ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਭੂ-ਅੰਕੜਾ ਵਿਗਿਆਨ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ

ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਭੂ-ਅੰਕੜੇ ਵਿਗਿਆਨ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ

ਭੂ-ਵਿਗਿਆਨ ਵਿਗਿਆਨ ਅੰਕੜਿਆਂ ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਯਾਨੀ ਕਿ, ਡੇਟਾ ਜਿਸਦੇ ਮੁੱਲ ਸਥਾਨ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ। ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ, ਡੇਟਾ ਲਗਭਗ ਹਮੇਸ਼ਾਂ ਸਥਾਨਿਕ ਪ੍ਰਕਿਰਤੀ ਵਿੱਚ ਹੁੰਦਾ ਹੈ: ਗੁਰੂਤਾ, ਚੁੰਬਕੀ, ਭੂਚਾਲ, ਅਤੇ ਪ੍ਰਤੀਰੋਧਕਤਾ ਮਾਪ, ਨਾਲ ਹੀ ਭੂ-ਰਸਾਇਣਕ ਅਤੇ ਖੂਹ ਲੌਗ ਡੇਟਾ, ਸਾਰੇ ਖਾਸ ਨਿਰਦੇਸ਼ਾਂਕਾਂ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ, ਭੂ-ਵਿਗਿਆਨ ਵਿਗਿਆਨ ਉਪ-ਸਤਹ ਪੈਰਾਮੀਟਰ ਵੰਡ ਪੈਟਰਨਾਂ ਨੂੰ ਸਮਝਣ, ਅਣ-ਮਾਪੀਆਂ ਥਾਵਾਂ 'ਤੇ ਮੁੱਲਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਅਤੇ ਵਿਆਖਿਆਵਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਨੀਂਹ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਲੇਖ ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਭੂ-ਵਿਗਿਆਨ ਦੇ ਮੂਲ ਸੰਕਲਪਾਂ ਦੀ ਚਰਚਾ ਕਰਦਾ ਹੈ।

ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਭੂ-ਅੰਕੜਾ ਵਿਗਿਆਨ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?

ਭੂ-ਭੌਤਿਕ ਸਰਵੇਖਣਾਂ ਨੂੰ ਲਗਾਤਾਰ ਨਮੂਨੇ ਲੈਣ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਲਾਗਤ, ਸਮਾਂ ਅਤੇ ਪਹੁੰਚ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਕਾਰਨ ਸਤ੍ਹਾ ਜਾਂ ਉਪ-ਸਤ੍ਹਾ 'ਤੇ ਹਰੇਕ ਬਿੰਦੂ ਨੂੰ ਮਾਪਣਾ ਅਸੰਭਵ ਹੈ। ਸਿੱਟੇ ਵਜੋਂ, ਭੂ-ਭੌਤਿਕ ਵਿਆਖਿਆ ਲਈ ਇੰਟਰਪੋਲੇਸ਼ਨ ਅਤੇ ਮਾਡਲਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਲਟ ਦੂਰੀ ਭਾਰ (IDW) ਵਰਗੇ ਸਧਾਰਨ ਇੰਟਰਪੋਲੇਸ਼ਨ ਸੁਵਿਧਾਜਨਕ ਹੁੰਦੇ ਹਨ, ਪਰ ਉਹ ਅਕਸਰ ਸਥਾਨਿਕ ਸਹਿ-ਸੰਬੰਧ ਢਾਂਚੇ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਕੋਈ ਮਾਪ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ। ਭੂ-ਸੰਖਿਆ ਵਿਗਿਆਨ ਦੋ ਮੁੱਖ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ: (1) ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਅਨੁਮਾਨਾਂ ਲਈ ਡੇਟਾ ਦੇ ਸਥਾਨਿਕ ਸਹਿ-ਸੰਬੰਧ ਪੈਟਰਨਾਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਨਾ, ਅਤੇ (2) ਖੋਜ ਫੈਸਲਿਆਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਲਈ ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ ਇੱਕ ਮਾਤਰਾਤਮਕ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਨਾ।

Dalam praktik geofisika, geostatistik digunakan untuk pembuatan peta anomali yang lebih halus dan konsisten, pemodelan properti batuan (porositas, permeabilitas, kecepatan gelombang), ਡਾਟਾ ਏਕੀਕਰਨ multi-sumber (misalnya seismik dan sumur), hingga simulasi model bawah permukaan untuk skenario risiko.

