Le krigeage 

:
Le mot krigeage provient du nom de son précurseur, D.G. Krige, un ingénieur minier sud-
africain. C'est cependant le français Matheron qui a formalisé l'approche en plus de baptiser la
méthode krigeage, il a aussi été le premier à utiliser le terme géostatistique.
Le krigeage est une méthode de modélisation statistique qui est couramment utilisée en
géostatistique pour estimer les valeurs inconnues d’une variable à partir des données connues,
en plus de l'estimation elle-même, il permet d'évaluer l'incertitude liée à cette estimation.
Dans le contexte de la sismique interprétation, cette méthode peut être utilisé pour convertir
les temps de surface en profondeur, une étape importante dans l’analyse et la modélisation des
structures géologique sous la surface terrestre. La technique est basée sur la disposition
spatiale des observations empiriques, plutôt que sur un modèle présumé de distribution
spatiale, cette interpolation génère également des estimations de l'incertitude entourant chaque
valeur interpolée (les vitesses, le profondeurs, …). D'une manière générale, les pondérations
de krigeage sont calculées de telle sorte que les points proches du lieu d'intérêt reçoivent plus
de poids que ceux qui en sont plus éloignés. D’un autre part, le regroupement des points est
également pris en compte d’une façon que si sont moins pondérés, cela permet de réduire le
biais dans les prédictions.
Le prédicteur de krigeage est un "prédicteur linéaire optimal" et un interpolateur exact, donc
chaque valeur interpolée est calculée pour minimiser l'erreur de prédiction pour ce point. La
valeur générée par le processus de krigeage pour tout emplacement réellement échantillonné
sera égale à la valeur observée à ce point, et toutes les valeurs interpolées seront les meilleurs
prédicteurs linéaires sans biais .En général, L’outil de cette méthode présuppose que la
distance ou la direction liant les points d’échantillonnage reflète une corrélation spatiale
pouvant expliquer les variations de la surface, donc si l'autocorrélation spatiale entre les
points de données échantillonnés est faible cette méthode ne sera pas plus efficace que les
méthodes d'interpolation plus simples.
Pour utiliser le krigeage il faut bien connaître les conditions d'utilisation de la méthode. Ici, la
seule condition indispensable pour utiliser le krigeage est que la moyenne et la variance de la
fonction soient stationnaires, c'est-à-dire qu'elles ne dépendent pas de la position des points,
mais seulement de la distance entre les points. L'interpolation par krigeage peut être divisée
en deux parties : la première est la recherche et la modélisation de la structure spatiale des
valeurs échantillonnées (servant à l'estimation) à l'intérieur d'un semi-variogramme, la
deuxième partie est le processus d'estimation lui-même ‘le krigeage’ qui dépend entièrement
du semi-variogramme construit précédemment.
La formule générale du krigeage est :

