Académique Documents
Professionnel Documents
Culture Documents
Multivariable
Hans WACKERNAGEL
Publication C146
4e Edition: Mars 1993
(daprs [96])
Prface
Nous avons rassembl dans ce document des notes du cours de Gostatistique
Multivariable dispens dans le cadre du D.E.A. au Centre de Gostatistique de
lEcole des Mines de Paris.
Le premier Chapitre numre quelques rsultats du calcul matriciel (sans
dmonstrations), ce qui permet ensuite, dans les chapitres suivants, une prsentation acclre de trois mthodes de lAnalyse des Donnes, importantes
pour la Gostatistique, savoir: lanalyse en composantes principales, lanalyse canonique et lanalyse des correspondances.
Le cinquime Chapitre donne des dfinitions lmentaires du variogramme et de la fonction de covariance, prcise la notion de variogramme
gigogne et prsente trois modles de rgionalisation particuliers donnant lieu
des structures gigognes. Le sixime Chapitre examine le krigeage des composantes de la variation spatiale dfinies par les modles linaires de rgionalisation.
Le septime Chapitre prsente une premire mthode gostatistique multivariable, qui consiste introduire dans le systme de krigeage, sous la forme
de drives externes, des variables connues sur tout le domaine spatial. Le huitime Chapitre parle du filtrage dune drive temporelle dans le cas de donnes spatio-temporelles.
Le neuvime Chapitre tudie la fonction de covariance croise dune paire
de variables, le variogramme crois, ainsi que la relation entre ces deux fonctions structurales. Le dixime Chapitre expose la thorie du cokrigeage en
liaison avec les notions disotopie/htrotopie, de corrlation intrinsque et
dautokrigeabilit.
Le onzime et dernier Chapitre est consacr au modle linaire de corgionalisation et lanalyse krigeante multivariable, qui permettent de pratiquer
lAnalyse des Donnes dans un contexte spatial.
Ce document est destin voluer au fil du temps: toutes remarques, commentaires et critiques sont bienvenues !
Note
Ce document a servi de point de dpart la rdaction du livre Multivariate
Geostatistics paru chez Springer-Verlag, Berlin, 256p, ISBN 3-540-60127-9.
ii
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
2
2
2
2
3
3
3
3
4
4
5
5
5
6
6
6
7
8
9
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
12
13
14
Analyse Canonique
Etude des facteurs de deux groupes de variables . . . . . . . . . . . .
Intermde:dcomposition en valeurs singulires . . . . . . . . . . . .
16
16
17
iii
.
.
.
.
.
.
.
.
.
.
.
.
Maximisation de la corrlation . . . . . . . . . . . . . . . . . . . . . .
17
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
19
20
20
20
21
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
22
22
23
23
24
24
25
26
27
28
29
29
29
.
.
.
.
30
30
31
32
33
.
.
.
.
.
38
38
38
39
40
41
Drive temporelle
Drive spatiale et temporelle . . . . . . . . . . . . . . . . . . . . . . . .
Filtrage de la variation temporelle . . . . . . . . . . . . . . . . . . . .
49
49
49
Covariance Croise
Fonction de covariance croise . . . . . . . . . . . . . . . . . . . . . . .
Effet de retard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
51
51
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Variogramme crois . . .
Reprsentation spectrale
Densit spectrale . . . .
Dphasage . . . . . . . .
Corrlation intrinsque .
10
11
Cokrigeage
Isotopie et htrotopie
Cokrigeage ordinaire .
Cokrigeage simple . .
Autokrigeabilit . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
52
53
55
56
56
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
58
58
60
61
Analyse Krigeante
Modle linaire de corgionalisation . . . . . . . . . . .
Ajustement bivariable de variogrammes exprimentaux
Ajustement multivariable . . . . . . . . . . . . . . . . .
Analyse de corgionalisation . . . . . . . . . . . . . . .
Cokrigeage de facteurs . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
63
64
64
65
68
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
69
Rfrences
Mots-clefs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
75
76
Ce bref rappel consiste en lnonc des principaux concepts du calcul matriciel, parsem de quelques exercices et exemples. Pour un expos plus dtaill, on pourra consulter avec profit le livre de S TRANG [94].
Echantillons
(lignes)
z1;1
B ..
B .
B
B z;1
B .
@ ..
V ariables
(colonnes)
1
: : : z1;i : : : z1;N
..
.
z;i
..
.
.. C
. C
z;N C
C
.. C
. A
= [zi ] = Z
A = [aij ]
avec des indices
i = 1; : : : ;n
j = 1; : : : ;m
On parle dune matrice dordre nm pour dsigner une matrice de n lignes
et m colonnes.
Un vecteur (par convention: un vecteur colonne) de dimension n est une
matrice dordre n 1, cest--dire une matrice ne possdant quune seule co-
lonne.
Un scalaire est un nombre (si lon veut: une matrice dordre 1 1).
1
Du point de vue des notations, les matrices seront dsignes par des majuscules en caractres gras et les vecteurs par des minuscules en caractres
gras.
Addition
Deux matrices de mme ordre peuvent tre additionnes
i et j .
A = A = [ aij ]
Cela revient multiplier tous les lments aij par le scalaire .
A B =
(nm) (ml)
"
m
X
j =1
(nl)
o i = 1; : : : ;n et k = 1; : : : ;l.
Le produit BA de ces mmes matrices nest possible que si n est gal l et
le rsultat est une matrice dordre m m.
Transposition
La transpose A> dune matrice A dordre n m est obtenue en inversant
la squence des indices, de sorte que les lignes de A deviennent les colonnes
de A>
> = [a ]
A
ji
(mn)
A = [aij ];
(nm)
La transpose du produit de deux matrices est gal au produit des transposes en squence inverse
1 >
Z1
n
et
1 >
11 Z
n
Matrice carre
Une matrice carre a autant de lignes que de colonnes.
Matrice diagonale
Une matrice diagonale D est une matrice carre dont les seuls lments
non nuls se trouvent sur la diagonale
0
d11 0 0
@
D = 0 ... 0 A
0 0 dnn
En particulier, il y a la matrice identit
0
1 0 0
I = @ 0 ... 0 A
0 0 1
qui, multipliant droite ou gauche une matrice de mme ordre, ne la modifie
pas
AI = IA = A
Matrice orthogonale
Une matrice A carre est orthogonale, si elle vrifie
A> A = A A> = I
Matrice symtrique
Une matrice carre A est symtrique, si elle est gale sa transpose
A = A>
3
E XEMPLE 1.3 Un exemple de matrice symtrique est la matrice de variancecovariance V, contenant les variances sur la diagonale et les covariances en
dehors de celle-ci
1
n
o M est la matrice rectangulaire n m des moyennes (solution de lexercice
V = [ij ] = (Z M)> (Z M)
1.2), dont tous les lments de chaque colonne sont gaux la moyenne de la
variable correspondant cette colonne.
R = [ij ] = D 1 V D
R des
D 1 =
B
@
p111
0
0
...
p1NN
C
A
Indpendance linaire
Un ensemble de vecteurs fa1 ; : : : ;am g est linairement indpendant, si il
nexiste pas densemble non trivial de scalaires fx1 ; : : : ;xm g, tel que
m
X
j =1
a j xj = 0
A est
R(A>) = fy : y = Axg
R(A) = fx : x = y>Ag
et
Matrice inverse
Une matrice A carre n n est singulire, si rang(A) < n, et non singulire,
si rang(A) = n.
Si A est non singulire (inversible), il existe une matrice inverse A 1 tel
que
AA 1 = A 1A = I
Linverse Q 1 dune matrice orthogonale Q est sa transpose Q> .
jAj
= det(A) =
n
Y
i=1
aiki
o la somme porte sur lensemble des permutations (k1 ; : : : ;kn ) des entiers
(1; : : : ;n) et o N (k1 ; : : : ;kn ) est le nombres de transpositions de deux entiers
ncessaires pour passer de lensemble de dpart (1; : : : ;n) la permutation
(k1 ; : : : ;kn ) de cet ensemble.
Dans le cas dune matrice 2 2 on a la formule bien connue
A = ac db ;
det(A) = a d b c
Trace
La trace dune matrice carre
diagonaux
tr(A) =
n
X
i=1
aii
Valeurs propres
Soit A une matrice carre n n. Lquation caractristique
j I A j
= 0
tr(A) =
p=1
p
det(A) =
n
Y
p=1
p
Vecteurs propres
Soit A une matrice carre et une valeur propre de A. Il existe des vecteurs
x et y, diffrents du vecteur nul 0, satisfaisant
y> ( I A) = 0
( I A)x = 0;
cest--dire
y> A = y>
A x = x;
Les vecteurs x sont les vecteurs propres des colonnes de A et les y sont les
vecteurs propres des lignes de A.
Lorsque A est symtrique, il ny a pas lieu de distinguer entre des vecteurs
propres de colonnes et de lignes.
E XERCISE 1.5 Montrer que les valeurs propres du carr dune matrice A symtrique, A2 = AA, sont gales au carr des valeurs propres de A. Et que
tout vecteur propre de A est un vecteur propre de A2 .
x> Ax > 0
6
De mme,
x> Ax
telle que
D EUXIME C RITRE :
A est semi-dfinie positive, ssi toutes les valeurs propres p
A =
0.
T ROISIME C RITRE :
A est semi-dfinie positive, ssi tous les mineurs principaux sont non ngatifs.
Un mineur principal est le dterminant dune sous-matrice principale
A. Une sous-matrice principale est obtenue en biffant k colonnes (k =
0;1; : : : ;n 1) et les lignes correspondantes les croisant sur les lments diagonaux. La combinatoire des mineurs principaux vrifier rend ce critre peu
intressant dans les applications avec n > 3.
de
S=
cnn 1
1 0
AQ = Q
avec
7
Q> Q = I
o est la matrice diagonale des valeurs propres et Q est la matrice orthogonale des vecteurs propres.
