒေသဆိုင်ရာဖွဲ့စည်းပုံတွင် ပြောင်းလဲမှုများသည် ခိုင်မာသောလမ်းကြောင်းများကို ဖြစ်ပေါ်စေပါသည်။
၄။ ဘက်စုံပေါင်းစပ်မှု- ငလျင်လှုပ်ခတ်မှုသည် ကြီးမားသောအတိုင်းအတာရှိသော်လည်း resolution သည် အလွန်အသေးစိတ်ကျသော ရေနံတွင်းဒေတာနှင့် ကွာခြားပါသည်။
ဤစိန်ခေါ်မှုများကို ကျော်လွှားရန်အတွက် စာရင်းအင်းဆိုင်ရာ နားလည်မှုနှင့် ဘူမိဗေဒ/ဘူမိရူပဗေဒဆိုင်ရာ အလိုလိုသိမြင်မှုတို့ ပေါင်းစပ်ရန် လိုအပ်ပါသည်။
ပိတ်
ဘူမိစာရင်းအင်းပညာ၏ အခြေခံသဘောတရားများ —stationarity၊ variogram၊ kriging နှင့် simulation—တို့သည် တည်နေရာအခြေပြု ဘူမိရူပဗေဒဆိုင်ရာ အချက်အလက်များကို စီမံဆောင်ရွက်ရန်အတွက် အစွမ်းထက်သော မူဘောင်တစ်ခုကို ပံ့ပိုးပေးပါသည်။ variogram ဖြင့် ကျွန်ုပ်တို့သည် spatial correlation structure ကို မြေပုံဆွဲပါသည်။ kriging ဖြင့် ကျွန်ုပ်တို့သည် အကောင်းဆုံးခန့်မှန်းချက်များနှင့် ၎င်းတို့၏ မသေချာမှုများကို ရရှိပါသည်။ simulation ဖြင့် ကျွန်ုပ်တို့သည် မြေအောက်မသေချာမှုများကို ပိုမိုလက်တွေ့ကျကျ ပုံဖော်ပေးသည့် scenarios များစွာကို တည်ဆောက်ပါသည်။ အဆုံးစွန်အားဖြင့် ဘူမိစာရင်းအင်းပညာသည် မြေပုံရေးဆွဲခြင်းနည်းစနစ်တစ်ခု သာမက ပိုမိုအသိပေးထားသော ဘူမိရူပဗေဒဆိုင်ရာ စူးစမ်းလေ့လာမှုနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်ဆုံးဖြတ်ချက်များချရန် ပမာဏဆိုင်ရာချဉ်းကပ်မှုတစ်ခုဖြစ်သည်။
သင်အလိုရှိပါက အသုံးချမှု case ဥပမာများ (ဥပမာ magnetic anomaly mapping သို့မဟုတ် seismic velocity estimation) ကိုလည်း ထည့်နိုင်သည်၊ သို့မဟုတ် variogram calculation မှသည် တိကျသော software တွင် kriging အထိ လက်တွေ့ကျသော workflow ကို ထည့်သွင်းနိုင်ပါသည် ။
