Académique Documents
Professionnel Documents
Culture Documents
Avril 2006
1
Point de vue de la géostat
Z(x1)
Z(x2)
Gisement Z(x3)
2
Historique de la géostatistique
1930-1950 Théorie des fonctions aléatoires (Kolmogorov, Wiener)
1955 Daniel Krige : approche empirique (régression) pour corriger
problèmes de biais conditionnel observé dans les mines
Pourquoi moins que prévu ?
Comment prévoir et tenir compte de l’effet support ?
1960-1970 Matheron (mines), Matern (foresterie), Gandin
(météorologie) développent ensemble d’outils => naissance de la
géostat linéaire stationnaire. Réponse aux questions de Krige.
Matheron donne le nom de « krigeage » à la méthode d’estimation
qu’il développe.
1970 Polytechnique est la 1ère Université en A. du N. à enseigner la
géostat (M. David)
3
Historique (suite)
4
Z(x1) Diagramme de dispersion
Z(x2) Z(x2)
Z(x1)
Gisement
Moyenne ? Variance ? Covariance?
+ hypothèse stationnarité
« h scattergram »
Z(x+h)
h
h h
h h
Z(x)
Gisement
« h1 scattergram »
Faire varier « h »
Z(x+h)
h1
h1 h1
h1 h1
Z(x)
Gisement
« h2 scattergram »
Z(x+h)
h2
h2
Z(x)
Gisement
6
« h » peut varier en direction et en module.
|h| Cov
7
Exemple
8
Avec tolérance de 0.5 sur |h| et 15o sur direction
9
En pratique, on ne s’intéresse qu’à la covariance (corrélation)
0.5
Z(x+h)
0
-0.5
Fonction de covariance
-1 0.2
-1 -0.5 0 0.5 1
0.5
Covariance
0.1
Z(x+h)
-0.5 0.05
-1
-1 -0.5 0 0.5 1
0
-0.05
2 4 6 8 10 12 14 16
0.5
o
h ±0.5 θ=0 ou 180 ±15
Z(x+h)
-0.5
-1
-1 -0.5 0 0.5 1
Z(x) 10
Le variogramme
0.8
0.6
0.4
0.2
Z(x+h)
-0.2
-0.4
-0.6
-0.8
-1
-1 -0.5 0 0.5 1
11
Variogramme : définition
1
2
1
[
γ(h)= Var[Z(x) - Z(x + h)] = E (Z(x) - Z(x + h))2
2
]
Variogramme Covariance
h Croît Décroît
12
Lien entre variogramme et covariance
2
γ (h ) = σ − Cov ( h )
Variogramme
Covariance
h
13
Variogramme expérimental
Choisir une direction + tolérance angulaire
Discrétiser |h| en classes distinctes
Répartir les paires dans les classes
1 N( h )
γ e (h) = ∑ [Z( xi ) - Z( xi + h)] 2
2 N(h) i =1
14
Exemple
h=1
1 2 3 4 3 2 1 1 3 2 3 1 2 4
3 3
2 .5 2 .5
2 2
1 .5 1 .5
1 1
0 .5 0 .5
0 0
0 1 2 3 4 5
0 1 2 3 4 5
Le variogramme décrit la continuité spatiale du phénomène
30
25
20
0o 45o 15
2 2
10
1.5 1.5
5
1 1
5 10 15 20 25 30
0.5 0.5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
o o
90 135
2 2
1.5 1.5
1 1
0.5 0.5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
16
10
20
30
0o 135o 40
3000 3000
50
2000 2000 60
10 20 30 40 50
1000 1000
0 0
0 5 10 15 20 25 0 5 10 15 20 25
90 o
45 o N
3000 3000
2000 2000
1000 1000
0 0
0 5 10 15 20 25 0 5 10 15 20 25
17
10
20
30
40
0o 135o 50
4000 4000
60
10 20 30 40 50
3000 3000
2000 2000 +
1000 1000 10
20
0 0
0 5 10 15 20 25 0 5 10 15 20 25
90o 45o
30
4000 4000 40
50
3000 3000
60
10 20 30 40 50
2000 2000
1000 1000
=
10
0 0
0 5 10 15 20 25 0 5 10 15 20 25 20
30
g(h)
0 1
Z
0.5
-2
0
50 100 150 200 0 50 100
donnees Variogramme
2
2
1.5
g(h)
Z 0 1
0.5
-2
0
50 100 150 200 0 50 100
donnees Variogramme
2
2
1.5
g(h)
0 1
Z
0.5
-2
0
50 100 150 200 0 50 100
x h
Le variogramme est une statistique d’ordre 2
20
Variogramme expérimental
γ(h)
?