Etant donn que Q> = Q 1 , on aboutit une dcomposition de la matrice
symtrique A,
A = Q Q>
(n m)
Q1
( n n)
( n m)
Q>2
( m m)
o Q1 et Q2 sont des matrices orthogonales et o est une matrice rectangulaire avec r valeurs positives p sur la diagonale ( savoir lensemble des
lments dindices gaux) et des zros ailleurs. Par exemple, dans le cas o
n > m et r = m, la matrice a la structure suivante
0
1 0 0 1
B 0 ... 0 C
B
C
B 0
C
0
r
B
C
=B
C
0
0
0
B
C
@ ..
..
.
.. A
.
p =
p
AXA
XAX
(A X)>
(X A)>
=
=
=
=
A
X
AX
XA
A+ = Q2 + Q>1
La matrice
structure
1 1 0 0 0 : : : 0
..
.
0 0 ::: 0C
+ = B
@ 0
A =
0 0 r 1 0 : : : 0
1 1=2 0
0
0 ::: 0
...
B
0
0 ::: 0C
@ 0
A
0
0 r 1=2 0 : : : 0
a a
a a
w1
w2
= bb
On a
)
)
det(C) = 0
tr(C) = 2c
2 = 0
1 = 2 c
Q=
p1
2
1
p
2
p1
2
p1
2
w = A+ b = Q + Q> b =
pb !
2c
b
p
2c
b
2a
b
2a
En considrant des donnes de moyenne nulle, on a en fin de compte lestimation par krigeage simple
z ? (x
b
0) =
a
z1 (x1 ) + z2 (x1 )
2
10
Transformation en facteurs
Le problme de base que rsoud lanalyse en composantes principales est
de transformer un jeu de variables corrles en des variables non corrles,
qui, dans un contexte idal (Gaussien) pourraient tre interprtes comme des
facteurs indpendants sous-jacents au phnomne. Cest pourquoi ces quantits orthogonales seront appeles facteurs, bien que cette interprtation ne
soit pas toujours parfaitement adquate.
Z est la matrice n N des donnes centres et V est la matrice N N de
variance-covariance correspondante
1
n
V = [ij ] = Z> Z
Soit Y une matrice n N contenant dans ses lignes les n chantillons de
facteurs Yp (p = 1; : : : ;N ) non corrls et desprances nulles.
La matrice de variance-covariance des facteurs est videmment diagonale,
puisque les covariances entre les facteurs sont nulles par dfinition
0
d11 0
0
1 >
.
@
D = Y Y = 0 .. 0 A
n
0 0 dNN
et les lments diagonaux dpp sont les variances des facteurs.
On cherche une matrice A, orthogonale N N , qui transforme linairement
les variables mesures en facteurs synthtiques
Y = ZA
avec A> A = I
1
1 >
Y Y = Y> Z A
n
n
et en remplaant Y par ZA droite, il vient
1
1
1
(Z A)> (Z A) = A> Z> Z A = A> (Z> Z) A
n
n
n
11
En fin de compte,
D = A> V A
cest--dire
VA = AD
On voit immdiatement que la matrice Q de vecteurs propres orthonor-
ms offre une solution au problme, et que les valeurs propres p sont alors
tout simplement les variances des facteurs Yp . Lanalyse en composantes principales nest rien dautre quune interprtation statistique du problme de valeur propre
V Q = Q avec Q> Q = I
dfinissant des facteurs par
Y = ZQ
y1 = Za1
avec a>1 a1
=1
La variance de y1 vaut
1
1
var(y1 ) = y>1 y1 = a>1 Z> Za1 = a>1 Va1
n
n
Pour attribuer une part maximale de la variance des donnes y1 , on dfinit une fonction objectif 1 avec un paramtre de Lagrange 1 , qui multiplie
la condition de norme unit du vecteur a1
1 = a>1 Va1
1 (a>1 a1
1)
@1
=0
@ a1
()
2Va1
21 a1 = 0
Vq1 = 1 q1
12
2 = a>2 Va2
2 (a>2 a2
1) + a>2 a1
@2
=0
()
2Va2 22 a2 + a1 = 0
@ a2
Que vaut ? En multipliant lquation par a>1 gauche
|{z}
0
|{z}
1
on voit que est gal zro (la contrainte nest pas active) et ainsi
Va2 = 2 a2
A nouveau 2 savre tre une valeur propre de la matrice de variancecovariance et a2 un vecteur propre q2 correspondant.
En numrotant les valeurs propres de V, de la plus forte la plus faible,
on obtient une suite de N facteurs non corrls, qui assurent un redcoupage
optimal (au sens des moindres carrs) de la variance totale, puisque
tr(V) =
N
X
i=1
ii =
N
X
p=1
p
p
tr(V)
zei =
p
et
zi
p mi
ii
o mi
ii sont la moyenne et lcart-type de la variable zi .
La matrice de variance-covariance associe aux donnes standardises est
la matrice de corrlation
1
n
R = Ze> Ze
e
p >
e
e
Q
= A A>
corr(zei ;yp ) =
e qeip = aip
La longueur des vecteurs ai est gale lunit, et leur produit scalaire est
gal au coefficient de corrlation
a>i aj = ij
Du point de vue gomtrique les vecteurs ai peuvent tre utiliss pour
reprsenter la position des variables sur la surface de lhypersphre unit centre lorigine. Les coefficients de corrlation ij sont les cosinus des angles
entre deux vecteurs se rapportant des variables diffrentes.
La projection de la position des variables depuis la surface de lhypersphre dans des plans dfinis par des axes factoriels donne une reprsentation graphique, appele cercle des corrlations, qui montre leur proximit
lintrieur dun cercle unit centr lorigine. Ces reprsentations sont utiles
pour juger de laffinit ou de lantagonisme existant entre des variables. Ces
graphiques sont fiables, si les variables auquelles on sintresse sont situes
prs de la circonfrence du cercle. Sinon, il faut examiner plusieurs plans factoriels pour sassurer quune proximit constate sur un cercle correspond effectivement une proximit sur lhypersphre.
Dans le cas plus gnral de donnes non standardises, on peut galement
fabriquer des cercles de corrlation entre les variables et des paires de facteurs.
On multiplie la matrice V gauche et droite par la matrice diagonale des
inverses des carts-types
D 1 V D 1 = D
>
1 QQ D
1
14
= D 1 Q D 1 Q
>
corr(zi ;yp ) =
p
q
ii ip
1 e>
e =Q
e
e
Z Y = RQ
n
e> Q
e =I
avec Q
ip =
ep qeip
e ;Z
e = R = corr Z
e ;Y
corr Z
15
e ;Y
corr Z
>
Analyse Canonique
Z = [Z1 jZ2 ]
cest--dire, la matrice Z est forme par juxtaposition des colonnes dune matrice Z1 dordre n M et dune matrice Z2 dordre n L, avec N = M + L.
La matrice de variance-covariance V associe Z est subdivise en quatre
blocs
1
11 C12
V = [Z1 jZ2 ]> [Z1 jZ2 ] = V
C
n
21 V22
o les matrices V11 dordre M M et V22 dordre L L sont des matrices
de variance-covariance associes Z1 et Z2 . Les matrices de covariances C12
dordre M L et C21 dordre L M contiennent les covariances entre variables
de groupes diffrents
C>12 = C21
On cherche des couples de facteurs fup ;vp g
up = Z1 ap
et
v p = Z 2 bp
up ?uk
vp ?vk
pour p 6= k
et pour lesquels la corrlation corr(up ;vp ) est maximale. Cette corrlation (appele corrlation canonique) entre deux facteurs u et v est
a> Z>1 Zp2 b
corr(u;v) = p > >
a Z1 Z1 a b> Z>2 Z2 b
et
16
x = V11 a
y = V22 b
et
de sorte que
corr(u;v) = x>
"
p
V11
1
C12
p
V22
1#
{z
G
Pour le systme complet des vecteurs x et y on a
X> GY =
cest--dire la dcomposition en valeurs singulires
G = X Y>
o les corrlations canoniques , seuls lments non nuls de la matrice rectangulaire , se rvlent tre les valeurs singulires du tableau rectangulaire
G.
Maximisation de la corrlation
On cherche une paire de vecteurs de transformation
male la corrlation entre les facteurs fu;vg
= a> C12 b
1 >
(a V11 a 1)
2
1 0 >
(b V22 b 1)
2
@
=0
@a
@
=0
@b
()
C12 b V11 a = 0
()
C21 a 0 V22 b = 0
()
()
= a> C12 b
0 = b> C21 a
= 0 = corr(u;v)
C12 b = V11 a
C21 a = V22 b
on prmultiplie la premire quation par C21 V111
C21 V111 C12 b = C21 a
et
1
a = p V111 C12 b
et
1
b = p V221 C21 a
On a vu que lanalyse canonique tudie, en quelque sorte, les correspondances entre des facteurs de deux groupes de variables quantitatives. La
mme approche, applique deux variables qualitatives, qui reprsentent,
chacune delles, un groupe de catgories mutuellement exclusives, est connue
sous le nom vocateur danalyse des correspondances.
Tableau disjonctif
Une variable qualitative z est un systme de catgories (classes) mutuellement exclusives. Lappartenance dun chantillon z une catgorie Ci peut
tre reprsente numriquement laide dune fonction indicatrice
n
1Ci (z ) = 1 si z 2 Ci
0 sinon
La matrice indiquant les appartenances des n chantillons aux N catgories
de la variable qualitative est le tableau disjonctif H dordre n N
h
H = 1Ci (z )
F11 0
0
1 >
.
@
.
V= H H= 0
.
0 A
n
0 0 FNN
Tableau de contingence
Deux variables qualitatives mesures sur le mme ensemble dchantillons
sont reprsentes, respectivement, par un tableau H1 dordre n M et un
tableau H2 dordre n L.
19
Le produit des deux tableaux disjonctifs a pour lments les effectifs nij
dchantillons appartenant simultanment la catgorie i de la premire variable qualitative et la catgorie j de la deuxime variable. Les lments de ce
tableau, qui est le tableau de contingence dordre M L, peuvent tre diviss
par le nombre total n dchantillons, mesurant ainsi la proportion dchantillons se trouvant au croisement des catgories des deux variables
1
n
C>21 = C12 ;
'(Z1 ;Z2 ) =
1
X
p=0
p fp (Z1 ) gp (Z2 )
ainsi que des fonctions propres gales des polynmes dHermite p normaliss
p =
pHpp!