 
D’où :
 Z(si) = valeur mesurée à l’emplacement i

( )
Z 1,1 ⋯ Z 1 ,n
Z= ⋮ ⋱ ⋮
Zn ,1 ⋯ Zn , n

 λ i = pondération inconnue de la valeur relevée à l’emplacement i

λ1
λ= ⋮
λ2

 s 0 = emplacement de prévision
 N = nombre de valeurs relevées

L’un des principaux avantages du krigeage est sa capacité à prendre en compte la variabilité
spatiale des données. En effet, il utilise une approche géostatistique qui permet de modéliser
la distribution spatiale des valeurs mesurées et d’estimer les valeurs inconnues en fonction de
cette distribution. Ainsi, cette méthode permet de prendre en compte les variation locales des
données et de produire des résultats plus précis que les techniques d’interpolation linéaire.
Une autre force du krigeage est sa capacité à fournir des estimations accompagnées d’une
mesure de l’incertitude, qui permet de calculer des intervalles de confiance qui donnent une
indication de la précision de l’estimation et permettent aux interprètes de quantifier
l’incertitude de leurs modèles. Cette interpolation est une méthode flexible qui peut être
utilisée avec différentes configurations de données, y compris des données régulières et
irrégulières, plus des données multivariées, ce qui permet aux interprètes de travailler avec
des données hétérogènes et de produire des modelés précis et cohérents.
Cependant, cette méthode présente des inconvénients qui peuvent affecter la qualité de la
conversion temps-profondeur. Tout d’abord, cette technique suppose que la structure spatiale
de la variable géocientifique est stationnaire, cela signifie que les propriétés de la variable ne
changent pas avec le temps. Cependant en sismique, les propriétés des couches géologiques
peuvent varier considérablement avec la profondeur donc le krigeage peut produire des
estimations imprécises. Ensuite, les données sismiques peuvent être hétérogènes, c’est-à-dire
que la variabilité des données peut être importante à des échelles spatiales et temporelles
différentes, dans ce cas ne peut pas prendre en compte cette hétérogénéité ce qui peut
entrainer des erreurs dans les prévisions de temps de parcours. Aussi, cette méthode repose
sur l’hypothèse qui dit la corrélation spatiale entre les données est constante. Mais, dans la
réalité cette corrélation spatiale peut varier en fonction de la géologie sous-jacente, et les
prévisions de temps de parcours peuvent être imprécises si cette corrélation spatiale n’est pas
correctement prise en compte.
Les principales propriétés et caractéristiques associées au krigeage sont :
- Linéaire, sans biais, à variance minimale, par construction.
- Interpolateur exact. : si l’on estime un point connu, on retrouve la valeur connue.
- Présente un effet d’écran : les points les plus près reçoivent les poids les plus importants. Cet
effet d'écran varie selon la configuration et selon le modèle de variogramme utilisé pour le
krigeage (voir exemple plus haut). Plus l'effet de pépite est important, moins il y a d'effet
d'écran.
- Tient compte de la taille du champ à estimer et de la position des points entre eux.
- Par l'utilisation du variogramme, le krigeage tient compte de la continuité du phénomène
étudié (effet de pépite, anisotropie, etc.).
- Effectue généralement un lissage, i.e. les estimations sont moins variables que les teneurs
réelles (point ou bloc) que l'on cherche à estimer.
- Transitif. Si l’on observe en un point une valeur coïncidant avec la valeur krigée pour ce
point, alors les valeurs krigées en d'autres points ne sont pas modifiées par l'inclusion de ce
nouveau point dans les krigeage. Par contre les variances de krigeage, elles, sont diminuées.
De même, si l’on krige un certain nombre de points et que l’on utilise les valeurs krigées
comme si c’étaient de nouvelles
Le krigeage ne peut pas être utilisé si les données sont très espacées. Dans ces situations,
d’autres techniques d’interpolation peuvent être nécessaires pour compléter les données
manquantes, ce qui peut entrainer des erreurs supplémentaires.
Bien qu'il existe différentes formes et méthodes de krigeage, notamment :

Ordinaire

Simple universel

Krigeage

Krigeage simple :
Comme le nom le laisse à penser, le krigeage le moins complexe est celui dans lequel la
stationnarité postulée est de deuxième ordre et l’espérance de la fonction aléatoire étudiée est
supposée connue et constante sur tout le champ, il s’agit du krigeage simple (Matheron, 1970,
p.122). Ce krigeage repose sur la modélisation suivante de la fonction aléatoire d’intérêt :

Z(s)=m+δ (·)

Avec m constante connue et δ (·) fonction aléatoire stationnaire de second ordre d’espérance
nulle et de structure de dépendance connue. Les poids de pondération sont déterminés en
utilisant la fonction de covariance de la variable spatiale. Plus précisément, pour estimer la
valeur inconnue a un emplacement donné, le krigeage simple calcule une moyenne pondérée
des valeurs de la variable mesurée aux emplacement connus voisins, pondérées par leur
distance et leur covariance avec l'emplacement inconnu.
La formule générale du krigeage simple est :

