3. 估值误差的构成与度量

在样点搜索半径确定之后，估值结果与真实品位之间的差异并不是一个单一的量，而是由若干性质不同的误差分量叠加而成。若不能把这些分量拆开理解，就会出现“交叉验证指标看起来不错，但采选计划仍然偏差很大”的困惑。本节把估值误差拆成四类可度量的对象：克里金估计方差、条件偏差、平滑效应引起的方差压缩，以及交叉验证得到的 MAE、RMSE、ME 等误差指标，并说明各自的定义、计算方式与适用边界。

一、估计方差：模型自报的“理论不确定度”

普通克里金在给出估值 Z*(x₀) 的同时，给出估计方差 σ_K²(x₀)。它由变异函数模型与样点几何构型共同决定，本质上是克里金方程组解出的拉格朗日乘子，与实测值本身无关。因此它回答的是“在当前变异函数和样点布局下，这个位置的估值理论上应有多大的离散程度”，而不是“这次估值实际错了多少”。

一个必须记住的性质是：克里金估计方差只依赖数据构型，不依赖数据数值。同一位置若把样点品位整体放大十倍，σ_K² 完全不变。这既是它的优点（可在未采样区预先计算、用于采样设计优化），也是它的局限（无法反映局部品位真实波动幅度）。在搜索半径分析中，σ_K² 随半径增大而减小的速率，正是判断“扩大半径还能不能带来信息增益”的直接依据。

二、条件偏差：估值对真实值的系统性偏离

条件偏差指在给定样点条件下，估值与真实值之差的期望不为零的那一部分。理想的无偏克里金要求 E[Z*−Z]=0，但在实际中偏差常来自三处：一是变异函数模型选择不当，例如块金效应被低估导致近距离样点权重过高；二是搜索半径内样点数量过少或分布单侧化，形成外推；三是数据存在趋势而使用了普通克里金，未去除漂移。条件偏差是系统性误差，不能靠增加样点数消除，只能通过模型诊断识别。

识别条件偏差最直接的手段是条件偏差检验：把估值与真实值之差按估值分位数分组，检查各组的平均偏差是否显著偏离零。若高品位段的平均偏差持续为负（估值偏低），说明模型对高值响应不足，通常与平滑效应叠加出现。

三、平滑效应：估值方差被压缩

克里金是线性加权平均，估值必然是若干样点值的凸组合，因此估值分布的方差恒小于真实品位分布的方差。这种方差压缩称为平滑效应。其后果是：高品位被系统性压低、低品位被系统性抬高，矿体边界被“抹平”，储量中的高品位吨位被低估、低品位吨位被高估。

平滑效应可用估值方差与真实方差的比值来度量，也可通过“品位—吨位曲线”对比估值模型与真实模型的差异来观察。搜索半径越大，参与加权的样点越多、权重越分散，平滑效应越强。这正是半径不能一味放大的核心原因之一：半径增大虽降低 σ_K²，却同时加剧平滑，二者存在权衡。

四、交叉验证误差指标：MAE、RMSE、ME

交叉验证通过“留一法”或“k 折法”把每个样点轮流作为待估点，用其余样点估值，再与实测值比较，得到一组残差 e_i=Z*_i−Z_i。基于残差可计算三个核心指标：

• ME（平均误差）：ME = (1/n)Σe_i，度量系统性偏差的方向与大小。ME 接近零说明整体无偏；显著为正表示估值整体偏高，为负表示偏低。它对条件偏差最敏感。
• MAE（平均绝对误差）：MAE = (1/n)Σ|e_i|，度量误差的平均幅度，量纲与品位一致，直观易解释，对异常值不如 RMSE 敏感。
• RMSE（均方根误差）：RMSE = √[(1/n)Σe_i²]，对大误差给予平方惩罚，因而对局部严重错估更敏感，是评价估值精度的常用主指标。

三者应联合判读：ME 看偏不偏，MAE 与 RMSE 看准不准，RMSE 与 MAE 的比值看误差分布的尾部厚度。若 RMSE 明显大于 MAE（例如比值超过 1.3），说明存在少数大残差，需回查这些点是否位于搜索半径边缘或样点稀疏区。

五、指标适用场景与联合判读

估计方差适合用于采样设计、搜索半径敏感性分析和未采样区的风险分级，因为它不依赖已采数值，可在估值前计算。条件偏差检验适合在模型建立后、正式估值前作为质量门，用于发现系统性偏离。平滑效应评估适合在储量估算与采选计划衔接阶段使用，重点看高品位段的吨位是否被系统性低估。交叉验证指标则适合在参数调优阶段横向比较不同搜索半径、不同变异函数模型的表现。

需要强调的是，交叉验证指标本身也受平滑效应影响：留一法估值同样会压低高值、抬高值，因此 RMSE 往往低估了真实生产中的误差。一个常见的做法是把交叉验证残差与克里金估计方差对比，若残差均方明显大于平均 σ_K²，说明模型低估了不确定度，通常意味着变异函数块金偏小或搜索半径过大导致样点被过度平均。

六、一个可复算的示例

假设某铁矿体在某一搜索半径下做留一法交叉验证，共 8 个样点，残差（估值减实测，品位单位 %TFe）为：+0.8、−1.2、+0.3、−0.5、+2.1、−0.4、+0.6、−1.7。按定义计算：

ME   = (0.8-1.2+0.3-0.5+2.1-0.4+0.6-1.7)/8 = 0.0/8 = 0.00
MAE  = (0.8+1.2+0.3+0.5+2.1+0.4+0.6+1.7)/8 = 7.6/8 = 0.95
RMSE = sqrt((0.64+1.44+0.09+0.25+4.41+0.16+0.36+2.89)/8)
     = sqrt(10.24/8) = sqrt(1.28) ≈ 1.13
RMSE/MAE ≈ 1.19

该结果显示整体无偏（ME=0），平均绝对误差约 0.95 %TFe，均方根误差约 1.13 %TFe，比值 1.19 未超过 1.3，尾部大残差尚不突出。但 +2.1 这一点明显偏大，应回查其是否位于搜索半径边缘、半径内样点是否少于最小样点数。若把半径缩小后该点残差下降而其余点 RMSE 上升，则说明该位置处于“半径过大被过度平滑”与“半径过小样点不足”的临界带，需要结合矿体连续性确定折中半径。以上数值为教学示例，用于演示计算流程，不代表任何实际矿山结果。

把四类误差分量与三类交叉验证指标放在同一判读框架下，搜索半径的选择就不再是单一指标的优化问题，而是在理论不确定度、系统偏差、平滑程度与实际残差之间寻找可解释的平衡点。