TABLE DES MATIERES

LISTE DES FIGURES............................................................................................................ 3

CHAPITRE I : INTRODUCTION ET RAPPEL DE STATISTIQUE................................ 4
I-1- Historique et définition ..................................................................................................4
I-2- Rappel de statistique......................................................................................................4
I-2-1- Moyenne ...................................................................................................................4
I-2-2- Variance....................................................................................................................5
I-2-3- Cas problématique ....................................................................................................5
I-2-4- Histogramme ............................................................................................................5
I-2-5- Cas idéal ...................................................................................................................6
I-2-7- Multimodalité ...........................................................................................................7
CHAPITRE II : VARIABLE REGIONALISEE ET FONCTION ALEATOIRE............. 8
II-1- Définition ......................................................................................................................8
II-2- Problème de support ....................................................................................................9
II-3- Géostatistique ponctuelle .............................................................................................9
II-4- Le vecteur h ................................................................................................................ 10
CHAPITRE III : MOMENTS ET STATIONNARITE....................................................... 11
III-1- Définition .................................................................................................................. 11
III-2- Moment d’ordre 1..................................................................................................... 11
III-3- Moment d’ordre 2..................................................................................................... 12
III-3-1- La variance ...........................................................................................................12
III-3-2- La covariance ....................................................................................................... 12
III-3-3- Le variogramme ................................................................................................... 12
III-4- Hypothèse stationnaire ............................................................................................. 12
III-4-1- Stationnarité stricte ............................................................................................... 12
III-4-2- Stationnarité d’ordre 2 .......................................................................................... 13
III-5- Hypothèse intrinsèque .............................................................................................. 14
III-6- Quasi stationnarité ................................................................................................... 14
III-7- La covariance ............................................................................................................ 15
III-7-1- Forme typique ......................................................................................................15
III-7-2- Trois propriétés .................................................................................................... 16
III-7-3- Exemple ............................................................................................................... 16
III-8- Le variogramme ....................................................................................................... 16
III-8-1- Le variogramme théorique .................................................................................... 16

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

Fig. 1 : Répartition d’une tranche circulaire en égalité. ........................................................................4

Fig. 2 : Représentation de la part du lion. ............................................................................................5
Fig. 3 : Répartition du nombre de postes en histogramme. ...................................................................5
Fig. 4 : Répartition d’un ensemble de données selon la loi normale. ....................................................6
Fig. 5 : Répartition d’un ensemble de données en réalité......................................................................6
Fig. 6 : Répartition d’un ensemble de données en bimodalité. ..............................................................7
Fig. 7 : Tranche répartie en volumes égaux. ........................................................................................8
Fig. 8 : Deux points dans un espace 2D. ............................................................................................ 10
Fig. 9 : Présentation d’un ensemble de données dans un voisinage h < b. ........................................... 14
Fig. 10 : Interdistance entre deux variables régionalisées. .................................................................. 15
Fig. 11 : Forme typique de la covariance. .......................................................................................... 15
Fig. 12 : Modèle de covariance gaussienne avec a = 10 m et c = 20. .................................................. 17
Fig. 13 : Modèle de covariance exponentiel avec a = 10 m et C = 20. ................................................ 18
Fig. 14 : Modèle de covariance sphérique avec a = 10 m et C = 20. ................................................... 18
Fig. 15 : Courbes de l’exemple variographique ci-dessus. .................................................................. 20
Fig. 16 : Courbe théorique du cas variographique à palier local. ........................................................ 20
Fig. 17 : Illustration du modèle type du variogramme avec ses paramètres. ........................................ 21
Fig. 18 : Modèle du variogramme exponentiel avec a = 10 m et C = 20. ............................................ 21
Fig. 19 : Modèle du variogramme gaussien avec a = 10 m et C = 20. ................................................. 22
Fig. 20 : Modèle du variogramme sphérique avec a = 10 m et C = 20. ............................................... 22
Fig. 21 : Modèle du variogramme à effet de trou avec a = 10 m et C = 20. ......................................... 23
Fig. 22 : Modèles avec covariance inexistantes. ................................................................................. 23
Fig. 23 : Présentation de deux points connu et inconnu dans un espace 2D. ....................................... 25

3
 Chapitre I : Introduction et rappel de statistique

CHAPITRE I

INTRODUCTION ET RAPPEL DE STATISTIQUE

I-1- Historique et définition

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.