Z*= m + ∑ λ(Zi−m)
i=1

Pour le choix de la pondération λ, on introduit la formule de la variance :

n n n

σ²= Var [Z] + ∑ ∑ λiλjCov [ Zi , Zj ] −2 ∑ Cov [Z , Zi ]

i=1 j=1 i=1

L’idée est de choisi les λi de façon à minimiser la variance d’estimation, et pour ce objective
on dérive σ² par rapport à chacun des λi et l’on dépose ces dérivées partielles égales à zéro, on
obtient alors le système linéaire suivant comportant « n » équation à « n » inconnu

∑ λjCov [ Zi , Zj ] =cov [ Z , Zi ] , ∀ i=1 … . n

j=1

Donc la variance d’estimation s’écrit, tenant compte des équations précédentes :

 n
σ ks=Var [ Z ] −∑ λ
²
cov [Z, Zi]
i =1

Ces équations s’écrivent sous forme matricielle :

Ks=λ ks ⇒ λs= K
−1
s ks

² ² '
σ ks=σ − λs Ks

σ² Cov (Z1, Z2) . Cov (Z1, Zn) λ1 Cov (Z1,Z)

Cov (Z2, Z1) σ . Cov (Z2, Zn) λ2 Cov (Z2,Z)

. . . . . = .

. . . . . .

Cov (Zn, Z1) Cov (Zn, Z2) . σ² λn Cov (Zn, Z)

Ks λs ks

Cette méthode est relativement simple et facile à mettre en œuvre, mais elle suppose que la
structure spatiale de la variable est stationnaire et que les emplacements sont régulièrement
espacés, donc elle peut produire les bons résultats si ces hypothèses sont satisfaites.

Le krigeage ordinaire :
Le krigeage ordinaire est la méthode la plus générale et la plus couramment utilisée, pour
lequel l'hypothèse de stationnarité (que la moyenne et la variance des valeurs sont constantes
dans le champ spatial) doit être supposée, Il s'agit de l'une des formes les plus simples de
krigeage qui utilise la fonction de corrélation spatiale pour modéliser la structure spatiale de la
variable.
Cette méthode peut également utiliser en sismique pour estimer la valeur d’une propriété
physique (la profondeur, le temps, …) à un emplacement donné en utilisant des mesures
effectuées à d’autre emplacement, d’une façon mathématique :
Soit V(x) la vitesse des ondes sismiques que l’on veut estimer à l’emplacement x, on dispose
de n mesures de la vitesse des ondes sismiques à des emplacement x1, x2, x3, …, xn. On
suppose que la vitesse des ondes sismiques est stationnaire, la prédiction du krigeage
ordinaire en sismique s’exprime alors comme :

V(x)= V(z)+∑ λi [V(xi)- V(z)]

Ou V(z) est la valeur prédite de la vitesse des ondes sismiques en utilisant une fonction de
tendance, et λi sont les poids de krigeage déterminés en résolvant le système d’équations
suivant :
∑λi = 1

Cependant en sismique, la covariance est souvent remplacée par la corrélation, qui est une
mesure normalisée de la covariance. La corrélation entre les mesures de la vitesse des ondes
sismiques à xi et xj est définie comme :

r (xi, xj)= cov ( V(xi),V(xj)) / (σ(xi) σ(xj))

