Faculté des Sciences Mathématiques

Physiques et Naturelles de Tunis

Geostatistics Géostatistique
LAGTE3
IGS4
Master fondamentale en géologie
ALOUI T.

Faculté des Sciences Mathématiques

Physiques et Naturelles de Tunis

Geostatistics Géostatistique
1- Generalities 1- Généralités
2- Correlogram 2- Corrélogramme
3- Covariance 3- Covariance
4- Semi-variogram 4- Semi-variogramme

1
 Faculté des Sciences Mathématiques
Physiques et Naturelles de Tunis

Geostatistics Géostatistique
1- Generalities 1- Généralités
2- Correlogram 2- Corrélogramme
3- Covariance 3- Covariance
4- Semi-variogram 4- Semi-variogramme

Tobler’s first law La première loi de Tobler

“All things are similar, but nearby things are “Toutes choses sont similaires, mais les choses
more similar than distant things.” proches sont plus semblables que les choses
lointaines.«

 Extending the concept of correlation by  L'extension de la notion de corrélation en

incorporating space. Remember, however,
that the concept of spatial autocorrelation is
actually more related to that of variance than
of correlation since we are examining the
nature of the variability of a variable with itself
through space.
intégrant l'espace. Rappelons, cependant, que
la notion d'auto-corrélation spatiale est en
réalité plus liée à celle de la variance de la
corrélation puisque nous examinons la nature
de la variation d'un paramètre avec lui-même
dans l'espace.

2
 Regionalized variables
A variable that takes on values according to its
spatial location is known as a regionalized
variable.
Considering a variable z measured at location
i, we can partition the total variability in z into
three components:
z(i) = f(i) + s(i) + ε
Where:
f(i) is some coarse-scale forcing or trend in the data
s(i) is local spatial dependency
ε is error variance (presumed normal)
Regionalized variables
 Regionalized variables are variables that fall
between random variables and completely
deterministic variables.
 Typical regionalized variables are functions
describing variables that have geographic
distributions as the elevation of ground
surface. Unlike random variables, regionalized
variables exhibit spatial continuity; however,
the change in the variable is so complex that
they cannot be described by any deterministic
function.
 The variogram is used to describe
regionalized variables
Variables régionalisées
Une variable qui prend des valeurs en fonction
de sa localisation spatiale est connue comme
une variable régionalisée.
Considérant une variable z mesurée à
l'emplacement i, on peut partitionner la
variabilité totale de z en trois composantes :
z(i) = f(i) + s(i) + ε
Où :
f(i) est effet d’une grande échelle ou d’une
tendance dans les données
s(i) est la dépendance spatiale locale
ε est la variance de l'erreur (présumé normal)
5
Variables régionalisées
 Variables régionalisées sont des variables
qui sont comprises entre des variables
aléatoires et les variables complètement
déterministes.
 Variables régionalisées typiques sont des
fonctions décrivant les variables qui ont des
répartitions géographiques telles que
l’élévation de la surface du sol. À l'inverse
des variables aléatoires, les variables
régionalisées présentent une continuité
spatiale, mais le changement de la variable
est très complexe qu'ils ne peut pas être
décrite à l’aide d’une fonction
déterministe.
 Le variogramme est utilisé pour décrire des
6
variables régionalisées
3
 Regionalized variables
Remark
Observed data are a single realization of the
random field, Z(x).
Variogram
The geostatistical measure that describes the
rate of change of the regionalized variable is
known as the semivariance or semivariogram.
Semivariance is used for descriptive analysis
where the spatial structure of the data is
investigated using the semivariogram and for
predictive applications where the
semivariogram is fitted to a theoretical model,
parameterized, and used to predict the
regionalized variable at other non-measured
points (kriging).
Variables régionalisées
Remarque
Les données observées sont une réalisation
singulière du champ aléatoire Z(x).
Variogramme
La mesure géostatistique qui décrit le taux de
variation de la variable régionalisée est
connue comme la semi-variance ou semi-
variogramme.
La semi-variance est utilisée pour l'analyse
descriptive où la structure spatiale des
données est étudiée en utilisant le semi-
variogramme et pour des applications
prédictives où le semi-variogramme est
équipé d'un modèle théorique, paramétré et
utilisé pour prédire la variable régionalisée à
d'autres points non mesurées (krigeage) .
4
 Variogram
Aims:
 Gives information about the nature and
structure of spatial dependency in a random
field → must be es mated from the data
 Estimating a semivariogram:
1. Derive empirical estimate from data
2. Fit theoretical semivariogram
model to empirical estimate
3. Evenness
4. Passes through the origin
5. Conditionally negative-definite
Variogram
Stationarity :
Autocorrelation assumes stationarity, meaning
that the spatial structure of the variable is
consistent over the entire domain of the
dataset. The stationarity of is second-order
interest (weak) stationarity, requiring that:
1- the mean is constant over the region
2- variance is constant and finite; and
3- covariance depends only on between-
sample spacing,
 In many cases this is not true because of
larger trends in the data
 In these cases, the data are often
detrended before analysis.
 One way to detrend data is to fit a
regression to the trend, and use only the
residuals for autocorrelation analysis
Variogramme
Objectives :
 Fournir des informations sur la nature
et la structure de dépendance spatiale dans
un espace aléatoire → doit être es mée à
partir des données
 L'estimation d'un semivariogramme :
Tirer une estimation empirique à partir
de données
1. Ajuster un modèle de variogramme
théorique à une estimation
empirique
2. Régularité
3. Passe par l'origine
4. Conditionnellement négative
définitive
9
Variogramme
Stationnarité :
L’autocorrélation suppose la stationnarité, ce
qui signifie que la structure spatiale de la
variable est homogène sur l'ensemble des
données. La stationnarité à un intérêt de
second ordre (faible), ce qui nécessite que :
1 - la moyenne est constante dans la région
2 - la variance est constante et finie, et
3 - la covariance ne dépend que de la distance
entre les échantillons,
 Dans de nombreux cas, ceci n'est pas vrai à
cause des grandes tendances dans les données
 Dans ces cas, les données sont souvent
redressée avant l'analyse.
 Une façon de redressement de données
consiste à ajuster une régression à la tendance,
et utiliser uniquement les résidus pour l'analyse 10
de l'autocorrélation
5
 Variogram
Isotropy:
Autocorrelation also assumes isotropy,
meaning that the spatial structure of the
variable is consistent in all directions.
Often this is not the case, and the variable
exhibits anisotropy, meaning that there is a
direction-dependent trend in the data.
 If a variable exhibits different ranges in
different directions, then there is a geometric
anisotropy.
For example, in a dune deposit, larger range in
the wind direction compared to the range
perpendicular to the wind direction.
Variogram
 The nugget (effect) is the semivariance at a
distance (0, 0), (value at which the curve
intersects the y-axis)
 The sill is the value at which the
semivariogram levels off (asymptotic value)
 The range is the distance at which the
semivariogram levels off (the spatial extent of
structure in the data)
Variogramme
Isotropie :
L’autocorrélation suppose également
l’isotropie, ce qui signifie que la structure
spatiale de la variable est uniforme dans
toutes les directions.
Ceci n’est pas souvent le cas, et la variable
montre une anisotropie, ce qui signifie qu'il y
a une tendance de dépendance à la direction
dans les données.
 Si un paramètre présente différentes
variations avec la direction, ceci implique qu’ il
y a une anisotropie géométrique.
Par exemple, dans un dépôt de dunes, le plus large
éventail coïncide avec la direction du vent comparé 11
à
celui qui lui est perpendiculaire.
Variogramme
 La pépite (effet) est la semi-variance à une
distance (0, 0), (valeur pour laquelle la courbe
coupe l'axe y)
 Le seuil ou palier est la valeur à laquelle les
niveaux du semi-variogramme s’annulle
(valeur asymptotique)
 La portée est la distance en deçà de
laquelle la dépendance spatiale est apparente
(l'étendue spatiale de la structure dans les
données)
12
6
 Kriging
Kriging is a spatial interpolation technique
based on semi-variograms. Unlike every other
spatial interpolation technique, kriging
provides a map that shows you the
uncertainty associated with the prediction.
Krigeage
Krigeage est une technique d'interpolation
spatiale basée sur des semi-variogrammes.
Contrairement à toutes les techniques
d'interpolation spatiale, le krigeage fournit
une carte qui vous montre l'incertitude
associée à la prédiction.

