MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR RÉPUBLIQUE DU MALI

ET DE LA RECHERCHE SCIENTIFIQUE
Un Peuple-Un but-Une foi

ÉCOLE NATIONALE D’INGENIEURS – ABDERHAMANE BABA TOURÉ

DÉPARTEMENT DE GÉOLOGIE et MINES

Master 2 Prospection minière

RAPPORT DE geostastisque

Encadré par :
PhD en Hydrologie-géostatistique Salif Koné
Présenté par :
Mamoutou Ouattara
Tenin Moussa Diallo

Souleymane Sy
Mandé Doumbia
Table des matières

Introduction :..................................................................................................................................3
1. Objectif général :........................................................................................................................3
2. APPLICATION DE LA GEOSTATISTIQUE........................................................................................3
I. TRAVAUX PRATIQUES :...................................................................................................................4
1. Installation et chargement des modules :..................................................................................4
2. Importer et prétraitement des données du zinc (Zn).................................................................4
3. Elimination de certaines données :.............................................................................................5
4. Ajout d’un numéro unique d’échantillon au tableau de données :............................................5
5. Cartographie du plan d’échantillonnage et des quartiles :.........................................................5
6. Variogrammes expérimentaux et anisotropies...........................................................................6
7. Résultat de la visualisation du point de numéro 29....................................................................8
8. Variogrammes expérimentaux omnidirectionnels :....................................................................8
9. Variogrammes expérimentaux directionnels :..........................................................................10
10. Variogramme empirique dans la direction 60 :....................................................................10
11. Ajustement d’un modèle de variogramme au variogramme expérimental :........................11
II. ESTIMATION ET SIMULATION :.....................................................................................................12
1. Krigeage ordinaire sur une grille régulière...............................................................................12
2. Visualisations du champ krigé et de la variance d’erreur de krigeage (critère minimisé).........13
3. Visualisation de la variance d’erreurs :.....................................................................................13
4. Validation croisée.....................................................................................................................14
5. Krigeage aux points de validation.............................................................................................14
6. Visualisation graphique des résultats :.....................................................................................15
III. RESUME DES DIFFERENTES ETAPES DE LA MODELISATION......................................................16
1. INTERPRETATION......................................................................................................................16
IV. CONCLUSION :..........................................................................................................................17
Introduction :
La géostatistique est l’étude d’estimation des réserves des variables régionalisées, à la
frontière entre les mathématiques, les physiques et les sciences de la terre.

Son principal domaine d’utilisation a été l’estimation des gisements à travers le Krygeage
grâce au calcul de variogramme.

Ce rapport est un compte rendu des travaux pratiques de la géostatistique, dispensé par Dr.
Salif KONE à l’Ecole Nationale Abderhamane Baba Touré (ENI-ABT). Il est basé sur la
modélisation, l’estimation et la simulation des données spatiales ; effectuées à l’aide du «
logiciel R ».

Le Zn est l’élément sur lequel nous travaillerons.

1. Objectif général :
Habituer les étudiants à l’installation et l’utilisation du logiciel R pour estimation des
réserves.

Objectifs spécifiques :

 Techniques d’installation du logiciel R ;

 L’analyse spatiale des données ;
 La modélisation ;
 L’estimation et la simulation.

2. APPLICATION DE LA GEOSTATISTIQUE
Elle est appliquée dans plusieurs domaines notamment :

 L’estimation des teneurs en minerai,

 Quantification et la qualification de la pluviométrie, de la pollution de l’air et de
l’eau,
 L’analyse de la variabilité d’une variable régionalisée,
 Dans la synthèse sous forme de cartographie, d’estimation surfacique ou volumique.
 3. TRAVAUX PRATIQUES :
1. Installation et chargement des modules :
Le logiciel du langage R ainsi que les modules ont été fournis par le professeur (Dr Salif
KONE). Le logiciel et les modules sont dans le répertoire courant sur le disque C qui ont été
installés avec l’assistance du professeur.

2. Importer et prétraitement des données du zinc (Zn)

A chaque fois que l’on veut ouvrir un nouveau script, on change le répertoire courant.

Après avoir suivi les étapes de la création de la table, l’exécution de la commande (dim (jura)
nous donne les dimensions du tableau jura.