Ou σ(xi) et σ(xj) sont les écarts-types de la vitesse des ondes sismiques à xi et xj,
respectivement.
Le système d’équation peut alors être résolu à l’aide de la méthode des moindres carrés, qui
minimise l’erreur de prédiction entre la valeur prédite et les mesures. Les poids de krigeage λi
ainsi obtenus sont ensuite utilisés pour prédire la valeur de V(x).
Le krigeage avec dérive externe :
Le krigeage avec dérive externe, connu sous le nom de krigeage universel. C’est une méthode
d’interpolation spatiale puissante qui permet de combiner les informations provenant de la
structure spatiale des données et d’une variable explicative externe (appelée également cou-
variables pour prédire des phénomènes spatiaux complexe.
Cette technique assouplit l'hypothèse de stationnarité en permettant à la moyenne des valeurs
de différer de manière déterministe en différents endroits (par exemple, par une sorte de
tendance spatiale), alors que seule la variance est maintenue constante sur l'ensemble du
champ. Cette stationnarité de second ordre (parfois appelée "stationnarité faible") est souvent
une hypothèse pertinente pour les expositions environnementales. Voici les étapes principales
du krigeage universel :

Selection des données

Modélisation de la dérive
externe

Analyse de la structure spatial

des données

Estimation des paramètres du

modèle

Prédiction spatiale

Validation et vérification
L’application du cette méthode dans notre thème peut aider les interprètes à mieux
comprendre la géométrie des structures géologique en fournissant des informations plus
précises sur les paramètres sismiques dans les zones ou les données en fournissant des
informations plus précises sur les paramètres sismiques dans les zones ou les données sont
manquantes. Cela peut également aider à améliorer la qualité des images sismique en
réduisant les artefacts et les erreurs d’interprétation.

collecte des données :

les temps d'arrivée des
ondes sismique

constuction d'un
processus de modéle de
le calcul de krigeage: calcule les variogramme: décrit la
décrit la relation entre
les temps d'arrivée et profondeurs covariance spatiale des
par cette données en fonction
les profondeurs
de la distance entre les
méthode pionts de mesure

estimation des
profondeurs: ces
résultats sont calculées
à l'aide de fonction de
krigeage et les temps
La formule générale de krigeage avec dérivé externe peut être exprimée comme suit :

T (x, y) = T0 + ∑ λi * (Ti- T0) +ɛ (x, y)

Où :
T (x, y) est le temps de parcours estimé pour le point d’intérêt (x, y).
T0 est la moyenne des temps de parcours mesurés.
λi est un coefficient de pondération.
ɛ (x, y) est un terme d’erreur aléatoire qui suit une distribution normale de moyenne nulle et
de variance σ².
Mais il faut noter que le calcul de profondeur à l’aide de cette méthode peut être sujet à des
erreurs d’estimation en raison de la complexité de la propagation des onde sismiques dans le
sous-sol. Plus, les paramètres calculés peuvent changer selon le but d’étude.
Cokrigeage :
Le cokrigeage utilise des modèles mathématiques pour estimer les valeurs manquantes. Ces
modèles prennent en compte la distance entre les points d’observation, ainsi que la corrélation
entre les variables. Plus les points d’observations sont proches et plus variables sont corrélées,
plus l’estimation sera précise.
Cette approche est utilisée s’il existe une source supplémentaire de données corrélée à la
variable primaire d’intérêt, par exemple le temps de trajet peut être considère comme corrélé à
la profondeur, et l’hypothèse de base est que les deux variables ont une tendance connue
(généralement constante) et la même fonction de corrélation.
Le problème du cokrigeage lorsqu’on utilise un ensemble de données dense tel que les temps
de trajet comme covariable est qu’il est impossible d’utiliser toutes les données. Un remède à
ce problème consiste à n’utiliser que les données de covariables d’un petit voisinage.
L’approche de cokrigeage colocalisé (Xu, Trane, Srivastava&Journel 1992) pousse ce
principe à l’extrême en utilisant uniquement les données de covariation les plus proches.