Le terme géostatistique désigne l’étude statistique des phénomènes naturels, G. Mathéron

(1962) fut le premier à utiliser de façon extensive ce terme et nous retiendrons sa définition qui
précise l’outil probabiliste employé : La géostatistique est l’application du formalisme des
fonctions aléatoire à la reconnaissance et à l’estimation des phénomènes naturels.

I-2- Rappel de statistique

I-2-1- Moyenne

Z5 Z4
Z6 Z3

Z1 Z2

Fig. 1 : Répartition d’une tranche circulaire en égalité.

𝑛 𝑛
1
𝑛 . 𝑚 = ∑ 𝑍𝛼 ⟹ 𝑚 = ∑ 𝑍𝛼
𝑛
𝛼=1 𝛼=1

 Zα = volume d’une tranche du gâteau ;

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

I-2-3- Cas problématique

La part du lion

1
1
4
1

1
1 1
1

Fig. 2 : Représentation de la part du lion.

I-2-4- Histogramme

1
Nb de postes (fréquence)

4
Zα

Fig. 3 : Répartition du nombre de postes en histogramme.

5
 Chapitre I : Introduction et rappel de statistique

11
𝑚= = 1,375 ; 𝑆 2 = 0,98 ⟶ 𝑆 = 0,99
8

I-2-5- Cas idéal

Le paradis du statisticien

Fig. 4 : Répartition d’un ensemble de données selon la loi normale.

Loi normale, loi de gauss :

 Mode : c’est la valeur la plus fréquente ;

 Médian : 50% des valeurs à gauche et 50% des valeurs à droite.

I-2-6- Cas pathologique (réalité)

Fig. 5 : Répartition d’un ensemble de données en réalité.

6
 Chapitre I : Introduction et rappel de statistique

Pour les valeurs extrêmes on se pose les questions suivantes :

 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

Fig. 6 : Répartition d’un ensemble de données en bimodalité.

Deux zones ?

Deux types de minerais ?

7
 Chapitre II : Variable régionalisée et fonction aléatoire

CHAPITRE II

VARIABLE REGIONALISEE ET FONCTION ALEATOIRE

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.

Soit z (x) la valeur de la variable considérée au point x, il s’agit de caractériser la

variabilité dans l’espace de la fonction z (x) lorsque x varie afin de résoudre des problèmes
concrets tel que l’estimation de la valeur z (x0) en un point x0 non informé, ou l’estimation de
la proportion de valeurs z (x) > à une limite donnée Zc (teneur de coupure) dans un champ
déterminé.

Le choix constitutif de la géostatistique consiste à interpréter chaque valeur z (xi) comme

une réalisation particulière d’une variable aléatoire Z (xi) implanté au point xi.

L’ensemble de ces variables aléatoires auto-corrélées { Z (x), quand x varie dans le

gisement ou domaine G } constitue une fonction aléatoire.

v égaux

Fig. 7 : Tranche répartie en volumes égaux.

o v : support ;
o z : sauce tomate (quantité) ;
o Fragment : z (vα) ; α : 1,………, n .

Si on prélève un fragment on considère que z est une variable régionalisée.

 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

Aspect 1 + Aspect 2 est la réalisation d’une fonction aléatoire Z (v).

 Réalisation :

1
𝑚 = ∫ 𝑍(𝑥 ) 𝑑𝑥
𝑣 𝑣

𝑛
1
𝑚 ≅ ∑ 𝑧(𝑣𝛼 )
𝑣
𝛼=1

V.R z (v) Z (v) F.A ( modèle )

Données V.A
z (vα) Z (vα)
( fragments, ( fragment de la F.A
réalisation ) modèle )

II-2- Problème de support

xα points de
    mesure

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)

II-3- Géostatistique ponctuelle

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).

1- Description du comportement spatiale selon les hypothèses :

o Covariance c (h) ;
o Variogramme γ (h).

2- Estimation d’une valeur Z*(x0) ; x0 ∉ { xα }.

II-4- Le vecteur h

Plaçons-nous dans un espace en à 2D :

x’

Fig. 8 : Deux points dans un espace 2D.

La distance euclidienne est exprimée par :

ℎ = 𝑥′ − 𝑥

|ℎ| = |𝑥 ′ − 𝑥 | = √(𝑥 ′1 − 𝑥1 )2 + (𝑥 ′ 2 − 𝑥2 )2

𝑥 + ℎ = 𝑥′ − 𝑥 + 𝑥 = 𝑥′

𝑍(𝑥 ′ ) − 𝑍 (𝑥 ) = 𝑍(𝑥 + ℎ) − 𝑍(𝑥) ⟹ 𝐼𝑛𝑐𝑟é𝑚𝑒𝑛𝑡

𝑍(𝑥 ) − 𝑚 ⟹ 𝐼𝑛𝑐𝑟é𝑚𝑒𝑛𝑡 à 𝑙𝑎 𝑚𝑜𝑦𝑒𝑛𝑛𝑒

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.