 On ouvre un script

Ci-dessous, se trouve le script :

jura$xjura<-read.table("jura.txt", header=T)
jura$y
jura$Zn
dim(jura)
Names(jura)

dim (jura)
[1] 259 11
names (jura)
[1] "x" "y" "lu" "rt" "Cd" "Co" "Cr" "Cu" "Ni" "Pb" "Zn"
NB : La commande « names (jura) » donne les entêtes des colonnes du tableau.
On dénombre neuf (9) autres variables. Le nombre d’échantillons ou d’individus est de 259
pour chaque variable.
 3. Elimination de certaines données :
Nous éliminerons les données de l’argovien.
La ligne de commande suivante a permis de supprimer les données de l’argovien :
jura<-jura[jura$rt!=1,]
Le nombre d’échantillons est 206
dim(jura)
[1] 206 12

4. Ajout d’un numéro unique d’échantillon au tableau de données :

L’exécution des commandes suivantes nous permet l’ajout d’un numéro unique et donc de
modifier les dimensions du tableau. On obtient alors 12 colonnes pour 206 échantillons.

nom<-1:length(jura[,1])
> jura<-cbind(jura,nom)
> dim(jura)
[1] 206 12

5. Cartographie du plan d’échantillonnage et des quartiles :

Objectif : Afficher les points de données liés à la variable régionalisée z(s) étudiée et
visualiser ses distributions « spatiales » et spatiales.
Cartographie du plan d’échantillonnage et des quartiles
Le script suivant donne le plan :

geojura<-as.geodata(jura,coords.col=1:2, data.col=11)

Min. 1st Qu. Median Mean 3rd Qu. Max.

25.20000 61.60000 76.20000 78.93146 90.18000 219.32000
 6. Variogrammes expérimentaux et anisotropies
Objectif : Etudier la dépendance spatiale de l’isotropie de la variable étudiée
Le script suivant donne la nuée variographique

require(sgeostat)
par(mfrow=c(1,1))
jura.point<-point(jura, x= "x", y= "y" )
jura.pair<-pair(jura.point, num.lags=15, type= "isotropic", maxdist=3)
spacecloud(jura.point, jura.pair, "Zn", type="s", query.a="nom" )

L’échantillon numéro 29 sort de l’ordinaire avec une valeur de 46.80 ppm.

Elimination de l’échantillon numéro 29 (dont la valeur est 46.80) de la nuée variographique
s’est faite avec le script ci-dessous

require(sgeostat)
par(mfrow=c(1,1))
jura.point<-point(jura, x= "x", y= "y" )
jura<-jura[jura$Zn!=46.80,]
jura$Zn
numero<-1:length(jura[,1])
jura<-cbind(jura,numero)
dim(jura)
jura.point<-point(jura, x= "x", y= "y" )
jura.pair<-pair(jura.point, num.lags=15, type= "isotropic", maxdist=3)
spacecloud(jura.point, jura.pair, "Zn", type="s", query.a="numero" )

palette(terrain.colors(24))
plagecouleurs<-as.numeric(cut(jura$Zn,24))
plot(jura$x, jura$y, type='n')
points(jura$x, jura$y, pch=20, col=plagecouleurs)

text(jura$x[jura$numero= 29], jura$y[jura$numero==29], '29', pch=20, col="blue") title('

localisation echantillon 29 sur une carte ')

var.Zn

Lags bins classic robust med n

1 0.1 679.9315 391.4445 254.3569 315

2 0.3 1135.4826 932.3783 805.3210 654

3 0.5 1229.6525 1043.4991 945.4719 835

4 0.7 1194.6465 1170.7934 1116.5523 1113

5 0.9 1345.2610 1217.4245 1335.6090 940

6 1.1 1413.3645 1373.8045 1419.6265 1521

7 1.3 1670.4135 1574.6384 1432.9857 1458

 7. Résultat de la visualisation du point de numéro 29.

8. Variogrammes expérimentaux omnidirectionnels :

Le script suivant le variogramme

var.Zn<-est.variogram(jura.point, jura.pair,"Zn")
var.Zn
plot(var.Zn$bins, var.Zn$classic)
Le script suivant permet d’apprécier l’effet de l’échantillon numéro 29 :

points(var.Zn$bins, var.Zn$med, col="red")

points(var.Zn$bins, var.Cu$med, col="red")
points(var.Zn$bins, var.Zn$robust, col="blue")

require(geoR)
bin1<-variog(geojura, uvec=seq(0,3,length=15))
bin1
bin1.env<-variog.mc.env(geojura,obj.var=bin1,nsim=99)
plot(bin1, envelope = bin1.env)

Cette est assez large et s’étale entre 450 à 1000 environ.

