Académique Documents
Professionnel Documents
Culture Documents
MODELISATION SPATIALE
AVRIL 2021
-2-
INTRODUCTION AUX TRAVAUX PRATIQUES
Objectifs:
Explorer à l’aide du logiciel de traitement statistique R, la structure spatiale de propriétés de sol du
jura suisse. En partant d’un tableau de points échantillonnés dans l’espace, dérouler l’exploration des
données et l’analyse variographique. Modéliser les estimateurs calculés à partir de ces points de
données.
Données :
Le fichier jura.txt contient 259 mesures de concentration en métaux lourds mesurés dans une région
du jura Suisse. Le fichier contient 11 colonnes. Ce jeu de données est un jeu de données exploités dans
l’ouvrage : Goovaerts P. 1997. Geostatistics for Natural Resources Evaluation. Oxford Univ. Press,
New-York, 483p. Ce jeu de données est également en accès libre téléchargeable sur : http://www.ai-
geostats.org/, puis Resources/Well known Geostatistical datasets.
Les deux premières colonnes contiennent les coordonnées dans l’espace, x et y (exprimées en km).
Les 7 dernières sont les concentrations dans le sol (en mg / kg) des métaux suivants : Cadmium,
Cobalt, Chrome, Cuivre, Nickel, Plomb, Zinc.
La variable étudiée sera le Nickel, Ni.
Un second fichier de 100 mesures est joint (validation.txt). Il contient des points de validation. Ils ne
doivent pas servir aux calculs des estimateurs et à l'ajustement des modèles, mais permettront de
valider les modèles choisis, en estimant en ces points des valeurs, puis en comparant ces valeurs aux
valeurs mesurées.
-3-
Méthodologie générale
Chaque fiche concerne une partie de la démarche méthodologique. Elle spécifie l’objectif et les items
des commandes R à utiliser.
-4-
3. Fiches de travaux pratiques
2- Importer un tableau de Le jeu de données correspond à une table sous forme d’un fichier texte ou
données contenant les chaque ligne correspond à un site ponctuel avec ses coordonnées et les
coordonnées dans l’espace de variables de teneur en métaux mesurées dans le sol.
chaque point d’échantillonnage
jura<-read.table(‘jura.txt’, header=T)
jura$x
jura$y
jura$Ni
dim(jura) donne le nombre de lignes puis colonnes du tableau jura
Quel est le nombre d’individus (échantillons) ?
names(jura)
Et le nombre de variables (autres que x et y) ?
3- Elimination des données On limitera cette étude aux données "non Argovienne" (rt=1), afin de ne
« argoviennes » pas être trop éloigné de l'hypothèse de stationnarité de Z(s).
jura<-jura[jura$rt!=1,]
Quel est alors le nombre d’individus (échantillons) ?
-5-
FICHE N°2: Cartographie et distribution des points de données
Objectif: Afficher les points de données liés à la variable régionalisée z(s) étudiée et visualiser ses
distributions « aspatiales » et spatiales.
Rappel : L’aide sur les commandes et fonctions R est accessible par : help(nom de la
commande) ou ?nom de la commande
plot.geodata(geojura) (geoR)
bleu : premier quartile
rouge : dernier quartile
De quel type d’échantillonnage dispose-t-on ?
Que dire de l’hypothèse de stationnarité d’ordre 1 à la vue d’une simple
cartographie des quartiles?
-6-
FICHE N°3 : Variogrammes expérimentaux et anisotropies
var.Ni
n indique le nombre de paires de points de données.
plot(var.Ni$bins, var.Ni$classic)
-7-
3- Faire sa propre fonction de A partir des vecteurs de coordonnées et de la variable, calculer le
varoigramme expérimental variogramme expérimental :
On fait d’abord une matrice des distances
X<-jura$x
Y<-jura$y
X<-outer(X,X,"-")
X<-X^2
Y<-outer(Y,Y,"-")
Y<-Y^2
XY<-X+Y
matdist<-sqrt(XY)
(On pourrait faire la même chose en 3D)
Faire maintenant un script qui vous permette de créer une fonction qui
vous représente le variogramme expérimental en fonction d’une distance
maximale, d’un nombre de lags et des vecteurs de coordonnées et de la
variable.
La compiler et l’appliquer.
Attention ! : il peut y avoir des télescopages entre packages : la
commande plot.variogram existe aussi bien sur Sgeotat que
geoR.. Il peut donc y avoir conflit et dans ce cas, c’est la fonction du
‘dernier package chargé’ qui l’emporte. Un moyen de s’en sortir et de
fermer votre projet, et surtout de l’enregistrer en quittant R : à la question
‘Save work space image ?’, répondez par ‘oui’. Un fichier de
données et d’historique se crée alors sur C:\tpgeostat.
Réouvrir le projet depuis l’explorateur en double-cliquant sur .
-8-
4- Enveloppe de confiance Par test de permutation (test de Monte-Carlo) des variables sur chaque
empirique du variogramme par site, on peut construire des distributions empiriques de variogrammes
test de permutation : expérimentaux sous H0 et visualiser une enveloppe de confiance bi-
H0 = absence de corrélation latérale à 100-95, … % qui nous permet de tester le significativité de la
spatiale structure spatiale (H0 = permutations = il n’y a pas de structure spatiale).
bin1<-variog(geojura, uvec=seq(0,3,length=15)) (geoR)
bin1 permet de comprendre les résultats
help(variog) permet de comprendre les arguments
help(seq) si vous le souhaitez
bin1.env<-variog.mc.env(geojura,obj.var=bin1,nsim=99)
(geoR)
plot(bin1, envelope = bin1.env) (geoR)
Si cette fonction ne fonctionne pas correctement, fermer en sauvegardant
votre projet R et ré-ouvrez le. Ne charger alors que le module geoR
-9-
5- Variogrammes expérimentaux Réaliser les variogrammes expérimentaux suivant des directions en points
directionnels de données de 0 , 45, 90 et 135 ° par rapport à l’axe des x (sens trigo)
(avec tolérances angulaires de demi-secteur angulaire :22,5 °) ; Comparer
les structures de variogrammes obtenues.
Dans geoR comme pour les conventions géographiques, l’Azimut
(theta) correspond à un angle dans le sens horaire par rapport au nord :
0°
45°
-45°
N
90°
- 10 -
FICHE N°4 : Ajustement d’un modèle de variogramme au
variogramme expérimental
- 11 -