𝐹𝑥1, 𝑥2,…………,𝑥𝑘 (𝑧1 , 𝑧2 , … … , 𝑧𝑘 ) = 𝑃𝑟𝑜𝑏 { 𝑍(𝑥1 ) < 𝑧1 , … … , 𝑧𝑘 < 𝑍(𝑥𝑘 ) }

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 :

o Les données disponibles sont insuffisantes pour assurer l’inférence statistique de

cette loi ;
o La connaissance des seuls deux premiers moments de cette loi suffit à fournir une
solution approchée acceptable à la plupart des problèmes-types posés.

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.

III-2- Moment d’ordre 1

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)

Quand m (x) dépend effectivement de x on l’appelle ainsi « une dérive ».

11
 Chapitre III : Moments et stationnarité

III-3- Moment d’ordre 2

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) :

𝑣𝑎𝑟{ 𝑍(𝑥 ) } = 𝐸 { [ 𝑍(𝑥 ) − 𝑚(𝑥 ) ]2 }

III-3-2- La covariance

Considérons 2 implantations x1 et x2. On démontre que si les deux variables aléatoires

Z (x1) et Z (x2) ont des variances, elles ont aussi une covariance qui est fonction des deux
implantations x1 et x2. On note cette fonction covariance par :

𝐶 (𝑥1 , 𝑥2 ) = 𝐸 { ( 𝑍(𝑥1 ) − 𝑚(𝑥1 ) ) . ( 𝑍(𝑥2 ) − 𝑚(𝑥2 ) ) }

III-3-3- Le variogramme

La fonction variogramme est définie comme la variance de l’accroissement

Z (x1) – Z (x2). On utilise la notation :

1
𝛾(𝑥1 , 𝑥2 ) = . 𝑣𝑎𝑟{ ( 𝑍(𝑥1 ) − 𝑍(𝑥2 )) }
2

III-4- Hypothèse stationnaire

Les deux fonctions covariance et variogramme dépendent simultanément des deux

implantations x1 et x2. Si ces deux fonctions ne dépendent que du vecteur h = x1 – x2 séparant
les deux implantations x1 et x2, alors l’inférence statistique est possible « tous les couples
{ Z (xk), Z (xk’) } dont l’interdistance ( xk – xk’ ) est égale au vecteur h pourraient être considérés
comme des réalisations différentes du couple de variables aléatoires { Z (x1), Z (x2) }. En
pratique minière on a l’intuition suivante :

o 2 données z (xk) et z (xk’) constitue une caractéristique intrinsèque à l’ensemble

d’une zone de minéralisation homogène qui ne dépend pas des deux implantation
xk et xk’ mais seulement du vecteur ( xk – xk’ ). Cette intuition physique est traduite
par l’hypothèse de stationnarité.

III-4-1- Stationnarité stricte

Une fonction aléatoire est dite strictement si sa loi spatiale est invariante par translation :

12
 Chapitre III : Moments et stationnarité

o Les deux variables aléatoires vectorielles a k composantes

{ Z (x1), ……., Z (xk) } et { Z (x + h), ………., Z (xk + h) } sont identiques en loi
(présentent la même loi de distribution a k variables) ∀ le vecteur de translation h.

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.

III-4-2- Stationnarité d’ordre 2

Une fonction aléatoire est dite stationnaire d’ordre 2 si :

o L’espérance mathématique E [ Z (x) ] existe et ne dépend pas du point

d’implantation x. On note alors :

𝐸 [ 𝑍 (𝑥 ) ] = 𝑚 ; ∀ 𝑥

o Pour tous couple de variables aléatoires { Z (x), Z (x + h) }, la covariance existe

et ne dépend que de l’interdistance h. On note alors :

𝐶 (ℎ) = 𝐸 { 𝑍(𝑥 + ℎ) . 𝑍(𝑥) } − 𝑚2 ; ∀ 𝑥

L’existence et la stationnarité de la covariance impliquent alors l’existence et la

stationnarité de la variance et du variogramme, on trouve immédiatement les relations
suivantes :