13

Spatial continuity
Continuité spatiale
One of the distinguishing characteristic of Une des caractéristiques qui distingue les de
earth science data sets is thier pattern of données des sciences de la terre est leur
spatial continuity. structure de continuité spatiale.

Alors, c’est quoi la continuité spatiale et peut-

So what is spatial continuity and can we on la quantifier?
quantify it?

14

7
 Integrating GIS and spatial statistics
Intégration des SIG et des statistiques spatiales
Role of space Rôle de l'espace
- an organizing dimension for information - Une dimension d'organisation de
- a source of context and linkage l'information
- an explanatory variable - une source de contexte et de liaison
- a problem it self - une variable exploratoire
- un problème en lui-même
Terminology
- lattice Terminologie
- gride - lattice
- support - grille
- drift - support
- topology - dérive
- layer - topologie
- coverage - couche
- region - couverture
-… - région
- ...
Software
Logiciels
(See software section) 15
(Consulter la section logiciels)

Spatial continuity
Continuité spatiale
Consider the following example: Prenons l'exemple suivant :

Stream profile 1 Stream profile 2

Sediment samples collected at 5 m intervals Sediment samples collected at 5 m intervals
Profil du cours 1 Profil du cours 2
Echantillons de sédiments prélevés à des Echantillons de sédiments prélevés à des
16
intervalles de 5 m intervalles de 5 m

8
 Spatial continuity
Continuité spatiale

2
Sand (%), sable (%) 1,5
Stream 1 1
Cours 1 0,5
0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

2
Sand (%), sable (%)

1,5
Stream 2 1
Cours 2 0,5
0
0 20 40 60 80 100 120 140 160 180 200
Distance (m) 17

Spatial continuity
Continuité spatiale
Stream 1
Cours 1
2
Sand (%), sable (%)

1,44
1,5 1,061,09 1,11 1,04
1,191,17
1,291,24
1,14
0,98 1,02 1 0,98
0,92 0,95 0,87 0,92 0,9 0,870,890,84
1 0,740,82 0,77 0,810,84 0,7 0,680,760,790,68
0,56 0,54
0,470,44 0,41
0,36 0,3
0,5 0,16