ਸਥਾਨਿਕ ਡੇਟਾ ਅਤੇ ਰੈਂਡਮ ਫੀਲਡਾਂ ਦੀ ਧਾਰਨਾ

Inti geostatistik adalah memandang fenomena geologi atau geofisika sebagai random function atau random field . Artinya, nilai parameter seperti densitas, suseptibilitas magnetik, atau kecepatan P pada setiap lokasi dianggap sebagai realisasi dari suatu proses acak yang memiliki struktur tertentu. Dalam pendekatan ini, tujuan kita bukan hanya “menggambar peta”, melainkan memperkirakan distribusi nilai beserta korelasi antar lokasi.

Ada dua komponen penting dalam model geostatistik: trend dan variabilitas lokal . Trend menggambarkan perubahan skala besar (misalnya peningkatan densitas dari utara ke selatan akibat perubahan litologi regional). Variabilitas lokal menggambarkan fluktuasi skala kecil yang sering terkait heterogenitas batuan, rekahan, atau perubahan fasies. Pemisahan trend dan variabilitas membantu kita memilih metode yang sesuai: apakah cukup dengan asumsi stasioner, atau perlu memasukkan drift/trend secara eksplisit.

ਸਥਿਰਤਾ: ਇੱਕ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਮੁੱਢਲੀ ਧਾਰਨਾ

Banyak metode geostatistik klasik mengandalkan asumsi stasioneritas , yaitu sifat statistik data tidak berubah terhadap pergeseran lokasi. Bentuk yang paling umum adalah stasioneritas orde dua: rata-rata konstan, dan kovarians hanya bergantung pada jarak serta arah pemisah (lag), bukan pada posisi absolut.

ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ, ਇਹ ਧਾਰਨਾ ਹਮੇਸ਼ਾ ਸਹੀ ਨਹੀਂ ਹੁੰਦੀ ਕਿਉਂਕਿ ਭੂ-ਵਿਗਿਆਨਕ ਸਥਿਤੀਆਂ ਅਕਸਰ ਹੌਲੀ-ਹੌਲੀ ਬਦਲਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਕੁਝ ਪੈਮਾਨਿਆਂ 'ਤੇ (ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਸਿੰਗਲ ਲਿਥੋਲੋਜੀਕਲ ਡੋਮੇਨ ਦੇ ਅੰਦਰ), ਸਥਿਰਤਾ ਦੀ ਧਾਰਨਾ ਅਕਸਰ ਕਾਫ਼ੀ ਵਾਜਬ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਡੇਟਾ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਰੁਝਾਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਆਮ ਤੌਰ 'ਤੇ ਡੀਟ੍ਰੇਂਡਿੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਇੱਕ ਵਿਧੀ ਰੂਪ, ਜਿਵੇਂ ਕਿ ਯੂਨੀਵਰਸਲ ਕ੍ਰਿਗਿੰਗ, ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਰੁਝਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ।

ਵੈਰੀਓਗ੍ਰਾਮ: ਭੂ-ਅੰਕੜੇ ਵਿਗਿਆਨ ਦਾ ਦਿਲ

Konsep paling ikonik dalam geostatistik adalah variogram (atau semivariogram). Variogram menggambarkan bagaimana kemiripan nilai data berubah terhadap jarak. Secara intuitif: dua titik yang berdekatan cenderung memiliki nilai yang mirip, sedangkan titik yang jauh cenderung berbeda. Variogram mengkuantifikasi prinsip ini.

ਅਨੁਭਵੀ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੀ ਗਣਨਾ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

\[
\gamma(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2
\]

ਜਿੱਥੇ \(h\) ਲੈਗ (ਦੂਰੀ ਅਤੇ ਦਿਸ਼ਾ) ਹੈ, \(N(h)\) ਉਸ ਲੈਗ 'ਤੇ ਡੇਟਾ ਜੋੜਿਆਂ ਦੀ ਸੰਖਿਆ ਹੈ, ਅਤੇ \(Z(x)\) ਡੇਟਾ ਮੁੱਲ ਹੈ।

ਤਿੰਨ ਮਹੱਤਵਪੂਰਨ ਵੈਰੀਓਗ੍ਰਾਮ ਪੈਰਾਮੀਟਰ:

1. Nugget : nilai semivariogram pada lag mendekati nol. Nugget mencerminkan error pengukuran, noise, atau heterogenitas pada skala lebih kecil dari jarak sampling.
2. Sill : nilai semivariogram saat mencapai plateau. Ini terkait dengan varians total data pada domain tersebut.
3. Range : jarak saat variogram mendekati sill. Di bawah range, data masih berkorelasi; di atas range, korelasinya lemah/hilang.

Variogram juga dapat menunjukkan anisotropi , yaitu korelasi yang berbeda bergantung arah. Dalam geofisika, anisotropi sering muncul akibat struktur geologi seperti perlapisan, sesar, atau arah aliran sedimen. Variogram arah (directional variogram) membantu menentukan arah kontinuitas terbesar dan terkecil, yang sangat penting dalam pemodelan reservoir atau interpretasi struktur.