G(dZ1 ;dZ2 ) =
1
X
p=0
R EMARQUE 4.2 En gostatistique non linaire, on sintresse la loi bivariable de deux variables alatoires Z (x ) et Z (x ) situes en deux points x
et x dun domaine spatial. La dcomposition de cette loi bivariable donne
lieu, sous certaines hypothses, un modle isofactoriel. Les modles isofactoriels sont dune grande utilit pour la mise en oeuvre de ce qui sappelle,
non par hasard, le krigeage disjonctif.
En particulier, dans le cas du modle isofactoriel Gaussien, le coefficient
sera tout simplement gal la valeur (x x ) de la fonction de corrlation
pour la paire de points concerne.
E XERCISE 4.3 Quest-ce quun modle isofactoriel qualifi de discret?
21
Variogramme exprimental
Nous allons mesurer la variabilit diffrentes chelles dune variable rgionalise z (x) tout simplement en calculant une mesure de dissemblance
entre deux donnes z1 et z2 situes en deux points x1 et x2 dun domaine spatial. Cette dissemblance entre deux valeurs, dsigne par
? , vaudra
? =
(z2
z1 )2
? (h) =
2
1
z (x1 +h) z (x1 )
2
? (h)
nh
2
1 X
=
z (x +h) z (x )
2nh =1
Variogramme thorique
Le variogramme thorique
(h) est dfini par lhypothse intrinsque.
Lhypothse intrinsque est forme de deux conditions sur les accroissements
Z (x+h) Z (x) de la fonction alatoire:
La moyenne des accroissements est invariante pour toute translation du
vecteur h dans le domaine. Plus spcifiquement, la moyenne des accroissements est suppose nulle, quelle que soit la position de h dans le domaine.
La variance des accroissements admet une valeur finie en fonction de h
et indpendante de la position de h dans le domaine.
Cest--dire,
(
E [Z (x+h) Z (x)] = 0
pour tout x; x+h 2 D
var [Z (x+h) Z (x)] = 2
(h) pour tout x; x+h 2 D
23
1
(h) = E (Z (x+h)
2
Z (x))2
pour tout
x; x+h 2 D
Lexistence de lesprance des accroissements dune fonction alatoire intrinsque nimplique pas celle de lesprance de la fonction alatoire. Une
fonction alatoire intrinsque peut avoir une variance infinie, tout en ayant
une variance des accroissements finie pour tout vecteur h.
Fonction de covariance
La fonction de covariance C (h) est dfinie sur la base de lhypothse de stationnarit des deux premiers moments, moyenne et covariance, de la fonction
alatoire
(
E [Z (x)] = m
pour tout x 2 D
E [Z (x) Z (x+h)] m2 = C (h) pour tout x 2 D
(h) = C (0)
C (h)
Etant donn que lhypothse de stationnarit dordre deux est moins gnrale que lhypothse intrinsque, tout modle de variogramme ne peut pas
tre dduit dun modle de covariance.
E XEMPLE 5.1 Par exemple, le variogramme puissance
( h ) = b jh j
avec
0<<2
var
n
X
=0
Z (x ) =
n X
n
X
=0 =0
C (x x ) = l> C l 0
quels que soient les points x et les pondrateurs . Une fonction de covariance est donc une fonction de type positif.
Une fonction de covariance continue est dfinie par le thorme de Bochner comme tant la transforme de Fourier dune mesure positive.
var
n
X
=0
Z (x ) =
n X
n
X
=0 =0
(x x ) 0
si
n
X
=0
= 0
cest--dire
pour
n
X
=0
= 0
var
n
X
=0
Z (x )
= var
"
= var
=
Z (0)
n
X
=0
n
n
XX
=0 =0
n
X
+
=0
| {z }
0
n
X
=0
Z (x )
Z (x ) Z (0)
E
25
h
Z (x ) Z (0)
i
Z (x ) Z (0)
n X
n
X
=0 =0
CI (x ;x )
2
1
x ) = E Z (x ) Z (0) Z (x )+Z (0)
2
1
=
2
(x ) + 2
(x ) 2 CI (x ;x )
2
(x
de sorte que
CI (x ;x ) = (x ) + (x )
(x x )
var
=
n
X
n
X
=0
Z (x ) =
n
X
=0
=0
| {z }
0
(x ) +
n X
n
X
=0 =0
n
X
CI (x ;x )
n
X
=0
| {z } =0
0
(x )
n X
n
X
=0 =0
(x x )
(h) = b
C (h)
Cpep (h) =
b lorsque jhj = 0
0 lorsque jhj > 0
26
Csph (h) =
8
>
<b 1
>
:
3 jh j 1 jh j3
+
2 a 2 a3
pour 0 jhj a
pour jhj > a
Variogramme gigogne
On peut souvent distinguer plusieurs paliers de variation qui sont en rapport troit avec la morphologie de la variable rgionalise 1 .
Dfinissons dabord une fonction de corrlation (h), obtenue en normant
la fonction de covariance un palier unitaire
(h) =
C (h)
b
cest--dire
C (h) = b (h)
(h) =
S
X
u=0
u (h) =
S
X
u=0
bu gu (h)
(h) = b
S
X
u=0
Cu (h) = b
S
X
u=0
bu u (h)
S
X
u=0
bu = b
27
image SPOT sur une zone de 5 4 km2 , ajust avec un modle gigogne compos de trois structures sphriques de portes 60m, 240m et 920m (daprs
[50]).
29
Krigeage ordinaire
Le krigeage ordinaire est une opration qui est rpte en chaque noeud
C (x1 x1 ) : : : C (x1 xn ) 1 1 0 1
..
B
.
B
@ C (x
n
..
.. C B .. C B
. CB . C = B
..
.
x1 ) : : : C (xn xn ) 1 A @ n A
:::
C (x1 x0 ) 1
@ C (x
..
.
x0
C
C
)A
z ? (x0 )
n
X
=1
z (x )
x ) = C (x x0 )
pour = 1; : : : ;n
=1
La condition que les poids soient de somme unit exprime le fait que dans
le cas extrme o les donnes sont gales une constante dans un voisinage
donn, la valeur estime reproduira cette constante.
30
m?l (x0 )
n
X
=1
m Z (x )
Lestimateur doit tre non biais au sens que lon veut que lerreur destimation, cest--dire la diffrence entre la valeur estime m?l (x0 ) et la valeur
effective ml (x0 ), soit nulle en moyenne. Lesprance de lerreur est gale
h
n
hX
=1
m Z (x )
ml (x0 ) = ml (x0 )
n
X
=1
m
ml (x0 )
m = 1
= E
=
"
n
X
2
m Z (x )
ml (x0 )
m m C (x
x )
=1
n X
n
X
=1 =1
ml (x0 )
=
E2
2 m
n
X
=1
m
@
= 0
@m
()
n
X
=1
31
m C (x x )
2 m = 0
et selon m
@
= 0
@m
()
n
X
=1
m
1 =0
x ) m = 0
pour = 1; : : : ;n
=1
K2
n
X
=1
m
n
X
=1
m C (x x ) = m
{z
m
ZS? (x0 )
n
X
=1
S Z (x )
On obtient le non biais de lerreur destimation en utilisant des pondrateurs de somme unit
h
ZS? (x0 )
ZS (x0 )
= E
=
=
n
hX
=1
n
X
=1
n
X
=1
S Z (x )
h
S E
S
Z (x )
ZS (x0 )
i
n
X
S
=1
| {z }
1
ZS (x0 )
S 1 h
X
i
E Zu (x ) + E ZS (x ) ZS (x0 )
u=0 |
32
{z
0
{z
0
= 0
La variance destimation E2 scrit
ZS (x0 ))
S 1X
n
X
= E4
u=0 =1
S Zu (x ) +
n
X
=1
! 3
2
ZS (x0 ) 5
S ZS (x )
E2
S 1X
n X
n
X
S S C u (x x )
u=0 =1 =1
n X
n
X
=1 =1
S 1
X
u=0
S S S (x
S (x
x )
x0 ) + 2
n
X
=1
S S (x x0 )
C u (x0 x0 )
S (x0
x0 )
n X
n
X
=1 =1
S S (x
x ) + 2
n
X
=1
S S (x x0 )
x ) + S = S (x x0 )
pour = 1; : : : ;n
=1
Zu?0 (x0 ) =
X
=1
u0 Z (x )
Le non biais est obtenu sur la base dune somme des pondrateurs nulle
Zu?0 (x0 )
Zu0 (x0 )
= E
S n
XX
u=0 =1
33
u0 Zu (x )
Zu0 (x0 )
= E
S 1 n
XX
u=0 =1
n
X
=1
S 1X
n
X
u=0 =1
u0 Zu (x )
=1
{z
0
h
u0 E ZS (x )
|
C u0 (x
x0 )
n
X
u0
=1
| {z }
0
h
i
E Zu0 (x0 )
|
{z
}
0
i
{z
0
= 0
La variance destimation est
ZS (0)
u0 ZS (x )
u0 E Zu (x )
n
X
Zu0 (x0 )
ZS (0)
Zu0 (x0 )
n X
n
X
=1 =1
u0 u0 (x
x ) + 2
n
X
=1
u0 (x x0 )
x ) + u0 = u0 (x x0 )
pour = 1; : : : ;n
=0
Avec cette disposition spatiale le systme de krigeage ordinaire est quivalent un filtrage des composantes z0 (x) et z1 (x),
8 n
X
>
>
>
C (x
>
>
< =1
n
>
X
>
>
>
>
:
=1
x ) = C2 (x x0 )
=1
35
pour = 1; : : : ;n
x ) = C1 (x x0 ) + C2 (x x0 )
pour = 1; : : : ;n
=1
Dans ce dernier cas, le krigeage ordinaire ne filtrera rien du tout et restituera fidlement la donne mesure au point x = x0 : cest un interpolateur
exact !
