DÉDICACE

À Mes parents

M. KIANPI Jean-Pierre

Et

Mme. MAFFOUO Laurence Virginie

i
 REMERCIEMENTS
Mon être tout entier est reconnaissant au Dieu tout Puissant, de qui me vient la force, la sante
mais surtout le souffle de vie sans quoi rien de tout ceci ne saurait exister.

Je tiens aussi a exprimé ma gratitude à toutes ces personnes qui ont contribué de quelques
façons que ce soit à la réussite de ma formation d’ingénieur qui s’achève par la rédaction du
présent mémoire. J’adresse un merci tout particulier aux personnes suivantes qui se sont
démarqués par leur apport quelques-peu spéciale à ce beau parcours qui s’achève. Ce sont :

 Dr Nitcheu Madeleine, mon encadrante académique qui à accepter de superviser ce

travail, investissant ainsi son temps pour ma personne ;
 Dr Martin Lutther Mfenjou, qui a bien voulu investir en moi son temps, son expertise
et ses ressources pour me permettre de réaliser ce travail 
 M Eric Friend, directeur general de Gaz du Cameroun qui a bien voulu me recevoir
dans le cadre du stage de fin formation dans sa structure;
 M Yuh Roland, Mme Nofu Courage et Mlle Sonia Tita, mes encadrants
professionnels qui m’ont guider pendant la periode de stage ;
 Mes parents Kianpi Jean-Pierre et Maffouo Laurence Virginie pour leur amour et
leurs soutien infaillible à mon égard, vous êtes mes Héros ;
 Mme Noho Patricia, ma deuxième maman qui n’a pas cessé d’être présente malgré la
distance ;
 M John Basso, pour ses conseils et le soutient qu’il a manifesté à mon endroit pendant
ma formation ;
 Pr Gounouno Ismaila, qui s’est montré un père m’inspirant bien d’ambitions dans ma
vision de ma carrière d’ingénieur de mine ;
 Mes oncles Nobousse Château Brillants, Fouotsa Isidor et leur famille respective pour
leur soutient et leur presence pendant ma formation ;
 Les familles Mafo, Tchinda, Mouaffo, qui n’ont cessé de me soutenir de
m’encourager depuis bankim (le village de ma tendre enfance) ;
 Les Familles Mbowou, Njiemboukue, Balla, Nkouinja, Lontsi, Boutchouang qui
m’ont accueillis a meiganga au point de faire de moi un de leurs fils et qui n’ont cessé
de me soutenir pendant ma formation ;
 M Rodrigue Goumkoua et sa famille pour le soutien et les multiple conseils qui m’ont
permis d’etre jusqu’ici ;
 Ing Kabe Moukete Eric, à la fois un grand frère académique et un ami, pour son
soutien, ses precieux conseilles, les explications de cours ;
 Mes ainés Setchokbe Vinscelas, Wounabaissa Olivier, Mbakui Martial, Anne
Ngangue, Mbami Lucresse, Medam Tifanie pour leur conseil, les explications de
cours, les descentes de terrain et toutes les autres actions ayant contribué à ma
formation ;
 Mbeba Ariane et Djudje Bradelle, mes amies, pour leur soutien quand venait le doute,
la déconcentration, le découragement ;

ii
 M Baketa, M Rabiou et Mme Nathalie, pour les différents services qu’ils m’ont
rendus pendant mon parcours à l’école de géologie et d’exploitation minière de
Meiganga ;
 M Nenkam Elvis et M Fonguiem Marius, pour leurs présences dans les moments
difficiles ;
 Mes cousins et cousines, Charly, Vanick Cabrel, Dimitri, Imelda, Carel, Erwan,
Chase, pour le soutien qu’ils m’ont accordé pendant ma formation ;
 Mes frères du GBEEC, mes frères des Chantres Unis du Cameroun, mes frères
Moniteurs du culte d’enfant, mes frères de l’EEC, pour la foi que nous partageons en
Jésus sauveur du monde.