 9. Variogrammes expérimentaux directionnels :
Le script des variogrammes expérimentaux :
vario.4<-variog4(geojura, max.dist=2)
plot(vario.4, lwd=2)
vario.4<-variog4(geojura, max.dist=2, tolerance = 0)
vario.4<-variog4(geojura, max.dist=2)
plot(vario.4, lwd=2)

10. Variogramme empirique dans la direction 60 :

Script :bin2<-variog(geojura, uvec=seq(0,3,length=15),direction = 60,tolerance = 10,
unit.angle = "degrees")

plot(bin2)
On ne peut pas conclure à une isotropie de la structure spatiale des données ; car la
distribution des points montre différents paliers et différentes composantes pépitiques

11. Ajustement d’un modèle de variogramme au variogramme expérimental :

Les lignes du script ci-dessous permettent d’obtenir différents modèles. Seul le modèle le
mieux ajusté (modèle exponentiel correspondant à la ligne « 1 » du script) est retenu.

require(sgeostat)
plot(var.Zn$bins, var.Zn$med)
1. Model.Zn<-fit.exponential(var.Zn, 5, 60, 0.3, type='c', iterations=100,tolerance=1e-03,
echo=FALSE, plot.it=T, weighted=T)
2. Model.Zn<-fit.spherical(var.Zn,5, 40, 1, type='m', iterations=100, tolerance=1e-03,
echo=FALSE, plot.it=T, weighted=T)
3. Model.Zn<-fit.spherical(var.Zn, 5, 60, 1, type='c', iterations=0, tolerance=1e-06,
echo=FALSE, plot.it=T, weighted=T)

Ce model correspond à un model sphérique avec des paramètres géostatistiques suivantes : La

portée= 0,7 ; effet de pépite= 125 ; le palier= 700.
 12. ESTIMATION ET SIMULATION :
1. Krigeage ordinaire sur une grille régulière
Objectif : Réaliser et visualiser une estimation locale sur une grille régulière, en partie en
extrapolation et visualiser les résultats

1. Préparer une grille régulière de points à kriger par krigeage ordinaire

Script préalable à l’élaboration de la grille :

X<- seq(min(jura$x),max(jura$x),by=0.1)
Y<- seq(min(jura$y),max(jura$y),by=0.1)
x<-rep(X, length(Y))
y<-rep(Y, length(X))
y<-sort(y, decreasing=F)
Grid<-data.frame(x=x, y=y)
require(sgeostat)
Grid.point <- point(Grid, "x", "y")
Grid.point

Le nombre d’échantillons est alors de 2236 contre 206 pour jura.point. Cette grille résulte de
la discrétisation des données.
Script de la grille :

Grid.krige1 <-krige(Grid.point,jura.point,'Cu',Model.Cu, maxdist=1,extrap=TRUE)

Grid.krige1
par(mfrow=c(1,2))
 2. Visualisations du champ krigé et de la variance d’erreur de krigeage (critère minimisé)
Script de visualisation :

image(X,Y,matrix(Grid.krige1$zhat,length(X),length(Y),byrow=F),add=TRUE,
col=terrain.colors(24))
contour(X,Y,matrix(Grid.krige1$zhat,length(X),length(Y),byrow=F),add=TRUE)
points(jura$x,jura$y,col="red", pch=20, cex=0.7)

Extrapolation

3. Visualisation de la variance d’erreurs :

Script de visualisation :

plot(Grid$x,Grid$y,type='n')
image(X,Y,matrix(log(Grid.krige1$sigma2hat),length(X),length(Y),byrow=F),add=TRUE,
col=heat.colors(24))
contour(X,Y,matrix(Grid.krige1$sigma2hat,length(X),length(Y),byrow=F),add=TRUE)
ajouter les points de données
points(jura$x,jura$y,col="blue", pch=22, cex=0.7)
Les fortes valeurs de variance sont surtout observées en bordure de carte et où on note
l’absence de points de mesure. Par contre les endroits avec beaucoup de points mesure
présentent les faibles valeurs de variance (parfois nulles).