?
|h|
h moyen dans
la classe
Modèle
21
γ(h)
?
|h|
22
Généralement,
γ(h)
+
Palier : σ2 = C0 + C
+ + +
+
+ +
Effet de pépite : C0
|h| Portée : a
23
Exemples de modèle
Gaussien Linéaire
Pépite Exponentiel
1 2
1 1
0.5 1
0.5 0.5
0 0
0 0 0 50 100 150 200 0 50 100 150 200
0 50 100 150 200 0 50 100 150 200
Linéaire avec palier Fractal avec b=1.5
Sphérique Circulaire
3
1
1 1
2
0.5
0.5 0.5
1
0 0 0 0
0 50 100 150 200 0 50 100 150 200 0 50 100 150 200 0 50 100 150 200
Gravimétrique Magnétique Fractal avec b=0.5 DeWijsien
1
6
1.5
1
1 4
0.5
0.5
0.5 2
0 0 0 0
0 100 200 300 400 500 0 100 200 300 400 500 0 50 100 150 200 0 50 100 150 200
Cubique Penta-sphérique (Christakos, 1984 p.264) Effet de trou cosinus Effet de trou sinus
1.5
1 1 2
1
0.5 0.5 1
0.5
0 0 0 0
0 50 100 150 200 0 50 100 150 200 0 50 100 150 200 0 50 100 150 200
24
Stein Whittle Quadratique (Alfaro, 1984) Stable (Lantuéjoul,1994)
1
1 1 1
0.5 0.5
0.5 0.5
0 0 0 0
0 100 200 300 400 500 0 100 200 300 400 500 0 50 100 150 200 0 100 200 300 400 500
Matern p.30, 2e, n=1 Matern p.30, 2e, n=3 Hyperbolique (Lantuéjoul, 1994) BK Matern, p.30, 4e, s=2
1
1 1 1
0.5
0.5 0.5 0.5
0 0 0 0
0 100 200 300 400 500 0 100 200 300 400 500 0 100 200 300 400 500 0 500 1000 1500
BJ Matern p.30, 3e, k=0 BJ Matern p.30, 3e, k=1 Christakos,1984, p.261 Christakos, 1984, p.262
1.5 1 1
1
1
0.5 0.5
0.5
0.5
0 0 0 0
0 100 200 300 400 500 0 500 1000 1500 0 100 200 300 400 500 0 100 200 300 400 500
BJ Matern p.30, 3e, k=2 Bessel 2: Mantoglou et Wilson Christakos, 1984, p.262 (74) Cosinus hyperbolique
1
1 1 1
0.5 0.5
0.5 0.5
0 0
0 0 0 50 100 150 200 0 100 200 300 400 500
0 500 1000 1500 0 100 200 300 400 500
25
Toute somme (coefficients positifs) de modèles de variogramme est admissible
26
Modèles de base en mine
Effet de pépite
-Erreurs de mesure
-Erreurs de localisation
-Erreurs d’analyse (Gy)
γ(h)
-Microstructure non-identifiable
dû au manque de données
27
Sphérique
γ(h)
Modèle le + fréquent
28
Exponentiel
Assez commun
γ(h)
Semblable au sphérique
29
Gaussien
h a’=a/30.5
| h | 2 | h | 2
γ (h ) = C1 − exp − ou C1 − exp − 3
a' a
30
b
h
b=1
b=1.4
b=0.6
-Modèles sans palier
γ(h)
-Moyenne, variance et
covariance non définies
b
| h |
γ (h ) = C | h |> 0, 0 ≤ b < 2
a
31
Anisotropies
1- Géométrique : les portées décrivent une ellipse
ap ag
θ
aga p
aθ = 1/ 2
{a 2p 2
cos θ + a g2 2
sin θ }
θ = 60
θ = 45
θ = 90
θ = 30
θ=0
32
2- zonale : toute anisotropie qui n’est pas géométrique
Vario. exp. (dir, dip, vreg) : (0,0,0) Vario. exp. (dir, dip, vreg) : (45,0,0) Vario. exp. (dir, dip, vreg) : (90,0,0)
2 2 2
γ(h)
γ(h)
1 1 1
0 0 0
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 20
h h h
Vario. exp. (dir, dip, vreg) : (135,0,0)
2
15
3 1 7 1 . 0 4 9 e + 0 0 9 4 5 1 . 5 10
γ(h)
1 3 - g a u s s i e n
3 - g a u s s i e n
+
0.5
Gaussien aniso géom. 5
0
0 5 10 15 20 a45=17 5 10 15 20 25 30
h
a135=∞
Ajustement assez bon pour 0-5 pixels dans toutes les directions
Oh non, je ne
vais pas encore
0o
Vario. exp. (dir, dip, vreg) : (0,0,0)
135o
Vario. exp. (dir, dip, vreg) : (45,0,0)
90o
Vario. exp. (dir, dip, vreg) : (90,0,0) me faire
3000 3000 3000
variographer!
