Eine neue Methode zur Schätzung des Erzgehalts basierend auf der Gewichtung der Probenlänge

Aug 13, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 6208 (2023) Diesen Artikel zitieren

557 Zugriffe

Details zu den Metriken

Die Schätzung des Erzgehalts ist für die Wertbewertung von Erzlagerstätten sehr wichtig und wirkt sich direkt auf die Entwicklung der Bodenschätze aus. Um die Genauigkeit der Methode der inversen Distanzgewichtung (IDW) bei der Erzgehaltsschätzung zu verbessern und den Glättungseffekt der IDW-Methode bei der Gehaltsschätzung zu verringern, wurde die in der IDW-Methode enthaltene Gewichtsberechnungsmethode verbessert. Der Längenparameter der Erzprobe wurde zur Berechnung des Gewichts der IDW-Methode verwendet. Als neuer Faktor der Gewichtungsberechnung wurde die Länge der Erzproben herangezogen. Es wurde eine neue IDW-Methode mit integrierter Stichprobenlängengewichtung (IDWW) vorgeschlagen. Als Fallstudie wurde die Gehaltsschätzung von Li, Al und Fe in Porzellantonerz verwendet. Ein Vergleichsprotokoll zur Notenschätzung mithilfe der IDWW-Methode wurde entworfen und implementiert. Im Versuchsschema wurden die Anzahl der an der Schätzung beteiligten Proben, die Probenkombination, die Verteilung der Probenqualität und andere Faktoren, die sich auf die Schätzung der Qualität auswirken, berücksichtigt. Die Ergebnisse der Gehaltsschätzung des IDWW und der IDW-Methoden wurden zur vergleichenden Analyse der Gehalte der ursprünglichen und kombinierten Proben verwendet. Die geschätzten Ergebnisse der IDWW-Methode wurden ebenfalls mit denen der IDW-Methode verglichen. Die Abweichungsanalyse des geschätzten Erzgehalts umfasste hauptsächlich das Minimum, das Maximum, den Mittelwert und den Variationskoeffizienten des Erzgehalts. Der Schätzeffekt der IDWW-Methode wurde überprüft. Die minimalen Abweichungen des geschätzten Li-, Al- und Fe-Gehalts lagen zwischen 9,129 % und 59,554 %. Die maximalen Abweichungen lagen zwischen 4,210 und 22,375 %. Die mittleren Abweichungen lagen zwischen − 1,068 und 7,187 %. Die Abweichungen im Variationskoeffizienten lagen zwischen 3,076 und 36,186 %. Die Abweichungen bei Maximum, Minimum, Mittelwert und Variationskoeffizienten des IDWW stimmten mit denen des IDW überein und demonstrierten die Genauigkeit und Stabilität der IDWW-Methode. Je mehr Stichproben an der Schätzung beteiligt sind, desto größer sind die Schätzabweichungen der IDW- und IDWW-Methoden. Die geschätzten Abweichungen von Li, Al und Fe wurden durch die Form der Gehaltsverteilung beeinflusst, wenn dieselben Schätzparameter verwendet wurden. Das Muster der Gehaltsverteilung der Proben hatte einen erheblichen Einfluss auf die Ergebnisse der Gehaltsschätzung. Die IDWW-Methode bietet erhebliche theoretische Vorteile und geht auf die negativen Auswirkungen ungleichmäßiger Stichprobenlängen auf die Schätzungen ein. Die IDWW-Methode kann den Glättungseffekt wirksam reduzieren und die Nutzungseffizienz der Originalproben verbessern.

Die Bedeutung von Methoden zur Schätzung des Erzkörpergehalts wird durch ihre Verwendung als Grundlage für die Bewertung des Erzkörperwerts, die Bergbauplanung und die Verwaltung von Bergbauplänen deutlich1. Die Methode der inversen Distanzgewichtung (IDW)2,3 wird häufig4,5 als deterministische Schätzmethode6,7 verwendet. Derzeit lassen sich die verwandten Forschungsrichtungen der IDW-Methoden in vier Typen einteilen. Erstens handelt es sich um die einfache Anwendung der IDW-Methode, die hauptsächlich die direkte Schätzung beinhaltet. Bei dieser Methode basieren die geschätzten Einflussfaktorparameter auf den bisherigen Forschungsergebnissen. Die Parameteroptimierung umfasst hauptsächlich den Leistungswert (p)8,9 in der Formel und die Anzahl der an der Schätzung beteiligten Abtastpunkte (n-Wert) oder den Nachbarschaftsbereich (Nachbarschaftsradius) der geschätzten Punkte. Viele Studien nehmen den p-Wert von 2 als typischen Wert für die Schätzung an10,11,12. In dieser Studie wurde p mit dem Wert 2 als Notenschätzungsparameter verwendet. Im Allgemeinen wird die IDW-Methode häufig mit der Kriging-Methode verglichen. Mehrere Vergleichsergebnisse zeigen, dass die IDW-Methode und die Kriging-Methode ihre eigenen Vorteile haben13,14. Einige Studien haben jedoch gezeigt, dass der Schätzeffekt der IDW-Methode besser ist als der der Kriging-Methode15,16. Darüber hinaus wurde festgestellt, dass die Kriging-Methode einen höheren Glättungseffekt als die IDW-Methode hat und dass die IDW-Methode der Kriging-Methode bei der Schätzung der Glätte überlegen ist. IDW ist der Kriging-Methode bei der Minimal- und Maximalschätzung überlegen17. In ähnlicher Weise haben einige Studien gezeigt, dass die Kriging-Methode weitere Vorteile bietet18,19. IDW weist die Merkmale niedriger Rechenkosten und flexibler Anwendung auf20 und bietet bei kleinen Stichproben weitere Schätzvorteile21. Darüber hinaus wurde die IDW-Methode erfolgreich auf Filter22, Fehlerkorrektur23 usw. angewendet. In dieser Studie wurde die einfache IDW-Methode für die Vergleichsanalyse verwendet und die Kriging-Methode wurde nicht verwendet. Dies ist hauptsächlich auf die Tatsache zurückzuführen, dass nicht genügend Proben für die Variogrammanalyse in verschiedene Richtungen vorhanden sind und daher die Anwendung der gewöhnlichen Kriging-Methode begrenzt ist.

Die zweite Methode umfasst die Erforschung der Parameteroptimierung der IDW-Schätzung24. Der Einfluss der IDW-Parameterauswahl auf die Schätzung wird diskutiert25,26. Zu diesen Faktorparametern gehören hauptsächlich der p-Wert und der n-Wert (oder Domänenradius). Untersuchungen zeigen, dass IDW sehr empfindlich auf die Gewichtungsstärke (p-Wert) reagiert. Je größer die Gewichtungsstärke, desto geringer ist der Effekt, den Proben, die weit vom Vorhersageort entfernt sind, auf die Schätzung haben27. Die Untersuchung zeigt, dass bei der Schätzung der Niederschlagsdaten mit der IDW-Methode der Einschlagradius der optimalen Niederschlagsdaten im Bereich von 10–30 km lag und der optimale p-Wert zwischen 0 und 528,29 schwankte. Darüber hinaus wurde in einigen Studien der Einfluss der Verteilungsform geschätzter Stichprobendaten auf die Auswahl von Schätzparametern analysiert30.

Drittens wird die IDW-Methode in Kombination mit anderen Methoden zur Schätzung oder für andere Zwecke verwendet. Um beispielsweise die Auswirkungen von Gelände- und Landbedeckungseffekten zu normalisieren, wurde eine neue Methode vorgeschlagen, die die Random Forest (RF)-Methode und IDW koppelt, und als RF-IDW bezeichnet. Es wurde zur Schätzung von Temperatur und Niederschlag in komplexen Gebieten verwendet31. Darüber hinaus wurde die Monte-Carlo-IDW-Methode zur Interpolation der Nitratkonzentration vorgeschlagen und die Empfindlichkeit und Genauigkeit der Monte-Carlo-IDW-Schätzung analysiert32. Basierend auf der LSC-Methode (Least Squares Collocation) und der IDW-Methode wurde eine lokale Schwerefeldmodellierungsmethode, nämlich IDW-LSC, die LSC und IDW kombiniert, vorgeschlagen, um die Einschränkungen einer einzelnen IDW-Modellierungsmethode bei der lokalen Schwerefeldmodellierung zu lösen33. Die IDW-Methode wurde auch mit Contrast Radial Intensity (CRI) zur Bildszenenüberwachung gekoppelt34. Darüber hinaus wurde Compressed Sensing mit IDW für die Interpolation von Gauge Measured Rainfall kombiniert, um bessere Ergebnisse als mit reinem IDW35 zu erzielen. Einige Untersuchungen kombinierten die fraktale Methode mit IDW und schlugen die fraktale IDW-Methode (MIDW) vor36. Bei der MIDW-Methode werden Gewichtungen für den gleitenden Durchschnitt basierend auf der lokalen Skalierungseigenschaft der Daten zugewiesen, die mithilfe einer Potenzgesetzfunktion quantifiziert wird37,38.