0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

Stream 2
Cours 2
2
Sand (%), sable (%)

1,5 1,061,04
1,2
1,29
1,06
1,16
1,04
1,12
1,24
0,98 1,01 0,940,92
0,92 0,89 0,86
0,82 0,77 0,81 0,840,810,83
1 0,54 0,6
0,8 0,76
0,66 0,71 0,720,69 0,71 0,740,67
0,490,52 0,53
0,43 0,43
0,5 0,17
0,29

0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

18

9
 Classical statistics is La statistique classique
not able to detect n’est pas en mesure de
détecter les variations
spatial variations in spatiales de la
the distribution of répartition de la
sand fraction in the fraction sableuse dans
two rivers les deux cours d’eau

Geostatistics Géostatistique

19

Faculté des Sciences Mathématiques

Physiques et Naturelles de Tunis

Geostatistics Géostatistique
1- Generalities 1- Généralités
2- Correlogram 2- Corrélogramme
3- Covariance 3- Covariance
4- Semi-variogram 4- Semi-variogramme

20

10
Stream 1
Cours 1
Lag 1 statistcs
Statistique du lag 1
Sand, Sable Tail/Queue Head/Tête
0,74 0,74 0,82
0,82 0,82 0,92
0,92 0,92 0,95
0,95 0,95 1,06
1,06 1,06 1,09 2

Sand (%), sable (%)

1,09 1,09 1,11 1,44
1,11 1,11 0,98 1,5 1,06 1,09 1,11 0,98 1,04
1,19 1,17
1,29 1,24
1,14
0,98 0,98 0,87 1,02 1 0,98
0,92 0,95 0,87 0,92 0,9 0,87 0,89 0,84
0,82 0,77 0,81 0,84
0,87 0,87 0,77 1 0,74 0,7 0,68 0,76
0,79
0,68
0,56 0,54
0,77 0,77 0,81 0,47 0,44
0,36 0,41
0,81 0,81 0,84 0,5 0,16
0,3

0,84 0,84 0,92

0,92 0,92 1,04 0
1,04 1,04 0,9
0,9 0,9 1,02 0 20 40 60 80 100 120 140 160 180 200
1,02 1,02 1,19
1,19 1,19 1,17
Distance (m)
1,17 1,17 1,44
1,44 1,44 1,29
1,29 1,29 1,24
n=39 1,24 1,24 1
1 1 1,14 Lag 1
1,14 1,14 0,98
0,98 0,98 0,87
0,87 0,87 0,89 2
0,89 0,89 0,84
0,84 0,84 0,7
1,5
Head/Tête

0,7 0,7 0,68

0,68 0,68 0,76
0,76 0,76 0,79
0,79 0,79 0,68 1
0,68 0,68 0,56
0,56 0,56 0,47 y = 0,9431x + 0,0375
0,47 0,47 0,44
0,5
0,44 0,44 0,36
R² = 0,806
0,36 0,36 0,16
0,16 0,16 0,41
0
0,41
0,54
0,41
0,54
0,54
0,3
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6
0,3 0,3
Moyenne 0,8435 0,846
SD 0,283 0,286
Tail / Queue 21
R2 0,806
R 0,897

Stream 1
Cours 1
Lag 2 statistcs
Statistique du lag 2
Sand, Sable Tail/Queue Head/Tête
0,74 0,74 0,92 2
Sand (%), sable (%)

0,82 0,92 1,06 1,44

0,92 1,06 1,11 1,5 1,06 1,09 1,11 0,98 1,04
1,19 1,17
1,29 1,24
1,14
1,02 1 0,98
0,95 1,11 0,87 0,92 0,95 0,87 0,92 0,9 0,87 0,89 0,84
0,74 0,82 0,77 0,81 0,84
1,06 0,87 0,81 1 0,7 0,68 0,76
0,79
0,68
0,56 0,54
1,09 0,81 0,92 0,47 0,44
0,36 0,41
1,11 0,92 0,9 0,5 0,16
0,3

0,98 0,9 1,19

0,87 1,19 1,44 0
0,77
0,81
1,44
1,24
1,24
1,14
n1=19 0 20 40 60 80 100 120 140 160 180 200
0,84 1,14 0,87
0,92 0,87 0,84 Distance (m)
1,04 0,84 0,68 2
Sand (%), sable (%)

0,9 0,68 0,79 1,44

1,02 0,79 0,56 1,5 1,06 1,09 1,11 1,04
1,191,17
1,29 1,24
1,14
0,98 1,02 1 0,98
1,19 0,56 0,44 0,92 0,95 0,87 0,92 0,9 0,870,89 0,84
1,17 0,44 0,16 1 0,74 0,82 0,77 0,81 0,84 0,7 0,68 0,76
0,79
0,68
0,56 0,54
n=38 1,44
1,29
0,16
0,82
0,54
0,95 0,5
0,470,44
0,36
0,16
0,41
0,3