Le krigeage par blocs :

Le principe du cette approche est considérée des blocs de données plutôt que des points isolés.
Pour chaque bloc, une prédiction de la valeur moyenne est obtenue à partir des valeurs des
points du bloc, et une variance d’erreur est calculée, cette variance d’erreur est utilisée pour
pondérer la contribution du bloc à la prédiction finale en fonction de sa proximité spatiale et
de sa similitude avec les autres blocs.
En sismique, le krigeage par blocs est souvent utilisé pour estimer des propriétés sismique,
telles que la vitesse ou la densité, dans des zones ou les données d’acquisition sont espacées
de manière irrégulière. Cette méthode permet d’obtenir des prévisions continues et régulières
des propriétés sismiques dans toute la zone d’intérêt, ce qui peut être utile pour
l’interprétation et la modélisation des structures géologiques
Quand l’incertitude de la prédiction est relativement large, on pourrait vouloir chercher à
lisser les résultats interpolés en réalisant un krigeage sur une surface plus large qu’un tout
petit pixel. Ce type de krigeage est connu sous le nom de krigeage par bloc. Cela a l’avantage
de diminuer la variance de l’erreur de prédiction parce que l’information est plus grossière
(elle est prédite sur un support spatial plus grand). Bien évidemment, avec le block krigeage,
il y a un risque de perdre de l’information utile mais quand l’incertitude est forte, cette
approche peut être très pertinente.

Variogramme :
En sismique interprétation pour la conversion temps-profondeur, le variogramme peut être
utilisé pour estimer la courbe de vitesse à partir des temps de parcours mesurés par la méthode
de krigeage en utilisant une pondération des données mesurées voisines. La pondération est
basée sur la distance entre les points mesurés et les points inconnus, ainsi que sur la
covariance entre les données mesurées à différentes distances.
Le variogramme est une fonction mathématique utilisée en géostatistique pour quantifier la
variabilité spatiale d’un phénomène naturel qui est largement utilisé pour l’interprétation
spatiale, la simulation stochastique et la modélisation de processus géologique. Il est
également connu sous le nom de fonction de covariance ou de fonction de structure spatiale
qui permet également d’estimer les paramètres de cette fonction tels que la portée, la forme et
la magnitude de dépendance spatiale. Plus précisément, le variagramme mesure la variance de
la différence entre les valeurs d’un phénomène à deux points différents de l’espace en
fonction de la distance qui les sépare.
Un variogramme est une représentation visuelle de la covariance présentée entre chaque paire
de points dans les données échantillonnées, où la valeur gamma est tracée en fonction de la
distance, ou "décalage". Le variogramme "expérimental" est le tracé des valeurs observées,
tandis que le variogramme "théorique" ou "modèle" est le modèle de distribution qui
correspond le mieux aux données. Les modèles de variogramme sont tirés d'un nombre limité
de fonctions "autorisées", notamment les modèles linéaires, sphériques, exponentiels et de
puissance, leur choix est fondamentalement défini par l'utilisateur, bien que les logiciels
statistiques puissent souvent aider à définir les modèles les mieux adaptés à l'aide de diverses
approches, notamment les méthodes des moindres carrés, du maximum de vraisemblance et
bayésiennes.
La formule du variogramme peut être dérivée en utilisant la différence entre les temps de
parcours mesurés à deux emplacement sismiques distincts. Soit Z(x1) et Z(x2) les temps de
parcours mesurés aux emplacement x1 et x2 respectivement. La différence entre ces deux
temps de parcours est notée z (x1, x2) et est définie comme suit :

z (x1,x2)= Z(x1)- Z(x2)

Mathématiquement, le variogramme est défini comme la moitié de la variance de la différence

entre les valeurs du phénomène à deux points :

(h)= 1/2Var[z (x1,x2)]