𝑣𝑎𝑟{ 𝑍(𝑥) } = 𝐸 { [ 𝑍(𝑥 ) − 𝑚 ]2 } = 𝐶 (0) ; ∀ 𝑥

1
𝛾 (ℎ ) = 𝐸 { [ 𝑍 (𝑥 + ℎ ) − 𝑍 (𝑥 ) ] 2 } = 𝐶 (0) − 𝐶 (ℎ ) ; ∀ 𝑥
2

Sous l’hypothèse de stationnarité d’ordre 2, la covariance et le variogramme sont deux

outils équivalents pour caractériser l’autocorrélation entre deux variables Z (x + h) et Z (x)
distances du vecteur h. La stationnarité d’ordre 2 suppose l’existence d’une covariance et donc
d’une variance a priori finie :

𝑣𝑎𝑟{ 𝑍(𝑥 ) } = 𝐶 (0)

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

variogramme reste défini. En conséquence on peut affaiblir légèrement l’hypothèse de

stationnarité d’ordre 2 on ne supposant que l’existence du variogramme.

III-5- Hypothèse intrinsèque

Une fonction aléatoire Z (x) est dite intrinsèque si :

o L’espérance mathématique existe et ne dépend pas du point d’implantation x :

𝐸 [ 𝑍 (𝑥 ) ] = 𝑚 ; ∀ 𝑥

o Pour tout vecteur h, l’accroissement [ Z (x + h) – Z (x) ] a une variance finie qui

ne dépend pas de x :

2
𝑣𝑎𝑟{ 𝑍(𝑥 + ℎ) − 𝑍(𝑥) } = 𝐸 [ ( 𝑍(𝑥 + ℎ) − 𝑍(𝑥 )) ] = 2. 𝛾 (ℎ) ; ∀ 𝑥

Il apparait ainsi que la stationnarité d’ordre 2 entraine le caractère intrinsèque, l’inverse

n’étant pas vrai.

III-6- Quasi stationnarité

En pratique la fonction structurale, covariance ou variogramme n’est utilisées que pour

des distances limitées : « h < b ».


b
 


z (x0) 



Fig. 9 : Présentation d’un ensemble de données dans un voisinage h < b.

b : représente le diamètre d’un voisinage d’estimation.

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)

Fig. 10 : Interdistance entre deux variables régionalisées.

b : est l’extension des zones d’homogénéité.

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

Cette limitation aux seules distances | h | < b de l’hypothèse stationnaire correspond à

l’hypothèse de quasi-stationnarité.

III-7- La covariance

𝐶 (ℎ ) = 𝐸 [ ( 𝑍 (𝑥 + ℎ ) − 𝑚 ) . ( 𝑍 ( 𝑥 ) − 𝑚 ) ] = 𝐸 [ 𝑍 (𝑥 + ℎ ) . 𝑍 (𝑥 ) ] − 𝑚 2

𝐶 (0) = 𝑣𝑎𝑟[ 𝑍(𝑥 ) ]

III-7-1- Forme typique

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

III-7-2- Trois propriétés

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.

Pour des raisons physiques on observe souvent que :

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

o 𝑓 (ℎ) = 𝑎 . | ℎ |2 ; 𝑎 > 0 : f (h) n’est pas une fonction de covariance ;

𝑎<0
o 𝑓 (ℎ ) = 𝑏 + 𝑎 . | ℎ |2 ; { : f (x) n’est pas une fonction de covariance d’après
𝑏>0
l’inégalité de Schwartz.

III-8- Le variogramme

III-8-1- Le variogramme théorique

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

16
 Chapitre IV : Modèles de covariances

CHAPITRE IV

MODELES DE LA COVARIANCE

IV-1- La classe des modèles exponentiels

−| ℎ |𝛼
𝐶 (ℎ) = 𝐶. 𝑒 𝑎 𝑎𝑣𝑒𝑐 𝐶, 𝑎 > 0 ; 0 < 𝛼 ≤ 2

IV-1-1- Modèle gaussien

Si α = 2, il s’agit du modèle gaussien :

− | ℎ |2
𝐶 (ℎ) = 𝐶. 𝑒 𝑎

Fig. 12 : Modèle de covariance gaussienne avec a = 10 m et c = 20.

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

IV-1-2- Modèle exponentiel

−|ℎ|
𝑃𝑜𝑢𝑟 α = 1 𝐶 (ℎ) = 𝐶. 𝑒 𝑎 ; 𝐶, 𝑎 > 0

Fig. 13 : Modèle de covariance exponentiel avec a = 10 m et C = 20.

