LE KRIGEAGE : LA MTHODE OPTIMALE

DINTERPOLATION SPATIALE
Yves Gratton
INSTITUT NATIONAL DE LA RECHERCHE SCIENTIFIQUE
INRS-Eau-Terre-Environnement
B.P. 7500, Qubec, Qc, Canada, G1V4C7
Yves_Gratton@inrs-ete.uquebec.ca

Nous prsentons une introduction informelle la mthode destimation (interpolation) spatiale connue sous
le nom de Krigeage. La notion de variogramme est introduite et discute. La supriorit du Krigeage est
illustre laide dun exemple simple.
Mots cls : Krigeage, gostatistiques, analyse objective, interpolation spatiale, interpolation optimale,
interpolation de Gauss-Markov.

1. INTRODUCTION
Lobjectif de cet article est de prsenter informellement les principes de la mthode dinterpolation
spatiale connue sous le nom de Krigeage . Le
Krigeage est la mthode optimale, au sens statistique
du terme, destimation. On peut lutiliser autant pour
linterpolation que lextrapolation. Ici nous nous
restreindrons linterpolation et lextrapolation
spatiales en deux dimensions. Le Krigeage porte le
nom de son prcurseur, lingnieur minier
sud-africain D.G. Krige. Dans les annes 50, Krige1 a
dvelopp une srie de mthodes statistiques
empiriques afin de dterminer la distribution spatiale
de minerais partir dun ensemble de forages. Cest
cependant le franais Matheron2 qui a formalis
lapproche en utilisant les corrlations entre les
forages pour en estimer la rpartition spatiale. Cest
lui qui a baptis la mthode Krigeage . Il a aussi
t le premier a utiliser le terme gostatistiques
pour dsigner la modlisation statistique de donnes
spatiales. Les mmes ides ont t dveloppes
paralllement en URSS par L.S. Gandin3. Gandin a
baptis sa mthode interpolation optimale . Il a
introduit la notion d analyse objective pour
dcrire cette approche base sur les corrlations.
Cest le nom sous lequel la mthode est connue en
mtorologie. En ocanologie, la mthode a t
introduite par Bretherton et al.4 et elle est connue
sous le nom de mthode dinterpolation de
Gauss-Markov , daprs le nom quon lui donne

formellement dans les livres de statistiques (voir

Liebelt5, par exemple). Dans les prochaines sections,
nous prsenterons une description du variogramme,
le cur du Krigeage. Suivront une prsentation du
Krigeage ordinaire, un exemple illustrant la
supriorit de la mthode, ainsi que la conclusion.

2. LE VARIOGRAMME
Linterpolation spatiale est un problme classique
destimation dune fonction F(x), o x = (x,y), en un
point xp du plan partir de valeurs connues de F en
un certain nombre, m, de points environnants xi:
m

F( xp) = Wi F( xi )

(1)

i =1

Le problme consiste dterminer la pondration,

i.e. les Wi, de chacun des points environnants. Il
existe plusieurs faons de choisir ces poids. Les deux
mthodes les plus connues sont linterpolation
linaire (en fonction de linverse de la distance) et la
mthode des splines cubiques (ajustement de
polynmes cubiques). Le Krigeage choisit plutt les
poids partir du degr de similarit entre les valeurs
de F, i.e. partir de la covariance entre les points en
fonction de la distance entre ces points.
Un utilisateur srieux du Krigeage se doit de bien

Gratton Y., les articles de lInstitut dAnalyse Gographique, Juin 2002, www.iag.asso.fr

connatre les conditions dutilisation de la mthode.