1,24 0,95 1,09

1 1,09 0,98 0
1,14 0,98 0,77
0,98 0,77 0,84 0 20 40 60 80 100 120 140 160 180 200
0,87 0,84 1,04
0,89 1,04 1,02 Distance (m)
0,84 1,02 1,17
0,7 1,17 1,29
0,68
0,76
1,29
1
1
0,98
n2=19 2
Lag 2
0,79 0,98 0,89
0,68 0,89 0,7
1,5 y = 0,8709x + 0,0928
0,56 0,7 0,76
R² = 0,6624
Head/Tête

0,47 0,76 0,68

0,44 0,68 0,47 1
0,36 0,47 0,36
0,16 0,36 0,41
0,41 0,41 0,3 0,5
0,3
Moyenne 0,866 0,847 0
SD 0,247 0,303
R2 0,6624 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6
R 0,8138 22
Tail / Queue

11
 Stream 1
Cours 1
Lag 3 statistcs
Statistique du lag 3
Sand, Sable Tail/Queue Head/Tête
0,74 0,74 0,95 2

Sand (%), sable (%)

1,44
0,82 0,95 1,11 1,5 1,19 1,17
1,29 1,24
1,14
1,06 1,09 1,11 0,98 1,04 1,02 1
0,92 1,11 0,77 0,92 0,95 0,87
0,77 0,81 0,84
0,92 0,9
0,98
0,87 0,89 0,84
1 0,74 0,82 0,7 0,68 0,76
0,79
0,68
0,95 0,77 0,92 0,56
0,47 0,44 0,41
0,54
0,36
1,06 0,92 1,02 0,5 0,16
0,3

1,09 1,02 1,44 0

1,11 1,44 1 n1=13 0 20 40 60 80 100 120 140 160 180 200
0,98 1 0,87
0,87 0,87 0,7 Distance (m)
0,77 0,7 0,79 Sand (%), sable (%) 2
n=37 0,81 0,79 0,68 1,5 1,19 1,17
1,44
1,29 1,24
1,14
1,06 1,09 1,11 1,04 1,02 1
0,84 0,68 0,44 0,82
0,92 0,95 0,98
0,87
0,77 0,81 0,84
0,92 0,9 0,98
0,87 0,89 0,84
1 0,74 0,7 0,68 0,76
0,79
0,68
0,92 0,44 0,41 0,56
0,47 0,44 0,41
0,54
0,36
0,5 0,16
0,3

n2=12 0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)
n3=12 2
Sand (%), sable (%)

1,44
1,5 1,06 1,09 1,11 0,98 1,04
1,19 1,17
1,29 1,24
1,14
1,02 1 0,98
Moyenne _____ _____ 0,82
0,92 0,95 0,87
0,77 0,81 0,84
0,92 0,9 0,87 0,89 0,84
1 0,74 0,7 0,68 0,76
0,79
0,68
SD _____ _____ 0,56
0,47 0,44 0,41
0,54
0,36
R2 _____ 0,5 0,16
0,3

r _____ 0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

23

Stream 1
Cours 1
Lag 4 statistcs
Statistique du lag 4
Sand, Sable Tail/Queue Head/Tête
2
Sand (%), sable (%)

1,44
n1 1,5
0,92 0,95
1,06 1,09 1,11
0,98 0,92
1,04 1,02
1,19 1,17
1,29 1,24
1
1,14
0,98
0,87 0,9 0,87 0,89 0,84
0,82 0,77 0,81 0,84
1 0,74 0,7 0,68 0,76
0,79
0,68
0,56 0,54
0,47 0,44 0,41
0,36
0,5 0,16
0,3

n2 0
n=∑ 0 20 40 60 80 100 120 140 160 180 200
Distance (m)
n3

n4
Moyenne
SD
R2
_____ _____
_____ _____
_____
Last lag statistcs
Statistique du dernier lag
r _____

Sand, Sable Tail/Queue Head/Tête

2
Sand (%), sable (%)

1,44
0,74 0,74 0,3 1,5 1,06 1,09 1,11 0,98 1,04
1,19 1,17
1,29 1,24
1,14
1,02 1 0,98
0,92 0,95 0,87 0,92 0,9 0,87 0,89 0,84
0,74 0,82 0,77 0,81 0,84
1 0,7 0,68 0,76
0,79
0,68
0,56 0,54
0,47 0,44 0,41
0,36
0,3 0,5 0,16
0,3

Moyenne 0,74 0,3 0

SD - - 0 20 40 60 80 100 120 140 160 180 200
R2 -
Distance (m) 24
r -

12
Stream 2
Cours 2
Lag 1 statistcs
Statistique du lag 1
Sand, Sable Tail/Queue Head/Tête
0,49 0,49 0,52
0,52 0,52 0,82
0,82 0,82 0,77
0,77 0,77 0,54
0,54 0,54 0,6 2

Sand (%), sable (%)

0,6 0,6 1,06
1,06 1,06 1,04 1,5 1,06 1,04
1,2
1,29
1,06
1,16
1,04 1,12
1,24
1,04 1,04 0,92 0,98 1,01 0,94 0,92
0,92 0,89 0,84 0,81 0,83 0,86
0,82 0,77 0,8 0,81
0,92 0,92 0,8 1 0,54 0,6
0,76
0,66 0,71 0,72 0,69
0,53
0,71 0,74 0,67
0,8 0,8 0,17 0,49 0,52 0,43 0,43
0,17 0,17 0,76 0,5 0,17
0,29