Cette fidlit peut cependant tre indsirable lorsquil ny a que quelques
points de concidence, purement fortuits, entre une maille dchantillonnage
irrgulire et une maille destimation rgulire. Pour viter des sauts abrupts
des valeurs estimes en ces quelques points, certains programmes de krigeage
vocation cartographique (tel Bluepack) proposeront de filtrer systmatiquement la composante ppitique z0 (x).
E XERCISE 6.3 On dit quil y a interpolation exacte, si lestimation en un point
de donne restitue la valeur de la donne. Montrer que le krigeage ordinaire
(ponctuel) est un interpolateur exact.
E XERCISE 6.4 Z (x) est une FA stationnaire dordre 2 desprance nulle, scinde en deux composantes non corrles desprance nulle, selon le modle de
rgionalisation
estimer les composantes de courte et de longue porte, en utilisant un voisinage constitu de toutes les donnes.
Quelle relation peut-on tablir entre les pondrateurs P et G
des deux
composantes en chaque point du voisinage de krigeage?
E XERCISE 6.5 Z (x) est une FA localement stationnaire dordre 2, constitue
de composantes Y P (x) et Y G (x) non corrles desprances nulles, ainsi que
dune drive assimilable une constante dans tout voisinage local du domaine.
Montrer que la somme des krigeages des composantes et du krigeage de
la moyenne est gale au krigeage ordinaire de Z (x)
37
Drive externe
E Z (x) = a0 + b1 s(x)
s(x) est une fonction qui dcrit lallure gnrale (shape en Anglais) de
la carte de la couche, tandis que les donnes de Z (x) donnent en quelques
endroits seulement une information prcise sur la profondeur de la couche.
Estimation avec une fonction de forme
Dans un premier temps on va examiner le cas dune fonction alatoire Z (x)
dont on voudrait amliorer lestimation en introduisant la fonction de forme
s(x).
38
Z ? (x
0)
n
X
=1
E Z (x ) = a0 + b1
n
X
=1
s(x ) = a0 + b1 s(x0 )
s(x0 ) =
n
X
=1
s(x )
= E2
1
n
X
=1
2
n
X
=1
s(x )
s(x0 )
x ) 1 2 s(x ) = C (x x0 )
pour = 1; : : : ;n
= 1
>
>
=1
>
>
>
>
n
>
X
>
>
>
s(x )
>
:
=1
= s(x0 )
Le cadre fix jusquici parat videmment trop troit pour la plupart des
applications et il convient de passer des modles non stationnaires.
mk (x) =
L
X
l=0
39
al fl (x)
Les fonctions fl (x), au nombre de L + 1, doivent engendrer un espace vectoriel invariant par translation. On peut montrer que les seuls ensembles de
fonctions satisfaisant cette condition sont les exponentielles-polynmes.
R EMARQUE 7.1 A deux dimensions spatiales, de vecteur de coordonnes x =
(x1 ;x2 ), on prend gnralement les monmes suivants:
al fl (x ) = al fl (x0 )
Pn
=1 fl (x )
= fl (x0 ) et l = 0; : : : ;L.
Z ? (x
0)
Z (x0 ) = E
n
X
=0
Zk (x ) = 0
pour
n
X
=0
fl (x ) = 0;
8l
o des pondrateurs de somme nulle filtrent une drive invariante par translation.
Covariance gnralise
Une fonction symtrique K (h) est la covariance gnralise dune fonction
alatoire intrinsquement stationnaire lordre k , si
n
X
var
=0
Zk (x ) = E
n
X
=0
2
Zk (x )
40
n X
n
X
=0 =0
K (x x )
P
pour tout ensemble de pondrateurs satisfaisant n=0 fl (x ) = 0 pour
chaque l = 0; : : : ;L.
Une covariance gnralise est une fonction de type positif conditionnel
dordre k
n X
n
X
=0 =0
K (x x ) 0
pour
n
X
=0
fl (x ) = 0; l = 0; : : : ;L
K (h) =
o
2
jh j
avec
Kpol (h) =
k
X
u=0
bu ( 1)u+1 jhj2u+1
avec 1
bu 0
si (x ) = si (x0 )
i = 1; : : : ;N
x )
L
X
l=0
l fl (x )
N
X
i=1
i si (x ) = K (x x0 )
pour = 1; : : : ;n
= fl (x0 )
pour l = 0; : : : ;L
= si (x0 )
pour i = 1; : : : ;N
Quand on travaille en voisinage glissant, il est utile de cartographier galement les coefficients bi des drives externes pour se rendre compte de linfluence exerce par les diffrentes variables externes au niveau de chaque
noeud de la grille destimation.
E XEMPLE 7.6 (daprs [41]) La Figure 7.1 montre la carte des tempratures
moyennes au mois de Janvier ralise par krigeage (en voisinage glissant)
avec une drive linaire, partir de mesures en 146 stations mtorologiques
toutes situes en dessous de 400m daltitude (alors que le plus haut point de
lEcosse, le Ben Nevis, est situ 1344m). On peut raisonnablement faire lhypothse que la temprature est en relation linaire avec laltitude et utiliser
une carte topographique digitalise pour introduire laltitude comme drive
42
F IG . 7.1 Krigeage avec une drive linaire des tempratures en Janvier en Ecosse.
Pour fixer les notations, nous rappelons des systmes de krigeage relatifs
43
F IG . 7.2 Krigeage avec une drive linaire des tempratures en Janvier en Ecosse en
utilisant une carte topographique digitalise comme drive externe.
C lKS = c0
Krigeage Ordinaire (KO):
C> 1
1
et
lKO
KO
lKO
KO
lKS = R c0
et
= c10
=K
1k
cest--dire:
avec:
44
R=C
o:
K
lKO
KO
K = vA> wv
1
= k0
C> 1 s
10
lKE
c0
0 0 A @ KE A = @ 1 A
s0
0 KE
0 0
@1
s>
cest--dire:
lKE
F @ KE A = f0
0 KE
lKM
KM
= o1
m?
et
n
X
=1
k>0 K 1 k0
2 =c
KO
00
45
>
1
KM z = (z ;0) K
o
1
C A + 1 v>
Cv + 1 w
>
1A
1> v
=I
=o
= o>
=1
z> R 1
m? = >
1 R1
c) On dfinit un produit scalaire (de Castelier):
x> R y
En z
En z;s
covn z;s
= En z;s
h i
h i
En z En s
Kn z;s
montrer que:
Kn z;s
= (z> ;0) K 1
0
d) Sachant que la drive externe est lie lesprance de la variable dintrt par une relation linaire:
h
E Z (x) = a + b s(x)
et que la constante a et le coefficient b de la drive externe sont estims par:
0 1
b? = (z> ;0;0) F
0 1
1 @0A
a? = (z> ;0;0) F
et
1 @1A
b?
covn z;s
covn s;s
a?
et
46
h i
= En z
b? E
h i
n
E XERCISE 7.8 (daprs [4]) Considrons, dans un premier temps, que nous
possdons une donne z0 en un point supplmentaire x0 , et crivons la matrice
membre gauche du KO avec n + 1 informations:
>
K0 = ck00 kK0
K0
et
v>0
= wv00 A
0
w00 =
b) Soient z>0
=1
=o
= o>
=I
2
KO
Kn+1 z0;s0
= (z> ;0) K 1
0
s0
Montrer que:
Kn+1 z0;s0
= Kn z;s + w00 z0
(z> ;0) K 1 k0
s0
(s> ;0) K 1 k0
(z0 jz) = z0
z0? = z0
(z> ;0) K 1 k0
Montrer que:
Kn+1 z0;s0
et que:
= z0
(s0 js)
2
KO
(z> ;0) K 1 k0
(s0 js)
= (w00 ;v>0 ) s00
2
KO
(s0 js)
+
K
z;s
n
2
KO
B (s
s =B
B
B
0
@
.
..
js
2
.
..
) C
C
C
C
A
m?
b) Sachant que lon a pour le coefficient de la drive externe:
Kn z;s
b? =
b z =
Kn s;s
=1
n
X
b =
(s js )
2 Kn s;s
48
Drive temporelle
Z (x;t)
= Zk;! (x) + mk (x) + m! (t)
49
1 sin(! t ) 2 cos(! t )
= K (x x0 )
pour = 1; : : : ;n
pour l = 0; : : : ;L
avec = 1; : : : ;n et l = 0; : : : ;L.
Si toutefois la composante temporelle alatoire Zk;! (t) est non ngligeable,
il faut dabord faire linfrence de la covariance gnralise K (t) correspondante, puis filtrer Z (t) = Zk;! (t) + m! (t) par le systme (avec = 1; : : : ;n et
l = 0; : : : ;L)
8
n
X
>
>
>
>
K (x x ;t t )
>
>
>
>
=1
>
>
>
>
>
>
>
>
>
n
>
X
>
>
>
<
fl (x ) = fl (x0 )
=1
>
>
>
n
>
X
>
>
>
sin(! t ) = 0
>
>
>
>
=1
>
>
>
>
>
n
>
X
>
>
>
cos(! t ) = 0
>
:
=1
o les termes
K (t t ).
L
X
l=0
l fl (x )
1 sin(! t ) 2 cos(! t )
= K (x x0 )
pour = 1; : : : ;n
pour l = 0; : : : ;L
50
Covariance Croise
mj
i
pour tout x 2 D; i = 1; : : : ;N
i Cij (x x ) j 0
pour tout x ;x
2 D; i;j 2 R
Effet de retard
La fonction de covariance croise nest pas a priori une fonction paire ou
impaire. Gnralement on a pour i6= j
et
Z1 (x) = a Z2 (x r) + E (x)
o E (x) est une erreur de mesure sans corrlation spatiale, de moyenne nulle
et de fonction de covariance Cpep (h).
La fonction de covariance simple de Z1 (x) est proportionnelle celle de
Z2 (x)
r)
Z1 (x) = a1 Z2 (x
r1 ) + a2 Z2 (x r2 )
dans laquelle interviennent deux dcalages r1 et r2 .
