Cours - 2 - Diapo - Géostatistique

COURS DE GEOSTATISTIQUE
MINIERE
REALISE PAR
OKAINGNI JEAN CLAUDE
Enseignant-Chercheur
DEPARTEMENT STeRMi/ INP-HB
1
PLAN
CHIII: VARIOGRAMME
CHIV: ESTIMATION LOCALE
2
OBJECTIFS:
• Faire une analyse structurale ou analyse

variographique d’un phénomène spatialisé
(minéralisation);
• Faire une cartographie et des estimations

d’un paramètre spatialisé;
3
CHIII: VARIOGRAMME
Objectif:
Déterminer la structure de la variabilité spatiale du
phénomène étudié;
Il s’agit spécifiquement de se prononcer sur:
- la continuité et la régularité;
- l’anisotropie;
- la distance d’influence et la zone d’influence d’un point;
- la variabilité à différentes échelles;
- l’estimation en un point, une surface ou un volume;
- etc.
4
I- Définition et Propriétés
1- Définition
Le variogramme est un outil (analytique ou graphique) qui permet d’évaluer
la dissemblance des valeurs de deux points en fonction du vecteur h les
séparant (module et direction).
Il est noté 2γ(h) et défini ci-dessous par :
2γ(h) = Var [Z(x) – Z(x+h)]= E{[Z(x+h)-Z(x)]2}
où Z(x) est la notation en variable aléatoire de la variable régionalisée

z(x)
Dans la pratique, l’on utilise le demi-variogramme γ(h), qui est appelé, par
abus, variogramme.
5
2- Propriétés
• Le variogramme est positif ou nul : ;
• Il s’annule à l’origine : ;
• Il est pair : ;
d’où son étude sur la partie positive :  h ≥ 0;
• Supposons le phénomène stationnaire.

Alors
.
6
2- Propriétés
C(0)
C(h)
h
Figure : Relation graphique du variogramme et de la fonction covariance sous une
hypothèse de stationnarité d’ordre deux
NB: il existe deux types de variogramme :

• avec palier (stationnaire)
• sans palier (non stationnaire) 7
II- Détermination du variogramme
expérimental
1- suivant un layon
V(x1) V(x2) V(x3) V(xi)

d V(xn)
L1
x1 x2 x3 xi xn
On a une approximation d’une intégrale par une somme discrète:
N (λd) : nombre de couples de points séparés par la distance h = λd et λ = 1,…, n -1

8
expérimental
Exercice d’application:
1 2 0 0 1 0 (10) 0 1 2 3
L1 x 10 mx x x x x x x x x
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
Déterminer le variogramme expérimental
9
expérimental
Résultats
λ(10) 0,55 2,5

λ(20) 1
2
λ(30) 1,07
λ(40) 1,25 1,5
λ(50) 1,4
1
λ(60) 1,875
0,5
λ(70) 1,5
λ(80) 0,5 0
λ(90) 2 0 20 40 60 80 100
10
expérimental
2- suivant plusieurs layons de même direction
Considérons n layons parallèles L1, L2, …, Ln.
Outre la méthode précédente, une estimation du variogramme
expérimental pour cette direction est donnée par l’expression suivante :
Cas n= 2
11
expérimental
Exercice d’application
1 2 0 0 1 0 0 1 2 3
L1: x x x x x x x x x x
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
1 0 0 2 2 0 1 3 0 1
L2: x x 10 m x x x x x x x x
p1 p2 p3 p4 p5 p6 p7 p8 p9 p10
Déterminer le variogramme expérimental pour cette direction par les deux

méthodes.
12
expérimental
Résultats
Méthode 1 Méthode 2
H(m) γ H(m) γ
10 0,89 10 0,89
20 1,38 20 1,38
30 0,79 30 0,79
40 0,96 40 0,96
50 1,50 50 1,50
60 1,56 60 1,56
70 1,17 70 1,17
80 0,50 80 0,50
90 1,00 90 1,00
13
expérimental
Remarques:
Grille régulière:
• • • • •
• • • • •
• • • • •
• • • • •
• • • • •
• • • • •
On trace au moins les quatre variogrammes expérimentaux correspondant
au quatre directions principales du maillage comme ci-dessus en faisant très
attention aux différences d’intervalles.
14
expérimental
Remarques:
• • • • •
• • • • •
• • • • •
• • • • •
• • • • •
• • • • •
On utilise une tolérance d’angle et/ou de distance sur les différentes directions
considérées afin de prendre en compte tous les points de mesure.
15
expérimental
Remarques:
Généralement:
- les directions sont 0o, 45o, 90o, 135o par rapport à la ligne de
référence;
- la tolérance d’angle utilisée est +-22,5o ;
- la tolérance de distance est +- d/2, avec d le pas de mesure pour la