0,76 0,76 0,66

0,66 0,66 0,98 0
0,98 0,98 0,71
0,71 0,71 0,89 0 20 40 60 80 100 120 140 160 180 200
0,89 0,89 0,72
0,72 0,72 0,69
Distance (m)
0,69 0,69 1,2
1,2 1,2 0,81
0,81 0,81 1,01
n=39 1,01 1,01 0,53
0,53 0,53 1,29 Lag 1
1,29 1,29 1,06
1,06 1,06 0,71
0,71 0,71 1,16 1,5
1,16 1,16 1,04
1,04 1,04 0,43
Head/Tête

0,43 0,43 0,74

0,74 0,74 0,67
1
0,67 0,67 0,94
0,94 0,94 0,92
0,92
1,12
0,92
1,12
1,12
0,84
0,5 y = -0,0416x + 0,8435
0,84 0,84 0,81
0,81 0,81 0,83 R² = 0,0017
0,83
0,29
0,83
0,29
0,29
0,86
0
0,86
1,24
0,86
1,24
1,24
0,43
0 0,2 0,4 0,6 0,8 1 1,2 1,4
0,43 0,43
Moyenne
SD
0,811
0,253
0,810
0,255
Tail / Queue 25
R2 0,0017
R 0,04123

Stream 2
Cours 2
Lag 2 statistcs
Statistique du lag 2
Sand, Sable Tail/Queue Head/Tête
0,49 0,49 0,82 2
Sand (%), sable (%)

0,82 0,82 0,54

0,54 0,54 1,06 1,5 1,06 1,04
1,2
1,29
1,06
1,16
1,04 1,12
1,24
0,98 1,01 0,94 0,92
1,06 1,06 0,92 0,82 0,77
0,92 0,89
0,81 0,84 0,81 0,83 0,86
0,92 0,92 0,17 1 0,54 0,6
0,8 0,76
0,66 0,71 0,72 0,69
0,53
0,71 0,74 0,67
0,49 0,52 0,43
0,17 0,17 0,66 0,43
0,66 0,66 0,71 0,5 0,17
0,29

0,71 0,71 0,72

0,72 0,72 1,2 0
1,2 1,2 1,01 n1=19 0 20 40 60 80 100 120 140 160 180 200
1,01 1,01 1,29
1,29 1,29 0,71 Distance (m)
0,71 0,71 1,04
2
Sand (%), sable (%)

1,04 1,04 0,74

0,74 0,74 0,94 1,5 1,2
1,29 1,24
1,16 1,12
0,94 0,94 1,12 1,06 1,04 1,01 1,06 1,04
0,92 0,98 0,94 0,92
0,82 0,77 0,89 0,81 0,840,81 0,83 0,86
1,12 1,12 0,81 1 0,8 0,76 0,71 0,720,69 0,71 0,74 0,67
0,66
0,81 0,81 0,29 0,54 0,6 0,53
n=38 0,29 0,29 1,24 0,5
0,490,52

0,17
0,43
0,29
0,43

0,52 0,52 0,77

0,77 0,77 0,6 0
0,6 0,6 1,04
1,04 1,04 0,8 0 20 40 60 80 100 120 140 160 180 200
0,8 0,8 0,76
0,76 0,76 0,98 Distance (m)
0,98 0,98 0,89
0,89 0,89 0,69
0,69
0,81
0,69
0,81
0,81
0,53 n2=19 Lag 2
0,53 0,53 1,06 1,5
1,06 1,06 1,16
1,16 1,16 0,43
0,43 0,43 0,67 1
Head/Tête

0,67 0,67 0,92

0,92 0,92 0,84
0,84 0,84 0,83 0,5 y = -0,1159x + 0,9101
0,83 0,83 0,86
0,86 0,86 0,43 R² = 0,0126
0,43 0
Moyenne 0,800 0,817
SD 0,276 0,294 0 0,2 0,4 0,6 0,8 1 1,2 1,4
R2 0,0126 26
R 0,11224
Tail / Queue

13
Stream 2
Cours 2
Lag 3 statistcs
Statistique du lag 3
Sand, Sable Tail/Queue Head/Tête
0,49 0,49 0,77 2

Sand (%), sable (%)

0,77 0,77 1,06 1,5 1,2
1,29
1,16 1,12
1,24
1,06 1,04 1,01 1,06 1,04
1,06 1,06 0,8 0,82 0,77
0,92 0,98
0,89 0,81
0,94 0,92
0,84 0,81 0,83 0,86

0,8 0,8 0,66

1 0,54 0,6
0,8 0,76
0,66 0,71 0,72 0,69 0,71 0,74 0,67
0,49 0,52 0,53
0,43 0,43
0,66 0,66 0,89 0,5 0,17
0,29

0,89 0,89 1,2 0

1,2 1,2 0,53 n1=13 0 20 40 60 80 100 120 140 160 180 200
0,53 0,53 0,71
0,71 0,71 0,43 Distance (m)
0,43 0,43 0,94 Sand (%), sable (%) 2
n=37 0,94 0,94 0,92 1,5 1,2
1,29
1,16 1,12
1,24
1,06 1,04 1,01 1,06 1,04
0,92 0,92 0,81 0,82 0,77
0,92 0,98
0,89 0,81
0,94 0,92
0,84 0,81 0,83 0,86
1 0,8 0,76
0,66 0,71 0,72 0,69 0,71 0,74 0,67
0,81 0,81 0,86 0,49 0,52 0,54 0,6 0,53
0,43 0,43
0,5 0,17
0,29

n2=12 0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)
n3=12 2
Sand (%), sable (%)