Die vierte Methode beinhaltet die Verbesserung der IDW-Methode. Diese Verbesserungen konzentrieren sich hauptsächlich auf die Berechnung der Distanzgewichtung. Es wurde die GIDS-Methode (Gradient Plus-Inverse Distance Squared) vorgeschlagen39. GIDS kombiniert multiple lineare Regression und Distanzgewichtung zur Gewichtsberechnung, was seine Wirkung bei der Schätzung von Klimadaten verbessert. Um die individuellen Merkmale der räumlichen Verteilung des Erzkörpergehalts widerzuspiegeln und die Schätzgenauigkeit der IDW-Methode zu erhöhen, haben einige Studien die Gewichtsberechnungsmethode geändert, um die Heterogenität des Schätzraums widerzuspiegeln40. In ähnlicher Weise wird bei der Schätzung des Erzgehalts der euklidische Abstand im Abstandsgewicht auf den Minkowski-Abstand erweitert. In der Studie wurde der Einfluss weiterer Entfernungsberechnungsarten auf die Schätzung des Erzgehalts analysiert41. Es wurde die modifizierte IDW-Schätzmethode vorgeschlagen. Die vorgeschlagene Methode erforderte keine externen Drifts und wies den Vorteil auf, eine genaue Feinstaubschätzung durch IDW-Gewichtskorrektur durchzuführen42. Die Augmented Inverse Distance Weighted-Methode führte den Höhenparameter als Entfernungsgewichtungsfaktor ein und der Höhenparameter wurde zu einer Variablen für die Gewichtsberechnung, was zu einer Verbesserung des Schätzeffekts von Niederschlagsdaten führte43. Die Adjusting Inverse Distance (AIDW)-Methode wurde für den Einsatz in unstrukturierten Netzlösungen mit endlichem Volumen vorgeschlagen. Die AIDW-Methode ändert diesen Abstand auf die Fläche eines gleichschenkligen Dreiecks in der Nähe des Stichprobenpunkts, was den Nachbarschaftsbereich der Stichprobe besser widerspiegeln und die Gewichtsberechnung sinnvoller machen kann44. Darüber hinaus wurde eine Optimierung der IDW-Methode vorgeschlagen, die eine neue Technik zur Auswahl der nächstgelegenen Punkte während des Schätzprozesses (als Wachstumsradius bezeichnet) bei der Erstellung eines digitalen Geländemodells (DTM) des Meeresbodens auf Basis der Bathymetrie verwendet Daten, die mit einem Multi Beam Echo Sounder (MBES)45 gesammelt wurden. Ein neuer Parameter (k) wurde als modifiziertes inverses Distanzgewicht (MIDW) für die Vorhersage von Gebäudesiedlungen verwendet. Der k-Wert wurde entsprechend der Abschirmungsbeziehung zwischen dem Beobachtungspunkt und dem Vorhersagepunkt berücksichtigt, um die Vorhersagegenauigkeit zu verbessern46. Eine modifizierte räumliche Schätzmethode namens Adjusted Inverse Distance Weighted (AIDW)-Methode wurde verwendet, um meteorologische Daten rund um die Islamische Universität in Bangladesch zu analysieren47. Bemerkenswerterweise ähnelt das AIDW dem MIDW darin, dass der Parameter k zur molekularen Position des Abstandsgewichts hinzugefügt wird; Der Wert von k hängt jedoch von den Eigenschaften der Daten ab. Ein aktiver Lernalgorithmus wurde verwendet, um Regressionsprobleme basierend auf inversen Distanzgewichtungsfunktionen zur Auswahl der abzufragenden Merkmalsvektoren zu lösen48. Obwohl die Daten dieser Forschungsfälle unterschiedlich sind, umfassen die Verbesserungsmethoden hauptsächlich die Anpassung der Berechnungsmethode für das Distanzgewicht oder die Berücksichtigung der Gewichtsberechnung neuer Faktoren.

In dieser Studie wurde der Kombinationsprozess für Erzkörperproben vereinfacht und die Originalproben wurden direkt zur Schätzung der Erzkörpergehalte verwendet. Um die Probenkombination für die Vorbehandlung zu reduzieren, wurde der Probenlängenfaktor bei der Gewichtsberechnung der IDW-Methode berücksichtigt, um den durch die Probenkombination verursachten Glättungseffekt des geschätzten Gehalts zu verringern. Um gleichzeitig den Einfluss der räumlichen Inhomogenität des Probengehalts auf der Grundlage der IDW-Methode zu reduzieren, wurde hierin vorgeschlagen, die Probenlänge als Gehaltsgewicht (IDWW) für die Schätzung des Erzkörpergehalts hinzuzufügen. Die IDWW-Methode trug auch zur Optimierung des IDW bei, indem sie die Gewichtsberechnung verbesserte. Diese Studie verbessert theoretisch die Genauigkeit der Notenschätzung, reduziert die Anzahl der Notenkombinationsschritte und verbessert die Genauigkeit und Effizienz der Schätzung.

In diesem Abschnitt wird die Analyse der geologischen Bedingungen des Untersuchungsgebiets vorgestellt. Der Vorkommenszustand des Erzkörpers wird erläutert. Darüber hinaus wird die Konstruktion eines dreidimensionalen (3D) Modells und Blockmodells des Tonerzkörpers vorgestellt.

Das Gebiet, in dem sich das Forschungsobjekt befindet, ist ein Verbreitungsgebiet magmatischer Gesteine, und in einigen tiefer gelegenen Gebieten und Tälern der Region sind hauptsächlich lockere Schichten aus dem Quartär (Q) verbreitet. Das Gebiet besteht hauptsächlich aus Hangablagerungen und alluvial-proluvialen Schichten. Die Hauptlithologie besteht aus braun-gelbem, gelbem, braun-rotem, grau-schwarzem Humus, lehmigem Ton, lehmigem Boden und kieshaltigem Sandboden.

Die Explorationslinie 16–12 im Bergbaugebiet hat eine kleine, nach Nordosten verlaufende Drucktorsionsstörung (F3-Verwerfung) freigelegt, die nach Westen geneigt ist und einen Neigungswinkel von etwa 75° aufweist. In der Verwerfung ist Chloritisierung zu erkennen und die 12-Linien-Bohrung kontrolliert die Verwerfungsbrekzie mit einer vertikalen Breite von 28 m. Die Falten in der Region sind hauptsächlich Teil der komplexen Guyangzhai-Antiklinale. Die Achse der komplexen Antiklinale verläuft nahezu in Ost-West-Richtung und der Aufschluss ist etwa 40 km lang. Der Kern wurde in der Yanshan-Zeit vom Ganfang-Pluton eingedrungen und zerstört.

Die magmatischen Gesteine ​​im Untersuchungsgebiet sind weitgehend freigelegt und weisen eine komplexe Lithologie auf. Sie waren mittelsaure Gesteine ​​im Frühstadium der magmatischen Gesteinsentstehung und liegen als Batholith vor. Auch im Spätstadium des magmatischen Gesteins handelte es sich bei den Gesteinen um saures Gestein. Im späteren Stadium des magmatischen Gesteins wurden relativ alkalische Ganggesteine ​​entwickelt. Im Bergbaugebiet sind hauptsächlich folgende freigelegt: der erste Intrusivgranit (γ52−2a), der zweite Intrusivgranit (γ52−2b) und der dritte Intrusivgranit im zweiten Stadium der frühen Yanshan-Zeit (γ52−2c). und der intrusive Granit der ersten Stufe (γ53−1) und der späte Yanshan-Alkaligang (Vπ) in der späten Yanshan-Zeit.

Das Erz Nr. 1 im Abbaugebiet besteht aus unregelmäßigen Gesteinsadern oder länglichen Gesteinsknollen, und die allgemeine Tendenz verläuft nahezu von Norden nach Süden. Die Oberflächenbreite der Explorationslinie 16-24 östlich der F3-Verwerfung im Bergbaugebiet beträgt etwa 150 m, und der Bohrkontrolltrend ist etwa 180 m lang. Die freiliegende Mächtigkeit der 12-0-Explorationslinie westlich der F3-Verwerfung beträgt etwa 150 m, sie erstreckt sich 1000 m nach Westen und wird in der Nähe der 0-Linie dünner. Die Steuertendenz der 12. Linie ist 100 m lang. Linie 0 steuert die Tendenz auf einer Länge von 30 m.

In dieser Studie wurde das ursprüngliche Erkundungslinienprofil unter Verwendung des Datenformats und der Koordinatenkonvertierungsmethode verwendet. Anschließend wurde das zweidimensionale (2D) Erzkörperprofil verwendet, um ein 3D-Volumenmodell des Erzkörpers zu erstellen. Das Modell ist in Abb. 1 dargestellt.

Das 3D-Volumenmodell des Erzkörpers.

Das Blockmodell des Erzkörpers wurde auf der Grundlage des 3D-Volumenmodells des Erzkörpers erstellt. Das Blockmodell des Erzkörpers kann zur Speicherung geschätzter Gehaltsinformationen verwendet werden. Die Größe der Blockeinheit beträgt 10 × 10 × 10 m. Das Blockmodell besteht aus insgesamt 12894 Einheiten. Das Blockmodell ist in Abb. 2 dargestellt. In dieser Studie wurde das 3D-Blockmodell als Textdatei ausgegeben, was für MATLAB-Berechnungen praktisch ist.

Das Blockmodell.

