Académique Documents
Professionnel Documents
Culture Documents
1
CHAPITRE IV : MODELES DE LA COVARIANCE........................................................ 17
IV-1- La classe des modèles exponentiels...........................................................................17
IV-1-1- Modèle gaussien ................................................................................................... 17
IV-1-2- Modèle exponentiel .............................................................................................. 18
IV-1-3- Modèle sphérique ................................................................................................. 18
IV-2- Propriétés du variogramme ...................................................................................... 19
IV-3- Relation entre C (h) et γ (h) ...................................................................................... 19
IV-3-1- Exemple ............................................................................................................... 19
CHAPITRE V : MODELES DU VARIOGRAMME.......................................................... 21
V-1- Modèles déduits d’un modèle de covariance ............................................................. 21
V-1-1- Modèle exponentiel ............................................................................................... 21
V-1-2- Modèle gaussien .................................................................................................... 22
V-1-3- Modèle sphérique .................................................................................................. 22
V-1-4- Modèle à effet de trou ............................................................................................ 23
V-1-5- Modèles pour lesquels il n’existe pas de covariances correspondantes ................... 23
V-2- Discontinuité apparente à l’origine ...........................................................................24
CHAPITRE VI : KRIGEAGE............................................................................................... 25
VI-1- Krigeage ordinaire .................................................................................................... 25
V-1-1- Estimateur du krigeage ordinaire ...........................................................................25
VI-1-2- Variance d’estimation........................................................................................... 26
VI-1-2-1- Calcul intermédiaire ...................................................................................... 26
VI-1-2-2- Minimisation de la variance d’estimation sous contrainte de non-biais ...........27
VI-2- Krigeage simple......................................................................................................... 27
VI-2-1- Estimateur du krigeage simple .............................................................................. 28
VI-2-2- L’erreur d’estimation............................................................................................ 28
VI-2-3- La variance d’estimation ...................................................................................... 28
VI-2-4- Optimisation de la variance d’estimation .............................................................. 29
VI-2-5- La variance du krigeage........................................................................................ 29
VI-2-6- Le poids de la moyenne dans l’estimateur............................................................. 29
CONCLUSION…………………………...………………………………….………………30
2
LISTE DES FIGURES
3
Chapitre I : Introduction et rappel de statistique
CHAPITRE I
L’histoire de la géostatistique est liée à l’estimation des gisements exploités dans les
mines. Dans les années 1950, un professeur de l’université du Witwatersrand en Afrique du
Sud, Danie G. Krige s’est aperçu que la variabilité de la teneur du minerai d’or était liée à la
taille, c’est-à-dire au support, sur laquelle celle-ci était calculée.
La variabilité des teneurs sur panneau est ainsi beaucoup plus faible que la variabilité des
teneurs sur carottes (échantillon cylindrique extrait du sol). Cette théorie a ensuite été
développée pendant les années 1960 par un ingénieur français du Corps des Mines, Georges
Mathéron, qui y consacra sa vie et fonda le centre de géostatistique de l’École des mines de
Paris à Fontainebleau.
I-2-1- Moyenne
Z5 Z4
Z6 Z3
Z1 Z2
4
Chapitre I : Introduction et rappel de statistique
Α = 1,………, n ;
n . m : gâteau ;
m : tranche typique, c’est-à-dire que le gâteau a été coupé également.
I-2-2- Variance
𝑛
2
1
𝑆 = ∑ (𝑍𝛼 − 𝑚)2 ⟶ 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒
𝑛
𝛼=1
𝑛
1
𝑆 = √ ∑ (𝑍𝛼 − 𝑚)2 ⟶ 𝑒𝑐𝑎𝑟𝑡 − 𝑡𝑦𝑝𝑒
𝑛
𝛼=1
La part du lion
1
1
4
1
1
1 1
1
I-2-4- Histogramme
1
Nb de postes (fréquence)
4
Zα
5
Chapitre I : Introduction et rappel de statistique
11
𝑚= = 1,375 ; 𝑆 2 = 0,98 ⟶ 𝑆 = 0,99
8
Le paradis du statisticien
6
Chapitre I : Introduction et rappel de statistique
Erreurs de saisie ?
