‫ﺟﺎﻣﻌﺔ ﻗﺎﺻدي ﻣرﺑﺎح – ورﻗﻠﺔ‬

‫ﻛﻠﯾﺔ اﻟﻣﺣروﻗﺎت و اﻟطﺎﻗﺎت اﻟﻣﺗﺟددة و ﻋﻠوم اﻷرض و اﻟﻛون‬

‫‪Formation de Géostatistique‬‬
‫‪Session 2: Géostatistique‬‬
‫‪Formateur :‬‬
‫‪Dr. Rabah Kechiched‬‬
‫‪Maître de conférences‬‬
‫‪Email: rabeh21‬‬
‫‪rabeh21@yahoo.fr‬‬
‫‪@yahoo.fr‬‬

‫ﺻورة اﻟﺧﻠﻔﯾﺔ ﻟـ ﻣدﯾﻧﺔ ورﻗﻠﺔ – ﺑﺎﻟﻘرب ﻣن اﻟﻘطب اﻟﺛﺎﻟث ) اﻟذي ﯾﺣوي ﻛﻠﯾﺔ اﻟﻣﺣروﻗﺎت و اﻟطﺎﻗﺎت اﻟﻣﺗﺟددة و ﻋﻠوم اﻻرض و اﻟﻛون(– ﺟﺎﻣﻌﺔ ورﻗﻠﺔ‬
 GÉOSTATISTIQUE

1. Définitions, objet, méthodes et domaines

d’application
2. Types de la géostatistique
3. Le variogramme et ajustement
4. Anisotropies et rose de portées
5. Krigeage et cartographie + Case Studies
 - Définition
Il existe deux définitions de la
notion « géostatistique »

L’école anglo-saxonne Matheron, 1971

La Géo
Géo--statistique = Est l’application du
Statistique formalisme de la fonction
appliquée aux aléatoires à la
sciences reconnaissance et à
géologiques et l’estimation des
sciences de la terre phénomènes naturels
repartis dans l’espace et/ou
dans le temps.
 La géostatistique étudie des phénomènes
naturelles répartie dans l’espace
(phénomènes régionalisés) et/ou dans le
temps (Minéralisation, pollution, propriété
physique de roches, pluviométrie.......).
 Différents modèles et types de la
géostatistique
 Soit un phénomène régionalisé mesurable dans chacun des
points de l’espace. 1 -Géostatistique Transitive. Représente le
Xi, Z(xi)
modèle primaire (Chauvet, 1999). Si au point xi,
la variable régionalisée Z(xi) est considérée comme
valeur unique (valeur vraie) V.R.
2 - Géostatistique Intrinsèque ou modèle topo-
probabiliste (Chauvet, 1999). Si au point xi, Z(xi)
est une V.A.
3- Si les moyennes des variables aléatoires aux
Localisation des points de mesures
Xi (Répartition des données) différents points xi de l'espace de définition sont
égales, E[(Z(x)]= m (x,h) : la Géostatistique est dit
Stationnaire sinon c’est la Géostatistique non
stationnaire.
 Domaines d ’application de la
géostatistique
 La géostatistique est utilisée dans plusieurs domaines parmi
lesquels : l’environnement, le pétrole, la géologie et les mines.
 La prospection et La mine - Etapes de reconnaissance:
La géologie et la mine sont les domaines originels de la
géostatistique.
 des réserves in situ (tonnages de minerai et de métal).
 des réserves récupérables (% de métal contenu dans des blocs) +
variance d'estimation.
- Prévoir l'ordre de grandeur des fluctuations autour de la moyenne
(qualité du minerai à l'entrée de l'usine de traitement = simulations;
- « Méthodes géostatistiques pour l'évaluation de la distribution de
probabilité de la grandeur étudiée => quantifier le risque associé à
un projet minier ».
 Question :
Comment quantifier la variation
d’un phénomène dans l’espace
l’espace,, à
travers les échelles
échelles??
Le variogramme
 Le variogramme
- Le variogramme est une fonction du vecteur
h; il indique si les valeurs différent beaucoup
au fur et à mesure que la distance augmente,
il montre les particularités directionnelles du
phénomène (si l'on examine dans différentes
directions).
 Exemple (Modèles Numériques de
Terrain)
Z1