direction considérée.
Toutefois, ces paramètres sont laissés à l’appréciation de l’opérateur

d’étude, qui pourra en modifier si besoin est.
16
expérimental
Remarques:
17
III- Analyse structurale
1- Comportement au voisinage de l’origine de γ(h)
Il nous renseigne sur la régularité et la continuité du phénomène.
Quatre types de comportements au voisinage de l’origine peuvent être distingués:
a) b)
γ(h) γ(h)
h h
Le comportement parabolique: Le comportement linéaire:

phénomène continu et très régulier phénomène continu et moins ou pas
régulier
18
1- Comportement au voisinage de l’origine de γ(h)

c) d)
γ(h) γ(h)
C’0
C0
h
Le comportement effet de pépite: Le comportement effet de pépite pur

Phénomène discontinu Régionalisation chaotique: absence
totale de structuration spatiale
19
Remarques:
- L’effet de pépite peut être dû à plusieurs facteurs :
*les erreurs de mesure;
*l’absence naturelle de structuration spatiale;
*la variabilité à l’échelle microscopique qui n’est pas
détectable en raison de la distance entre les échantillons.
- Dans un cas d’effet de pépite pur, il y a une non corrélation
entre deux points distincts quelconques et alors la
géostatistique retrouve tous les résultats de la statistique
classique.
20
Relation entre variogramme et variable régionalisée
21
2- Comportement aux grandes distances de γ(h)
Plus les points sont éloignés, plus les valeurs en ces points ont des chances d’être
différentes.
Ainsi, en général, au-delà d’une certaine distance, il arrive que les échantillons
prélevés ne manifestent plus de corrélation parce qu’étant trop éloignés les uns des
autres. Dans ce cas, le variogramme adopte une tendance à croître vers une limite C
finie appelée « palier ».
γ(h)
h
a
La distance h correspondant au seuil de non corrélation (d’indépendance) des valeurs
des échantillons est appelé « portée » et noté a.
Ce paramètre, pour une direction indiquée, donne une mesure de la distance
d’influence d’un point. Une représentation de la portée en fonction de la direction
permet d’avoir la rose des portées. 22
3- Isotropie – Anisotropie
Un phénomène est dit isotrope lorsque sa continuité spatiale est la même pour
toutes les directions. Ainsi, les variogrammes associés aux différentes directions
de l’espace sont identiques. Dans ce cas la rose des portées donne un cercle.
-a a
-a
23
3- Isotropie – Anisotropie
Un phénomène sera dit anisotrope lorsque le variogramme n’est pas le même
dans toutes les directions (au moins une direction).
Exemples de structures anisotropes:
- un gisement présentant une forme lenticulaire : l’on peut avoir une meilleure
continuité selon l’allongement principal des lentilles.
- un gisement sédimentaire stratiforme : l’on a une meilleure continuité

parallèlement aux strates que perpendiculairement.
- dans un placer, l’on a une meilleure continuité le long des paléo-chenaux que
perpendiculairement.
- pour la contamination des hydrocarbures, on pourrait observer une

meilleure continuité horizontalement que verticalement en raison de la gravité.
24
Dans la nature, il existe une très grande variété d’anisotropie.
En géostatistique, l’on ne peut modéliser aisément que les
anisotropies géométriques.
Caractéristiques de l’anisotropie géométrique