Variogramme crois
Le variogramme crois
ij (h) fait son apparition dans le cadre dune hypothse de stationnarit intrinsque conjointe de N fonctions alatoires
i
8 h
>
E Zi (x+h) Zi (x) = 0
>
>
<
h
cov
Z
(
x
+
h
)
Z
(
x
)
; Zj (x+h)
i
i
>
>
>
:
Zj (x)
i
8 x 2 D; i = 1; : : : ;N
= 2
ij (h)
8 x 2 D; i;j = 1; : : : ;N
1 h
ij (h) = E Zi (x+h)
2
Zi (x)
Zj (x+h)
i
Zj (x)
1
Cij ( h) + Cij (+h)
2
52
Cij (h) =
1
1
Cij (+h) + Cij ( h) + Cij (+h) Cij ( h)
|2
{z
} |2
{z
}
terme pair
terme impair
Cij? (h)
nh
1 X
=
zi (x ) mi zj (x +h) mj
nh =1
ij? (h)
nh
1 X
=
z (x +h) zi (x ) zj (x +h) zj (x )
2nh =1 i
Reprsentation spectrale
La matrice C(h) de fonctions de covariance dun vecteur de fonctions alatoires complexes conjointement stationnaires z(x) (de moyennes nulles, sans
perte de gnralit)
>i
F IG . 9.1 Covariance croise exprimentale Cij? (h) et variogramme crois exprimental
ij? (h).
est semi-dfinie positive hermitienne 1 , cest--dire
N X
N X
n X
n
X
i=1 j =1 =0 =0
i Cij (x x ) j 0
pour tout x ;x
2 D; i;j 2 C
C(h) =
>
ei k h F(dk)
Rd
avec une matrice de fonctions hermitienne F() semi-dfinie positive, quel que
soit largument de F().
1. Une matrice hermitienne est la gnralisation dans le domaine complexe dune matrice
symtrique relle. Les lments diagonaux dune matrice hermitienne A dordre N N sont
rels et les lments non diagonaux sont gaux la conjugue complexe de leur transpose:
aij = aji .
54
Densit spectrale
Si lon se limite des fonctions de covariance intgrables en valeur absolue,
une densit spectrale fij (k) existe, tel que
Cij (h) =
+1
Z
+1
Z
>
ei k h fij (k) dk
1
fij (k) =
(2)n
+1
Z
+1
Z
>
e i k h Cij (h) dh
La matrice des densits spectrales dun ensemble de fonctions de covariances continues doit tre semi-dfinie positive pour toute valeur de k. Cela
implique la relation de Schwarz
Dphasage
Dans lespace une dimension, le long de laxe temporel par exemple, on
peut aisment interprter des dcalages spectraux. Si lon considre les transformes de Fourier inverses (en admettant leur existence) du terme pair et du
terme impair de la fonction de covariance croise, qui sont appeles tradionnellement le cospectre cij (k ) et le spectre de quadrature qij (k ), on a
i qij (k)
En criture polaire, la fonction complexe fij (k ) sexprime sous la forme
fij (k) = jfij (k)j ei '(k)
o '(k ) est le dphasage moyen de la proportion de Zi (x) de frquence k sur
la proportion de Zj (x) cette frquence, et
Im(fij (k))
q (k )
tan '(k) =
= ij
Re(fij (k))
cij (k)
Un dphasage nul une frquence k implique une partie imaginaire
Im(fij (k)) nulle cette frquence. Lorsquil ny a pas de dphasage aucune
frquence, la densit spectrale croise fij (k ) est relle et sa transforme de
Fourier est une fonction paire.
Corrlation intrinsque
Le modle multivariable de fonctions de covariance relles le plus simple
que lon puisse adopter consiste dcrire les relations entre variables par la
matrice de variance-covariance V et les relations entre les points dchantillonnage par une fonction de corrlation (h) qui est la mme pour toutes
les variables
C(h) = V (h)
Ce modle, dit de corrlation intrinsque, revient choisir des covariances simples et croises qui sont toutes proportionnelles une mme fonction de corrlation de base
a)
b)
c)
jCij (h)j2
jCij (h)j
jCij (h)j2
R
>
E XERCISE 9.6 Soit C(h) = ei k h F(k)dk la reprsentation spectrale dune
matrice de fonctions de covariance relles, continues et intgrables en valeur
absolue.h Montrer
i quil peut arriver que la matrice de distributions spectrales
1
ij (h) = var Zi (x+h) Zj (x)
2
57
10
Cokrigeage
Isotopie et htrotopie
Les mesures disponibles sur deux variables Z1 (x) et Z2 (x) dans un domaine donn peuvent tre situes, soit aux mmes points de mesure, soit en
des points diffrents. On distingue les cas suivants:
isotopie: en tous les points dchantillonnage on dispose dinformations
sur la paire de variables.
htrotopie: les deux variables ont t mesures sur deux ensembles de
points disjoints.
htrotopie partielle: une partie des points de mesure ne sont pas communs
aux deux variables. Un cas particulier dhtrotopie partielle est celui o
lensemble des points de mesure dune variable est inclu dans lensemble
des points de mesure de lautre variable.
Lestimateur du cokrigeage ordinaire est une combinaison linaire de pondrateurs i avec des variables situes en des points dun voisinage du domaine
Zi?0 (x0 )
ni
N X
X
i=1 =1
i Zi (x )
Cokrigeage ordinaire
Dans le cadre dune hypothse de stationnarit intrinsque conjointe, on
dsire estimer une variable particulire dun ensemble de N variables, en se
basant sur une erreur destimation nulle en moyenne. Cette condition est remplie en choisissant des pondrateurs de somme unit pour la variable dintrt, et de somme nulle pour les variables auxiliaires
ni
X
=1
i
= ii0 =
58
1 si i= i0 ,
0 sinon
E
= E
Zi?0 (x0 )
ni
N X
hX
i=1 =1
Zi0 (x0 )
ni
X
i Zi (x )
=1
i0
ni
N X
X
Zi0 (x0 )
i
i=0 =1
i6=i0 | {z }
0
| {z }
1
ni
N X
h
i
X
i
E Zi (x ) Zi (x0 )
{z
}
|
i=1 =1
0
Zi (x0 )
= 0
E2
=E
N ni
XX
i=1 =1
i Zi (x )
2
Zi0 (x0 )
i0
= ii0 =
1 si i= i0 ,
0 si i6= i0
E2
=E
N ni
XX
i=1 =0
2
i Zi (x )
E2
= E
= E
N ni
X X
i=1 =0
N ni
XX
i=1 =0
i Zi (x )
Zi (0)
i Zi (x )
|
{z
Zi (0)
incrments
ni
X
i
=0
| {z }
0
2
E2
nj
ni X
N X
N X
X
i=1 j =1 =0 =0
59
i j CijI (x ;x )
2
Il est important de voir que lon est oblig dintroduire, du point de vue
physique, lhypothse que les covariances croises dincrments sont symtriques, pour pouvoir les remplacer par des variogrammes croiss. A cette
condition, on a finalement
E2
= 2
N X
n
X
i=1 =1
i ii0 (x x0 )
nj
ni X
N X
N X
X
i=1 j =1 =1 =1
i0 i0 (x0 x0 )
i j ij (x x )
x ) + i = ii0 (x x0 )
pour i = 1; : : : N ; = 1; : : : ni
= ii0
pour i = 1; : : : N
et la variance de cokrigeage
2
CK
ni
N X
X
i=1 =1
i ii0 (x x0 ) + i0
i0 i0 (x0
x0 )
Cokrigeage simple
Le cokrigeage ordinaire na en gnral pas de sens lorsquaucune information nest disponible sur la variable dintrt dans le voisinage o lon dsire
le pratiquer. Par contre, le cokrigeage simple sappuie sur une connaissance
des moyennes des variables, ce qui lui permet de calibrer lestimation dune
variable sans possder aucune donne sur cette variable dans le voisinage de
cokrigeage.
Lestimateur du cokrigeage simple est constitu de la moyenne de la variable dintrt et dune combinaison linaire de pondrateurs i avec les rsidus de toutes les variables par rapport leurs moyennes
Zi?0 (x0 )
= mi0 +
ni
N X
X
i=1 =1
60
i
Zi (x )
mi
...
Ci1
..
.
10
..
.
Wii
...
CB
CB
B
CB
CiN C
C
.. A B
@
.
CN 1 : : : CNj : : : WNN
l1
.. C
. C
li C
C=
C
.. A
.
lN
c1i0
B .. C
B . C
B
C
B cii0 C
B . C
@ .. A
cNi0
Cij = C>ji
Dans un contexte disotopie, on peut rcrire le vecteur des pondrateurs
sous la forme de loprateur de vectorisation vec() appliqu une matrice L
dordre n N contenant les vecteurs li de pondrateurs des variables dans ses
colonnes
0 1
B
B
B
B
B
@
l1
.. C
. C
li C
C = vec(L)
C
.. A
.
lN
W vec(L) = vec(C0 )
Autokrigeabilit
Une variable est dite autokrigeable par rapport un ensemble de variables, si son krigeage propre concide avec son cokrigeage. Le cas trivial est
celui o toutes les variables sont non-corrles avec la variable dintrt, et
lon voit facilement que tous les pondrateurs du cokrigeage sont nuls, mis-part ceux affects aux chantillons de la variable dintrt.
Dans une situation disotopie, une variable est autokrigeable si lensemble
des variables est en corrlation intrinsque, avec une matrice V dfinie positive. Le cokrigeage simple scrit alors
(V
R) vec(L) = vec(c0 v>i0 ) = vi0
r0
La matrice membre gauche du cokrigeage sexprime ici comme le produit
de Kronecker entre la matrice de variance-covariance V et la matrice membre
61
62
11 Analyse Krigeante
Ltude des corgionalisations peut tre subdivise en deux parties:
lanalyse de la corgionalisation dun ensemble de variables, base sur
une interprtation par un modle linaire multivariable;
un cokrigeage des facteurs dfinis par lanalyse des corgionalisations.
Lorsquon a affaire qu une seule variable, lopration se rsume au krigeage de composantes spatiales vu prcdemment.
Cet ensemble de techniques a reu le nom danalyse krigeante.