Die IDW-Methode ist eine Interpolationsmethode, die häufig für die Interpolation räumlicher Informationen verwendet wird. Es ist auch eine der am häufigsten verwendeten Methoden zur Gehaltsschätzung von Erzkörpern. Seine Berechnungsformel lautet 49,50 wie folgt:

In der oben genannten Formel gilt: P ist der geschätzte Erzgehalt; n ist die Anzahl der Proben, die an der Notenschätzung beteiligt sind; Mi ist der i-te Notenwert der Stichprobe; di ist der Abstand von der i-ten Stichprobe zum geschätzten Block; p ist die Potenz des Abstands und im Allgemeinen eine positive ganze Zahl. Der Wert dieses p wird als 210,11,12 gewählt.

Die IDW-Methode verwendet den Kehrwert des Abstands zwischen der Probe und dem Block als Schätzung des Gewichts. Dieses Gewicht wird verwendet, um den Beitrag der Stichproben zur Schätzung zu bestimmen. Je geringer der Abstand, desto größer die Wirkung. Im Gegensatz dazu ist der Einfluss auf das Schätzergebnis umso geringer, je größer die Entfernung wird.

Mit Bohrgeräten werden bei der Erkundung von Erzkörpern Gesteinsproben aus dem Erdinneren entnommen. Anschließend werden die Gesteinsproben untersucht, um den Mineralgehalt im Gestein zu analysieren. Der Mineralgehalt bestimmt die Art des unterirdischen Raums, den der Erzkörper einnimmt51. Allerdings sind die bei der Exploration gewonnenen Originalproben nicht vollständig kontinuierlich. Die Probenanalyse erfolgt ebenfalls abschnittsweise. Da die Länge jeder Testprobe unterschiedlich ist, repräsentieren die Testdaten unterschiedliche Probenlängen. Damit die Analysedaten die gleiche Probenlänge darstellen, müssen die Originalproben vor der Gehaltsschätzung kombiniert werden. Die kombinierten Probenanalysedaten stellen Informationen zum Probengehalt derselben Länge dar. Das Grundprinzip ist in Abb. 3 dargestellt.

Schematische Darstellung der Beispielkombination.

Die Methode zur Kombination der Probenlänge ist in Abb. 3 dargestellt. Betrachtet man als Beispiel die kombinierte Probenlänge von 2 m, ist die linke Seite ein Punkt, der an der mittleren Position in einem Abstand von 2 m erzeugt wird und zur Beschreibung des kombinierten Werts verwendet wird vom Grad der Probe. Auf der rechten Seite sind die Längen- und Gütewerte jeder Originalprobe aufgeführt. Die Formel zur Berechnung der Stichprobenkombination lautet:

In der Formel: Gc stellt die kombinierte Stichprobennote dar; Gj stellt die j-te Probensorte innerhalb der Länge der kombinierten Pappel dar; Lc stellt die Länge der kombinierten Stichprobe dar; Lj stellt die Länge der j-ten Probe dar; m stellt die Anzahl der an der kombinierten Stichprobe beteiligten Stichproben dar.

Um die Anzahl der Stichprobenverarbeitungsschritte während der Notenschätzung zu reduzieren, wurden in dieser Studie die ursprünglichen Stichprobeninformationen verwendet, um die Blocknote direkt zu schätzen und dabei den Einfluss der Stichprobenlänge auf die Notenschätzung zu berücksichtigen. Zu diesem Zweck wird hier eine Methode zur Schätzung des Erzkörpergehalts durch Hinzufügen des Probenlängenfaktors (IDWW) vorgeschlagen. Formel (3) zeigt:

In der oben genannten Formel gilt: Li ist die Länge der i-ten Probe; L stellt die Gesamtlänge von n Samples dar; Die übrigen Variablen haben die gleiche Bedeutung wie in Formel (1).

Die Statistik der Probenlängen der Originalproben (siehe Abb. 4) zeigt, dass sich die Probenlängen der Originalproben überwiegend auf etwa 3 m konzentrieren. Daher wurde die Länge der kombinierten Probe auf 3 m festgelegt, und die minimale Länge der kombinierten Probe betrug 75 % der kombinierten Länge, also 2,25 m. Die statistischen Ergebnisse der kombinierten Probenlänge sind in Tabelle 1 dargestellt. Die maximale Länge der kombinierten Probe beträgt 3 m und die minimale Länge beträgt 2,25 m.

Statistik der Stichprobenlänge.

Grundlegende statistische Operationen wurden an den Originalproben (OS) und den kombinierten Proben (CS) durchgeführt. Der Einfachheit halber wurde die geschätzte Note später in der Studie mit der Stichprobennote verglichen. Tabelle 1 zeigt die Li-, Al- und Fe-Statistiken der ursprünglichen und kombinierten Proben.

Um den Einfluss der Probenverteilung auf die Gehaltsschätzung zu analysieren, wurden die Histogramme von Li, Al und Fe des OS und des CS erstellt, wie in den Abbildungen dargestellt. 5, 6, 7. Die Abbildungen veranschaulichen, dass die Verteilungszustände von Li, Al und Fe unterschiedlich sind; Die Verteilung des Al-Gehalts ist konzentriert und die des Li- und Fe-Gehalts weicht vom Niedriggehaltsbereich ab. Die CS liegen im Vergleich zum OS im unteren Notenbereich. Eine solche Regel kann sich auch in den in Tabelle 1 dargestellten Durchschnittsnoten der OS und CS widerspiegeln, wobei die Durchschnittsnote der CS niedriger ist als die der OS. Es zeigt sich, dass bei der Verwendung von CS zur Gehaltsschätzung das Risiko besteht, dass der Erzkörpergehalt unterschätzt wird.

Verteilung von Li in der ursprünglichen und kombinierten Probe.

Verteilung von Al in den ursprünglichen und kombinierten Proben.

Verteilung von Fe in den ursprünglichen und kombinierten Proben.

Das Hauptziel des Experiments bestand darin, die Schätzgenauigkeit der gewichteten Schätzmethode der Stichprobenlänge zu überprüfen und den Einfluss der Stichprobenkombination auf die Notenschätzung zu analysieren. Daten aus der 3D-Erzkörpermodellierung, Blockmodellierung und Bohrung wurden in dieser Studie in der Vordatenvorverarbeitungsphase als Textdateien exportiert. Die Textdatei enthielt hauptsächlich Blockraumpositionsinformationen und Gehaltsinformationen der Originalproben und der kombinierten Proben. Als Verifikationsanalysetool wurde MATLAB verwendet.

Die Hauptschritte des Experiments sind wie folgt:

Vorverarbeitung der experimentellen Daten: Die OS-Daten wurden extrahiert und die OS kombiniert. Die Daten der 3D-Blockmodelle, des Betriebssystems und des CS wurden in Dateien im Textformat konvertiert. Nicht wesentliche Informationen in den oben genannten Textdateien wurden entfernt.

Bestimmung der Art des zu verifizierenden Erzkörpergehalts: Die Li-, Al- und Fe-Gehalte des Tonerzes wurden als Bewertungsverifizierungsgehalte verwendet.

Schätzung des Blockgehalts: Unter Berücksichtigung der Li-, Al- und Fe-Gehaltsinformationen des OS und des CS als Datenquelle wurde die IDW-Methode verwendet, um den Gehalt des Blocks zu schätzen, und die Ergebnisse der Gehaltsschätzung wurden als Ergebnis 1 und Ergebnis aufgezeichnet 2 bzw. In ähnlicher Weise wurden die Gehaltsinformationen von Li, Al und Fe als Datenquelle verwendet und die IDWW-Methode wurde verwendet, um den Gehalt des Blocks zu schätzen, der als Ergebnis 3 aufgezeichnet wurde.

Berechnung und Statistik der Abweichungen: Ergebnis 1 und Ergebnis 3 wurden mit dem OS verglichen, und Ergebnis 2 wurde gleichzeitig mit dem OS und dem CS verglichen. Die Abweichung von Minimum, Maximum, Mittelwert und Variationskoeffizient der Note wurde berechnet.

Analyse der Ergebnisse: Die geschätzte Wirkung der IDWW-Methode wurde analysiert. Die Auswirkung des Probentyps auf die geschätzten Ergebnisse wurde analysiert. Der detaillierte Prozess ist in Abb. 8 dargestellt.

Studienflussdiagramm.

Es wurden Statistiken zu den Ergebnissen der Li-, Al- und Fe-Gehaltsschätzung untersucht. Zu den statistischen Informationen gehören Minimum, Maximum, Mittelwert, Varianz, Standardabweichung, Median, Kurtosis, Schiefe und Variationskoeffizient. Die detaillierten Ergebnisse sind in den Tabellen 2, 3 und 4 dargestellt. OS steht für die Originalproben und CS steht für kombinierte Proben. IDW steht für die inverse Distanzgewichtungsmethode. IDWW steht für die inverse Distanzmethode, die auf der Stichprobenlängengewichtung basiert. OS-IDW stellt das durch die IDW-Methode mit OS geschätzte Ergebnis dar. CS-IDW stellt das durch die IDW-Methode mit CS geschätzte Ergebnis dar. OS-IDWW stellt das Ergebnis dar, das mit der IDWW-Methode mit OS geschätzt wurde. Die Anzahl der Stichproben gibt die Anzahl der Stichprobenpunkte für die Notenschätzung an. In dieser Studie wurden 3–7 Proben zur Schätzung des Grades verwendet.

