4. 去簇处理的核心概念与原则

矿体样品组合样在空间上往往呈现“局部密集、整体稀疏”的分布特征：钻孔密集区、穿脉采样段、刻槽样连续段会形成高密度样簇，而勘探线之间、深部与边部则样品稀少。若直接把所有样品等权平均，密集区会以数量优势主导统计结果，使品位估计偏向高密度采样区，产生所谓“数据簇偏倚”。去簇处理（declustering）的本质，就是为每个样品赋予一个反映其空间代表性的权重，使统计量从“样品平均”转变为“空间平均”。

三个基本概念：权重、支撑体与无偏性

样品权重是去簇的核心输出。设样品 i 的品位为 z_i，去簇权重为 w_i，则去簇均值写作：

m* = Σ(w_i · z_i) / Σ(w_i)

等权平均（未去簇）：w_i = 1，m = Σz_i / n
典型去簇权重：w_i ∝ 1 / N_i
其中 N_i 为样品 i 邻域内的样品数（或所在单元的代表面积/体积）

权重满足 Σw_i = 1 时，m* 即为加权平均。密集区样品因 N_i 大而权重小，稀疏区样品权重大，从而把“样品数”还原为“空间面积或体积”。

支撑体（support）指一个样品或估计值所代表的体积尺度。刻槽样可能代表 0.1 m×0.05 m×1 m 的条带，组合样代表数米长的岩芯段，块体估计值则代表采矿单元。支撑体不同，品位的均值与方差都不同：支撑体越大，品位变异被平均得越多，方差越小。去簇时必须明确“权重对应的是哪个支撑体”，否则会出现权重与估计目标尺度不匹配的问题。

无偏性要求去簇后的统计量在期望意义上等于总体真值，即 E(m*) = μ。等权平均在样品分布与矿体空间分布不一致时是有偏的；去簇权重的作用正是消除这种由采样密度差异引入的系统偏差。需要注意，无偏性针对的是“空间代表性”，并不自动保证低方差——权重设计不当会放大稀疏区个别高品位样品的影响，使估计方差上升。

去簇的目标与约束条件

去簇的目标可以概括为三条：其一，使统计量的空间代表性均衡，消除采样密度偏倚；其二，在消除偏倚的同时控制方差，避免权重过度集中；其三，保持与后续估计方法（如克里金、距离反比）在支撑体和权重口径上的一致。约束条件同样明确：权重必须非负；权重之和归一；权重应随局部样品密度单调递减；在样品近似均匀分布时，去簇结果应退化为等权平均，即方法本身不应引入新的偏差。

实际执行中，常用做法是先划分空间单元（如规则网格、Voronoi 多边形或移动窗口），统计每个单元或窗口内的样品数 N_i，再取 w_i = 1/N_i 并归一化。以某铁矿床示例（数据为教学假设）为例：A 区网格内 40 个样品、平均品位 32.0%，B 区 10 个样品、平均品位 26.0%，C 区 5 个样品、平均品位 22.0%。等权平均为 (40×32+10×26+5×22)/55 ≈ 29.6%；按单元数去簇后，三区权重约为 0.10、0.40、0.50，去簇均值约为 0.10×32+0.40×26+0.50×22 = 24.2%。两者相差 5.4 个百分点，说明密集高品位区确实把等权均值抬高了，去簇结果更接近空间真实水平。

不同去簇策略的适用场景对比

单元计数法实现简单、可复现，适合样品分布相对规则、能自然划分网格的矿区，但网格尺寸的选择会直接影响结果，网格过大则去簇不足，过小则权重噪声大。Voronoi 多边形法以每个样品的影响面积作为权重依据，对不规则采样和复杂边界更稳健，但计算量较大，且对边界外推敏感。移动窗口法以窗口内样品数的倒数赋权，适合连续刻槽样、岩芯样这类“一段多样”的情形，窗口半径需与矿体变异尺度匹配。地质域约束法则先按矿化域、岩性域或氧化带划分，再在域内分别去簇，适用于品位突变明显、跨域混合会严重失真的矿床，但要求地质解译可靠，否则域界误差会转化为权重误差。

选择策略时可按以下判断顺序推进：先看样品是否成段连续（是则优先移动窗口法）；再看是否存在明显地质域界（有则先分域再去簇）；再看采样是否规则可网格化（是则单元计数法足够）；最后在边界复杂、样品稀疏且不规则时采用 Voronoi 法。无论采用哪种方法，都应做一次“均匀化检验”：把去簇权重代回，检查去簇均值与等权均值的差异是否与采样密度分布一致，并确认权重没有过度集中在少数样品上。

最后需要强调，去簇处理只是统计层面的空间代表性校正，它不改变样品本身的支撑体，也不替代变异函数结构分析与克里金估计。去簇权重应与后续估计所用的支撑体口径保持一致：若后续估计针对的是采矿单元块体，则去簇时的空间单元尺度应接近块体尺度，避免“统计用一套尺度、估计用另一套尺度”的口径错配。