Z20

x h x+h

Zx Zx+h

h Zn
2h

On caractérise la variabilité entre ces deux mesures, par la fonction variogramme : 2 ( x , h )
Possible aussi de calculer le variogramme
sur des points sans structure
- Variogramme théorique

2 (x,h) E [Z(x)Z(xh)]²

 
(h)
-Variogramme expérimental

1 N(h)


(h)  
2N(h) i1
[Z(xi  h)  Z(xi )]²

- En règle pratique
N (h) ≥30 couples
 h < L/2 – ne dépasse pas moitié du
champ
 Méthode
1 - On détermine la matrice des distances h entre
tous les couples de points {x,y}
2 – Pour toutes les valeurs de distance h, on
calcule le variogramme de la variable Z(x) et
Z(x+h )

3 – On réalise un nuage de points croisant cette

variogramme 2 (x,h) et les distances (h)
4. Comment calculer un variogramme ?

(1) choisir une direction (si il y a lieu) ; (2) définir un pas ; (3) à partir des
observations, récupérer toutes les paires distantes de ce pas ; (4) pour
chacune de ces paires, calculer (Z(x + h) − Z(x)) ,
en faire la moyenne et diviser par deux ; (5) incrémenter le pas.
γ(h) = 1/2 Var [Z (x+h) - Z (x)]

I I I I I I I
0 1 2 3 2 1 0
γ (1) = 1/6[(0-1)2+(1-2)2+(2-3)2+(3-2)2+(2-1)2+(1-0)2] = 1
γ (2) = 1/5[(0-2)2+(1-3)2+(2-2)2+(3-1)2+(2-0)2] = 3.2
γ (3) = 1/4[(0-3)2+(1-2)2+(2-1)2+(3-0)2] = 5

5. Quels sont les paramètres caractéristiques d’un variogramme ?

Portée (range), palier (sill) et comportement à l’origine (effet pépite, tangence,

etc.).
 Zone d’influence
PALIER
sill 
 
5 

range PORTEE

Effet de pépite
1
Nugget effect

1 2 3 4 5 h
(distance between points)
6-c’est quoi l’Effet de pépite?

L'effet de pépite est l'équivalent du "bruit blanc" des physiciens

Effet de pépite pur

Structures gigognes
Echelle d’observation et représentation
1 - pour h = 0 (échelle de support) on note une première variabilité qui est
due à la fluctuation de la composition minéralogique du support
2 - pour h < 1cm (échelle pétrographique), une deuxième variabilité qui est due
à la structure des minéraux;
3 - pour h < 100 m (échelle de faciès pédologique)
4 - à l'échelle d'une zone ou champ (h<100 km), une 4ème variabilité

" L'effet de pépite est une boite noire qui contient pêle-mêle toutes les
structures dépassées par l'échelle d'observation
7-Quelles sont schémas théoriques et ajustement des
variogrammes ?
Il faut voir le type schémas a palier ou sans palier de Comportement à l'origine

A-schémas a palier
Il faut vérifier le Comportement à l'origine
1- Schéma sphérique