ਵੈਰੀਓਗ੍ਰਾਮ ਮਾਡਲ: ਅਨੁਭਵੀ ਤੋਂ ਗਣਿਤਿਕ ਫੰਕਸ਼ਨਾਂ ਤੱਕ

Variogram empiris biasanya berisik dan tidak selalu memenuhi syarat matematis untuk digunakan dalam kriging. Karena itu, variogram perlu di- fit dengan model teoritis seperti:

– Spherical
– Exponential
– Gaussian
– Matérn (lebih fleksibel, tetapi lebih kompleks)

ਮਾਡਲ ਦੀ ਚੋਣ ਅਨੁਭਵੀ ਵੇਰੀਓਗ੍ਰਾਮ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਸਮਝ ਦੇ ਆਕਾਰ ਦੁਆਰਾ ਨਿਰਦੇਸ਼ਤ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਗੌਸੀ ਮਾਡਲ ਅਕਸਰ ਛੋਟੀਆਂ ਦੂਰੀਆਂ 'ਤੇ ਬਹੁਤ ਹੀ ਸੁਚਾਰੂ ਤਬਦੀਲੀਆਂ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਜੋ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰੰਤਰ ਪੈਰਾਮੀਟਰਾਂ ਲਈ ਢੁਕਵੇਂ ਹੁੰਦੇ ਹਨ। ਘਾਤਕ ਮਾਡਲ ਛੋਟੀਆਂ ਦੂਰੀਆਂ 'ਤੇ ਮੋਟੇ ਹੁੰਦੇ ਹਨ, ਤੇਜ਼ ਤਬਦੀਲੀਆਂ ਵਾਲੇ ਵਰਤਾਰਿਆਂ ਲਈ ਢੁਕਵੇਂ ਹੁੰਦੇ ਹਨ।

ਕ੍ਰਿਗਿੰਗ: ਵੈਰੀਓਗ੍ਰਾਮ-ਅਧਾਰਤ ਅਨੁਕੂਲ ਅਨੁਮਾਨ

Kriging adalah metode interpolasi geostatistik yang menggunakan variogram untuk memberikan estimasi yang best linear unbiased estimator (BLUE). Berbeda dari metode interpolasi deterministik, kriging:

1. Memperhitungkan jarak dan korelasi spasial.
2. Menghasilkan peta estimasi sekaligus peta varians kriging (ketidakpastian).

ਕਰੀਗਿੰਗ ਦੀਆਂ ਆਮ ਕਿਸਮਾਂ:

– Simple Kriging (SK) : rata-rata diketahui dan konstan.
– Ordinary Kriging (OK) : rata-rata tidak diketahui tetapi dianggap konstan pada lokal neighborhood.
– Universal Kriging (UK) : memasukkan trend/drift (misalnya fungsi polinomial terhadap koordinat).
– Co-kriging : menggunakan variabel sekunder (misalnya mengestimasi porositas dengan bantuan impedansi seismik).
– Indicator Kriging : untuk data kategorikal/kejadian (misalnya probabilitas litologi tertentu).

ਅਪਲਾਈਡ ਜੀਓਫਿਜ਼ਿਕਸ ਵਿੱਚ, ਆਮ ਕ੍ਰਿਗਿੰਗ ਅਕਸਰ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਸ਼ੁਰੂਆਤੀ ਪਸੰਦ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਲਚਕਦਾਰ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਗਲੋਬਲ ਔਸਤ ਦੀ ਧਾਰਨਾ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ।

ਭੂ-ਵਿਗਿਆਨਕ ਸਿਮੂਲੇਸ਼ਨ: ਸਿਰਫ਼ ਇੱਕ ਨਕਸ਼ੇ ਤੋਂ ਵੱਧ

Interpolasi menghasilkan satu model “terbaik”, tetapi bawah permukaan tidak pernah pasti. Untuk mengukur risiko dan membuat skenario, digunakan simulasi geostatistik seperti:

– Sequential Gaussian Simulation (SGS) untuk variabel kontinu.
– Sequential Indicator Simulation (SIS) untuk variabel kategori.
– Multiple-point statistics untuk pola geologi kompleks berbasis training image.