1,5 1,06 1,04

1,2
1,29
1,06
1,16
1,04 1,12
1,24
1,01
Moyenne _____ _____ 0,82 0,77
0,92
0,8
0,98
0,89
0,81
0,94 0,92
0,84 0,81 0,83 0,86

_____ _____
1 0,54 0,6
0,76
0,66 0,71 0,720,69 0,71 0,74 0,67
SD 0,49 0,52 0,53
0,43 0,43
R2 _____ 0,5 0,17
0,29

r _____ 0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

27

Stream 2
Cours 2
Last lag statistcs
Statistique du dernier lag

Sand, Sable Tail/Queue Head/Tête

0,49 0,49 0,43

0,43 2
Sand (%), sable (%)

Moyenne 0,43 0,43 1,5 1,2

1,29
1,16 1,12
1,24
1,06 1,04 1,01 1,06 1,04
SD - - 0,82 0,77
0,92 0,98
0,89 0,81
0,94 0,92
0,84 0,81 0,83 0,86
1 0,8 0,76
0,66 0,71 0,72 0,69 0,71 0,74 0,67
R2 - 0,49 0,52 0,54 0,6 0,53
0,43 0,43
r - 0,5 0,17
0,29

0
0 20 40 60 80 100 120 140 160 180 200
Distance (m)

28

14
 Consider values for the first 70 m: Prenons les mesures sur les premiers 70 m :

Stream profile 1 Stream profile 2

Profil du cours 1 Profil du cours 2

2 2
Sand (%), sable (%)

Sand (%), sable (%)

1,5 1,06 1,09 1,11 0,98 1,04 1,5 1,06 1,04
0,92 0,95 0,87 0,77 0,81 0,84 0,92 0,92 0,8 0,98
1 0,74 0,82 1
0,82 0,77 0,76 0,66
0,49 0,52 0,54 0,6
0,5 0,5 0,17
0 0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
Distance (m) Distance (m)

29

Stream 1
Cours 1
Correlogram
Corrélogramme
Correlation coefficient vs lag
Coéfficient de corrélation

Coéfficient de corrélation contre lag

Correlation coefficient

1
1 0,8953 0,8195 0,7419
0,6453
0,5511
0,5

0
0 1 2 3 4 5
Lag

30

15
Stream 2
Cours 2
Correlogram
Corrélogramme
Correlation coefficient vs lag
Coéfficient de corrélation

Coéfficient de corrélation contre lag

Correlation coefficient

1
1

0,5
0,0612 0,0295
0
0 1 2 3 4 5
-0,5 -0,1838 -0,0695 -0,1411
Lag

31

Correlogram
Corrélogramme
The correlogram clearly distinguishes Le corrélogramme distingue
profile 1 from profile 2 clairement le profile 1 du profile 2

Stream 1
Cours 1

Stream 2
Cours 2

32

16
 Correlogram
Corrélogramme

* The correlogramme estimates le correlation between tow points in the space

* The correlogram is a fuction of separation distance
* The correlogram is may also be a function of separation direction

* Le corrélogramme estime la correlation entre deux points dans l’espace

* Le corrélogramme est une function de la distance de separation
* Le corrélogramme peut ête aussi une function de la direction de séparation

33

Faculté des Sciences Mathématiques

Physiques et Naturelles de Tunis

Geostatistics Géostatistique
1- Generalities 1- Généralités
2- Correlogram 2- Corrélogramme
3- Covariance 3- Covariance
4- Semi-variogram 4- Semi-variogramme

34

17
 The covariance function
La function de covariance

Soit S une série statistique à deux variables quantitatives discrètes X et Y de taille n∈ℕ∗ définie par
S={( , )}1≤ ≤n.

On note et les moyennes arithmétiques respectives de X={ } 1≤i≤n et de Y={ } 1≤ ≤n.

La covariance de (X,Y) est le nombre réel noté cov(X,Y) défini par :

, = ( − ). ( − )

, = . − .

35

The covariance function

La function de covariance

( )=ρ( ).σ . σ

Corrélogramme
Déviation standard (tête)

Vecteur de séparation Déviation standard (queue)

36

18
 Faculté des Sciences Mathématiques
Physiques et Naturelles de Tunis

Geostatistics Géostatistique
1- Generalities 1- Généralités
2- Correlogram 2- Corrélogramme
3- Covariance 3- Covariance
4- Semi-variogram 4- Semi-variogramme

37

The semi-variogram
Le semi-variogramme

The semi-variogram can be Le semi-variogramme peut

considered as the moment of être considéré comme étant le
inertia about the line x=y moment d’inertie par rapport
à la droite x=y

38

19
 The semi-variogram
Le semi-variogramme

  
Y : :

M3 (x,y)=(x,x) •

2: 1: 1
M2• 
x-y

=
d? • M (x,y)
1

X = .( − ) 39

The semi-variogram
Le semi-variogramme
= . − ⇔ = . − , 0
Consider the lag 1 scatter-plot Head=f(Tail) Considérons le graphique Tête=f(Queue) du Lag 1 du
from profile 1. Calculate the average squared profile 1. Calculons la moyenne des carrées des
distance from each point to the line x=y. distances par rapport à la droite x=y.