Erreurs d’échantillonnage ?
Particularité géologique ? exemple d’une faille : enrichissement ;
Compatibilité avec le phénomène ? exemple d’une distribution log-normale.
I-2-7- Multimodalité
Deux zones ?
7
Chapitre II : Variable régionalisée et fonction aléatoire
CHAPITRE II
II-1- Définition
Un phénomène naturel peut souvent être caractérisé par la répartition dans l’espace d’une
(ou plusieurs) variables, dites { régionalisées }. Ainsi la répartition dans l’espace
tridimensionnel des variables teneurs caractérise une minéralisation, ou du moins certains de
ses aspects, de même, la répartition dans l’espace horizontal de la variable altitude caractérise
une surface topographique.
v égaux
o v : support ;
o z : sauce tomate (quantité) ;
o Fragment : z (vα) ; α : 1,………, n .
Deux aspects :
o Régionalisation : z (vα) est un fragment de z (v) la variable régionalisée ;
o Probabilisation : z (vα) sont des réalisations de variables aléatoires Z (vα).
8
Chapitre II : Variable régionalisée et fonction aléatoire
Réalisation :
1
𝑚 = ∫ 𝑍(𝑥 ) 𝑑𝑥
𝑣 𝑣
𝑛
1
𝑚 ≅ ∑ 𝑧(𝑣𝛼 )
𝑣
𝛼=1
Données V.A
z (vα) Z (vα)
( fragments, ( fragment de la F.A
réalisation ) modèle )
V changement
de support
𝑥⟶𝑣
La variable à laquelle on
La variable prélevée 𝑍 (𝑥 ∝ ) ⟶ 𝑍 (𝑣 )
s’intéresse
𝑧 (𝑥 ) ⟶ 𝑧 (𝑣 )
𝑍(𝑥) ⟶ 𝑍(𝑣)
Soit un point xα et x ∈ D.
o D : domaine ;
o x = ( x1 ) en 1 dimension ;
o x = ( x1, x2 ) en 2 dimensions ;
o x = ( x1, x2, x3 ) en 3 dimensions.
9
Chapitre II : Variable régionalisée et fonction aléatoire
z (xα) Z (xα)
Modèle
Données
mathématique
z (x) Z (x)
o Echantillons z (xα) ;
o Variable régionalisée z (x) ;
o Variable aléatoire Z (xα) ;
o Fonction aléatoire Z (x).
o Covariance c (h) ;
o Variogramme γ (h).
II-4- Le vecteur h
x’
ℎ = 𝑥′ − 𝑥
|ℎ| = |𝑥 ′ − 𝑥 | = √(𝑥 ′1 − 𝑥1 )2 + (𝑥 ′ 2 − 𝑥2 )2
𝑥 + ℎ = 𝑥′ − 𝑥 + 𝑥 = 𝑥′
10
Chapitre III : Moments et stationnarité
CHAPITRE III
MOMENTS ET STATIONNARITE
III-1- Définition
Considérons la fonction aléatoire Z (x). A tout ensemble de k points de l’espace, que nous
appelons points d’appui { x1, x2, ……., xk }, on peut faire correspondre une variable aléatoire
vectorielle à k composantes. { Z (x1), Z (x2), ………, Z (xk) }, cette variable aléatoire vectorielle
est caractérisée par la loi de distribution à k variables.
L’ensemble de toutes ces lois de distributions, pour tout entier positif k est pour tous les
choix possibles de k points dans l’espace constitue par définition la loi spatiale de la fonction
aléatoire Z (x). Cette loi spatiale caractérise la fonction aléatoire Z (x). En pratique minière, on
ne fait jamais appel à toute cette loi pour deux raisons :
Remarque
Pour la géostatistique linéaire, deux fonctions aléatoires Z1 (x) et Z2 (x) admettant les
mêmes moments d’ordre 1 et 2 ne sont pas distinguées, l’une de l’autre et sont considérées
comme constituant un seul et même modèle.