Zi (x) =
S
X
u=0
Zui (x)
Aux composantes spatiales sont associes des covariances Ciju (h) de palier
buij et de fonction de corrlation spatiale u (h)
Cij (h) =
S
X
u=0
Ciju (h)
S
X
u=0
buij u (h)
C(h) =
S
X
u=0
Bu u (h)
Chacune des composantes spatiales Zui (x) peut elle-mme tre dcompose laide de coefficients de transformation aiup en un ensemble de facteurs
Ypu (x) spatialement non corrls et orthogonaux au sens dune mtrique donne
Zui (x)
N
X
p=1
En combinant la dcomposition spatiale avec la dcomposition multivariable, on obtient finalement le modle linaire de corgionalisation
Zi (x) =
S X
N
X
u=0 p=1
(h) =
S
X
u=0
Bu gu (h)
jbuij j
buii bujj
Ajustement multivariable
Lajustement multivariable de matrices de variogrammes exprimentaux
k ) calcules pour nc classes de vecteurs hk par un algorithme itratif d
G OULARD [35] est bas sur le critre de moindres carrs
? (h
nc
X
k=1
h
tr
? (h
k)
64
2 i
(hk )
que lon cherche minimiser sous la contrainte que les matrices de corgionalisation Bu du modle (h) soient semi-dfinies positives.
En se donnant S matrices Bu semi-dfinies positives, on cherche dans un
premier temps une S +1-ime matrice Bv qui comble au mieux les carts d ?vk
entre un modle S matrices et les matrices exprimentales ? (hk )
d ?vk
? (h
S
X
k)
u=0
u6=v
Bu gu (hk )
La somme des carts pondrs par gv (hk ) est une matrice symtrique d ?v
qui nest en gnral pas semi-dfinie positive. En la dcomposant en valeurs
et vecteurs propres
nc
X
k=1
d ?vk gv (hk ) = d ?v
= Qv v Q>v
avec
Q>v Qv = I
on peut construire avec les valeurs propres positives une nouvelle matrice
d ?v , qui est la matrice semi-dfinie positive la plus proche de d ?v au sens des
moindres carrs
d ?v = Qv ov Q>v
B?v =
nc
P
k=1
d ?v
2
g v ( hk )
Analyse de corgionalisation
Lorsque lon fait tendre h vers linfini dans un contexte de stationnarit
dordre deux avec des fonctions gu (h) de palier unitaire, on voit que le modle
de variogramme tend vers la matrice de variance-covariance
(h) ! V
pour
h!1
V=
S
X
u=0
65
Bu
!#"$&%('*),+.-0/21 /3-547681 49/:%(;*<-04>=
Bu = Au A>u
avec
Au = Qu u
et
Qu Q>u = I
On peut gnraliser cette analyse en choisissant des vecteurs propres orthogonaux par rapport une matrice symtrique Mu , reprsentant une mtrique
p
Au = Qu Mu u
avec Qu Mu Q>u = I
en utilisant, par exemple, la mtrique
Mu =
S
X
u=0
Bu
B11
B12
u
u
Bu =
21
Bu B22
u
11
11
B11
u = Au Au
11 11 11
A11
u
u = Qu Mu
et
avec
12
22
M11
u = Bu Bu
>
11
11
Q11
u M u Qu
1
>
=I
B21
u
Au = Qu Mu u
dans la factorisation
gnralis
avec
Qu Mu Q>u = I
Cokrigeage de facteurs
Le modle linaire de corgionalisation permet destimer localement les
facteurs rgionaliss Ypu (x) par cokrigeage. Lestimateur utilis pour valuer
un facteur Ypu00 (x) donn est une combinaison linaire de pondrateurs i avec
des variables dans le voisinage dun point quelconque x0 du domaine
Yu?0 p0 (x)
ni
N X
X
i=1 =1
i Zi (x )
En se plaant dans le cadre dune hypothse de stationnarit locale, donnant un sens des moyennes locales mi (x0 ), on construit un estimateur sans
bias de facteurs synthtiques (auxquels on a attribu des moyennes nulles)
h
Yu?0 p0 (x)
Ypu00 (x)
N
X
i=1
n
X
mi (x0 )
=1
i
=0
pour
n
X
=1
i = 0
Yu?0 p0 (x)
2
Ypu00 (x)
N X
N X
n X
n
X
= 1+
i=1 j =1 =1 =1
N X
n
X
i=1 =1
i j Cij (x x )
i aiu0 p0 u0 (x x0 )
=0
x ) i = aiu0 p0 u0 (x x0 )
pour i = 1; : : : N ; = 1; : : : n
pour i = 1; : : : N
Dans le membre droit de ce systme apparaissent les coefficients de transformation aiup , rsultats de la dcomposition des matrices de corgionalisation
Bu . Dans le cas dune analyse en composantes principales de ces matrices, les
aiup indiquent les covariances entre les variables Zi et les facteurs Ypu .
Le cokrigeage de facteurs permet de raliser des cartes de facteurs en nutilisant que les donnes multivariables contenues dans un voisinage local autour de chaque point de la carte.
68
>
E XERCICE 1.1 1 1 = n;
1 ::: 1
{z
(nn)
= M est une matrice n N contenant dans chaque ligne la tranpose du vecteur des moyennes; chaque colonne mi de M a N lments gaux
la moyenne mi de la variable numro i.
E XERCICE 1.5 A2 x = A x = A x = 2 x
E XERCICE 1.7 La dcomposition classique en valeurs et vecteurs propres.
E XERCICE 1.8 Oui.
E XERCICE 2.2 corr
Ze ;Ze
e
Q
e
e>
e Q
= corr
Ze ;Y
corr
Ze ;Y
>
E XERCICE 3.1 Il suffit de montrer que les contraintes dorthogonalit correspondantes sont redondantes (de manire analogue lACP).
E XERCICE 3.2 Idem.
E XERCICE 3.3 Multiplier lquation par linverse de .
E XERCICE 4.3 Voir M ATHERON [65], L AJAUNIE & L ANTUJOUL [48].
69
E XERCICE 6.3 Si un point de donne concide avec le point destimation, le systme dquations correspondant aura une colonne du membre gauche (mis-part le dernier lment) gale au membre droit. Une solution du systme est
de prendre un ensemble de pondrateurs nuls, sauf le pondrateur de la colonne correspondant la donne concidante, valant un. Cette solution est la
seule solution, puisque le membre gauche est suppos inversible, et elle restitue la valeur mesure au point destimation.
E XERCICE 6.4 Etant donn quil y a interpolation exacte, les poids de
valent
= x ;x0
Vu la linarit des estimateurs
P = x ;x0
G
C1;1 : : : C1;N
B ..
B .
@C
..
.. C
.C
: : : CN;N 1 A
:::
1
0
N;1
..
.
11
{z
60 P
1
6
6B ..
6B .
6@ P
6 N
6
4 P
| {z
xP
B
B
@
0 G 1 0 m0 1 7
1
1
7
.
C B .. C B ... C 7
C7
C B
C+B
A @ G A + @ m0 A 7
7
N
N
7
m0 5
G
} | {z } | {z }
1
xm0
xG
C0P;1 1
0 1
C0G;1 1
C B .. C B ... C
C+B . C+B C
P
C0;N A @ C0G;N A @ 0 A
avec A xP = bP ;
On a alors
Z ? (x0 )
..
.
{z
bP
{z
bG
A xG = bG ; A xm0 = bm0 :
| {z }
bm0
rateurs correspondants.
E XERCICE 7.7 a)
2
KO
= c00
= C (x0
k>0 K 1 k0 = c00
x0 )
n
X
=1
70
k>
0
KO C (x
lKO
KO
x0 ) + KO
b)
R1
R 1 (R 1)>
v= >
A=R
1 R1
1> R 1
v = z> v = z> R 1
o
?
>
1
>
=
(
z
;
0)
m = (z ;0) K
w
1
1> R 1
1
w= >
1 R1
c)
Kn z;s
z> R 1 1> R s
1h>i
R 1 1> R 1
En z En s = 1> R 1 covn z;s
z> R s
= z> A s = 1> R 1 >
h i 1 Rh 1i
>
= 1 R 1 En z;s
d)
Soient z0 =
avec:
z ; s0 = s
0
0
AF = K
et
0 1
b?
(z0 )> K 1 s0
=
(s0 )> K 1 s0
vF
0>
w = ( z ) vF
F
o
1
K 1 s0 (K 1 s0 )> o
K
1
(s0 )> K 1 s0
0
1
0
zK s 0 1 o
o
0
1
= zK
0 K 1 s0 s K
1
1
s
h i
h i
= En z b? En s
= z0
E XERCICE 7.8 a) v0
= K 1 k0 w00
c00 w00
et
k>0 K 1 k0 w00 = 1
71
K 1 s0 (K 1 s0 )>
(s0 )> K 1 s0
0 1
a?
0
vF
F
F = (sK0 )> s0 = A
>
vF wF
et
K 1 s0
vF = 0 > 1 0
(s ) K s
w00 c00
k> K 1 k
0
= 1
w00 =
2
KO
b)
Kn+1 z0;s0
avec:
Kn+1 z0;s0
= w00 z0 s0
w00 z0 K
1k
0
0
+Kn z;s + w00 (z> ;0) K 1 k0 (K 1 k0 )> 0s
>
1
>
1
= w00 z0 (z ;0) K k0 s0 (s ;0) K k0 + Kn z;s
c)
Kn+1 z0;s0
= z0
(z> ;0) K 1 k
0
(s0 js)
2 + Kn z;s
KO
et
(w00 ;v>0 )
s0
= w00 s0 + v>0
s = w s w K 1k s
00 0
00
0
0
0
(s0 js)
2
KO
(w11 ;v>1 )
s = (s1 js 1 )
2
0
1
et pour = n:
(v1;n ; : : : ;vn
s
0 =
(sn js n )
n2
(v1; ; : : : ;v
1; ;w ;v+1; ; : : : ;vn+1; )
72
s = (s js )
2
0
b)
K
Kn z;s
0
?