- Les variogrammes observés dans toutes les directions possèdent
des paliers et des composantes pépitiques identiques, mais de portées
différentes.
- Les portées maximale (amax) et minimale (amin) s’observent suivant

deux directions orthogonales.
25
Variogrammes d’anisotropie géométrique
γ(h)
C+C0
a1
C0
a3
h a2
a1 a3 a2
26
Rose des portées a2
a3
a1 a1
a3
a2 27
Ainsi, la rose des portées s’identifie à une ellipse dont l’axe

majeur est orienté parallèlement à (amax).
- On calcule le facteur ou coefficient d’anisotropie k= amax / amin.
- Si 1 ≤ k ≤ 2 alors le phénomène peut être considéré comme
isotrope.
- Si k >2 alors le cas d’anisotropie est à considérer et toute
estimation d’une valeur d’un point ou d’un bloc par les
données disponibles doit tenir compte des directions
générées par celles-ci.
- Bien souvent le seuil de validation du coefficient d’anisotropie
k est laissé à l’appréciation du technicien.
28
Dans le cas d’adoption d’une isotropie, l’on peut rendre les portées
identiques à amax suivant toutes les directions en multipliant la
composante de la portée parallèle à amin par le coefficient
d’anisotropie k.
On obtient ainsi un variogramme isotrope avec une portée amax comme
suit :
où θ est l’angle mesuré par rapport à la direction où est rencontré amax

hθ est la distance réelle et hmax la distance corrigée suivant la directionθ
γ est le variogramme générateur de l’anisotropie 29
Exercice d’application
Un gisement en dimension 2 (2D) est modélisé par un modèle avec
anisotropie géométrique. Le modèle est sphérique avec C=17%2 et un
effet de pépite C0=13%2 et les portées sont de 100 m dans la direction
(convention trigonométrique) de plus grande continuité (30o) et 60 m
dans la direction de plus petite continuité (120o).
Quelle est la valeur du variogramme entre deux observations situées
aux cordonnées (x1,y1)=(10 , 30) et (x2,y2)=(40 ,20).
30
Résultats
Θ = 48,4⁰
Hmax = 44,65 m
On calcule enfin la valeur du variogramme en utilisant l’équation du

sphérique pour la distance 44,65 m et la portée de 100 m:
γ θ (hmax)= 13%2+17%2*[1,5*(44,65/100)-0,5*(44,65/100)3]=23,63%2
31
4- Structure gigogne
On entend par une structure gigogne, une superposition de
variogrammes de portées différentes
γ(h) γ(h)
γ(h)
C0 + C
C0 C
h
h h
Effet de pépite pur Sphérique Sphérique généralisé
32
IV- Calage d’un variogramme
1- Définition
Faire un calage d’un variogramme expérimental, c’est trouver un
modèle théorique de variogramme qui s’apparente au mieux à celui-ci.
Le choix de ce modèle est lié à plusieurs facteurs dont les principaux

sont :
- le comportement à l’origine ;
- l’existence ou non de palier ;
- l’existence d’isotropie ou d’anisotropie.
33
2- Stratégie de calage
34
3 - Exemples de modèles théoriques de variogramme
- Effet de pépite « pur »:
- Puissance: (b = 1, linéaire)
- Exponentielle:
- Gaussien:
- Sphérique:
35
4- Test de qualité d’un modèle de variogramme : la validation croisée
Principe:
Le principe de la validation croisée est d’éliminer à tour de rôle chaque
observation xi et de l’estimer à l’aide des autres observations (ou de ses
voisins) par krigeage, sans réestimer le modèle de variogramme.
En chaque point, on obtient donc une valeur vraie et une valeur estimée
que l’on peut comparer pour déterminer si le modèle fournit des

estimations se comportant comme prévu et si le voisinage utilisé est
adéquat. 36
Procédure:
- on calcule l’erreur d’estimation (différence entre la valeur estimée et la
valeur vraie) en chaque point de donnée;
- on la compare à l’écart type d’estimation donné par le krigeage (censé
quantifier la précision de l’estimation).
Cette procédure permet de tester le modèle théorique de variogramme et

de détecter les données pour lesquelles le modèle est inapproprié, à savoir
celles qui auront été mal estimées. Elle est également utile pour définir, de
manière adéquate, la recherche des données à utiliser pour l’estimation
locale (travail en voisinage glissant).
37
Autres procédures:
On construit :
- le nuage de corrélation entre les valeurs mesurées Zi (i=1…n) et les valeurs
estimées Z*i (i=1…n) aux points xi(i=1…n);
- l’histogramme des erreurs standardisées : ni= ei/i avec ei= Zi- Z*i et i2 est
la variance de krigeage pour le point xi.
Une estimation en un point sera jugée bonne si l’erreur standardisée est
située dans un intervalle [-α,α] (α>0 et choisi arbitrairement); la donnée
correspondante est qualifiée de robuste.
Un modèle de variogramme sera d’autant plus crédible que l’histogramme des