Generally,
= −% ; = −
Généralement,
Tail/Queue Head/Tête 2
Lag 1
1,5
= ( ) = −
Head/Tête

Regionalized variable 1
Variable régionalisée
Nbre de paires dont les points sont espacées de h 0,5

0
0 0,5 1 1,5
Semi-variogram / Semi-variogramme Tail / Queue 40

20
 Semi-variogram
Semi-variogramme
The semi-variogram clearly Le semi-corrélogramme distingue
distinguishes profile 1 from profile 2 clairement le profile 1 du profile 2
Stream 1
Cours 1

Stream 2
Cours 2

41

General expression of the equations for spatial continuity

Expression générale des équations de la continuité spatiale
In a given direction Dans une direction donnée

1- Correlogram 1- Corrélogramme
.∑ . −∑ .∑
= −
. .

2- Covariance 2- Covariance
.∑ . −∑ .∑
= −

3- Semi-variogram 3- Semi-variogramme

( ) = −
42

21
 General expression of the equations for spatial continuity
Expression générale des équations de la continuité spatiale
In a  direction Dans une direction 

1- Correlogram 1- Corrélogramme
.∑ . −∑ .∑
, = −
. .

2- Covariance 2- Covariance
.∑ . −∑ .∑
, = −

3- Semi-variogram 3- Semi-variogramme

( , ) = −
43

Semi-variogram
Semi-variogramme
For predictions, the empirical semivariogram is converted to Pour les prévisions, le semi-variogramme empirique est
a theoretic one by fitting a statistical model (curve) to converti en un semi-variogramme théorique en ajustant un
describe its range, sill, and nugget. modèle statistique (courbe) pour décrire sa portée, sa
variance totale et sa pépite.
Semivariance
 (h) Correlated uncorrelated
Corrélées Non-corrélées
c-c0

Partial sill
Variance partielle
Total sill
Variance totale
c0
Nugget
pépite
a Distance (lag), h
Range
44
Portée

22
 Semi-variogram
Semi-variogramme
Semivariance
 (h) Correlated uncorrelated Portée a : Distance où deux
c+c0=2 Corrélées Non corrélées observations ne se ressemblent
c-c0
plus du tout en moyenne, elles ne
sont plus liées (covariance nulle)
Partial sill linéairement (non corrélés). À cette
Variance partielle distance, la valeur du variogramme
Total sill correspond à la variance de la
Variance totale variable aléatoire.
c0
Nugget Palier C-C0 =σ2 : Variance de la v.a
pépite (Var(Z(x)). Ecarts les plus grands, en
a Distance (lag), h moyenne entre deux v.a
Range
Portée
Effet de pépite C0 : Variation à très courte échelle, erreurs de localisation, erreurs d'analyse et précision analytique.
Exemple 1 : Une carotte fendue en deux moitiés analysés séparément ne fournira pas exactement les mêmes valeurs.
Exemple 2 : Un même paquet de poudre, séparé en deux parties pour analyse ne donnera pas exactement la même teneur. 45

Semi-variogram
Semi-variogramme
Par ordre d'irrégularité croissante on distinguera des semi-variogramme avec une :

 allure parabolique qui caractérise une variable extrêmement régulière (très lissée). La variable est dérivable en moyenne
quadratique. Plus les points sont éloignés et plus les différences sont progressivement accentuées. Il y a donc un fort
gradient.

Semivariance
 (h)

c-c0

c0

Distance (lag, h)
46

23
 Semi-variogram
Semi-variogramme
 allure linéaire qui représente une variable moins régulière et non dérivable.

Semivariance
 (h)

c0

Distance (lag, h)
47

Semi-variogram
Semi-variogramme
 à effet de pépite: h=0 est toujours estimée en extrapolant la tendance générale de la fonction. Cependant si on dispose de
plusieurs mesures instantanées cette valeur peut être obtenue par la variance de celles-ci. Si cette valeur est nulle cela sous
entend que le processus est régulier, et que la mesure n'est pas entachée d'une variabilité instrumentale ou de l'effet de la
microdistribution. Par contre une ordonnée à l'origine indique (c0=0) un effet de pépite. Souvent les valeurs du variogramme
se stabilisent autour d'une certaine valeur (pallier) après un certain intervalle h (portée). La portée est la limite de l'influence
d'une observation sur ses voisines.

Semivariance 1
 (h)

c-c0

c0

Distance (lag, h)
48

24
 Semi-variogram
Semi-variogramme
 à pépite pur: la fonction fluctue autour d'une valeur constante ce qui signifie qu'il y a une indépendance totale des
observations.

En général, seules des variables ayant cette propriété sont susceptibles d'être traitées par la statistique classique.

Lorsqu'il n'y a aucune dépendance entre des observations, faire une cartographie à base d'interpolation n'a pas plus de sens
que de tracer une régression non-significative (r  0).