Ici, nous dirons simplement que la seule condition
indispensable pour utiliser le Krigeage est que la
moyenne et la variance (voir lAnnexe) de la fonction
F soient stationnaires, cest--dire quelles ne
dpendent pas de la position des points, seulement de
la distance entre les points. Le variogramme est alors
simplement la variance totale moins la covariance, en
fonction de la distance entre les points. Le livre de
Journel et Huijbregts6 prsente une excellente
description formelle du variogramme (et aussi du
Krigeage), tout en maintenant le niveau mathmatique son minimum. Le Krigeage utilisera alors le
semi-variogramme (la moiti du variogramme) pour
dterminer les poids dans lquation (1). Le semivariogramme est calcul laide de lquation (2)
pour les n(h) points xi et yi spars par une distance h
= | xi - y i | :

1 n (h )
(h ) =
(xi yi )2
2n (h ) i=1

(2)

La figure 1 prsente un exemple de semi-variogramme (h). Il suffit dajuster une fonction

analytique tous ces points laide de la mthode
des moindres carrs et nous obtenons alors une
fonction continue caractrisant compltement la
semi-variance en fonction de la distance entre les
points.

leurs comportements. Le choix du semi-variogramme doit ensuite tre valid par des tests statistiques.

3. LE KRIGEAGE ORDINAIRE
Le Krigeage consiste ensuite calculer les Wi de
lquation (1) l'aide des valeurs de la fonction (h)
correspondant aux m points choisis. Il existe trois
types de Krigeage univari (i.e. une seule variable) :
le Krigeage simple, le Krigeage ordinaire et le
Krigeage universel. La diffrence entre ces types
d'estimation rside dans la connaissance de la
statistique de la variable interpoler :
(1) Krigeage simple : variable stationnaire de
moyenne connue;
(2) Krigeage ordinaire : variable stationnaire de
moyenne inconnue et
(3) Krigeage universel : variable non-stationnaire
(qui contient une tendance).
Ici, nous nous restreindrons au Krigeage ordinaire,
aussi appel Krigeage ponctuel par certains auteurs,
car il est le plus frquemment utilis. La mthode
consiste dterminer la combinaison de poids, i.e. la
combinaison des Wi de lq. (1), qui garantit que les
semi-variances calcules laide du point cible xp se
retrouveront sur la courbe de la figure 1. Les poids
sont obtenus en multipliant les Wi, pour chacun des
m points, par chacune des m semi-variances
associes ce point (les lignes de la matrice A de lq.
(3)). Le problme sexprime finalement sous la
forme du systme de m+1 quations linaires m+1
inconnues suivant (Davis 1986)

AW = B

Figure 1. Exemple de semi-variogramme. Les points (cercles)

sont obtenus laide de lq. (2) pour lensemble des distances h
possibles, o h = |xi - yi|. Une fonction continue (la ligne
continue) a ensuite t ajuste laide de la mthode des
moindres carrs.

Le choix et lajustement dune fonction au semivariogramme est la partie la plus dlicate du

Krigeage : cest presquun art plutt quune science.
Le lecteur est une fois de plus renvoy au livre de
Journel et Huijbregts6 qui prsente, mon avis, la
meilleure discussion des types de variogramme et de

(3)

(h11) (h12 )
(h 21) (h 22 )

o A = ...
...

(hm1) (hm 2 )
1
1
W1
W2

W = ...

Wm

et

... (h1m ) 1
... (h 2 m ) 1

...
...
... ,

... (hmm ) 1
...
1
0
( h1 p )
( h 2 p)

B = ... .

( hmp)
1

Gratton Y., les articles de lInstitut dAnalyse Gographique, Juin 2002, www.iag.asso.fr

Les (hij) sont les valeurs du semi-variogramme qui

correspondent la distance hij entre les points xi et xj.
Les (hij) ont dj t calculs partir des donnes
laide de lq. (2), tandis que les (hip) sont calculs
laide de la fonction analytique qui a t ajuste aux
points au semi-variogramme de la fig. 1. Pour que la
solution soit non-biaise, la somme des poids, les Wi,
doit tre gale 1. Cette dernire contrainte introduit
un degr de libert supplmentaire dans le problme.
Ce degr supplmentaire est utilis en ajoutant une
variable libre, (un multiplicateur de Lagrange),
dans le but de minimiser l'erreur d'estimation. Le
vecteur W est obtenu en multipliant les deux cts de
l'quation (3) par l'inverse de la matrice A. La valeur
recherche au point xp est ensuite calcule en
utilisant les valeurs connues de F, les F(xi), l'aide de
l'quation (1).