ਸਿਮੂਲੇਸ਼ਨ ਕਈ ਪ੍ਰਾਪਤੀਆਂ ਪੈਦਾ ਕਰਦੇ ਹਨ ਜੋ ਸਾਰੇ ਡੇਟਾ ਅਤੇ ਵੈਰੀਓਗ੍ਰਾਮ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਸੀਂ ਸੰਭਾਵਨਾ ਰੇਂਜਾਂ, ਮਾਤਰਾਵਾਂ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ। ਭੂ-ਭੌਤਿਕ ਸੰਦਰਭ ਵਿੱਚ, ਸਿਮੂਲੇਸ਼ਨ ਡ੍ਰਿਲਿੰਗ ਯੋਜਨਾਬੰਦੀ, ਵੌਲਯੂਮੈਟ੍ਰਿਕ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਪ੍ਰਵਾਹ ਮਾਡਲਿੰਗ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹਨ।

ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ: ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕਸ

ਚੰਗੇ ਭੂ-ਅੰਕੜੇ ਵਿਗਿਆਨ ਵੈਰੀਓਗ੍ਰਾਮ ਬਣਾਉਣ ਅਤੇ ਕ੍ਰਿਗਿੰਗ ਕਰਨ ਤੱਕ ਹੀ ਨਹੀਂ ਰੁਕਦੇ। ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ:

– Leave-one-out cross-validation : setiap titik diprediksi menggunakan titik lain, lalu dibandingkan dengan nilai aktual.
- ਬਚੇ ਹੋਏ ਵਿਸ਼ਲੇਸ਼ਣ: ਕੀ ਬਚੇ ਹੋਏ ਹਿੱਸੇ ਬੇਤਰਤੀਬੇ ਢੰਗ ਨਾਲ ਵੰਡੇ ਗਏ ਹਨ, ਕੀ ਕੋਈ ਯੋਜਨਾਬੱਧ ਪੱਖਪਾਤ ਹੈ।
- ਕ੍ਰਿਗਿੰਗ ਵੇਰੀਐਂਸ ਜਾਂਚ: ਕੀ ਅਨਿਸ਼ਚਿਤਤਾ ਵਾਜਬ ਹੈ (ਡੇਟਾ-ਵਿਰਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਉੱਚ, ਡੇਟਾ-ਸੰਘਣੀ ਖੇਤਰਾਂ ਵਿੱਚ ਘੱਟ)।

ਪ੍ਰਮਾਣਿਕਤਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਵੈਰੀਓਗ੍ਰਾਮ ਬਹੁਤ "ਨਿਰਵਿਘਨ" ਹੈ, ਰੇਂਜ ਬਹੁਤ ਲੰਬੀ/ਛੋਟੀ ਹੈ, ਜਾਂ ਕੋਈ ਐਨੀਸੋਟ੍ਰੋਪੀ ਹੈ ਜਿਸਨੂੰ ਕੈਪਚਰ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ।

ਭੂ-ਭੌਤਿਕ ਭੂ-ਵਿਗਿਆਨਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਆਮ ਚੁਣੌਤੀਆਂ

ਕੁਝ ਚੁਣੌਤੀਆਂ ਜੋ ਅਕਸਰ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ:

1. Noise dan non-Gaussian : data geofisika sering mengandung outlier dan distribusi tidak normal. Transformasi (misalnya normal score) kadang diperlukan.
2. Sampling tidak merata : jalur pengukuran (lintasan) menyebabkan data rapat di satu arah dan jarang di arah lain.
3. Non-stasioneritas : perubahan litologi atau struktur regional menghasilkan trend yang kuat.
4. Integrasi multi-skala : seismik berskala luas tetapi resolusinya berbeda dengan data sumur yang sangat detail.

ਇਨ੍ਹਾਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਪਾਰ ਕਰਨ ਲਈ ਅੰਕੜਾ ਸਮਝ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ/ਭੂ-ਭੌਤਿਕ ਅਨੁਭਵ ਦੇ ਸੁਮੇਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ

ਮੁੱਢਲੀਆਂ ਧਾਰਨਾਵਾਂ geostatistik—stasioneritas, variogram, kriging, dan simulasi—memberikan kerangka kerja yang kuat untuk mengolah data geofisika yang berbasis lokasi. Dengan variogram, kita memetakan struktur korelasi spasial; dengan kriging, kita memperoleh estimasi optimal beserta ketidakpastiannya; dan dengan simulasi, kita membangun banyak skenario yang menggambarkan ketidakpastian bawah permukaan secara lebih realistis. Pada akhirnya, geostatistik bukan sekadar teknik pemetaan, melainkan pendekatan kuantitatif untuk membuat keputusan eksplorasi dan interpretasi geofisika yang lebih dapat dipertanggungjawabkan.

Jika Anda ingin, saya juga bisa menambahkan contoh kasus penerapan (misalnya pemetaan anomali magnetik atau estimasi kecepatan seismik), atau menyertakan alur kerja praktis dari perhitungan variogram hingga kriging dalam ਪੇਰੰਗਕਟ ਲੁਨਾਕ ਨਿਸ਼ਚਿਤ।