erreurs standardisées est resserré et centré sur zéro et que le nuage de
corrélation entre les valeurs mesurées et estimées est proche de la première
bissectrice.
38
Remarque :
Tous ces critères permettent de comparer la qualité de différents
ajustements possibles. Toutefois, il est bien évident que l’ensemble de
ces critères ne pourront être satisfaits simultanément par un seul
modèle. Améliorer un critère risque d’en détériorer un autre.
39
5 - Schéma de Mathéron
Le schéma de Mathéron est un variogramme gigogne résultant de la
superposition de deux variogrammes élémentaires que sont le
variogramme effet de pépite pur et le variogramme sphérique.
Il se définit comme suit :
Le calage d’un variogramme expérimental par un schéma de Mathéron

nécessite la connaissance de la portée (a), de la constante de pépite
(C0) et du palier (C + C0).
40
- Une bonne estimation du palier est donnée par la variance des données
utilisées pour réaliser le variogramme entier ou à défaut de cela, utiliser la
moyenne des valeurs du variogramme ( qui tendent à se stabiliser).
- La constante de pépite est estimée à partir de la droite d’ajustement passant

par les premiers points (en particulier les deux premiers points du
variogramme). Cette droite coupe l‘axe des ordonnées en un point qui
représente C0.
- L’abscisse du point d’intersection de la droite du palier (C + C0) et celle ayant

servi à déterminer C0 représente 2/3 de la portée (2/3 de a). Ainsi, la portée a
est déduite de cette relation.
41
Représentation graphique du schéma de Mathéron 42

γ(h)
C+C0
C0
h
2/3 a
Représentation graphique du schéma de Mathéron

43
6 – Exemples de calage
44
45
46
Exercice
Des puits réalisés sur une grille régulière ont permis d’avoir le
tableau ci-après :
h (m) 20 40 60 80 100 120 140 160 180 200
γe 0,64 0,98 1 1,1 1,15 1,05 1,02 1,07 1 1,08
1- Tracer le variogramme associé à ces données.

2- Déterminer le schéma de Mathéron ajustant ce variogramme .
47
Résultats
γ(h)
1,4
1,2
0,8
γe
0,6 C + C0
0,4
0,2
0
0 20 40 60 80 100 120 140 160 180 200
h(m)
σ Moyenne Variance (C+Co) Co 2/3 a a
1,0247 1,009 1,050 0,32 45 67,5

48
49
V - Variances
1- Variance de dispersion
- Variance de dispersion d’un point x dans un bloc V
On appelle variance de dispersion d’un point x dans un bloc V, lavariance

moyenne théorique donnée par l’ensemble des points existants dans le
bloc V. Elle est définie par:
Remarque:
Cette variance correspond à la valeur moyenne du variogramme quand
x et y décrivent indépendamment le bloc V. 50
V - Variances
2 - Variance de dispersion
- Variance de dispersion d’un petit bloc v dans un bloc V

S
vi
Vj Vj+1
51
V - Variances
2 - Variance de dispersion
- Variance de dispersion d’un petit bloc v dans un bloc V

On peut alors vouloir déterminer l’importance de la variation de vi(i=1,…,n) dans
Vj, en moyenne pour l’ensemble des Vj(j=1,…,m). C’est ce que l’on appelle la
variance de dispersion du petit bloc v dans le bloc V et est définie par l’expression
suivante :
52
V - Variances
Remarques :
- Si v  v’ V alors : Formule ou Relation Krige ;
- Si v 0 alors 2(v/V) 2(x/V) ;
- Si v V alors 2(v/V) 0;
- Si V ∞ alors 2(v/V) v 2 : variance de bloc dans un domaine infini;
- v 2 = 2 - avec 2 : la variance à priori.
53
V - Variances
3- Variance d’estimation et variance d’extension
- Variance d’estimation
Soit une variable aléatoire Zv sur le bloc V que l’on veut estimer par
un autre bloc v, d’une façon ou d’une autre, en formant une
combinaison linéaire des valeurs observées en différents endroits.
On pose :
Z*v =  iZi : estimateur de Zv
où Zi : valeur observée au point xi (i=1,…,n)
On définit l’erreur d’estimation par e = Zv - Z*v
La variance de cette erreur est appelée la variance d’estimation :
Var(e)= var(Zv)+Var(Z*v )-2Cov(Zv,Z*v )
En substituant Z*v par son expression, en fonction des Zi, on btient :
e2= Var(Zv)+ijCov(Zi,Zj)-2 iCov(Zi,Zv) 54