γ(h)
γ(h)
1000 1000 1000
10
0 0 0
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
20
Vario. exp. (dir,45
h 0
dip, vreg) : (135,0,0) h h
3000 30
2000 40
γ(h)
0
a(45)=20.4, a(135)=13.8 10 20 30 40 50
0 5 10
h
15 20
N
34
Stratégie de modélisation
Définition minutieuse du domaine
Examen des données, données extrêmes ?
Au besoin sous-échantillonnage des données pour éviter de sur-représenter
des zones particulières
Variogramme omnidirectionnel => modèle isotrope candidat
Déterminer directions géologiques principales
Calculer variogrammes directionnels (au moins 4 directions) attention aux
paramètres de calculs (classes de distance et tolérance)
Comparer variogrammes directionnels au modèle isotrope candidat
acceptable => terminé
Inacceptable => ajuster un modèle anisotrope (géométrique)
anisotrope (géométrique) acceptable => terminé
Inacceptable => anisotropie zonale ?
Dans tous les cas, il importe surtout d’ajuster les premiers points du variogramme
Éviter de « surajuster » les données
35
Remarques concernant le calcul des variogrammes
Objectifs:
36
Vario. exp. (dir, dip, vreg) : (0,0,90)
Exemple 20
40
1
60 0.8
80
0.6
γ(h)
100
120
180
0.2
200
50 100 150 200
0
0 10 20 30 40 50
h
Vario. exp. (dir, dip, vreg) : (0,0,0) Vario. exp. (dir, dip, vreg) : (45,0,0) Vario. exp. (dir, dip, vreg) : (90,0,0)
1 1 1
γ(h)
γ(h)
γ(h)
0.5 0.5 0.5
0 0 0
0 20 40 60 0 20 40 60 0 20 40 60
h h h
Vario. exp. (dir, dip, vreg) : (135,0,0)
Variog. directionnels
γ(h)
0.5
0
0 20 40 60
h
N=30 N=60 N=200
Vario. exp. (dir, dip, vreg) : (0,0,90) Vario. exp. (dir, dip, vreg) : (0,0,90)
Vario. exp. (dir, dip, vreg) : (0,0,90)
1.5 1.5
52 38 137 1
59 341459522
78 46 89 105 593615 769
1 1 0.8 721
38 70
64
273
γ(h)
0.6
γ(h)
76
γ(h)
164
0.5 14 0.5 0.4
Effet de 16 51
pépite 0.2
apparent 0 0
0
0 50 100 150 0 20 40 60
0 20 40 60
h h
h
100 100
100
50 50
50
0 0
0
-50 -50
-50
-100 -100
-100 -50 0 50 100 -100 -50 0 50 100 -100
-100 -50 0 50 100
38
N=40000 N=200
Vario. exp. (dir, dip, vreg) : (0,0,0) Vario. exp. (dir, dip, vreg) : (45,0,0) Vario. exp. (dir, dip, vreg) : (90,0,0) Vario. exp. (dir, dip, vreg) : (0,0,22.5) Vario. exp. (dir, dip, vreg) : (45,0,22.5) Vario. exp. (dir, dip, vreg) : (90,0,22.5)
1 1 1 1 89 126 1 79 1
212 121113149 171 200
66 159156154 62 147 96 139
161 181 152
46
172
γ(h)
γ(h)
γ(h)
174
γ(h)
γ(h)
γ(h)
82
0.5 0.5 0.5 0.5 1539 0.5 14 0.5 72
39
5
0 0 0 0 0 0
0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60 0 20 40 60
h h h h h h
Vario. exp. (dir, dip, vreg) : (135,0,0) Vario. exp. (dir, dip, vreg) : (135,0,22.5)
1 1
91 Ajustement ± bon;
111136 183
116
143207 ne peut être
amélioré sans
γ(h)
γ(h)
0.5 0.5
40 73 altérer les autres
17 ajustements
0 0
0 20 40 60 0 20 40 60
h h
Autres outils utiles
-Validation croisée de modèles candidats (krigeage); eg. Tester un modèle
isotrope vs anisotrope; tester un effet de pépite de 10% vs 30%;…
-Variogramme d’une transformation des teneurs (eg. rang), même chose que
les log
40