In dieser Studie wurden die geschätzten Gehalte an Li, Al und Fe im Magnetit-Erzkörper mit den Gehalten der Proben verglichen und die Abweichung zwischen den geschätzten Gehalten und den minimalen, maximalen, mittleren und Variationskoeffizienten der Gehalte ermittelt Das OS und CS wurde berechnet. Der Bewertungseffekt wurde anhand der Notenschätzungsabweichung analysiert. Darüber hinaus wurden die Schätzmerkmale der IDWW-Methode analysiert und der Einfluss von Probentyp und Gehaltsverteilungsmerkmalen auf die Schätzergebnisse untersucht, indem die Gesetze im Zusammenhang mit der IDW- und IDW-Gehaltsschätzung untersucht wurden. Die Abweichung wird wie folgt berechnet: Abweichung = (Schätzungsnote − Stichprobennote)/Probennote × 100 %. Der erste Teil der Schätzung im CS-IDW-OS stellt den Stichprobentyp dar, der zweite Teil stellt die Schätzmethode dar und der dritte Teil bezieht sich darauf, von welchem ​​Stichprobentyp die Abweichung stammt. Die anderen Darstellungen ähneln dieser.

Die Abbildungen 9, 10, 11 und 12 zeigen die geschätzte Abweichung des Minimal-, Maximal-, Mittel- und Variationskoeffizienten des geschätzten Li-Gehalts. Die horizontale Achse stellt die Anzahl der an der Schätzung beteiligten Stichproben dar und die vertikale Achse stellt die Abweichung dar.

Abweichung der Li-Mindestnote.

Abweichung vom Li-Höchstgehalt.

Abweichung der Li-Durchschnittsnote.

Abweichung des Variationskoeffizienten der Li-Sorte.

Abbildung 9 zeigt, dass die Abweichungen von der geschätzten Mindestnote zwischen 9,13 % und 26,14 % liegen. Die Abweichung von CS-IDW-CS ist am kleinsten, wenn drei Stichproben vorhanden sind, und die Abweichung von OS-IDW-OS ist am größten, wenn sieben Stichproben vorhanden sind. Die Abweichungen vom Minimum des geschätzten Li-Gehalts nehmen mit zunehmender Anzahl der an der Schätzung beteiligten Proben zu, was darauf hindeutet, dass das Schätzergebnis umso glatter ist, je mehr Proben an der Schätzung des Gehalts beteiligt sind. Die Abweichungen der geschätzten Li-Gehaltsminima für CS-IDW-OS und CS-IDW-CS stimmen stark überein, wie die beiden gestrichelten Linien in Abb. 9 zeigen. Die Abweichungen von CS-IDW-OS sind größer als die von CS-IDW-CS. Die Abweichung des geschätzten Li-Gehaltsminimums von OS-IDW-OS ist etwas größer als die der anderen Minima. Eine Zunahme der Abweichung von der geschätzten Mindestnote weist darauf hin, dass die geschätzte Mindestnote näher an der Durchschnittsnote liegt. Das OS-IDWW ist theoretisch wissenschaftlicher als das OS-IDW. Darüber hinaus ist die Abweichung des geschätzten Li-Mindestgehalts vom IDWW relativ gering.

Die Abweichungen vom geschätzten Li-Gehaltsmaximum liegen zwischen – 4,6 % und – 17,24 %. Unter ihnen nimmt das OS-IDWW-OS mit drei Stichproben an der Schätzung teil, um die kleinste Abweichung von der Höchstnote von –4,21 % zu erreichen, und die maximale Abweichung mit der höchsten Note beträgt 17,24 %, wenn sieben Stichproben an der Schätzung teilnehmen. Die maximalen Abweichungen nehmen mit zunehmender Anzahl der an der Schätzung beteiligten Stichproben zu. Dies wird auf die Tatsache zurückgeführt, dass das Schätzergebnis umso glatter ist, je größer die Anzahl der Stichproben ist. Offensichtlich sind die Abweichungen von CS-IDW-OS und CS-IDW-CS sehr konsistent und ihre Abweichungen stimmen im Wesentlichen mit den maximalen Abweichungen des Li-Gehalts überein. Es zeigt, dass die Maximalwerte des Li-Gehalts des OS und des CS nahe beieinander liegen. Die Abweichungen OS-IDW-OS und OS-IDWW-OS sind konsistent. Sie ähneln den Abweichungen von CS-IDW-OS und CS-IDW-CS. Die Genauigkeit und Stabilität von IDWW werden durch die Schätzergebnisse belegt.

Die mittleren Abweichungen des Li-Gehalts liegen zwischen − 5,1 % und − 7,5 % (Abb. 11). Die mittlere Abweichung von CS-IDW-CS ist bei sieben Stichproben mit 5,1 % am geringsten. Die mittlere Abweichung von OS-IDWW-OS bei drei Stichproben ist am größten (− 75 %). Die mittleren Abweichungen der Li-Gehalte für CS-IDW-CS und CS-IDW-OS sind sehr konsistent. Die mittleren Abweichungen des Li-Gehalts nehmen mit zunehmender Probenzahl ab. Die mittleren Abweichungen von OS-IDW-OS und OS-IDWW-OS sind sehr konsistent und ihre Abweichungen nehmen mit zunehmender geschätzter Probenzahl langsam ab. Theoretisch ist das Schätzergebnis umso glatter, je mehr Stichproben an der Schätzung beteiligt sind. Die Glättung deutet darauf hin, dass der geschätzte Innengehalt des Erzkörpers eher durchschnittlich ist. Aufgrund des Einflusses der räumlichen Morphologie der Erzkörper und der ungleichmäßigen Verteilung der Proben kann dieselbe Probe unterschiedliche Auswirkungen auf die umliegenden Blockeinheiten haben. Der Abstand von der Probe zu den verschiedenen Blöcken ist nicht genau gleich. Daher ist es schwierig, dass die statistischen Ergebnisse des geschätzten Gehalts des Erzkörpers genau mit den statistischen Ergebnissen des Probengehalts übereinstimmen. Die in Abb. 11 dargestellte mittlere Abweichung der geschätzten Li-Gehalte kann den Variationstrend zwischen den geschätzten Gehalten und den Proben nur bedingt erklären. Alternativ zeigt diese Studie die relative Genauigkeit des geschätzten Notendurchschnitts und die Stabilität der IDWW-Methode.

Abbildung 12 zeigt, dass die Variationskoeffizientenabweichungen des geschätzten Li-Gehalts zwischen –2,92 % und –11,08 % liegen. Bei drei Stichproben zeigt OS-IDWW-OS mit − 2,92 % die kleinste Abweichung des Variationskoeffizienten, bei sieben Stichproben ist die Abweichung des Variationskoeffizienten mit 11,08 % am größten. Die Abweichungen des Variationskoeffizienten des Li-Gehalts zeigen mit zunehmender Probenanzahl einen abnehmenden Trend. Der Variationskoeffizient spiegelt in gewissem Maße die Streuung der Proben wider. Die Zunahme der Abweichungen des Variationskoeffizienten zeigt an, dass die Differenz zwischen dem Variationskoeffizienten der geschätzten Note und dem Variationskoeffizienten der Stichprobennote größer wird. Der Kern dieser Verbesserung besteht in der Erhöhung der Glätte der Bewertungsnote.

Abbildung 12 zeigt, dass CS-IDW-OS und CS-IDW-CS einen hohen Grad an Konsistenz in der Abweichung des Sortenvariationskoeffizienten aufweisen. Die Abweichungen der Variationskoeffizienten von OS-IDW-OS und OS-IDWW-OS sind sehr konsistent und zeigen den gleichen Trend wie die Abweichungen der Variationskoeffizienten der Klassen CS-IDW-CS und CS-IDW -OS.

Abbildung 13 zeigt, dass die minimale Abweichung des geschätzten Al-Gehalts zwischen 21,60 und 39,82 % liegt. Die minimale Abweichung von CS-IDW-CS beträgt 21,60 % bei drei Stichproben. Die minimale Abweichung von OS-IDW-OS beträgt 39,82 % bei sieben Stichproben. Die minimalen Abweichungen des geschätzten Al-Gehalts nehmen mit der Anzahl der Proben zu, was darauf hindeutet, dass das geschätzte Ergebnis umso glatter ist, je mehr Proben vorhanden sind. Es besteht bei allen Schätzungen ein hohes Maß an Übereinstimmung zwischen den geschätzten Mindestgehaltsabweichungen für die Al-Schätzungen. Die minimalen Abweichungen nehmen mit zunehmender Anzahl der Proben zu, was darauf hindeutet, dass der Mindestgehalt nahe am Durchschnittswert des Al-Gehalts liegt. Die Variation der minimalen Abweichungen des Al-Gehalts, die sich aus den verschiedenen Schätzmethoden ergeben, ist relativ stabil. Das Variationsintervall der minimalen Abweichungen derselben Stichproben liegt innerhalb von 5 %. Die Abweichungen vom geschätzten Al-Gehaltsminimum zeigen, dass IDWW im Vergleich zu anderen Methoden eine ähnliche Schätzgenauigkeit und Stabilität aufweist.

Abweichung von der Al-Mindestnote.