Soit Z (x) une variable aléatoire implantée au point x. Si la loi de distribution de Z (x)
admet une espérance ( ce que nous admettons ), cette espérance est en général une fonction de
x:
𝐸 { 𝑍(𝑥 ) } = 𝑚(𝑥)
11
Chapitre III : Moments et stationnarité
III-3-1- La variance
Quand la variance « a priori » existe, elle est définie comme le moment d’ordre 2 centré
autour de l’espérance m (x) de la variable aléatoire Z (x) :
III-3-2- La covariance
III-3-3- Le variogramme
1
𝛾(𝑥1 , 𝑥2 ) = . 𝑣𝑎𝑟{ ( 𝑍(𝑥1 ) − 𝑍(𝑥2 )) }
2
Une fonction aléatoire est dite strictement si sa loi spatiale est invariante par translation :
12
Chapitre III : Moments et stationnarité
Mais la géostatistique linéaire ne s’intéresse qu’aux seuls moments des deux premiers
ordres, il est donc suffisant de supposer l’existence de ces moments et de limiter la stationnarité
à ces seuls moments. Ce premier affaiblissement de la stationnarité correspond à l’hypothèse
de stationnarité d’ordre 2.
𝐸 [ 𝑍 (𝑥 ) ] = 𝑚 ; ∀ 𝑥
1
𝛾 (ℎ ) = 𝐸 { [ 𝑍 (𝑥 + ℎ ) − 𝑍 (𝑥 ) ] 2 } = 𝐶 (0) − 𝐶 (ℎ ) ; ∀ 𝑥
2
Il existe des phénomènes physiques et aussi des fonctions aléatoires dont le pouvoir de
dispersion est infini, c’est-à-dire qui ne présentent ni covariance ni variance finie, mais dont le
13
Chapitre III : Moments et stationnarité
𝐸 [ 𝑍 (𝑥 ) ] = 𝑚 ; ∀ 𝑥
2
𝑣𝑎𝑟{ 𝑍(𝑥 + ℎ) − 𝑍(𝑥) } = 𝐸 [ ( 𝑍(𝑥 + ℎ) − 𝑍(𝑥 )) ] = 2. 𝛾 (ℎ) ; ∀ 𝑥
b
z (x0)
Pour estimer la valeur inconnue de z (x0) seules les données situées dans un rayon b sont
considérées.
14
Chapitre III : Moments et stationnarité
|h|>b
z (xk)
z (xk + h)
Deux variables Z (xk) et Z (xk + h) distantes de plus de b ne peuvent plus être considérées
comme provenant de la même minéralisation en particulier :
𝐸 [ 𝑍 (𝑥 𝑘 ) ] ≠ 𝐸 [ (𝑥 𝑘 + ℎ ) ] 𝑝𝑜𝑢𝑟 |ℎ | > 𝑏
III-7- La covariance
𝐶 (ℎ ) = 𝐸 [ ( 𝑍 (𝑥 + ℎ ) − 𝑚 ) . ( 𝑍 ( 𝑥 ) − 𝑚 ) ] = 𝐸 [ 𝑍 (𝑥 + ℎ ) . 𝑍 (𝑥 ) ] − 𝑚 2
C (h)
var [ Z (x) ]
h
Fig. 11 : Forme typique de la covariance.
𝑁(ℎ)
1
𝐶 (ℎ ) = ∑ ( 𝑍(𝑥𝛼 + ℎ) − 𝑚 ) . ( 𝑍(𝑥𝛼 ) − 𝑚 )
𝑁(ℎ)
𝛼 =1
15
Chapitre III : Moments et stationnarité
o 𝐶 (0) ≥ 0 ; 𝐶 (0) = 𝑣𝑎𝑟( 𝑍(𝑥 ) ) : positive, la variance ne peut pas être négative ;
o 𝐶 (ℎ) = 𝐶 (−ℎ) : la fonction covariance est paire ;
o |𝐶(ℎ)| ≤ 𝐶(0) : inégalité de Schwartz.