Dans le but de vrifier lefficacit de la mthode,

nous (Gratton et al.8) avons chantillonn cette
fonction laide de la grille irrgulire que nous
avions utilise lors dune campagne ocanographique en mer dAlborn (en Mditerrane occidentale).
Les figures 3a et 3b prsentent deux estimations des
contours de la fonction F(R) obtenues en calculant
les pondrations laide de la mthode de la distance
inverse et par Krigeage. La grille irrgulire dchantillonnage est aussi reproduite sur ces figures.
Autrement dit, nous tentons de reproduire, par interpolation et extrapolation, les contours parfaitement
circulaires de la figure 2, partir des valeurs de F(R)
calcules aux points identifis sur les figures 3a,b.

La variance de l'estimation s 2p , c'est--dire le carr

de l'erreur standard en chaque point, est obtenue par
la relation

s2p = W T B .

(4)

o le T indique qu'il faut utiliser la transpose du

vecteur W. Si nous supposons que les erreurs
d'estimation sont normalement distribues autour de
la vraie valeur, alors la probabilit que la vraie valeur
soit F(xp) sp est de 68%, tandis que la probabilit
que la vraie valeur soit F(xp) 2sp est de 95% (Davis
1986).

4. EXEMPLE DE KRIGEAGE ORDINAIRE

La figure 2 propose les contours de la fonction

F( R ) =

sin R
, o R
R

= ( x 2 + y 2 )1 / 2

(5)

Figure 2. Contours de F(R), o F(R) est dfini par lq. (5)

Figure 3a. Estimation de la fonction F(R) laide dune

interpolation linaire base sur linverse de la distance. La grille
irrgulire dchantillonnage est aussi prsente.

On observe que linterpolation laide du Krigeage

est de beaucoup suprieure lautre. De plus, le
Krigeage nous permet dobtenir une estimation
raisonnable de la fonction lextrieur
(extrapolation) de la grille dchantillonnage. Il est
aussi possible (et souhaitable) de tracer les contours
de lerreur destimation donne par lq. (4).

Figure 3b. Mme chose que la figure 3a, mais laide du

Krigeage ordinaire.

Gratton Y., les articles de lInstitut dAnalyse Gographique, Juin 2002, www.iag.asso.fr

5. DISCUSSION ET CONCLUSIONS
Nous avons prsent une introduction informelle au
Krigeage et son outil privilgi, le semivariogramme. Nous avons eu recours un exemple
en deux dimensions mais le Krigeage sapplique tout
aussi bien en trois dimensions. Lors du calcul du
variogramme, nous avons utilis le fait, sans
lnoncer, que le variogramme tait isotrope,
cest--dire que la variabilit tait la mme dans les
toutes les directions du plan. Ce nest gnralement
pas le cas. Lorsque cela se produit, nous devons
dfinir un variogramme pour chacun des axes du
plan. De plus, nous avons utilis tous les
points disponibles pour calculer les Wi : la plupart
des logiciels de contouring nen utilise quun sousensemble. Davis7 prsente une description des diffrentes mthodes de contouring. Finalement, il existe
une version multivarie (i.e. plusieurs variables
distinctes) du Krigeage. Le lecteur intress est invit
consulter larticle de Marcotte9 et le livre de
Deutsch and Journel10 qui nous proposent des
logiciels crits en Matlab et en Fortran,
respectivement. Nous (Gratton et Lafleur11) les avons
runis en une seule bote outils en Matlab. Il existe
cependant plusieurs autres logiciels gratuits aussi
disponibles sur Internet. Le site suivant de lUniversit de Lausanne, entre autres, est un excellent
point de dpart pour obtenir plus dinformations sur
les logiciels disponibles :
http://www.ai-geostats.org/.
Le Krigeage est la mthode optimale, au sens
statistique, dinterpolation et dextrapolation. Cest
la mthode destimation la plus prcise.
Contrairement toutes les autres mthodes, elle nous
permet aussi de calculer lerreur destimation. Il faut
cependant ajouter que dans plusieurs cas, et
spcialement dans le cas dune grille rgulire
dchantillonnage, la mthode des splines cubiques
produit des rsultats peu prs quivalents ceux
obtenus par Krigeage12, tout en tant plus rapide et
plus simple utiliser. Si la prcision des rsultats est
importante, le Krigeage demeure, mme dans ce
dernier cas, la mthode de prdilection.