Semivariance
 (h)

c-c0

c0

Distance (lag, h)
49

Semi-variogram
Semi-variogramme
There are four common models used to fit semivariograms: Il existe quatre modèles couramment utilisés pour s'adapter
semi-variogrammes :
1- Linear: 1- Linéaire : Semivariance 1
 (h)
γ(d)  co  b.h Existe, mais rarement seul
2- Exponential: 2- Exponentiel : c+c0 3
2
 h
 4
γ(d)  co  c.1  e a  Assez commun
 
 
3- Spherical: 3- Sphérique : c0
  3.h h  3
Distance (lag, h)
co  c.  , h  a
3  a
γ(d)    2.a 2.a 
c  c, h  a Le plus fréquent Where: Où:
 o c0 = pépite
c0 = nugget
4- Gaussian: 4- Gaussien : b = regression slope b = pente de la regression
2
 h  a = range a = portée
γ(d)  co  c.1  e a  Peu frequent en mine
2
c0+ c = sill c0+ c = variance totale
  50
 

25
 Semi-variogram
Semi-variogramme

Chaque phénomène possède un variogramme qui lui est propre. Ainsi :

• Un gisement d'or présentera un variogrammeerratique avec un fort effet de pépite et une faible portée.
• Un gisement de cuivre montrera un variogramme linéaire à l'origine avec faible effet de pépite et
grande portée.

• Un gisement sédimentaire de fer présentera une portée plus grande parallèlement à la stratification que
perpendiculairement à celle-ci (anisotropie géométrique).
• La topographie peut présenter un variogrammetrès continu avec un comportement parabolique à l'origine et absence
d'effet de pépite.

Le variogramme est un outil descriptif puissant utilisable

dans une multitude de domaines. 51

Semi-variogram
Semi-variogramme
Exercice 1 Exercice 1
The prospecting of an ore gave the following results: La prospection d’un minerai a donné les résultats suivants :
h (km) 012 3 4 5 6
Série 1 (g/tonne) 0 1 2 3 2 1 0
0
Série 2 (g/tonne) 3 1 0 2 1 2 0
2 1 0
2 1
0 2
1
3
2 Série 1 Série 2
1 Moyenne 1,285714 1,285714
0
Variance 1,238095 1,238095

= = . = = . ( − )
52

26
 Semi-variogram
Semi-variogramme
Ces deux séries ont même moyenne et même Série 1 Série 2
variance, toutefois clairement elles n'ont pas le h=1 km zi zi+h a=½(zi+h-zi)2 h=1 km zi zi+h a=½(zi+h-zi)2
même degré de continuité spatiale, la 1ère série 0 1 0,5 3 1 2
1 0 0,5
étant nettement plus continue que la seconde. 1 2 0,5
0 2 2
Voyons leur semi-variogramme: 2 3 0,5
2 1 0,5
3 2 0,5 1 2 0,5
2 1 0,5 2 0 2
1 0 0,5 =ā 1,25
=ā 0,5
h=2 km zi zi+h a=½(zi+h-zi)2 h=2 km zi zi+h a=½(zi+h-zi)2
0 0 2 2 3 0 4,5
2 1 0 0 1 0,5
2 2 0
2 1 1 0 0,5
0 2 2 0 2
1 1 2 0,5
3 1 3 2
2 2 0
2 3 1 2
=ā 1,2
1 =ā 1,6
0 h=3 km zi zi+h a=½(zi+h-zi)2 h=3 km zi zi+h a=½(zi+h-zi)2
0 3 4,5 3 2 0,5
3 0 4,5 2 0 2
=ā 53
1,25
=ā 4,5

Semi-variogram
Semi-variogramme
Le semi-variogramme de la 1ère série montre h (km) Série 1 Série 2
une croissance soutenue alors que la seconde 1 0,5 1,25
série montre un semi-variogramme à peu près 2 1,6 1,2
constant à un niveau près de la variance 3 4,5 1,25
expérimentale (V=1.23).

5
4,5
4
0 3
2 1 0


2 1
0 2 2
1 1,6
3 1,23 1 1,25 1,2 1,25
2 0,5
1 0
0 0 1 2 3 4
Distance, h (km)
54

27
 Semi-variogram
Semi-variogramme
Theoretical semivariogram Semi-variogramme théorique
h
5  
y = 0,1703.e1,0986.h Série 1  g= 0,1703.e1,0986.h γ(h)  co  c.1  e a



4 R² = 0,9989  
3 C0=0, C=0,1703 et a= -0,91025


2
1 y = 1,2333 Série 2  g= V=1,23 γ(h)  co  b.h
R² = 0
0 C0=V=1,2333 et b=0
0 1 2 3 4
Distance, h (km)
0
2 1 0
2 1
0 2
1
3
2
1
0 55

Semi-variogram
Semi-variogramme
Le semi-variogramme de la 1ère série montre
une croissance soutenue alors que la seconde
5
série montre un semi-variogramme à peu près y = 0,1703e1,0986x
constant à un niveau près de la variance 4 R² = 0,9989
expérimentale (V=1.23). 3


0 1 y = 1,2333
2 1 0 R² = 0
2 0
0 1
1 2 0 1 2 3 4
3 Distance (km)
2
1
0
Variogrammes théoriques
h (km) Série 1 Série 2
1 0,5 1,25 Série 1  g= 0,1703e1,0986.h
2 1,6 1,2
3 4,5 1,25 Série 2  g= V=1,23 56

28