Introduction à la géostatistique

Avril 2006

1
Point de vue de la géostat

Z(x1)

Z(x2)

Gisement Z(x3)

Gisement => infinité de points ou très grand nombre de « quasi-points »

x : emplacement géographique
chaque point -> teneur -> Z(x)
chaque teneur -> v. a. (ensemble forme une fonction aléatoire (de x))

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)

1973 géostat linéaire non-stationnaire *

1975 géostat non-linéaire

1977 1er livre en anglais de géostat (M. David)

1980 géostat linéaire multivariable *

1985 simulations *
* Domaines encore actifs de recherche

Aujourd’hui, la géostat est appliquée dans une foule de domaines

(mines, pétrole, foresterie, agriculture, environnement,
hydrogéologie, géotechnique, pêches, biologie, biomédical,…)

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| =1 |h| =2 |h| =2

Z(x+h) Z(x+h) Z(x+h)

Z(x) Z(x) Z(x)

|h| Cov

On cherche si possible avoir au -Tolérance sur la direction

moins 30 points sur chaque -Tolérance sur le module
diagramme

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)

h=3 dir=0-180, Cov = 0.17

1

0.5

Z(x+h)
0

-0.5

Fonction de covariance
-1 0.2
-1 -0.5 0 0.5 1

h=8 dir=0-180, Cov = 0.085

1
0.15

0.5

Covariance
0.1
Z(x+h)

-0.5 0.05

-1
-1 -0.5 0 0.5 1
0

h=15 dir=0-180, Cov = -0.029

1

-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

h=3 dir=0-180, Cov = 0.16

1

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

Mesure la dispersion sur cette droite

11
Variogramme : définition

1
2
1
[
γ(h)= Var[Z(x) - Z(x + h)] = E (Z(x) - Z(x + h))2
2
]

Variogramme Covariance

m Constante Constante connue

Var Si existe = palier Doit exister = Cov(h=0)

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

N(h) : nombre de paires dans la direction considéré et dans la classe de distance h

14
 Exemple
h=1

1 2 3 4 3 2 1 1 3 2 3 1 2 4

h N(h) γ(h) h N(h) γ(h)

1 6 0.5 1 6 1.25
2 5 1.6 2 5 1.2
3 4 2.5 3 4 1.125
4 3 1.33 4 3 0.83

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

Effet pépite causé par le bruit ajouté 40

Notez comme la structure sous-jacente 50

demeure très visible 60

10 20 30 40 50
 donnees Variogramme
2
2
1.5
3 exmples en 1D

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

Ce n’est pas suffisant pour caractériser tous les aspects d’une

image ou d’un processus

e.g. on peut créer plusieurs images ayant même « m », même

variogramme et présentant pourtant des textures très différentes

20
Variogramme expérimental

γ(h)
?
?

|h|
h moyen dans
la classe

Dans les calculs géostat, on doit connaître Cov ou γ pour tout « h »

Modèle

21
 γ(h)

?
|h|

Non, le modèle doit être admissible

Modèle admissible : modèle assurant que

toute variance calculée à partir de celui-ci Modèles démontrés
est positive admissibles

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

Toute somme (coefficients positifs) de modèles de covariance est admissible

Tout produit (coefficients positifs) de modèles de covariance est admissible

Chaque modèle peut être isotrope ou anisotrope, les directions d’anisotropie

peuvent varier d’un modèle à l’autre

Un modèle peut être admissible en 1D et non-admissible en en 2D, 3D,….

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

Presque toujours présent mais

h
rarement seul
Effet de pépite pur =>
γ (h ) = 0 si h = 0 estimation impossible
C 0 si h > 0

27
 Sphérique
γ(h)

Modèle le + fréquent

e.g. teneur, épaisseur, …

Combiné avec effet pépite

h
0 si h = 0

  h  h  
3
γ (h ) = C 1.5 − 0.5  si 0 < h < a
 a   
a 
 
C
 si h ≥ a

28
 Exponentiel

Assez commun
γ(h)

Semblable au sphérique

a: portée effective γ(h)=0.95*C

  − | h |    − 3 | h | 
γ (h ) = C1 − exp   ou C1 − exp  
  a'     a  a’=a/3

29
 Gaussien

-Peu fréquent en mine

-Variables très continues :e.g.
topographie, gravimétrie, magnétisme,
épaisseur,…
- Problèmes numériques si absence
d’effet de pépite
γ(h)

a: portée effective γ(h)=0.95*C

h a’=a/30.5

   | h | 2     | h |  2 
γ (h ) = C1 − exp −     ou C1 − 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

=> somme de composantes isotropes et avec anisotropies géométriques

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

1.5 1.5 1.5

30
γ(h)

γ(h)

γ(h)
1 1 1

0.5 0.5 0.5 25

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

Gaussien isotrope a=7, C=0.5

M o d . a n i s o . 2 D : t y p e , a x a y , r o t ( t r i g o ) , c
1.5 3 7 7 0 0 . 5

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!

2000 2000 2000

γ(h)

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)

Modèle sphérique avec 50

1000
anisotropie géométrique 60

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:

 au moins 30 paires pour la plupart des points du variogramme

 4-6 points avant le palier pour pouvoir ajuster modèle
 h < hmax/2

• Doit avoir un minimum de données

>30 pour variogramme omnidirectionnel

>60 pour variogrammes directionnels

• Influence le choix de largeur des classes

36
 Vario. exp. (dir, dip, vreg) : (0,0,90)

Exemple 20

40
1

60 0.8
80

0.6

γ(h)
100

120

140 0.4 Variog. omni

160

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%;…

-Modèle permet de prédire les variances des composites de tailles différentes ?

-Modèle permet de prédire les variances des valeurs krigées ?

-Variogramme des log(teneurs) pour identifier les anisotropies possibles, la

(les) portée, l’importance approximative de l’effet de pépite

-Variogramme d’une transformation des teneurs (eg. rang), même chose que
les log

40