Abbildung 14 zeigt, dass die maximalen Abweichungen des geschätzten Al-Gehalts zwischen 19,13 und 22,38 % liegen. Bei drei Stichproben beträgt die maximale Abweichung von CS-IDW-CS 19,13 %, und bei sieben Stichproben beträgt die maximale Abweichung von OS-IDW-OS 22,38 %. Abbildung 14 zeigt, dass die maximalen Abweichungen der von CS-IDW-CS und CS-IDW-OS geschätzten Al-Gehalte völlig konsistent sind und sich der Variationstrend zunächst stabilisiert und dann mit zunehmender Anzahl von Proben zunimmt. Die von OS-IDW-OS geschätzten maximalen Abweichungen der Al-Qualitäten ändern sich nicht wesentlich. Die von OS-IDWW-OS geschätzten maximalen Abweichungen der Al-Gehalte nehmen tendenziell langsam ab. Die Schätzergebnisse von OS-IDWW-OS stimmen im Allgemeinen mit den Schätzergebnissen der anderen Methoden überein, und die IDWW-Schätzung bietet sowohl Genauigkeit als auch Stabilität.

Abweichung vom Al-Höchstgehalt.

Abbildung 15 zeigt, dass die mittleren Abweichungen des Al-Gehalts zwischen 0,154 und − 1,068 % liegen. Die von CS-IDW-CS geschätzte mittlere Abweichung des Al-Gehalts an sieben Proben beträgt 0,154 %. Die von OS-IDW-OS geschätzte mittlere Abweichung des Al-Gehalts an vier Proben beträgt 1,068 %. Abbildung 15 zeigt, dass die mittlere Abweichung des von CS-IDW-OS und CS-IDW-CS geschätzten Al-Gehalts sehr konsistent ist. Darüber hinaus zeigen die mittleren Abweichungen des Al-Gehalts mit zunehmender Probenzahl einen langsamen Rückgang. Die mittleren Abweichungen von OS-IDW-OS und OS-IDWW-OS sind sehr konsistent und die Abweichungen zeigen einen langsamen Abwärtstrend mit zunehmender Anzahl von Proben. Der Variationstrend der mittleren Abweichungen des Al-Gehalts, der in Abb. 15 dargestellt ist, ist grundsätzlich derselbe wie der der mittleren Abweichungen des Li-Gehalts, der in Abb. 11 dargestellt ist. Allerdings sind die mittleren Abweichungen des Grades recht unterschiedlich, was noch mehr dazu beiträgt zeigt, dass der Einfluss der Stichprobengradverteilung auf die Schätzergebnisse der IDW- und IDWW-Methoden sehr signifikant ist.

Abweichung der Al-Durchschnittsnote.

Abbildung 16 zeigt, dass die Variationskoeffizientenabweichungen der Al-Sorte zwischen 12 und 37,6 % liegen. Unter diesen beträgt bei drei Proben die Variationskoeffizientabweichung der CS-IDW-CS-Klasse 12,5 %. Die Variationskoeffizientabweichung des OS-IDW-OS-Grades beträgt 37,6 % bei sieben Proben. Die von IDW und IDWW geschätzten Variationskoeffizientenabweichungen der Al-Qualität weisen einen hohen Grad an Konsistenz auf, und die Abweichungen nehmen mit zunehmender Anzahl von Proben zu, wie in Abb. 16 dargestellt. Die Zunahme der Abweichungen der Variationskoeffizienten zeigt dass die Glätte der Bewertungsnote mit zunehmender Stichprobenzahl zunimmt. Die Variationskoeffizientenabweichungen von OS-IDWW-OS zeigen den gleichen Trend wie die Abweichungen von CS-IDW-CS, CS-IDW-OS und OS-IDW-OS. Darüber hinaus liegen die Abweichungen von OS-IDWW-OS nahe an CS-IDW-OS und OS-IDW-OS, was auch die Zuverlässigkeit und Stabilität der IDWW-Schätzung bestätigt.

Abweichung des Variationskoeffizienten der Al-Sorte.

Abbildung 17 zeigt, dass die minimalen Abweichungen des geschätzten Fe-Gehalts zwischen 12,533 und 59,554 % liegen. Die minimale Abweichung des Fe-Gehalts von CS-IDW-CS beträgt 12,533 % bei drei Proben. Die minimale Abweichung von OS-IDWW-OS beträgt 59,554 % bei sieben Proben. Die minimalen Abweichungen der geschätzten Fe-Gehalte nehmen mit zunehmender Probenanzahl zu. Es zeigt sich, dass das Schätzergebnis umso glatter ist, je mehr Stichproben an der Schätzung beteiligt sind. Dies steht im Einklang mit dem Variationstrend der geschätzten Mindestgehaltsabweichungen von Li und Al. Die minimalen Abweichungen der OS-IDWW-OS-Klasse weisen denselben relativen Änderungstrend auf wie die von OS-IDW-OS, CS-IDW-OS und CS-IDW-CS. Die minimalen Abweichungen des Fe-Gehalts von OS-IDWW-OS sind am größten. Dies kann jedoch nicht den schlechten Schätzeffekt der IDWW-Methode erklären. Man geht davon aus, dass die Ergebnisse hauptsächlich von der räumlichen Lage der Proben und der Verteilung der Probengehalte beeinflusst werden. Die minimalen Abweichungen des Fe-Gehalts von IDWW stimmen mit den minimalen Abweichungen des Fe-Gehalts von IDW überein, was die Durchführbarkeit und Stabilität der IDWW-Methode zeigt

Abweichung vom Fe-Mindestgehalt.

Abbildung 18 zeigt, dass die maximalen Abweichungen des geschätzten Fe-Gehalts zwischen 14,497 und 22,077 % liegen. Unter diesen beträgt die maximale Abweichung des Fe-Gehalts von CS-IDW-CS 14,497 %, wenn drei Proben vorhanden sind. Die maximale Abweichung des Fe-Gehalts von CS-IDW-OS bei sieben Proben beträgt 22,077 %. Mit zunehmender Probenzahl nehmen die maximalen Abweichungen des geschätzten Fe-Gehalts zunächst zu, dann ab und nehmen schließlich wieder zu. Darüber hinaus ist die Tendenz insgesamt steigend. Die maximalen Abweichungen des Fe-Gehalts weisen eine hohe Übereinstimmung mit den verschiedenen Methoden und Proben auf. Es zeigt auch, dass die IDWW-Schätzung genau und zuverlässig ist.

Abweichung des Fe-Höchstgehalts.

Abbildung 19 zeigt, dass die mittleren Abweichungen des Fe-Gehalts zwischen 1,808 und 3,568 % liegen. Unter diesen beträgt die mittlere Abweichung von CS-IDW-OS 1,808 %, wenn drei Stichproben vorhanden sind. Die durchschnittliche Abweichung des CS-IDW-OS beträgt 3,568 % bei sieben Proben. Die mittlere Abweichung des Fe-Gehalts liegt in einem kleinen Bereich. Die mittleren Abweichungen von CS-IDW-OS und CS-IDW-CS nehmen mit zunehmender Probenzahl zu. Die mittleren Abweichungen von OS-IDW-OS und OS-IDWW-OS sind sehr konsistent und zeigen mit zunehmender Probenzahl einen langsamen Abwärtstrend. Theoretisch ist das Schätzergebnis umso glatter, je mehr Stichproben an der Schätzung beteiligt sind. Diese Glättung weist darauf hin, dass der geschätzte Gehalt innerhalb des Erzkörpers tendenziell näher am Gehaltsmittelwert liegt. Die Durchschnittsnoten von CS-IDW-OS und CS-IDW-CS zeigen einen Aufwärtstrend, der durch die Kombination der Stichproben beeinflusst wird. Die Kombination der Proben verändert die räumliche Verteilung der Fe-Gehalte, was schließlich zu Änderungen der mittleren Abweichungen der geschätzten Fe-Gehalte führt. Daher kann gefolgert werden, dass die Gehaltsverteilung der Probe einen erheblichen Einfluss auf die Schätzergebnisse des Erzkörpergehalts hat. Daher kann auch gefolgert werden, dass die räumliche Verteilung der Probengehalte einen erheblichen Einfluss auf die Schätzergebnisse des Erzkörpergehalts hat.

Abweichung vom Fe-Durchschnittsgehalt.

Die Variationskoeffizientenabweichungen des geschätzten Fe-Gehalts liegen zwischen 0,643 und 13,363 %, wie in Abb. 20 dargestellt. Die Variationskoeffizientenabweichung des geschätzten Gehalts des CS-IDW-CS beträgt 0,8 % bei drei Proben. Die Variationskoeffizientabweichung des geschätzten Grades von CS-IDW-OS beträgt 13,5 % bei sechs Stichproben. Die Variationskoeffizientenabweichungen des geschätzten Fe-Gehalts stimmen auf der Grundlage von CS und OS unter Verwendung der IDW- und IDWW-Methoden überein, und die Abweichungen nehmen mit zunehmender Anzahl von Proben zu, wie in Abb. 20 dargestellt. Der geschätzte Variationskoeffizient des Fe-Gehalts von IDWW liegt nahe am Variationskoeffizienten des Fe-Gehalts, der von IDW ermittelt wurde. Die Variationskoeffizientenabweichungen der Note sind konsistent, was die Durchführbarkeit und Stabilität der IDWW-Methode zeigt.

Abweichung des Variationskoeffizienten des Fe-Gehalts.