IV-1-3- Modèle sphérique

3 | ℎ | 1 | ℎ |3
𝐶. ( 1 − + ) ; 0<|ℎ|≤𝑎
2 𝑎 2 𝑎3
𝐶 (ℎ ) =

{0 𝑝𝑜𝑢𝑟 | ℎ | ≥ 𝑎 ; 𝐶, 𝑎 > 0

Fig. 14 : Modèle de covariance sphérique avec a = 10 m et C = 20.

18
 Chapitre IV : Modèles de covariances

IV-2- Propriétés du variogramme

1. La fonction variogramme est définie tel que : 𝛾 (0) = 0 ; 𝛾(ℎ) ≥ 0 ;

2. La fonction variogramme est paire : 𝛾 (−ℎ) = 𝛾(ℎ) ;
𝛾(ℎ)
3. La croissance de la fonction variogramme est moins rapide : lim =0 ;
| ℎ | ⟶ ∞ | ℎ |2

4. La fonction variogramme est de type positif conditionnel :

− ∑𝛼 ∑𝛽 𝜆𝛼 𝜆𝛽 𝛾(𝑥𝛼 , 𝑥𝛽 ) ≥ 0 𝑠𝑖 ∑𝛼 𝜆𝛼 = 0 ;
5. Si la fonction covariance existe, il existe une fonction variogramme tel que :
𝛾 (ℎ) = 𝐶 (0) − 𝐶(ℎ), la réciproque n’est pas vraie.

IV-3- Relation entre C (h) et γ (h)

Sous l’hypothèse de stationnarité d’ordre 2 :

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...

1. Si on a la stationnarité d’ordre 2 : 𝛾 (ℎ) = 𝐶 (0) − 𝐶(ℎ) ⟹ 𝛾 (ℎ) est bornée ;

2. Si on a l’hypothèse intrinsèque, γ (h) n’est pas nécessairement bornée :
𝛾(ℎ)
lim = 0.
| ℎ | ⟶ ∞ | ℎ |2

IV-3-1- Exemple

𝛾(ℎ) = 𝐶. | ℎ |𝛾 𝑎𝑣𝑒𝑐 𝑐 >0; 0≤𝛼 <2

 C=1:

19
 Chapitre IV : Modèles de covariances

Fig. 15 : Courbes de l’exemple variographique ci-dessus.

 Cas intermédiaire (palier local) :

𝛾 (ℎ ) = 𝐶 − 𝐶 (ℎ ) 𝑝𝑜𝑢𝑟 | ℎ | ≤ | ℎ𝑙𝑜𝑐 |

C (h)

hloc h

Fig. 16 : Courbe théorique du cas variographique à palier local.

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

V-1- Modèles déduits d’un modèle de covariance

Fig. 17 : Illustration du modèle type du variogramme avec ses paramètres.

V-1-1- Modèle exponentiel

−|ℎ|
𝛾 (ℎ) = 𝐶. (1 − 𝑒 𝑎 ) 𝑎𝑣𝑒𝑐 𝑐, 𝑎 > 0

Fig. 18 : Modèle du variogramme exponentiel avec a = 10 m et C = 20.

21
 Chapitre V : Modèles de variogrammes

V-1-2- Modèle gaussien

−|ℎ|2
𝛾 (ℎ) = 𝐶. (1 − 𝑒 𝑎 ) 𝑎𝑣𝑒𝑐 𝑐, 𝑎 > 0

Fig. 19 : Modèle du variogramme gaussien avec a = 10 m et C = 20.

Attention : ce modèle est infiniment dérivable à l’origine.

V-1-3- Modèle sphérique

3 | ℎ | 1 | ℎ |3
𝐶. ( − ); 0<|ℎ|≤𝑎
2 𝑎 2 𝑎3
𝛾 (ℎ ) =

{𝐶 𝑝𝑜𝑢𝑟 | ℎ | > 𝑎 𝑎𝑣𝑒𝑐 𝐶, 𝑎 > 0

Fig. 20 : Modèle du variogramme sphérique avec a = 10 m et C = 20.

22
 Chapitre V : Modèles de variogrammes

V-1-4- Modèle à effet de trou

sin(𝜔. | ℎ |)
𝛾 (ℎ) = 𝐶. [1 − ] 𝑎𝑣𝑒𝑐 𝐶, 𝜔 > 0
|ℎ|

Fig. 21 : Modèle du variogramme à effet de trou avec a = 10 m et C = 20.