>
b =
= (z ;0)
Kn s;s
Kn s;s
1
n
X
=1
(s js )
2 Kn s;s
r1 ) + a2 C22 (h r2 )
E XERCICE 9.4 La matrice V est une matrice semi-dfinie positive en tant que
matrice de variance-covariance et (h) est une fonction de type positif en tant
que fonction de covariance, de sorte que lon vrifie aisment que le produit
des deux vrifie le thorme de Bochner multivariable.
E XERCICE 9.5 a) Oui. b) Cij (0) peut tre ngatif ! c) Cii (h) peut tre ngatif !
E XERCICE 9.6 Lorsque Cij (h) nest pas une fonction paire, le spectre de quadrature qij (h) nest pas nul et fij (h) est complexe.
E XERCICE 9.7 a) ii (h) =
ii (
h).
1
b) ij (h) = 2 Cii (0) + Cjj (0)
Cij (h) et peut donc servir dtecter des effets
de retard au mme titre que la fonction de covariance croise.
c) On est oblig de hsupposer pour iji(h) que les accroissements croiss sont
intrinsques avec E Zi (x+h) Zj (x) = 0. Cest aventureux, lorsque les variables sont de nature diffrente.
d) ij (h) peut tre calcul dans un contexte dhtrotopie totale. Son inconvnient majeur est quil ne peut traduire une corrlation ngative ventuelle
entre deux variables.
E XERCICE 11.1 Lorsque toutes les matrices de corgionalisation sont proportionnelles une mme matrice B
C(h) =
S
X
u=0
au B u (h) = B
S
X
u=0
au u (h)
jbuij j
73
buii bujj
E XERCICE 11.4 Bu
Bu Qu = Qu Mu u Mu
|
74
Q>
u
Mu
{z
Q>
u
1
1
}
, donc:
Rfrences
Mots-clefs
Thorie
Applications
75
Mtallurgie: [19][20].
Mtorologie: [10]; [72]; [45]; [39]; [51]; [81]; [68]; [41].
Science des sols: [103]; [36]; [70]; [104]; [37]; [92]; [33].
Sylviculture: [54]; [27].
Tldtection: [27]; [50].
Bibliographie
[1] A HMED S & DE M ARSILY (1987) Comparison of geostatistical methods for estimating
transmissivity using data on transmissivity and specific capacity. Water Resources Research, 23, 17171737.
[2] B OX GEP & J ENKINS GM (1970) Time Series Analysis: Forecasting and Control.
Holden-Day, San Francisco.
[3] C ASTELIER E (1992) Le krigeage propagatif. Mmoire de DEA, Publication S-291, Centre
de Gostatistique, Ecole des Mines de Paris, Fontainebleau, 22p.
[4] C ASTELIER E (1992) La drive externe vue comme une rgression linaire. Publication
N-34/92/G, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau, 22p.
[5] C HAUVET P (1975) Formulaire du cokrigeage en FAI-k. Application au cas Gaussien.
Publication N-425, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[6] C HAUVET P (1977) Exemple dapplication de la gostatistique non stationnaire: le cokrigeage. Publication N-502, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[7] C HAUVET P (1977) Exemple simplifi de dconvolution de courbe lecteur par cokrigeage. Publication N-509, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[8] C HAUVET P (1982) The variogram cloud. In: Johnson TB & Barnes RJ (eds) 17th APCOM,
757764, Society of Mining Engineers, New York.
[9] C HAUVET P (1991) Aide Mmoire de Gostatistique Linaire. Cahiers de Gostatistique,
Fascicule 2, Ecole des Mines de Paris, Fontainebleau.
[10] C HAUVET P, PAILLEUX J & C HILS JP (1976) Analyse objective des champs mtorologiques par cokrigeage. La Mtorologie, 6e srie, No 4, 3754.
[11] C HAUVET P & G ALLI A (1982) Universal Kriging. Publication C-96, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[12] C HILS JP (1977) Gostatistique des Phnomnes Non Stationnaires (dans le plan).
Thse de Doctorat, Universit de Nancy I, Nancy, 152p.
[13] C HILS JP (1991) Application du krigeage avec drive externe limplantation dun
rseau de mesures pizomtriques. Sciences de la Terre, Srie Informatique, 30, 131
147.
[14] C HILS JP & G UILLEN A (1984) Variogrammes et Krigeages pour la Gravimtrie et le
Magntisme. Sciences de la Terre, Srie Informatique, 20, 455468.
[15] C RAMER H & L EADBETTER MR (1967) Stationary and Related Stochastic Processes. Wiley, New York.
[16] C RESSIE N (1991) Statistics for Spatial Data. Wiley, New York.
[17] D AGAN G (1989) Flow and Transport in Porous Formations. Springer-Verlag, Berlin.
[18] D ALY C (1991) Application de la Gostatistique quelques Problmes de Filtrage. Thse
de Doctorat, Ecole des Mines de Paris, Fontainebleau.
[19] D ALY C, L AJAUNIE C & J EULIN D (1989) Application of multivariate kriging to the processing of noisy images. In: Armstrong M (ed) Geostatistics, 749760, Kluwer Academic
Publisher, Amsterdam, Holland.
76
[20] D ALY C, J EULIN D, B ENOIT D & A UCLAIR G (1990) Application of Multivariate Geostatistics to Macroprobe Mappings in Steels. ISIJ International, 30, 529534.
[21] D ELFINER P, D ELHOMME JP & P ELISSIER -C OMBESCURE J (1983) Application of geostatistical analysis to the evaluation of petroleum reservoirs with well logs. 24th Annual
Logging Symposium of the SPWLA, Calgary, June 2730 1983.
[22] D ELFINER P & M ATHERON G (1980) Les fonctions alatoires intrinsques dordre k.
Publication C-84, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[23] D ELHOMME JP (1979) Rflexions sur la prise en compte simultane des donnes de forages et des donnes sismiques. Publication LHM/RC/79/41, Centre dInformatique
Gologique, Ecole des Mines de Paris, Fontainebleau.
[24] D ELHOMME JP, B OUCHER M, M EUNIER G & J ENSEN F (1981) Apport de la gostatistique la description des stockages de gaz en aquifre. Revue de lInstitut Franais du
Ptrole, 36, 309327.
[25] D ONG A (1990) Estimation Gostatistique des Phnomnes rgis par des Equations aux
Drives Partielles. Thse de Doctorat, Ecole des Mines de Paris, Fontainebleau.
[26] D OWD PA (1989) Generalized cross-covariances. In: Armstrong M (ed) Geostatistics,
151162, Kluwer Academic Publisher, Amsterdam, Holland.
[27] F OUQUET C DE & M ANDALLAZ D (1992) Using geostatistics for forest inventory with air
cover: an example. Publication N-20/92/G, Centre de Gostatistique, Ecole des Mines
de Paris, Fontainebleau, 12p.
[28] F RANOIS -B ONGARON D (1981) Les corgionalisations, le cokrigeage. Publication C86 , Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[29] G ALLI A, G ERDIL -N EUILLET F & D ADOU C (1984) Factorial kriging analysis: a substitute to spectral analysis of magnetic data. In: Verly G et al (eds) Geostatistics for Natural
Resources Characterization, 543557, NATO ASI Series C-122, Reidel, Dordrecht, Hollande.
[30] G ALLI A & M EUNIER G (1987) Study of a gas reservoir using the external drift method.
In: G Matheron et M Armstrong (eds) Geostatistical Case Studies, 105119, Reidel, Dordrecht, Holland.
[31] G IFI A (1990) Nonlinear Multivariate Analysis. Wiley, New York.
[32] G ITTINS R (1985) Canonical Analysis: a Review with Applications in Ecology. Biomathematics, Vol. 12, Springer-Verlag, Berlin, 351p.
[33] G OOVAERTS P (1992) Multivariate Geostatistical Tools for Studying Scale-Dependent
Correlation Structures and Describing Space-Time Variations. Doctoral Thesis, Universit Catholique de Louvain, Louvain-la-Neuve, 233p.
[34] G OOVAERTS P (1992) Factorial kriging analysis: a useful tool for exploring the structure
of multivariate spatial information. Journal of Soil Science, 43, 597619.
[35] G OULARD M (1988) Champs Spatiaux et Statistique Multidimensionnelle. Thse de Doctorat, Universit des Sciences et Techniques du Languedoc, Montpellier.
[36] G OULARD M (1989) Inference in a coregionalization model. In: Armstrong M (Ed.) Geostatistics, Kluwer Academic Publisher, Amsterdam, Holland, 397408.
[37] G OULARD M & V OLTZ M (1992) Linear coregionalization model: tools for estimation
and choice of cross-variogram matrix. Mathematical Geology, 24, 269286.
[38] G REENACRE MJ (1984) Theory and Applications of Correspondence Analysis. Aacademic Press, London.
[39] H ASLETT J (1989) Space time modelling in meteorology: a review. Proceedings of 47th
Session, International Statistical Institute, Paris, 229246.
[40] H ASLETT J, B RADLEY R, C RAIG PS, W ILLS G & U NWIN AR (1991) Dynamic graphics
for exploring spatial data, with application to locating global and local anomalies. The
American Statistician, 45, 234242.
77
[41] H UDSON G & WACKERNAGEL H (1992) Kriging temperature in Scotland using the external drift method. Publication N-2/92/G, Centre de Gostatistique, Ecole des Mines
de Paris, Fontainebleau.
[42] J AQUET O (1989) Factorial Kriging Analysis Applied to Geological Data from Petroleum
Exploration. Mathematical Geology, 21, 683691.
[43] J EULIN D & R ENARD D (1991) Practical limits of the deconvolution of images by kriging.
Publication N-13/91/G. Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[44] J OURNEL AG & H UIJBREGTS CJ (1978) Mining Geostatistics. Academic Press, London,
600p.
[45] L AJAUNIE C (1984) A geostatistical approach to air pollution modelling. In: Verly G et
al (eds) Geostatistics for Natural Resources Characterization, 877891, NATO ASI Series
C-122, Reidel, Dordrecht, Hollande.
[46] L AJAUNIE C (1988) Ajustement automatique de corgionalisation. Note non publie.