Die minimalen Abweichungen der geschätzten Gehalte von Li, Al und Fe sind in den Abbildungen dargestellt. 9, 13 und 17 zeigen, dass die minimalen Abweichungen mit zunehmender Anzahl der in die Auswertung einbezogenen Proben zunehmen. Die minimalen Abweichungen liegen zwischen 9,129 und 59,554 % und die gesamten minimalen Abweichungen sind relativ groß. Die maximalen Abweichungen der Gehalte nehmen auch mit der Zunahme der Anzahl der Proben zu, die an der Bewertung der maximalen Abweichungen der geschätzten Gehalte von Li, Al und Fe beteiligt sind, wie in den Abbildungen dargestellt. 10, 14 und 18. Die maximalen Abweichungen liegen zwischen 4,210 und 22,375 % und die gesamten maximalen Abweichungen sind relativ groß. Diese werden hauptsächlich durch die Verteilung der Stichprobennoten bestimmt. Die Anzahl der Proben mit kleineren oder größeren Gehalten ist relativ gering. Während des Bewertungsprozesses wurden mindestens drei Proben für die Bewertung verwendet. Daher wurde erwartet, dass der geschätzte Mindestgehalt höher als der Mindestgehalt der Stichprobe und der geschätzte Höchstgehalt niedriger als der Höchstgehalt der Stichprobe ausfiel. Theoretisch gilt: Je mehr Proben in die Schätzung einbezogen werden, desto näher liegt die geschätzte Mindest- oder Höchstnote an der Durchschnittsnote. Darüber hinaus kommt es zu größeren Abweichungen vom geschätzten Mindest- bzw. Höchstgehalt, wenn mehr Proben in die Schätzung einbezogen werden. In der Stufe der Notenschätzung führt die Kombination von Stichproben zu einem Glättungseffekt der Note vor der Schätzung, und der durch IDW verursachte Glättungseffekt macht den Schätzeffekt glatter. Die maximalen und minimalen Abweichungen der Gehaltsschätzung des IDWW stimmen mit denen des IDW überein und demonstrieren die Genauigkeit und Stabilität der IDWW-Methode.

Die Abbildungen 11, 15 und 19 zeigen, dass die mittlere Abweichung der geschätzten Note zwischen − 1,068 und 7,187 % liegt. Die geschätzten Durchschnittsgehalte von Li und Al sind höher als die Durchschnittsgehalte der Probe. Der geschätzte mittlere Fe-Gehalt ist etwas geringer als der mittlere Gehalt der Proben. Die Gehaltsdaten für Li, Al und Fe stammen aus demselben Explorationsprojekt und aus unterschiedlichen Analysegehalten derselben Probe. Daher beeinflusst der Zustand der Gehaltsverteilung von Li, Al und Fe die mittlere Abweichung des geschätzten Gehalts, was dazu führt, dass die mittleren Abweichungen der Li-, Al- und Fe-Gehalte voneinander abweichen. Darüber hinaus können die geschätzten Abweichungen bei gleichen Schätzparametern nur bis zu einem gewissen Grad zur Bewertung der Schätzgenauigkeit herangezogen werden. Darüber hinaus werden die geschätzten Abweichungen auch von der Form der Notenverteilung beeinflusst. Die geschätzten Ergebnisse von IDW und IDWW liegen im Allgemeinen nahe beieinander, wenn dieselbe geschätzte Stichprobe und dieselben Schätzparameter verwendet werden. Die Machbarkeit und Stabilität der IDWW-Methode werden erneut demonstriert.

Die Abbildungen 11, 16 und 20 zeigen, dass die Abweichungen im Variationskoeffizienten der geschätzten Note zwischen 3,076 und 36,186 % liegen. Dabei sind die Variationskoeffizientenabweichungen der geschätzten Li- und Fe-Gehalte deutlich größer als die der geschätzten Fe-Gehalte. Der Notenvariationskoeffizient kann die Streuung der Notenverteilung widerspiegeln. Je größer der Variationskoeffizient ist, desto streuender ist die Verteilung der statistischen Objekte. Die Variationskoeffizienten der geschätzten Gehalte an Li, Al und Fe sind alle kleiner als die der Probengehalte. Daher ist die geschätzte Notenverteilung konzentrierter als die Notenverteilung der Stichproben. Mit anderen Worten: Die geschätzten Noten liegen nahe an der Durchschnittsnote. Es zeigt sich, dass die mit den Methoden IDW und IDWW ermittelten Schätznoten einen deutlichen Glättungseffekt aufweisen. Allerdings ist die Variationskoeffizientenabweichung von OS-IDWW-OS im Allgemeinen kleiner als die von CS-IDW-OS. Dieses Ergebnis zeigt, dass die IDWW-Methode den durch die Stichprobenkombination und den Schätzprozess verursachten Glättungseffekt wirksam reduzieren kann.

Abbildung 4 zeigt die Längenverteilung der Originalproben und zeigt, dass die Länge der Originalproben meist etwa 3 m beträgt. Darüber hinaus machen die Proben mit einer Probenlänge von ca. 3 m den Großteil aus. Daher sind die geschätzten Abweichungen von den IDW- und IDWW-Methoden geringer, wenn die Schätzung unter Verwendung der Daten der Originalproben durchgeführt wird, sodass die Genauigkeitsleistung von IDWW nicht besonders signifikant ist. Allerdings bietet die IDWW-Methode erhebliche theoretische Vorteile, da sie die negativen Auswirkungen ungleichmäßiger Stichprobenlängen auf die Schätzungen berücksichtigt. Die IDWW-Methode eliminiert außerdem die Auswirkungen der Kombination von Proben und verringert den Glättungseffekt, der durch die Kombination von Proben verursacht wird. Die IDWW-Methode verbessert die Nutzungseffizienz der Originalproben (Ergänzende Informationen).

In dieser Studie wurde die IDWW-Methode vorgeschlagen, die die Stichprobenlänge der Stichprobe als Gewichtsfaktor der Gehaltsschätzung betrachtete, der den durch den Stichprobengehaltskombinationsprozess und die Stichprobenkombination verursachten Glättungseffekt verringerte. Die IDWW-Methode verbesserte theoretisch den Schätzeffekt des Erzgehalts. Als experimentelles Beispiel für die Schätzung des Erzgehalts wurden Li-, Al- und Fe-Gehalte aus Porzellanton verwendet. Die Zuverlässigkeit und Genauigkeit der IDWW-Methode wurden durch den Vergleich der Notenschätzungsergebnisse der IDWW-Methode mit denen der IDW-Methode überprüft. Darüber hinaus wurden auch die Auswirkungen der Probenmenge, der Probengehaltskombination und der Probengehaltsverteilung auf die Erzgehaltsschätzung systematisch analysiert. Die Ergebnisse dieser Studie sind wie folgt:

Die minimalen Abweichungen der geschätzten Gehalte an Li, Al und Fe nahmen mit zunehmender Anzahl der in die Bewertung einbezogenen Proben zu. Die minimalen Abweichungen lagen zwischen 9,129 und 59,554 %. Mit zunehmender Probenzahl nahmen auch die maximalen Abweichungen der Noten zu. Die maximalen Abweichungen lagen zwischen 4,210 und 22,375 %. Die mittlere Abweichung des geschätzten Li-, Al- und Fe-Gehalts lag zwischen −1,068 % und 7,187 %. Die Abweichungen im Variationskoeffizienten des geschätzten Li-, Al- und Fe-Gehalts lagen zwischen 3,076 und 36,186 %. Die maximalen, minimalen, mittleren und Variationskoeffizienten der Schätzungsabweichungen des IDWW stimmten mit denen der IDW-Methode überein und demonstrierten die Genauigkeit und Stabilität der IDWW-Methode.

Die Anzahl der an der Schätzung beteiligten Proben hatte einen direkten Einfluss auf die geschätzten Gehaltsabweichungen. Je mehr Stichproben an der Schätzung beteiligt sind, desto größer sind die Schätzabweichungen der IDW- und IDWW-Methoden. Die geschätzten Abweichungen von Li, Al und Fe wurden durch die Form der Gehaltsverteilung beeinflusst, während die anderen geschätzten Parameter unverändert blieben. Das Verteilungsmuster der räumlichen Gehaltsinformationen der Proben hatte einen erheblichen Einfluss auf die Ergebnisse der Gehaltsschätzung.

Die durch die IDW- und IDWW-Methoden geschätzten Gehalte zeigten einen deutlichen Glättungseffekt. Die IDWW-Methode bot erhebliche theoretische Vorteile, da sie die nachteiligen Auswirkungen ungleichmäßiger Stichprobenlängen auf die Schätzungen berücksichtigte. Mit der IDWW-Methode konnte der durch die Stichprobenkombination und den Schätzprozess verursachte Glättungseffekt wirksam reduziert werden. Darüber hinaus verbesserte die IDWW-Methode die Nutzungseffizienz der Originalproben.

Die Häufigkeit, mit der jede Erzprobe für die Gehaltsschätzung verwendet wurde, war nicht genau gleich. Daher stimmten die statistischen Ergebnisse der geschätzten Note und der Stichprobennote nicht vollständig überein. Es wurde spekuliert, dass es zu Abweichungen zwischen den Stichprobennoten und den geschätzten Noten kommen könnte. Diese Abweichungen waren nicht ausschließlich auf die Schätzmethode zurückzuführen. Die Studie zeigte auch, dass der räumliche Ort der Probenentnahme und die räumliche Form des Erzkörpers Faktoren waren, die die Schätzung des Erzgehalts beeinflussten. Unbestreitbar sind noch viel systematischere Untersuchungen erforderlich, um den Einfluss des räumlichen Ortes der Probenentnahme und der räumlichen Form des Erzkörpers auf die Schätzung des Erzgehalts zu analysieren, was in Zukunft weiterverfolgt wird.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel und seinen ergänzenden Informationsdateien enthalten.