3 h 1 h3 C
 ( h )  .  . 3 ; h  0; a
2 a 2 a
 ( h )  1, pour ,, h  a

2- Schéma exponentiel h
(2.a)/3 a



h
 ( h )  1  e , h  0
a

h a
3-Comportement parabolique à l'origine (gaussien


C

h2
 ( h)  1  e a2
, h  0

h
a

B-Schémas sans palier

h
-Schémas en 

(h) = h h > 0 avec 0 < < 2

 Schéma a effet de trou


sin( h) C
 ( h)  1  , h  0
h

L'effet de trou reflète une pseudo-

périodicité de la variable régionalisée 

8. Qu’est ce qu’une anisotropie ?

Si la variable présente différentes portées dans différentes directions, il y a

anisotropie géométrique. Si la variable présente différents paliers dans
différentes directions, il y a anisotropie zonale (exemple : palier du variogramme
vertical différent du palier de variogramme horizontal).
 variogramme et covariance

 le variogramme généralise la covariance

 il est plus commode pour l’inférence

variogramme covariance

C(0)
C(0)

a a
 Anisotropies et rose de portées
 Si la structure de la variabilité est la même dans les
différentes directions, les variogrammes
expérimentaux de ces directions présenteront les
mêmes allures (à peut prés même palier et même
portée). On dira que le phénomène est isotrope,
sinon le phénomène est anisotrope.

 Anisotropies et rose de portées
 Cas d'anisotropes
1 - Anisotropie géométrique

Schéma d'une anisotropie géométrique

L'étude de l'anisotropie est facilitée par l'établissement de roses de portées
ou des inverses des pentes à l'origine. a3
a2

a1
a4

Rose des portées d'une anisotropie géométrique

Anisotropies et rose de portées
 Cas d'anisotropes
1 - Anisotropie zonale

Schéma d'une anisotropie zonale

Variogramme de surface

Graphe d’un variogramme de surface

 Pour se résumer: Schémas théoriques et ajustement
des variogrammes
1 - schémas a palier 2 - schémas sans palier
Comportement Comportement
linéaire à l'origine parabolique à l'origine

h2
 ( h)  1  e a2
, h  0

h(h))
(h) (h)

23a
2
3 a a h 1
3 a a h a h
Pour résumé; Schémas théoriques et ajustement des variogrammes

1 - schémas a palier 2 - schémas sans palier

 (h)  =1
1< <2 (h)

 <1

h
Cartographie & méthodes
d’interpolation
Quelles sont Les méthodes d’interpolations que vous connaissez?

Les méthodes conventionneles ou classiques

A- la méthode de l'inverse des distances à la
puissance n
N    1   1   1   1 
1
  n Z ( S i )  2 Z ( S1 )    2 Z ( S1 )    2 Z ( S1 )    2 Z ( S1 ) 
i  1  d i   d 1   d 2   d 3   d 4 
Z ( x)  
N
1  1   1   1   1 
 n  2 2 2 2
i 1 d i  d 1   d 2   d 3   d 4 

B - la méthode de triangulation avec la méthode d'interpolation

linéaire

Za  Zx Dx .( Za  Zb)
Dx  . L  Zx  Za 
Za  Zb L
Les méthodes d'estimation géostatistiques
Ces méthodes tiennent compte de l'autocorrélation spatiale des variables
spatiale - de la structure mathématique de cette variabilité
N
Z ( x)   i Z ( xi ) avec i  fonction...du.. var iogramme.. ( h )
i 1

Quelle est la meilleure méthode ?

On va répondre après la visualisation des
cartes
 Triangulation Inverse de Krigeage
distance
Ces méthodes tiennent compte de l'autocorrélation spatiale des variables
spatiale - de la structure mathématique de cette variabilité
Cette procédure est dite procédure de krigeage. Elle permet aussi de calculer la
variance d'estimation - équivalent de l'erreur d'estimation - qui est minimale dans ce
cas.
Le krigeage est une méthode de constructeur d'estimateur et un interpolateur
exacte.
C'est donc la méthode la plus optimale et qui est la plus recommandée.
 Krigeage et cartographie
Krigeage
 Méthode d’estimation linéaire, sans biais, minimisant la
variance d’estimation telle que calculée à l’aide du
variogramme,
 Le krigeage est une combinaison linéaire:
- Des distances entre données connues et cible (point à calculer)
de la structure spatiale (variogramme), d’autres informations
auxiliaires (mesures in situ, caractéristiques intrinsèques du
terrain, géophysique…)
L’Estimation en géostatistique
Estimation= utilisation des informations numériques existantes (données) pour
prévoir la valeur de la variable en un volume ou point. Les valeurs estimées peuvent
être cartographiées.
En géostatistique, le constructeur d’estimateur sans biais optimal= krigeage.
Le Krigeage ordinaire consiste à retrouver les pondérateurs i des valeurs
connues aux points de données, en utilisant le variogramme, ce qui permet de tenir
compte de la structure spatiale de la variabilité et de la proximité des données au
point à estimer.
 Le système de krigeage ordinaire N
N  zv   i zi
  i ( v i , v j )     ( v j , V )  i1
 i 1
 μ : Paramètre de Lagrange
 i  1 à N et j  1 à N
N   i : Pondérateurs
  i  1 
 i 1 