V-1-5- Modèles pour lesquels il n’existe pas de covariances correspondantes

𝛾 (ℎ) = 𝐶. | ℎ |𝛾 𝑎𝑣𝑒𝑐 𝑐 >0; 0<𝛼 <2

Fig. 22 : Modèles avec covariance inexistantes.

23
 Chapitre V : Modèles de variogrammes

V-2- Discontinuité apparente à l’origine

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

Erreur de mesure ⟹ phénomène non spatial :

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

 Cadre du travail : hypothèse intrinsèque.

o 𝐸 [ 𝑍 (𝑥 + ℎ ) − 𝑍 (𝑥 ) ] = 0
2
o 𝑣𝑎𝑟( 𝑍(𝑥 + ℎ) − 𝑍(𝑥)) = 𝐸 [ ( 𝑍(𝑥 + ℎ) − 𝑍(𝑥 )) ] = 2. 𝛾(ℎ)

V-1-1- Estimateur du krigeage ordinaire

b
xα
x0

Fig. 23 : Présentation de deux points connu et inconnu dans un espace 2D.

𝑛
∗(
𝑍 𝑥0 ) = ∑ 𝜆𝛼 . 𝑍(𝑥𝛼 )
𝛼=1

λα : pondérateurs.

 L’estimateur est non biaisé

o Condition de non biais

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

o ∑𝑛𝛼=0 𝜆𝛼 = 0 est la condition de non biais.

VI-1-2- Variance d’estimation

𝜎𝐸2 = 𝑣𝑎𝑟[ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ]

𝑣𝑎𝑟[ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ] = ∑ ∑ 𝜆𝛼 . 𝜆𝛽 . 𝐸 (𝑍(𝑥𝛼 ). 𝑍(𝑥𝛽 ))

𝛼 𝛽

VI-1-2-1- Calcul intermédiaire

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………

26
 Chapitre VI : Krigeage

…………………………………………………………………………………………………
…………………………………………………………………………………………………

VI-1-2-2- Minimisation de la variance d’estimation sous contrainte de non-biais

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………

VI-2- Krigeage simple

 Cadre du travail : la stationnarité d’ordre 2.

o L’espérance mathématique E [ Z (x) ] existe et ne dépend pas de x :

𝐸 [𝑍(𝑥 )] = 𝑚 ∀𝑥

o La covariance existe et ne dépend que de h :

𝑐𝑜𝑣(𝑍(𝑥 + ℎ), 𝑍(𝑥 )) = 𝐶 (ℎ) = 𝐸 [𝑍(𝑥 + ℎ). 𝑍(𝑥 )] − 𝑚2 ∀𝑥

 Conséquence
o Il y a existence et stationnarité de la variance et du variogramme.

En pratique :

o On calcule le variogramme expérimental ;

o On modélise γ (h) avec un modèle de type « covariance », c’est-à-dire un modèle
déduit d’un modèle de covariance. Ex : sphérique, exponentiel, ……, etc.

27
 Chapitre VI : Krigeage

⟶ 𝛾 (ℎ ) = 𝐶 (0) − 𝐶 ( ℎ )
Que doit vérifier γ (h) ?

A cause de l’inégalité de Schwartz :

| 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)

VI-2-1- Estimateur du krigeage simple

𝑍 ∗ (𝑥0 ) = 𝑚 + ∑ 𝜆𝛼 . (𝑍(𝑥𝛼 ) − 𝑚)
𝛼=1

Où m est la moyenne globale.

 L’estimateur est non biaisé

o Condition de non biais :

𝐸 [ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ] = 0

Montrons que l’estimateur du krigeage simple est non biaisé :

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………

VI-2-2- L’erreur d’estimation

𝑍(𝑥0 ) − 𝑍 ∗ (𝑥0 ) = (𝑍(𝑥0 ) − 𝑚) − ∑ 𝜆𝛼 . (𝑍(𝑥𝛼 ) − 𝑚)

VI-2-3- La variance d’estimation

𝜎𝐸2 = 𝑣𝑎𝑟[ 𝑍 ∗ (𝑥0 ) − 𝑍(𝑥0 ) ]

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...

28
 Chapitre VI : Krigeage

VI-2-4- Optimisation de la variance d’estimation

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...

VI-2-5- La variance du krigeage

……………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………...

VI-2-6- Le poids de la moyenne dans l’estimateur

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

L’avantage de l’hypothèse intrinsèque qui est le cadre du travail du krigeage ordinaire

c’est qu’elle se débarrasse d’emblée du paramètre global m.

30