Battalgazy, N. & Madani, N. Kategorisierung von Mineralressourcen basierend auf verschiedenen geostatistischen Simulationsalgorithmen: Eine Fallstudie aus einer Eisenerzlagerstätte. Nat. Ressource. Res. 28(4), 1329–1351 (2019).

Artikel CAS Google Scholar

Philip, GM & David, W. Eine präzise Methode zur Bestimmung konturierter Oberflächen. APPEA J. 22, 205–212. https://doi.org/10.1071/AJ81016 (1982).

Artikel Google Scholar

Gyebuni, R., Ansah, KO & Mireku-Gyimah, D. Ein geoökonomisches Planungs- und Bewertungsmodell für den handwerklichen Goldabbau in kleinem Maßstab in Ghana. Ghana Min. J. 22(1), 15–28 (2022).

Artikel Google Scholar

Zeren, CI & Sevik, H. Untersuchung des Zusammenhangs zwischen bioklimatischem Komfort und Landnutzung mithilfe von GIS- und RS-Techniken in Trabzon. Umgebung. Überwachen. Bewerten. 192(2), 71. https://doi.org/10.1007/s10661-019-8029-4 (2020).

Artikel CAS Google Scholar

Élyse, CB et al. Dichte und Nähe zu hydraulischen Fracking-Bohrlöchern und Geburtsergebnisse im Nordosten von British Columbia, Kanada. J. Ausstellungen. Wissenschaft. Umgebung. Epidemiol. 31, 53–61. https://doi.org/10.1038/s41370-020-0245-z (2021).

Artikel Google Scholar

Balaji, L., Muthukannan, M. & Kanniga, DR Eine GIS-basierte Studie zu Luft- und Wasserqualitätstrends in der Stadt Madurai, Indien. Nat. Umgebung. Umweltverschmutzung. Technol. 21(1), 21–32. https://doi.org/10.46488/NEPT.2022.v21i01.003 (2022).

Artikel CAS Google Scholar

Enyoh, CE, Enyoh, EC & Ohiagu, FO Bewertung einiger Grundwasserquellen in Ota, Bundesstaat Ogun, Südwestnigeria. Weltnachrichten Nat. Wissenschaft. 36, 99–113 (2021).

CAS Google Scholar

Choi, DS, Lee, YJ & Ko, MJ Nutzung und Verifizierung der Interpolationstechnologie mit inverser Distanzgewichtung (IDW) zur Vorhersage der Sonneneinstrahlung von Photovoltaikanlagen. KIEAE J. 22(1), 5–12. https://doi.org/10.12813/kieae.2022.22.1.005 (2022).

Artikel Google Scholar

Hammam, AA & Mohamed, ES Kartierung des Bodensalzgehalts im östlichen Nildelta unter Verwendung verschiedener methodischer Ansätze zur Bewertung des Salzgehalts. Ägypten. J. Remote Sens. Space Sci. 23(2), 125–131. https://doi.org/10.1016/j.ejrs.2018.11.002 (2020).

Artikel Google Scholar

Azpurua, M. & Dos, RK Ein Vergleich räumlicher Interpolationsmethoden zur Schätzung der durchschnittlichen elektromagnetischen Feldstärke. Fortschritt Elektromagn. Res. 14, 135–145. https://doi.org/10.2528/PIERM10083103 (2010).

Artikel Google Scholar

Salim, D. Schätzung fehlender Niederschlagsdaten mithilfe tiefer neuronaler Netze mit langem Kurzzeitgedächtnis. J. Ecol. Ing. 23(5), 216–225. https://doi.org/10.12911/22998993/147322 (2022).

Artikel Google Scholar

Kiani, B. et al. Zusammenhang zwischen Schwermetallen und Darmkrebs: Eine ökologische Studie basierend auf geografischen Informationssystemen im Nordosten des Iran. BMC Cancer 121(1), 414. https://doi.org/10.1186/s12885-021-08148-1 (2021).

Artikel CAS Google Scholar

Margarit, MN et al. Untersuchung der Grundwasserspiegelverteilung mithilfe der Interpolation von Bohrloch-Piezometerdaten: Fallstudie aus Singapur. Ing. Geol. 271, 105590. https://doi.org/10.1016/j.enggeo.2020.105590 (2020).

Artikel Google Scholar

Yanto, AA et al. Identifizierung erdrutschgefährdeter Gebiete mithilfe von IDW- und Ordinary-Kriging-Interpolationstechniken aus der Tiefe von hartem Boden im mittleren Westen von Zentral-Java, Indonesien. Nat. Gefahren 110, 1405–1416. https://doi.org/10.1007/s11069-021-04982-5 (2022).

Artikel Google Scholar

Qiao, P. et al. Vergleich von gewöhnlichem Kriging und umgekehrter Distanzgewichtung für Boden als Verschmutzung in Peking. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 25(16), 15597–15608. https://doi.org/10.1007/s11356-018-1552-y (2018).

Artikel CAS Google Scholar

Yang, W. et al. Verwendung von Hauptkomponentenanalyse und IDW-Interpolation zur Bestimmung räumlicher und zeitlicher Änderungen der Oberflächenwasserqualität des Xin'anjiang-Flusses in Huangshan, China. Int. J. Umgebung. Res. Public Health 17(8), 2942. https://doi.org/10.3390/ijerph17082942 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Ivšinović, J. & Malvić, T. Vergleich der Kartierungseffizienz für kleine Datensätze unter Verwendung der inversen Distanzgewichtung gegenüber dem gleitenden Durchschnitt, miozänes Kohlenwasserstoffreservoir in Nordkroatien. Geologija 65(1), 47–57. https://doi.org/10.5474/geologija.2022.003 (2022).

Artikel Google Scholar

Reinhardt, K. & Samimi, C. Vergleich verschiedener Winddaten-Interpolationsmethoden für eine Region mit komplexem Gelände in Zentralasien. Aufstieg. Dynam. 51, 3635–3652. https://doi.org/10.1007/s00382-018-4101-y (2018).

Artikel ADS Google Scholar

Satyanaga, A., Lim, A. & Gofar, N. Interpolationsmethode zur räumlichen Verteilung des Tongehalts im Restboden. Indonesien. Geotechnik. J. 1(1), 15–24. https://doi.org/10.56144/igj.v1i1.5 (2022).

Artikel Google Scholar

Chutsagulprom, N. et al. Räumliche Interpolationsmethoden zur Schätzung der monatlichen Niederschlagsverteilung in Thailand. Theor. Appl. Klimatol. 148, 317–328. https://doi.org/10.1007/s00704-022-03927-7 (2022).

Artikel ADS Google Scholar

Rezaei, A. et al. 3D-Blockmodellierung und Reservenschätzung der C-North-Eisen-Skarn-Erzlagerstätte, Sangan, Nordost-Iran. Globus. J. Earth Sci. Deu 6, 23–37 (2019).

Artikel Google Scholar

He S, 2022 IEEE 10. Gemeinsame Internationale Konferenz für Informationstechnologie und Künstliche Intelligenz (ITAIC), 2022: 838–841. doi: https://doi.org/10.1109/ITAIC54216.2022.9836465.

Ren, Z. & Wang, L. Genaue Echtzeit-Lokalisierungsschätzung in unterirdischen Minenumgebungen basierend auf einer Distanz-Gewichts-Karte (DWM). Sensoren 22(4), 1463. https://doi.org/10.3390/s22041463 (2022).

Artikel ADS PubMed PubMed Central Google Scholar

Babak, O. & Deutsch, CV Statistischer Ansatz zur inversen Distanzinterpolation. Stoch. Umgebung. Res. Risikobewertung. 23, 543–553. https://doi.org/10.1007/s00477-008-0226-6 (2009).

Artikel MathSciNet Google Scholar

Di Piazza, A., Lo Conti, F., Noto, LV, Viola, F. & La Loggia, G. Vergleichende Analyse verschiedener Techniken zur räumlichen Interpolation von Niederschlagsdaten, um eine seriell vollständige monatliche Niederschlagszeitreihe für Sizilien zu erstellen, Italien. Int. J. Appl. Erdbeobachtung. Geoinform. 3(3), 396–408. https://doi.org/10.1016/j.jag.2011.01.005 (2011).

Artikel Google Scholar

Komal, S., Prashant, K., Gaurav, S. & Khare, M. Kartierung der räumlichen Verteilung von Feinstaub mithilfe von Kriging und Inverse Distance Weighting an Supersites der Megacity Delhi. Sustain Cities Soc. 54, 101997. https://doi.org/10.1016/j.scs.2019.101997 (2020).

Artikel Google Scholar

Xie, YF et al. Räumliche Verteilung der Schwermetallbelastung im Boden, geschätzt durch verschiedene Interpolationsmethoden: Genauigkeits- und Unsicherheitsanalyse. Chemosphere 82(3), 468–476 (2011).

Artikel ADS CAS PubMed Google Scholar

Chen, FW & Liu, CW Schätzung der räumlichen Niederschlagsverteilung mittels inverser Distanzgewichtung (IDW) in der Mitte Taiwans. Reiswasserumgebung. 10, 209–222. https://doi.org/10.1007/s10333-012-0319-1 (2021).