La variance d'estimation

Le krigeage ne reproduit pas les caractéristiques "histogramme et variogramme"

de la variable. Il fournit donc une image simplifiée du phénomène étudié. D’où
l’intérêt de recourir à une autre approche : la simulation -
la simulation en géostatistique
La simulation a pour but de générer par des algorithmes adéquats des
réalisations multiples de la fonction aléatoire Z(x). Par construction, ces
réalisations sont toutes équiprobables et possèdent les mêmes
caractéristiques statistiques et spatiales que la réalité z(x).

02 principaux types de simulations géostatistiques: gaussiennes et non-

gaussiennes - Dans notre travail, la simulation a été faite à l’aide d’une méthode
gaussienne : la méthode séquentielle gaussienne – SSG. Elle est appliquée sur
des observations qui suivent une loi gaussienne. Si la distribution n’est pas
gaussienne, alors une transformation de la variable en une variable gaussienne Y
est nécessaire. Il s’agit d’une anamorphose Y = F(Z). La simulation est effectuée
sur Y puis la transformée inverse F−1

les étapes de cette méthode de simulation sont

1 - Choisir une maille - un nœud de la grille- et définir une sphère de recherche dans le
cas de phénomène isotrope ou une ellipsoïde de recherche dans le cas d’anisotropie;
2 -A partir de l’estimation par krigeage et de la variance d’estimation à un noeud,
construire une loi gaussienne;
3 -Tirer aléatoirement une valeur dans cette distribution
4 - Ajouter la valeur simulée à la liste des valeurs disponibles
 Krigeage
1-Qu’est ce qu’un estimateur linéaire ? Quelle est son équation générale ?
Donnez
deux exemples d’interpolateurs linéaires.?

Un estimateur linéaire est un estimateur définissant la valeur estimée comme une

combinaison linéaire des autres valeurs. La différence entre les estimateurs
linéaires repose dans le choix des poids appropriés et du nombre de points à
prendre en compte. Exemples : distance inverse,, moyenne, barycentrique, ...
2. Quel est le principe du krigeage ?

Dans un cadre probabiliste, le krigeage tente de : (1) minimiser la variance de

l’erreur d’estimation,et (2) systématiquement fixer la moyenne des erreurs
d’estimation à zéro (non-biais).
3. Pourquoi utiliser le krigeage plutôt qu’une simple interpolation ?

Les techniques d’interpolation classiques (distance inverse, triangulation , etc.) ne

prennent pas en compte les structures spatiales de la variable estimée. Le
krigeage, via le variogramme, permet de prendre en compte ces structures. De
plus, le krigeage quantifie la qualité des estimations via la variance d’estimation.
4. Comparer krigeage simple et krigeage ordinaire.?