𝐶 (ℎ ) ⟶ 0 𝑞𝑢𝑎𝑛𝑑 ℎ⟶∞
Dans un grand nombre de cas pratiques, la corrélation entre deux variables Z (x) et
Z (x + h) s’évanouit aux grandes distances h, soit en pratique C (h) ~ 0 dès que h > a. La distance
à partir de laquelle on peut considérer C (h) ~ 0 est appelée la portée, cette portée caractérise la
transition entre l’état de corrélation spatiale ( | h | < a ) et l’état d’absence de corrélation
( | h | > a ).
III-7-3- Exemple
III-8- Le variogramme
1
𝛾 (ℎ ) = 𝐸 [ ( 𝑍(𝑥 + ℎ) − 𝑍(𝑥 ) )2 ]
2
16
Chapitre IV : Modèles de covariances
CHAPITRE IV
MODELES DE LA COVARIANCE
−| ℎ |𝛼
𝐶 (ℎ) = 𝐶. 𝑒 𝑎 𝑎𝑣𝑒𝑐 𝐶, 𝑎 > 0 ; 0 < 𝛼 ≤ 2
− | ℎ |2
𝐶 (ℎ) = 𝐶. 𝑒 𝑎
Attention
Se méfier de l’utilisation de ce modèle, car il est infiniment dérivable, ça signifie que cette
fonction aléatoire est une fonction entièrement déterministe.
Conséquences
o Théorique : avec une seule donnée (sur un support non nul) et le modèle de
covariance spécifié, on peut calculer des valeurs pour tout l’univers ;
o Pratique : si on a un jeu de données ayant une forte continuité spatiale et que l’on
cherche à les cartographier, la carte sera chaotique (chaque point détermine une
carte).
17
Chapitre IV : Modèles de covariances
−|ℎ|
𝑃𝑜𝑢𝑟 α = 1 𝐶 (ℎ) = 𝐶. 𝑒 𝑎 ; 𝐶, 𝑎 > 0
3 | ℎ | 1 | ℎ |3
𝐶. ( 1 − + ) ; 0<|ℎ|≤𝑎
2 𝑎 2 𝑎3
𝐶 (ℎ ) =
{0 𝑝𝑜𝑢𝑟 | ℎ | ≥ 𝑎 ; 𝐶, 𝑎 > 0
18
Chapitre IV : Modèles de covariances
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...
IV-3-1- Exemple
C=1:
19
Chapitre IV : Modèles de covariances
𝛾 (ℎ ) = 𝐶 − 𝐶 (ℎ ) 𝑝𝑜𝑢𝑟 | ℎ | ≤ | ℎ𝑙𝑜𝑐 |
C (h)
hloc h
Dans ce contexte, on fait une hypothèse de stationnarité locale, on suppose que C (h)
existe localement.
20
Chapitre V : Modèles de variogrammes
CHAPITRE V
MODELES DU VARIOGRAMME
−|ℎ|
𝛾 (ℎ) = 𝐶. (1 − 𝑒 𝑎 ) 𝑎𝑣𝑒𝑐 𝑐, 𝑎 > 0
21
Chapitre V : Modèles de variogrammes
−|ℎ|2
𝛾 (ℎ) = 𝐶. (1 − 𝑒 𝑎 ) 𝑎𝑣𝑒𝑐 𝑐, 𝑎 > 0
3 | ℎ | 1 | ℎ |3
𝐶. ( − ); 0<|ℎ|≤𝑎
2 𝑎 2 𝑎3
𝛾 (ℎ ) =
22
Chapitre V : Modèles de variogrammes
sin(𝜔. | ℎ |)
𝛾 (ℎ) = 𝐶. [1 − ] 𝑎𝑣𝑒𝑐 𝐶, 𝜔 > 0
|ℎ|
23
Chapitre V : Modèles de variogrammes
γ (h) ne tend pas vers 0 quand h tend vers 0, bien que l’on ait toujours par définition
γ (0) = 0. La variabilité sur une réalisation entre 2 points très proches z (x) et z (x + h) pourra
être très forte et ceci d’autant plus que l’amplitude de la discontinuité à l’origine de γ (h) est
plus forte.
A cette variabilité locale comparable au bruit blanc des physiciens s’ajoute pour les
distances h plus grandes une variabilité plus continue traduite par la continuité de γ (h) pour
h > 0. Cette discontinuité en h=0 du variogramme est appelé effet de pépite. Dans la pratique
toutes les reconnaissances minières, on observera un tel effet qui est û à la fois aux erreurs de
mesures et aux micro variabilités de la minéralisation.