4. Validation croisée
Objectif : Réaliser une estimation sur des points de données non utilisés en modélisation :
analyse des erreurs d’estimation

1. Préparer et importer le fichier de validation :

Script :

validation<-read.table("validation.txt", header=T)
validation
dim(validation)
names(validation)
validation<-validation[validation$rt!=1,]
nom<-1:length(validation[,1])
validation<-cbind(validation,nom)
validation.point<-point(validation, x="x", y="y")

Les valeurs manquantes sont dues au fait qu’on a enlevé les valeurs de l’argovien dans la
table des données de validation.
5. Krigeage aux points de validation
validation.krige <-krige(validation.point,jura.point,'Zn',Model.Zn, maxdist=1,extrap=F)
validation.krige$zhat
validation.krige$sigma2hat
zhat<-validation.krige$zhat
sigma2hat<-validation.krige$sigma2hat

Script des résultats :

par(mfrow=c(1,2))
palette(terrain.colors(24))
plagecouleurs<-as.numeric(cut(validation$zhat,24))
plot(validation$x, validation$y, type='n')
points(validation$x, validation$y, pch=20, col=plagecouleurs)
palette(heat.colors(24))

plagecouleurs<-as.numeric(cut(validation$sigma2hat,24))
plot(validation$x, validation$y, type='n')
points(validation$x, validation$y, pch=20, col=plagecouleurs)
points(jura$x, jura$y, pch=20, col="blue")

6. Visualisation graphique des résultats :

 7. RESUME DES DIFFERENTES ETAPES DE LA MODELISATION
En partant des données, on a cherché les points expérimentaux du variogramme. Ces points
expérimentaux nous a permis de construire la courbe de variogramme (modélisation). Il s’agit
ici d’un model sphérique.
La discrétisation de la surface consiste à l’estimation (par interpolation et extrapolation) de
millier de points à partir des points mesurés. Le nombre d’échantillons est alors de 2236
contre 206 pour jura.point. Cette grille résulte de la discrétisation des données. C’est le
krigeage (krigeage ordinaire dans ce cas précis).
1. INTERPRETATION
Le groupe des quartiles ne domine exclusivement une zone sur la carte des quartiles. Les
symboles sont bien mélangés (La moyenne est constante). Le terrain d’étude correspond alors
à un terrain homogène.
On remarque des lignes suivants la disposition (échantillonnage régulier).
La courbe de tendance ajoutée aux valeurs de zinc projetés par axe de coordonnées donne une
valeur autour de 75. L’hypothèse de la stationnarité d’ordre un (1) est respectée lorsqu’on
marche suivant northing et/ou suivant l’easting.
La courbe de la fonction densité ressemble à une cloche. Cela veut dire que la variance existe.
L’hypothèse de la stationnarité d’ordre deux (2) est respectée.
L’échantillon numéro 29 sort de l’ordinaire avec une valeur de 46.80 ppm.
Le krigeage nous toujours deux cartes dons la seconde permet d’estimer la première. La
seconde est dite biaisée. On tire l’information dans première.
Les fortes valeurs de variance sont surtout observées en bordure de carte et où on note
l’absence de points de mesure. Par contre les endroits avec beaucoup de points mesure
présentent les faibles valeurs de variance (parfois nulles). Les valeurs manquantes sont dues
au fait qu’on a enlevé les valeurs de l’argovien dans la table des données de validation.
 2. CONCLUSION :
Ces différents travaux de modélisation et de simulation nous ont permis de nous familiariser
avec le logiciel R. Nous avons pu également comprendre combien le métier de modélisateur
pouvait être challengeant et demande non seulement de l’enthousiasme mais aussi un
dévouement et une passion sans précédent.
3. Bibliographie :
 Cours de géostatistique sur les différents chapitres de Docteur Salif Koné
 Introduction to Geostatistics for Resources Evaluation and Estimation by DR. Mohamad
Mamad Nur Heriawan Department of Mining Engineering-ITB.
 Introduction à la géostatistique variographie, krigeage, interpolation et simulation de Yann
Méneroux
 Allard, D. (2012). Statistiques spatiales: introduction la géostatistique de l’university of
Montpellier