Propriétés du variogramme :
La première propriété importante du variogramme est sa positivité. Aussi, le variogramme est
toujours positif ou nul, ce qui signifie que la corrélation spatiale ne peut pas être négative.
Cette propriété découle directement de la définition du variogramme comme la moyenne
pondérée des carrés des différences entre les valeurs de la variable dans des paires de points
situés à des distances différentes. Ainsi la symétrie, en effet le variogramme est symétrique
par rapport à l’origine, c’est-à-dire que (h)=(-h), donc elle découle également de la
définition du variogramme et de symétrie de la distance entre deux points. La troisième
propriété est la stationnarité, si la variable étudiée présente une structure spatiale homogène,
le variogramme doit être constant pour toutes les distances, cette propriété est appelée
stationnarité intrinsèque et elle est souvent utilisée pour vérifie si la variable étudiée présente
une structure spatiale homogène.
En dernier la continuité et la convexité, le variogramme doit être continu et convexe pour
toutes les distances, sauf éventuellement à la distance zéro. Ces propriétés sont importantes
pour assurer la stabilité des modèles ajustés
Enfin, il convient de souligner que la forme du variogramme dépendra de la structure spatiale
de la variable étudiée et de la méthode d’estimation utilisée. Il est donc important de bien
comprendre les propriétés du variogramme et de les utiliser pour interpréter correctement les
résultats obtenus.
Les paramètres du variogramme
L’effet pépite, souvent appelé C0, représente les variations spatiales à petite échelle au sein de
parcelles, ce paramètre indique à quel point la structure spatiale est bruitée. Quand la distance
minimale entre des observations voisines est trop grande, il est possible que l’effet nugget soit
plus fort que ce qu’il devrait être. 
Le pallier partiel C1, représente l’amplitude de variation de la variable d’intérêt c’est la
différence entre le “sill” et le “nugget”. Le pallier est la variance du jeu de données et peut
être calculé comme la somme de l’effet pépite et du pallier partiel, ce paramètre correspond à
la valeur obtenue quand la semi-variance atteint un soi-disant “pallier” et se stabilise.
Intuitivement, plus le pallier partiel est important par rapport à l’effet pépite, plus la structure
spatiale est forte.
Le dernier paramètre mais pas des moindres, la portée a est la distance spatiale à partir de
laquelle les observations ne sont plus auto-corrélées. Il peut être considéré, qu’en moyenne,
au-dessus d’une distance spatiale particulière (la portée), et quelle que soit la paire de points
examinée, les observations sont trop différentes et ne partagent pas de relations entre elles.

Type de variogramme :
Il existe différents types de variogramme, chacun ayant ses propres caractéristiques et
application en géostatistique et en analyse spatiale. Voici quelques exemples de types de
variogrammes couramment utilisés :
1. Variogramme isotropie : le variogramme isotropie suppose que la corrélation spatiale
entre les données est la même dans toutes les directions entre les points, et non de leur
orientation dans l’espace. Ce type de variogramme est souvent utilisé lorsque les données
dont distribuées de manière aléatoire.

2. Variogramme anisotropie : il prend en compte la direction de la corrélation spatiale entre

les données, pour les données qui présentent une anisotropie, le variogramme ne dépend
pas uniquement de la distance entre les points, mais aussi de leur orientation dans l’espace
en même temps peut être obtenu en ajustant les données à un modèle de covariance
anisotropie qui prend en compte les corrélations spatiales dans différentes directions.
 Le variogramme directionnel dans la direction d'un vecteur unitaire u est défini par :

γu(h) = ½Var[Z(x+hu)−Z(x)]

On parle d'anisotropie s'il existe deux vecteurs unitaires tels que les variogrammes
directionnels sont différents, on distingue deux cas de figures principaux :

 Anisotropie géométrique : portées différentes, même palier selon la direction ; le

variogramme est une déformation linéaire A d'un variogramme isotrope γ0 ; γ(h) = 
γ0(‖Ah‖).