Remarque
0 𝑝𝑜𝑢𝑟 |ℎ|=0
𝛾 (ℎ ) = { | 𝑎𝑛𝑎𝑙𝑦𝑠𝑒 𝑠𝑝𝑒𝑐𝑡𝑟𝑎𝑙𝑒, 𝑠𝑝𝑒𝑐𝑡𝑟𝑒 𝑛𝑢𝑙, 𝑎𝑐𝑢𝑛𝑒 𝑝𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒
𝐶 𝑝𝑜𝑢𝑟 |ℎ|>0
24
Chapitre VI : Krigeage
CHAPITRE VI
KRIGEAGE
VI-1- Krigeage ordinaire
b
xα
x0
λα : pondérateurs.
𝐸 [ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ] = 0
𝑛
∗(
𝐸 [ 𝑍 𝑥0 ) − 𝑍(𝑥0 ) ] = 𝐸 [ ∑ 𝜆𝛼 . 𝑍(𝑥𝛼 ) − 𝑍(𝑥0 ) ]
𝛼=1
25
Chapitre VI : Krigeage
= ∑ 𝜆𝛼 . 𝑚𝑙𝑜𝑐 − 𝑚𝑙𝑜𝑐
𝛼=1
𝑛
= ∑ 𝜆𝛼 . 𝑚𝑙𝑜𝑐 ≠ 0 ; 𝜆0 = −1
𝛼=0
𝑛
⟹ ∑ 𝜆𝛼 = 0
𝛼=0
𝑛
⟹ ∑ 𝜆𝛼 = 1
𝛼=1
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
26
Chapitre VI : Krigeage
…………………………………………………………………………………………………
…………………………………………………………………………………………………
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
𝐸 [𝑍(𝑥 )] = 𝑚 ∀𝑥
Conséquence
o Il y a existence et stationnarité de la variance et du variogramme.
En pratique :
27
Chapitre VI : Krigeage
⟶ 𝛾 (ℎ ) = 𝐶 (0) − 𝐶 ( ℎ )
Que doit vérifier γ (h) ?
| 𝐶 (ℎ ) | ≤ 𝐶 (0)
⇒ −𝐶 (0) ≤ 𝐶 (ℎ) ≤ 𝐶 (0)
⇒ −𝐶 (0) ≤ 𝐶 (0) − 𝛾(ℎ) ≤ 𝐶 (0)
⇒ −2. 𝐶 (0) ≤ −𝛾(ℎ) ≤ 0
⇒ 0 ≤ 𝛾(ℎ) ≤ 2. 𝐶(0)
𝑍 ∗ (𝑥0 ) = 𝑚 + ∑ 𝜆𝛼 . (𝑍(𝑥𝛼 ) − 𝑚)
𝛼=1
𝐸 [ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ] = 0
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...
28
Chapitre VI : Krigeage
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...
……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...
𝑍 ∗ (𝑥0 ) = 𝑚 + ∑ 𝜆𝛼 . (𝑍(𝑥𝛼 ) − 𝑚)
𝛼
= 𝑚 + ∑ 𝜆𝛼 . 𝑍(𝑥𝛼 ) − ∑ 𝜆𝛼 . 𝑚
𝛼 𝛼
= (1 − ∑ 𝜆𝛼 ) . 𝑚 + ∑ 𝜆𝛼 . 𝑍(𝑥𝛼 )
𝛼 𝛼
⟶ 𝜆𝑚 = 1 − ∑ 𝜆𝛼
𝛼
λm : poids de la moyenne.
Le poids de la moyenne peut être fort (souvent > 30 %) lorsque la maille des échantillons
(sondages) est presque aussi grande que la portée du variogramme.
Sachant que le krigeage est un estimateur local, dans les zones riches et dans les zones
pauvres (ou les teneurs sont très différentes de la moyenne globale, il résulte une forte attraction
de l’estimateur Z*(x) vers la moyenne.
29
Conclusion
CONCLUSION
30