[47] L AJAUNIE C & B JAOUI (1991) Sur le krigeage des fonctions complexes. Publication
N-23/91/G, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[48] L AJAUNIE C & L ANTUJOUL C (1989) Setting up the general methodology for discrete
isofactorial models. In: Armstrong M (Ed.) Geostatistics, Kluwer Academic Publisher,
Amsterdam, Holland, 323334.
[49] L ANTUJOUL C (1990) Cours de Slectivit. Publication C-140, Centre de Gostatistique,
Ecole des Mines de Paris, Fontainebleau.
[50] L INDNER S & WACKERNAGEL H (1993) Statistische Definition eines Lateritpanzer-Index
fr SPOT/Landsat-Bilder durch Redundanzanalyse mit bodengeochemischen Daten.
Publication N-8/93/G, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau, 11p.
[51] L UMLEY JL (1970) Stochastic Tools in Turbulence. Academic Press, London.
[52] M A YZ & R OYER JJ (1988) Local geostatistical filtering: application to remote sensing.
Sciences de la Terre, Srie Informatique, 27, 1736.
[53] M AGNUS JR & N EUDECKER H (1988) Matrix Differential Calculus with Applications in
Statistics and Econometrics. Wiley, New York.
[54] M ARBEAU JP (1976) Gostatistique Forestire. Thse de Doctorat, Universit de Nancy,
Nancy.
[55] M ARDIA KV, K ENT JT & B IBBY JM (1979) Multivariate Analysis. Academic Press, London, 521p.
[56] M ARCHAL A (1970) Cokrigeage et rgression en corrlation intrinsque. Publication
N-205, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[57] M ARCHAL A (1984) Kriging seismic data in presence of faults. In: Verly G et al.(eds)
Geostatistics for Natural Resources Characterization, 271294, NATO ASI Series C-122,
Reidel, Dordrecht, Hollande.
[58] M ATHERON G (1965) Les Variables Rgionalises et leur Estimation. Masson, Paris,
305p.
[59] M ATHERON G (1970) La Thorie des Variables Rgionalises et ses Applications. Fascicule 5, Les Cahiers du Centre de Morphologie Mathmatique, Ecole des Mines de Paris,
Fontainebleau, 211p.
[60] M ATHERON G (1971) La Thorie des Fonctions Alatoires Intrinsques Gnralises.
Publication N-252, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[61] M ATHERON G (1973) The intrinsic random functions and their applications. Advances
in Applied Probability, 5, 439468.
[62] M ATHERON G (1976) A simple substitute for conditional expectation: the disjunctive
kriging. In: Guarascio M et al.(eds) Advanced Geostatistics in the Mining Industry, 221
236, NATO ASI Series C 24, Reidel, Dordrecht, Hollande.
78
[63] M ATHERON G (1979) Recherche de simplification dans un problme de cokrigeage. Publication N-628, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau, 19p.
[64] M ATHERON G (1982) Pour une Analyse Krigeante des Donnes Rgionalises. Publication N-732, Centre de Gostatistique, Fontainebleau, France, 22p.
[65] M ATHERON G (1989) Two classes of isofactorial models. In: Armstrong M (ed) Geostatistics, 309322, Kluwer Academic Publisher, Amsterdam, Holland.
[66] M ATHERON G (1989) Estimating and Choosing. Springer-Verlag, Berlin, 141p.
[67] M EIER S & K ELLER W (1990) Geostatistik. Springer-Verlag, Wien.
[68] M ONESTIEZ P & S WITZER P (1991) Semiparametric estimation of nonstationary spatial
covariance models by multidimensional scaling. Technical report No. 165, Stanford University, Stanford.
[69] M YERS DE (1991) Pseudo-cross variograms, positive-definiteness, and cokriging. Mathematical Geology, 23, 805816.
[70] O LIVER MA & W EBSTER R (1989) A geostatistical basis for spatial weighting in multivariate classification. Mathematical Geology, 21, 1535.
[71] O RFEUIL JP (1973) LAnalyse des Donnes. Publication N-353, Centre de Gostatistique,
Ecole des Mines de Paris, Fontainebleau.
[72] O RFEUIL JP (1977) Etude, mise en oeuvre et test dun modle de prdiction court terme
de pollution athmosphrique. Rapport CECA, Publication N-498, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[73] P RIESTLEY MB (1981) Spectral Analysis and Time Series. Academic Press, London.
[74] R AO CR (1964) The use and interpretation of principal component analysis in applied
research. Sankhya, Series A, 329358.
[75] R AO CR (1973) Linear Statistical Inference and its Applications. 2nd edition, Wiley, New
York, 625p.
[76] R ENARD D & N AI -H SIEN M (1988) Utilisation de drives externes multiples. Sciences
de la Terre, Srie Informatique, 28, 281301.
[77] R IVOIRARD J (1988) Modles rsidus dindicatrices autokrigeables. Sciences de la
Terre, Srie Informatique, 28, 303326.
[78] R IVOIRARD J (1990) Introduction to Disjunctive Kriging and Nonlinear Geostatistics.
Publication C-143, Centre de Gostatistique, Ecole des Mines de Paris, Fontainebleau.
[79] R OUHANI S & WACKERNAGEL H (1990) Multivariate geostatistical approach to spacetime data analysis. Water Resources Research, 26, 585591.
[80] R OYER JJ (1988) Analyse Multivariable et Filtrage des Donnes Rgionalises. Thse de
Doctorat, Institut National Polytechnique de Lorraine, Nancy.
[81] S AMPSON P & G UTTORP (1992) Nonparametric estimation of nonstationary spatial
structure. Journal of the American Statistical Association, 87, 108119.
[82] S ANDJIVY L (1983) Analyse krigeante de donnes gochimiques. Sciences de la Terre,
Srie Informatique, 18, 141172.
[83] S ANDJIVY L (1984) The factorial kriging analysis of regionalized data. In: Verly G et
al.(eds) Geostatistics for Natural Resources Characterization, 559571, NATO ASI Series
C-122, Reidel, Dordrecht, Hollande.
[84] S ANDJIVY L (1987) Analyse krigeante des donnes de prospection gochimique. Thse
de Doctorat, Ecole des Mines de Paris, Fontainebleau.
[85] S APORTA G (1990) Probabilits, Analyse des Donnes et Statistique. Technip, Paris,
493p.
[86] S CHULZ -O HLBERG (1989) Die Anwendung geostatistischer Verfahren zur Interpretation von gravimetrischen und magnetischen Felddaten. Wissenschaftlich-Technische Berichte, 19896, Deutsches Hydrographisches Institut, Hamburg.
[87] S GURET S (1991) Gostatistique des Phnomnes Tendance Priodique (dans
lespace-temps). Thse de Doctorat, Ecole des Mines de Paris, Fontainebleau.
79
[88] S GURET S & C HAUVET P (1988) Pour une mthodologie de dconvolution de variogrammes. Publication N-51/88/G, Centre de Gostatistique, Ecole des Mines de Paris,
Fontainebleau.
[89] S GURET S & H UCHON P (1990) Trigonometric kriging: a new method for removing
the diurnal variation from geomagnetic data. Journal of Geophysical Research, Vol. 32,
No. B13, 21.38321.397.
[90] S ERRA J (1968) Les structures gigognes: morphologie mathmatique et interprtation
mtallognique. Mineral. Deposita, 3, 135154.
[91] S OUSA AJ (1989) Geostatistical data analysis: an application to ore typology. In: Armstrong M (ed) Geostatistics, 851860, Kluwer Academic Publisher, Amsterdam, Holland.
[92] S TEIN A (1991) Spatial Interpolation. Doctoral thesis, Agricultural University, Wageningen, Netherlands.
[93] S TEIN M (1986) A simple model for spatial-temporal processes. Water Resources Research, Vol. 22, 21072110.
[94] S TRANG G (1984) Linear Algebra and its Applications. Academic Press, 2e dition.
[95] T YLER DE (1982) On the optimality of the simultaneous redundancy transformations.
Psychometrika, 47, 7786.
[96] V OLLE M (1985) Analyse des Donnes. 3e dition, Economica, Paris.
[97] WACKERNAGEL H (1985) Linfrence dun Modle Linaire en Gostatistique Multivariable. Thse de Doctorat, Ecole des Mines de Paris, Fontainebleau.
[98] WACKERNAGEL H (1988) Geostatistical techniques for interpreting multivariate spatial
information. In: Chung CF et al.(eds) Quantitative Analysis of Mineral and Energy Resources, 393409, NATO ASI Series C 223, Reidel, Dordrecht, Hollande.
[99] WACKERNAGEL H (1991) Changement de maille et changement de support. In: Mullon
C (ed) SEMINFOR 4: Le Transfert dEchelle, 159171, Editions de lOrstom, Paris.
[100] WACKERNAGEL H & B UTENUTH C (1989) Caractrisation danomalies gochimiques
par la gostatistique multivariable. J. Geochem. Explor., 32, 437444.
[101] WACKERNAGEL H, P ETITGAS P & T OUFFAIT Y (1989) Overview of methods for coregionalization analysis. In: Armstrong M (ed) Geostatistics, 409420, Kluwer Academic
Publisher, Amsterdam, Holland.
[102] WACKERNAGEL H & S ANGUINETTI H (1992) Gold prospection with factorial cokriging in the Limousin, France. In: Davis JC & Herzfeld UC (eds) Computers in Geology:
25 years of progres. Studies in Mathematical Geology, Vol. 5, 3343, Oxford University
Press.
[103] WACKERNAGEL H, W EBSTER R & O LIVER MA (1988) A geostatistical method for segmenting multivariate sequences of soil data. In: Bock HH (ed) Classification and Related
Methods of Data Analysis, 641650, Elsevier (North-Holland), Amsterdam.
[104] W EBSTER R & O LIVER MA (1990) Statistical Methods in Soil and Land Resource Survey. Oxford University Press, Oxford.
[105] YAGLOM AM (1962) An Introduction to the Theory of Stationary Random Functions.
Dover, New York.
[106] YAGLOM AM (1986) Correlation Theory of Stationary and Related Random Functions.
Springer-Verlag, Berlin.
80