V - Variances
3- Variance d’estimation et variance d’extension
- Variance d’extension
C’est la variance d’estimation obtenue lorsque v  V.
Par exemple lorsqu’on étend la valeur d’un point à un segment ou
une surface ou un volume ; la valeur d’un segment à une surface ou
un volume ; la valeur d’une surface à un volume, etc.
55
V - Variances
4-Abaques
56
V - Variances
4-Abaques
57
V - Variances
4-Abaques
58
V - Variances
4-Abaques
59
V - Variances
4-Abaques
60
V - Variances
4-Abaques
61
V - Variances
4-Abaques
62
V - Variances
4-Abaques
63
V - Variances
4-Abaques
64
V - Variances
4-Abaques
65
CHIV: KRIGEAGE
Objectifs:
- Faire une estimation locale ponctuelle ;
- Faire une estimation de bloc.
66
I- Définition et Caractéristiques
1- Définition:
Le krigeage est une méthode d’estimation linéaire, de la valeur d’un site ou d’un bloc
à partir des valeurs observées sur les sites avoisinants, en prenant en compte leur
Configuration géométrique et la structure spatiale de la régionalisation.
2- Caractéristiques
Le krigeage fournit un estimateur:
- sans biais (espérance mathématique nulle E(T* - T) = 0);
- de variance minimale (Var(T* - T) minimale).
Sa précision dépend de plusieurs facteurs :
- du nombre d’échantillons et de la qualité des données aux points de

prélèvement;
- de la position des échantillons dans l’espace d’étude ou dans la minéralisation;
-la distance entre les échantillons et le point ou le bloc dont on veut estimer la
valeur;
- la continuité spatiale.
67
II-Voisinage de krigeage
1- Définition
On définit le voisinage de krigeage comme le domaine de l’espace qui contient le
support de la grandeur à estimer et les données utilisées dans l’estimation.
2- Typologie du voisinage
- voisinage unique: l’ensemble des points de données de l’espace d’étude.
Remarques:
un krigeage en voisinage unique n’est pas adapté:
- lorsque l’hypothèse stationnaire ou intrinsèque n’est vérifié que localement
(quasi stionnarité);
- lorsque les données sont très nombreuses, il est inutile de toutes
les conserver pour une estimation locale: risque d’augmentation notable du temps
de calcul. Il est alors nécessaire de réduire la taille du voisinage de krigeage.
68
2- Typologie du voisinage
- voisinage glissant: l’ensemble du point (ou du bloc) à estimer et les points voisins
considérés du site à estimer.
Paramètres de détermination:
- la taille: le nombre de points du voisinage;

On teste plusieurs tailles de voisinage par la méthode de la validation croisée et
on retient celle qui donne les résultats les plus satisfaisants;
Remarque:
Le facteur à considérer dans le choix de la taille du voisinage est davantage la
densité de l’échantillonnage que la portée du variogramme (ou de la fonction
covariance).
69
- la forme: la configuration géométrique du voisinage.
La définition de la forme du voisinage doit, dans la mesure du possible, tenir
compte de l’anisotropie de la variable révélée par l’analyse variographique.
Ainsi, dans le cas d’une anisotropie géométrique, on prend un voisinage en

forme d’ellipse (ou d’ellipsoïde) dont les caractéristiques (orientation et
excentricité) sont identiques à celles de l’ellipse (ou de l’ellipsoïde) d’anisotropie.
Souvent, l’on divise cette ellipse en plusieurs secteurs, en général des quadrants
ou des octants, dans chacun desquels on recherche un nombre fixé de données,
afin de mieux répartir autour du point ou du bloc à estimer l’information que l’on
va conserver (figure ci après).
70
Exemple de voisinage elliptique divisé en octants
71
Remarques:
En cas d’anisotropie plus complexe que l’anisotropie
géométrique, on conserve souvent un voisinage en forme
d’ellipse (ou d’ellipsoïde), bien que l’on devrait idéalement
choisir une forme plus sophistiquée (par exemple, un
voisinage en forme de bande si l’on affaire à une anisotropie
zonale pure).
Il faut donc chercher une ellipse qui se rapproche au mieux
des courbes d’isovaleurs du modèle variographique, qui
indiquent le niveau de corrélation, ou d’information, en
fonction de la distance géographique.
72
III-Equations de Krigeage
1- Krigeage Ordinaire (KO) (moyenne inconnue)
L’estimation du point (ou du bloc) se définit comme ci après:
avec :
λi : les pondérateurs ou coefficients de pondérations
Ti : la teneur au point xi
Conditions :
- E(T* - T) = 0
- Var(T* -T) minimale
73
Les équations du krigeage ordinaire d’un bloc V sont:
avec µ : multiplicateur de Lagrange
Variance de Krigeage :
74
Variance de Krigeage :
Cette variance de krigeage ne dépend pas des valeurs observées, elle