 Anisotropie zonale ou stratifiée : même portée, paliers différents selon la direction ; le

variogramme est somme de composantes présentant des anisotropies de supports : dans
une certaine base, elles ne dépendent que de certaines coordonnées. Il est déconseillé
d'utiliser des modèles où les anisotropies sont séparables selon les coordonnées (par
exemple γ(h) = γ1(h1,h2) + γ2(h3))

3. Variogramme croisé : est utilisé pour quantifier la corrélation spatiale entre deux
variables différentes mesurées aux mêmes emplacements. Le variogramme croisé est
généralement défini comme la covariance entre les deux variables à une certaine
distance h, divisée par deux. Le modèle le plus courant est le modèle de croisement,
qui suppose que les deux variables ont des structures spatiales similaires, mais pas
nécessairement la même amplitude de variation.
4. Variogramme en couronne : il est utilisé pour quantifier la corrélation spatiale entre les
données à différentes distances de séparation, ce type est généralement défini comme
la variance de la différence entre les valeurs de deux points situés à une certaine
distance h, divisée par deux. Plus, il suppose que la corrélation spatiale diminue de
manière exponentielle avec la distance.

5. Variogramme croisé dépendant du temps : ce dernier est utilisé pour quantifier la

corrélation spatiale entre les données à différents moments dans le temps. Ce
variogramme généralement défini comme la covariance entre les deux variables à une
certaine distance h et un certain intervalle de temps t, divisée par deux. Le modèle le
plus courant est le modèle de croisement spatio-temporel, qui suppose que les deux
variables ont des structures spatiales et temporelles similaires, mais pas
nécessairement la même amplitude de variation.

Modèles du variogramme :
Les variogrammes construits à partir des variances calculées entre les paires d'échantillons
sont appelés variogrammes expérimentaux. Par la suite, il faut modéliser le variogramme
pour modéliser la variabilité fine et la texture des données sismiques et pour fournir une
estimation plus précise de la distribution spatiale des propriétés géologique. Les modèles
sont des fonctions mathématiques qui s'ajustent le mieux possible aux points des
variogrammes expérimentaux. Une fois le modèle adopté, toute la suite des calculs se fait
avec les valeurs obtenues du modèle et non avec les valeurs expérimentales. Voici quelques-
uns des modèles les plus couramment utilisés :
1. Modèle gaussien : ce modèle est utilisé pour modéliser les données qui présentent une
corrélation spatiale en forme de cloche, il est souvent utilisé pour modéliser les
données sismiques qui ont une texture lisse et régulière. Le modèle est caractérisé par
deux paramètres : le plateau, qui indique la variance asymptotique de la corrélation
spatiale, et la portée, qui mesure la distance laquelle la corrélation spatiale atteint la
valeur asymptotique.

{
0 ,h=0
(h)=
( ) , h>0
2
−h
2
a
C 0+C 1−e

2. Modèle exponentiel : il est utilisé pour modéliser les données qui présentent une
corrélation spatiale qui diminue rapidement avec la distance et aussi pour modéliser les
données sismiques qui ont une texture hétérogène.

{
0 ,h=0

[ ( )]
γ(h)= c 0+ cs 1−exp −h , h>0
a
3. Modèle sphérique : est un modèle qui présentent une corrélation spatiale qui atteint une
valeur asymptotique à une certaine distance et aussi pour modéliser les données
sismiques qui ont une texture rugueuse et présentent des structures à haute fréquence.
Le modèle est caractérisé par trois paramètres : le plateau, qui indique la variance
asymptotique de la corrélation spatiale, la portée, qui mesure la distance à laquelle la
corrélation atteint le plateau, et le niveau de bruit, qui mesure la variance résiduelle des
données.

{
0 , h=0

[() ()
3
3 h 1 h
(h)= c 0+ cs −
2 a 2 a
, 0<h ≤ a

c 0+cs ,h> a
4. Modèle matérn : présente une texture très variable, avec des structures à haute et basse
fréquence. Le modèle est caractérisé par trois paramètres : le plateau et la portée qui
mesure la distance à laquelle la corrélation spatiale atteint le plateau, et le paramètre de
lissage, qui mesure la rugosité de la texture donc il est utilisé beaucoup plus pour les
données qui ont une texture complexe.

{[
0 , h=0

]
γ ( h )= h
a h
cs 1− α−1 Kα ( ) , h>0
2 Г (α ) a