Artikel Google Scholar

Hadi, SJ & Tombul, M. Vergleich räumlicher Interpolationsmethoden von Niederschlag und Temperatur unter Verwendung mehrerer Integrationsperioden. J. Indian Soc. Remote Sens. 46, 1187–1199. https://doi.org/10.1007/s12524-018-0783-1 (2018).

Artikel Google Scholar

Liu, ZN, Song, YC, Meng, HD & Yu, XY Der Einfluss von Distanzgewichtung und Höhenverteilung auf die inverse distanzgewichtete Methode. J. Arid Land Resour. Umgebung. 32(12), 98–103. https://doi.org/10.13448/j.cnki.Jalre.2018.372 (2018).

Artikel Google Scholar

Tan, JB et al. Kopplung von Zufallswäldern und inverser Distanzgewichtung zur Generierung von Klimaoberflächen für Niederschlag und Temperatur mit mehreren Kovariaten. J. Hydrol. 598, 1–16. https://doi.org/10.1016/j.jhydrol.2021.126270 (2021).

Artikel Google Scholar

Ohlert, PL, Bach, M. & Breuer, L. Genauigkeitsbewertung der inversen Distanzgewichtungsinterpolation von Grundwasser-Nitratkonzentrationen in Bayern (Deutschland). Umgebung. Wissenschaft. Umweltverschmutzung. Res. https://doi.org/10.1007/s11356-022-22670-0 (2022).

Artikel Google Scholar

Meng YT, Cai SK, Yu RH, Xiong Z M. Verbesserung der inversen Distanzgewichtung auf regionaler Schwerkraftmodellierung basierend auf der Kleinste-Quadrate-Kollokation[C]. Internationale Konferenz für Statistik, Angewandte Mathematik und Informatik (CSAMCS 2021), 121632J (22. April 2022). doi: https://doi.org/10.1117/12.2627450.

Kim, DG et al. Eine Schätzmethode für Strahlungskontrast über die inverse Distanzgewichtung. J. Mech. Wissenschaft. Technol. 29, 2529–2533. https://doi.org/10.1007/s12206-015-0549-4 (2015).

Artikel Google Scholar

Ryu, S. et al. Räumliche Interpolation der mit dem Messgerät gemessenen Niederschlagsmenge mittels komprimierter Abtastung. Asien-Pazifik. J. Atmos. Wissenschaft. 57, 331–345. https://doi.org/10.1007/s13143-020-00200-7 (2021).

Artikel ADS Google Scholar

Cheng, QM Multifraktale und geostatistische Methoden zur Charakterisierung lokaler Struktur- und Singularitätseigenschaften geochemischer Explorationsanomalien. Erdwissenschaft. 26(2), 161–166 (2001).

MathSciNet Google Scholar

Lima, A. et al. Multifraktale IDW-Interpolation und fraktale Filtermethode in Umweltstudien: Eine Anwendung auf regionale Flusssedimente der Region Kampanien (Italien). Appl. Geochem. 18(12), 1853–1865. https://doi.org/10.1016/S0883-2927(03)00083-0 (2003).

Artikel ADS CAS Google Scholar

Zuo, RG Identifizierung geochemischer Anomalien im Zusammenhang mit der Cu- und Pb-Zn-Skarnmineralisierung mithilfe von Hauptkomponentenanalyse und Spektrum-Flächen-Fraktalmodellierung im Gangdes-Gürtel, Tibet (China). J. Geochem. Entdecken. 111(2), 13–22. https://doi.org/10.1016/j.gexplo.2011.06.012 (2011).

Artikel CAS Google Scholar

Ian, AN & Ross, WW Räumliche Interpolation klimatischer Normalen: Test einer neuen Methode im kanadischen Borealwald. Landwirtschaft. Für. Meteorol. 92(4), 211–225. https://doi.org/10.1016/S0168-1923(98)00102-6 (1998).

Artikel Google Scholar

Ongarbayev, L. & Madani, N. Anisotrope inverse Distanzgewichtungsmethode (IDW): Eine innovative Technik zur Ressourcenmodellierung von erzgangartigen Lagerstätten. J. Min. Umgebung. https://doi.org/10.2044/jme.2022.12253.2227 (2022).

Artikel Google Scholar

Liu, ZN et al. Der Einfluss der Distanzgewichtung auf die inverse distanzgewichtete Methode zur Erzgehaltsschätzung. Wissenschaft. Rep. 11, 2689. https://doi.org/10.1038/s41598-021-82227-y (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Choi, K. & Chong, K. Modifizierte inverse Distanzgewichtungsinterpolation zur Feinstaubschätzung und -kartierung. Atmosphäre 13, 846. https://doi.org/10.3390/atmos13050846 (2022).

Artikel ADS Google Scholar

Massarelli, C., Campanale, C. & Uricchio, VF Benutzerdefinierte Methodik zur Verbesserung der Geodateninterpolation auf regionaler Ebene mit Open-Source-Software. Wissen 2(1), 88–102. https://doi.org/10.3390/knowledge2010005 (2022).

Artikel Google Scholar

Adek, T. Inverse Distanzinterpolation zur Verwendung im Finite-Volumen-Löser für unstrukturierte Netze. J. Appl. Ing. Wissenschaft. 20(2), 597–601. https://doi.org/10.5937/jaes0-34022 (2022).

Artikel Google Scholar

Maleika, W. Optimierung der inversen Distanzgewichtungsmethode im Prozess der Erstellung digitaler Geländemodelle auf der Grundlage von Daten, die von einem Mehrstrahl-Echolot gesammelt wurden. Appl. Geomat. 12, 397–407. https://doi.org/10.1007/s12518-020-00307-6 (2020).

Artikel Google Scholar

Beshr, A. & Kaloop, M. Verwendung der modifizierten inversen Distanzgewichtung und Hauptkomponentenanalyse zur räumlichen Interpolation der Fundamentsetzung basierend auf geodätischen Beobachtungen. Öffnen Sie Geosci. 14(1), 1310–1323. https://doi.org/10.1515/geo-2022-0402 (2022).

Artikel Google Scholar

Mohit, A., Abdu, M. & Towhiduzzaman, M. Eine Studie zur lokalen Wettersynthese durch die angepasste inverse abstandsgewichtete (AIDW) Interpolation. EUR. J. Appl. Physik. 4(5), 10–15. https://doi.org/10.24018/ejphysics (2022).

Artikel Google Scholar

Bemporad, A. Aktives Lernen für Regression durch inverse Distanzgewichtung. Arxiv 10, 1–26. https://doi.org/10.48550/arXiv.2204.07177 (2022).

Artikel Google Scholar

Abuntori, CA, Al-Hassan, S. & Mireku-Gyimah, D. Bewertung von Methoden zur Schätzung des Erzgehalts für strukturell kontrollierte Erzganglagerstätten – eine Übersicht[J]. Ghana Min. J. 21(1), 31–44 (2021).

Artikel Google Scholar

Qu, H. et al. Modellierung geologischer Merkmale und Reservenschätzung von Uranvorkommen basierend auf mehreren Interpolationsmethoden. Prozesse 10(1), 67–83 (2021).

Artikel Google Scholar

Drumond, DA et al. Ein Diagramm zur Beurteilung des optimalen Probenabstands zur Schätzung des Erzgehalts: Teil II. Nat. Ressource. Res. 29, 551–560 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wird vom Ph.D. unterstützt. Research Startup Foundation (Grant No. BSJ2021003) des Anyang Institute of Technology. Die Autoren danken dem Anyang City Science and Technology Plan Project (Grant No. 2021C01SF050) für die freundliche Unterstützung. Die Autoren würdigen auch die wichtigsten wissenschaftlichen Forschungsprojekte von Hochschulen und Universitäten in der Provinz Henan (Zuschuss Nr. 23B440004). Die Autoren danken auch Hong-Li Fan für seine ersten Vorschläge und Inspirationen. Wir möchten MogoEdit (https://www.mogoedit.com) für die englische Bearbeitung während der Erstellung dieses Manuskripts danken.

Anyang Institute of Technology, Anyang, Henan, Volksrepublik China

Zhan-Ning Liu, Yang-Yang Deng, Rui Tian und Peng-Wei Zhang

AnYang University, Anyang, Henan, Volksrepublik China

Yang-Yang Deng

Harbin Center for Integrated Natural Resources Survey, China Geological Survey, Harbin, Heilongjiang, Volksrepublik China

Zhan-Hui Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Z.-NL hat das Experiment entworfen und durchgeführt und die Arbeit geschrieben, RT, Z.-HL haben die Daten und Bilder verarbeitet, Y.-YD und P.-WZ haben die Arbeit überarbeitet.

Korrespondenz mit Yang-Yang Deng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Liu, ZN., Deng, YY., Tian, ​​R. et al. Eine neue Methode zur Schätzung des Erzgehalts basierend auf der Gewichtung der Probenlänge. Sci Rep 13, 6208 (2023). https://doi.org/10.1038/s41598-023-33509-0

Zitat herunterladen

Eingegangen: 24. Oktober 2022

Angenommen: 13. April 2023

Veröffentlicht: 17. April 2023

DOI: https://doi.org/10.1038/s41598-023-33509-0

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.