ne dépend que du variogramme et de la conﬁguration des points
servant à l’estimation par rapport au point (ou bloc) à estimer.
75
Posons
L’écriture matricielle du krigeage ordinaire d’un bloc V est:
76
L’estimation de la moyenne se définit comme ci après:
Les équations du Krigeage ordinaire sont:
Variance de Krigeage:
77
2 - Krigeage Simple (KS) (moyenne connue)
L’estimation du point (ou du bloc) se définit comme ci après:
avec m: moyenne du paramètre sur l’espace d’étude
Les équations du krigeage Simple d’un bloc V sont:
Variance de Krigeage: 78
Exercice
Une campagne de prospection a été menée en adoptant une grille
régulière de maille 200m*200m. Des prélèvements ont été effectués aux
nœuds des différentes mailles pour la détermination des valeurs.
Après une analyse variographique, la variable régionalisée des teneurs a
été prouvée stationnaire, avec un variogramme sphérique, isotrope, de
palier 2 et de portée 250 m.
L’on désire connaître la valeur moyenne du bloc hachuré 200m*200m au
moyen de cinq échantillons comme le montre la figure ci-dessous.
1- Ecrire les équations de krigeage.
2- Déterminer la variance d’estimation associée à cette configuration.
3- Donner l’expression de la valeur moyenne estimée du bloc.
79
Grille de prospection
80
Exercice :
Estimation d’un point par n points en présence d’un variogramme effet
de pépite pur .
• Krigeage ordinaire :
• Krigeage simple :
=
81
IV- Estimation globale
Si l’on a beaucoup d’observations et qu’on désire estimer une
moyenne pour un volume important, le calcul de la variance
d’estimation utilisant la formule théorique peut devenir
laborieux. Il existe toutefois un principe qui permet de
simplifier les calculs tout en conservant une bonne précision
sur le calcul de la variance d’estimation.
Ce principe est celui des extensions élémentaires. Il consiste à
décomposer une estimation donnée en une série d’estimations
élémentaires approximativement indépendantes et pour
lesquelles la variance d’estimation est facilement calculable.
82
1- Estimation de la moyenne d’un champ à partir d’un
échantillonnage régulier
Vi xi
• • • •
• • • •
• • • •
• • • •
• • • •
On découpe le domaine en blocs Vi(i=1,..n) tous identiques à un
même bloc de référence, et l’on échantillonne le point central xi de
chacun de ces blocs.
83
- L’estimé est Z* =
- Pour chaque extension à un bloc, on commet une erreur dont la

variance est la variance d’extension du centre à son bloc Vi : ;
- La variance d’estimation globale est la variance d’une somme de

n erreurs élémentaires indépendantes qui vaut:
84
2- Estimation de la moyenne d’un champ à partir d’un échantillonnage

aléatoire mais à densité uniforme (échantillonnage aléatoire stratifié).
• • •
•
VI x•i • • •
• • •
•
• • • •
• • • •
On découpe le domaine en blocs Vi(i=1,..n) tous identiques à un même bloc
de référence, et l’on échantillonne un point quelconque xi de chacun de ces
blocs. 85
- L’estimé est Z* =
- Pour un bloc, on commet une erreur dont la variance est la

variance de dispersion d’un point xi dans son bloc Vi : D2(x/v);
- La variance d’estimation globale est la variance d’une somme de

n erreurs élémentaires indépendantes qui vaut:
86
échantillonnage quelconque
On applique la méthode décrite ci-dessus (IV-2), sur des sous

domaines vi (i=1..n) où l’hypothèse de répartition aléatoire
stratifiée est raisonnable. On calcule alors les variances
d’estimation pour chaque sous domaine vi. Pour l’ensemble du
champ V, l’estimé est obtenu en combinant, selon des poids
proportionnels aux volumes des sous domaines, les différents
estimés obtenus.
87
échantillonnage quelconque
- l’estimé est: Zg* = ; avec
- La variance d’estimation est:
car chaque erreur est considérée indépendante des autres.
: la variance d’estimation du domaine vi.