ANNEXE : Moments dordre un et deux

Une variable alatoire, Z(x) o x est le vecteur (x,y),
est une fonction qui prend un ensemble de valeurs ou
de ralisations selon une distribution de probabilits
quelconque. Ces ralisations peuvent tre des tempratures, des concentrations de minerai, labondance

de zooplancton, etc. Une fonction alatoire est un

ensemble de variables alatoires dfinies sur une
rgion dintrt : {Z(x), x une zone d'tude}. Les
deux premiers moments dune fonction alatoire sont
Moment dordre un ou lesprance mathmatique.
La moyenne:

m(x) = E{Z(x)}

Moments du second ordre.

a) La variance:

Var{Z(x)} = E{ [Z(x) - m(x)]2 }

b) La covariance: C(x1,x2) = E{ [Z(x1)-m(x1)]

[Z(x2) - m(x2)] }
c) Le variogramme: 2(x1,x2) = Var{ Z(x1) - Z(x2) }
Si la fonction alatoire est stationnaire, alors
Var{Z(x)} = E{Z(x) - m2} = C(0) et
(h) = E{[Z(x+h) - Z(x)]2} = C(0) - C(h).
REFERENCES
1) Krige, D.G. A statistical approach to some basic mine
valuation problems on the Witwatersrand. 1951. J. of Chem.,
Metal. and Mining Soc. of South Africa, 52, 119-139.
2) Matheron, G. 1963. Principles of Geostatistics. Economic
Geol., 58, 1246-1268.
3) Gandin, L.S. 1965. Objective Analysis of Meteorological
fields. Isral Program for Scientific Translations, No. 1373,
242 p.
4) Bretherton, F.B., R.E. Davis and C.B. Fandry. 1976. A
technique for objective analysis and design of oceanographic
experiments applied to MODE-73. Deep-Sea Res., 23,
559-582.
5) Liebelt, P.B. 1967. An introduction to Optimal Estimation,
Addison-Wesley, 267 p.
6) Journel, A.G. and C.J. Huijbregts. 1978. Mining
Geostatistics. Academic Press, 600 p.
7) Davis, J. C. 1986. Statistics and Data Analysis in Geology.
2nd ed, John Wiley & Sons. New York, 289 p.
8) Gratton, Y., L. Prieur, R.G. Ingram, et C. Lafleur. 2002. Les
courants en mer dAlborn Est pendant la campagne
Almofront-I. Rapport interne, INRS-ETE.
9) Marcotte, D. 1991. Cokriging with MATLAB. Computers
& Geosciences, 17(9): 1265-1280.
10) Deutsch, C.V. et A.G. Journel. 1992. GSLIB - Geostatistical
Software Library. Oxford Univ. Press, New York, 340 p.
11) Gratton, Y. et C. Lafleur . 2001. Le Matlab Kriging Toolbox.
Version 4.0. Manuel de rfrence, INRS-ETE. Le logiciel est
disponible gratuitement ladresse suivante :
http://www.inrs-ete.uquebec.ca/activites/repertoire/
yves_gratton/krig.htm
12) Dubrule, O. 1984. Comparing Splines and Kriging.
Computers & Geosciences, 10(2-3): 327-33.

Gratton Y., les articles de lInstitut dAnalyse Gographique, Juin 2002, www.iag.asso.fr