Le krigeage simple suppose que la moyenne est connue

 i  vi ,v j     v j ,V  ..........i  1àN ; j  1àN

N

Le krigeage ordinaire suppose que la moyenne est constante mais

inconnue :

N 
  i ( vi , v j )     ( v j , V ) 
 i 1

  i  1.à.N ...et.. j  1..à..N
N 
  i  1 
 i 1 
 Effect des modèles des variogramme a
la cartographie de la porosité

exponential
data: model

mean porosities at wells

15%

gaussian model
10%

5%
spherical model
36
 Variogram Models
Spherical Gaussian
0.0 5.0 10.0 15.0

15.0 15.0

Colors

2.4
10.0 10.0
1.8

1.2

0.6

5.0 5.0 -0.6

-1.2

-1.8

-2.4

-3
0.0 0.0
0.0 5.0 10.0 15.0
Test

Gauss. 3k
0. 1. 2. 3. 4. 5. 6. 7. 8.

1.00 1.00

 h
2
 –  --- 
  h  = C  O 3--- h---  – 1---  h---  
3
 a 
0.75 0.75
2 a 2 a   h = C  O 1 – e
 
a = Range a = Range
0.50 0.50

Practical Range = a Practical Range = 1.73a

0.25 0.25

0.00 0.00
0. 1. 2. 3. 4. 5. 6. 7. 8.

Variogram porosity (omni) - Mod

08/04/2020 BD - intro geostatistic 37

 Variogram Models
Linear Periodic
0.0 5.0 10.0 15.0 0.0 5.0 10.0 15.0

15.0 15.0
15.0 15.0
Colors
Colors
3

2.3 4
10.0 10.0
1.6 3.2
0.9 10.0 10.0
2.4
0.2
1.6
-0.5
0.8
5.0 5.0 -1.2
0
-1.9

-2.6 5.0 5.0 -0.8

-3.3 -1.6

-4 -2.4
0.0 0.0
0.0 5.0 10.0 15.0 -3.2
Test

linear 3k -4
0.0 0.0
0. 1. 2. 3. 4. 5. 6. 7. 8. 0.0 5.0 10.0 15.0
Test

2.5 2.5 Card.Sin 0.3

0. 1. 2. 3. 4. 5. 6. 7. 8.

1.25 1.25

There is a trend; 2.0 2.0

the variogram is 1.5 1.5

1.00 1.00
 h
sin  --- 
a
not bounded. 0.75 0.75
  h = C  O ------------------
h
1.0 1.0
---
a

0.5 0.5
0.50 0.50
a = Range

 h
h
= C  O  --- 0.0 0.0 0.25 0.25 Practical Range = 3a
a 0. 1. 2. 3. 4. 5. 6. 7. 8.

Variogram porosity (omni) - Mod

C o 0.00 0.00
-------------- = Slope 0. 1. 2. 3. 4. 5. 6. 7. 8.
a
Variogram porosity (omni) - Mod

08/04/2020 BD - intro geostatistic 38

 Variogram Models

Exponential Nugget + spherical

0.0 5.0 10.0 15.0
0.0 5.0 10.0 15.0

15.0 15.0
15.0 15.0
Colors
Colors

5
4
4.1
3.3
10.0 10.0
10.0 10.0 3.2
2.6

1.9
2.3

1.2 1.4

0.5 0.5

5.0 5.0 -0.2 5.0 5.0 -0.4

-0.9 -1.3

-1.6 -2.2

-2.3 -3.1

-3 -4
0.0 0.0 0.0 0.0
0.0 5.0 10.0 15.0 0.0 5.0 10.0 15.0
Test Test
Exp3k
Nuggget 20% + Spher 3k

0. 1. 2. 3. 4. 5. 6. 7. 8.
0. 1. 2. 3. 4. 5. 6. 7. 8.
1.00 1.00

1.00 1.00

0.75 0.75

 -–-h- 
  h = C  O  1 – e 

0.75 0.75
a
0.50 0.50

a = Range 0.50 0.50

0.25 0.25

3a = Practical Range 0.25 0.25

0.00
0. 1. 2. 3. 4. 5. 6. 7. 8.
0.00 (when reaching 95% of sill)
Variogram porosity (omni) - Mod
0.00 0.00
0. 1. 2. 3. 4. 5. 6. 7. 8.

Variogram porosity (omni) - Mod

39