88

Cours - 2 - Diapo - Géostatistique

Transféré par

Droits d'auteur :

Formats disponibles

Cours - 2 - Diapo - Géostatistique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours - 2 - Diapo - Géostatistique

Transféré par

Droits d'auteur :

Formats disponibles

COURS DE GEOSTATISTIQUE

CHIV: ESTIMATION LOCALE

• Faire une analyse structurale ou analyse

• Faire une cartographie et des estimations

Il s’agit spécifiquement de se prononcer sur:

Il est noté 2γ(h) et défini ci-dessous par :

2γ(h) = Var [Z(x) – Z(x+h)]= E{[Z(x+h)-Z(x)]2}

où Z(x) est la notation en variable aléatoire de la variable régionalisée

• Supposons le phénomène stationnaire.

NB: il existe deux types de variogramme :

V(x1) V(x2) V(x3) V(xi)

On a une approximation d’une intégrale par une somme discrète:

N (λd) : nombre de couples de points séparés par la distance h = λd et λ = 1,…, n -1

Déterminer le variogramme expérimental

λ(10) 0,55 2,5

Déterminer le variogramme expérimental pour cette direction par les deux

- la tolérance d’angle utilisée est +-22,5o ;

- la tolérance de distance est +- d/2, avec d le pas de mesure pour la

Toutefois, ces paramètres sont laissés à l’appréciation de l’opérateur

Le comportement parabolique: Le comportement linéaire:

1- Comportement au voisinage de l’origine de γ(h)

Le comportement effet de pépite: Le comportement effet de pépite pur

Relation entre variogramme et variable régionalisée

Exemples de structures anisotropes:

- un gisement sédimentaire stratiforme : l’on a une meilleure continuité

- pour la contamination des hydrocarbures, on pourrait observer une

Caractéristiques de l’anisotropie géométrique

- Les portées maximale (amax) et minimale (amin) s’observent suivant

Variogrammes d’anisotropie géométrique

Ainsi, la rose des portées s’identifie à une ellipse dont l’axe

où θ est l’angle mesuré par rapport à la direction où est rencontré amax

On calcule enfin la valeur du variogramme en utilisant l’équation du

Effet de pépite pur Sphérique Sphérique généralisé

Le choix de ce modèle est lié à plusieurs facteurs dont les principaux

3 - Exemples de modèles théoriques de variogramme

- Effet de pépite « pur »:

observation xi et de l’estimer à l’aide des autres observations (ou de ses

voisins) par krigeage, sans réestimer le modèle de variogramme.

que l’on peut comparer pour déterminer si le modèle fournit des

Cette procédure permet de tester le modèle théorique de variogramme et

Un modèle de variogramme sera d’autant plus crédible que l’histogramme des

4- Test de qualité d’un modèle de variogramme : la validation croisée

Le calage d’un variogramme expérimental par un schéma de Mathéron

- La constante de pépite est estimée à partir de la droite d’ajustement passant

- L’abscisse du point d’intersection de la droite du palier (C + C0) et celle ayant

Représentation graphique du schéma de Mathéron 42

Représentation graphique du schéma de Mathéron

h (m) 20 40 60 80 100 120 140 160 180 200

γe 0,64 0,98 1 1,1 1,15 1,05 1,02 1,07 1 1,08

1- Tracer le variogramme associé à ces données.

σ Moyenne Variance (C+Co) Co 2/3 a a

1,0247 1,009 1,050 0,32 45 67,5

- Variance de dispersion d’un point x dans un bloc V

On appelle variance de dispersion d’un point x dans un bloc V, lavariance

- Variance de dispersion d’un petit bloc v dans un bloc V

- Variance de dispersion d’un petit bloc v dans un bloc V

- Si v  v’ V alors : Formule ou Relation Krige ;

- Si v 0 alors 2(v/V) 2(x/V) ;

- Si V ∞ alors 2(v/V) v 2 : variance de bloc dans un domaine infini;