iii
 TABLE DES MATIÈRES
DÉDICACE................................................................................................................................i
REMERCIEMENTS..................................................................................................................ii
TABLE DES MATIÈRES........................................................................................................iv
LISTE DES FIGURES..............................................................................................................vi
LISTE DES TABLEAUX........................................................................................................vii
LISTE DES ABRÉVIATIONS..............................................................................................viii
RÉSUMÉ..................................................................................................................................ix
ABSTRACT...............................................................................................................................x
INTRODUCTION GÉNÉRALE.............................................................................................11
CHAPITRE I : GÉNÉRALITÉS..............................................................................................13
Zone d’étude.........................................................................................................................13
I.1. Présentation et localisation........................................................................................13
I.2. Géologie régionale et Locale.....................................................................................14
I.4. Climat, Relief, Végétation.........................................................................................15
Revue de la littérature..........................................................................................................16
II.1. Travaux antérieurs sur la zone d’étude.....................................................................16
II.2. Quelques résultats de travaux liés au thème.............................................................16
Notion de Généralités...........................................................................................................18
III.1. Généralités sur le Fer..............................................................................................18
III.2. Généralités sur la Géostatistique Multivariable......................................................21
CHAPITRE II : MATERIELS ET METHODES....................................................................29
Introduction..........................................................................................................................29
I. Matériels........................................................................................................................29
II. Présentations des données.........................................................................................29
III. Méthodes...................................................................................................................31
CHAPITRE III : RESULTATS ET INTERPRETATIONS....................................................32
Introduction..........................................................................................................................32
I. Analyses statistiques des données.................................................................................32
Références................................................................................................................................35
Annexe I (Cartes variographiques)..........................................................................................39
Variographie monovariables (Suivant l’azimut)..................................................................39

iv
 Variogramme Fer.............................................................................................................39
Variogramme Titane........................................................................................................40
Variogramme Silice.........................................................................................................41
Variogramme Alumine.....................................................................................................42
Variographie monovariable (suivant le pendage)................................................................43
Variogramme Fer.............................................................................................................43
Variogramme Titane........................................................................................................44
Variogramme Silice.........................................................................................................45
Variogramme Alumine.....................................................................................................46
Variographie multivariables (Suivant l’azimut)...................................................................47
Variogramme croises (Fer-Alumine)...............................................................................47
Variogrammes croises Fer-Silice.....................................................................................48
Variogrammes croises Fer-Titane....................................................................................49
Variographie multivariables (Suivant le pendage)...............................................................50
Variogramme croisé Fer-Alumine...................................................................................50
Variogramme croisé Fer-Silice........................................................................................51
Variogramme croisé Fer-Titane.......................................................................................52
ANNEXE II (PARAMETRES d’ajustement des differents variogrammes)...........................53
Paramètres de Variogrammes simples suivant azimut (ajustes par le modèle sphérique). .53
Parametres de variogrammes simple suivant pendage (ajustes par le modele Spherique). .54
Paramètre de Variogrammes croises Suivant azimut (Ajustes suivant le modèle sphérique)
..............................................................................................................................................55
Paramètres de Variogrammes croisés suivant pendage (Ajuste par le modele spherique). .56

v
 LISTE DES FIGURES
Figure 1: Localisation de Ngoyla et ses Environs....................................................................13
Figure 2 : Zone d'étude.............................................................................................................14
Figure 3 : Carte Géologique Région de (source : Rapport final PCGDM N-M).....................15
Figure 4 : Carte d'échantillonnage............................................................................................30
Figure 5 : Histogramme des différentes teneurs......................................................................33
Figure 6 : Nuage de corrélation Fer-Alumine..........................................................................34
Figure 7 : Nuage de corrélation Fer-Silice...............................................................................34
Figure 8 : Nuage de corrélation Fer-Titane..............................................................................34

vi
 LISTE DES TABLEAUX
Tableau 1 : Propriétés thermodynamiques des complexes aqueux du fer (d’après Rapport
final BRGM, novembre 2008).................................................................................................20

vii
 LISTE DES ABRÉVIATIONS

BSS
GBDT
LightGBM
MAE
ME
MLR
PCGDMF N- Projet de Conservation et de Gestion Durable du Massif Forestier de
M Ngoyla-Mintom
RMSE
RNA
RNAs
SVM
XGBoost

viii
RÉSUMÉ

ix
ABSTRACT

x
 INTRODUCTION GÉNÉRALE
Le Fer est l’une des ressources minérales métalliques les plus explorée, exploitée et
consommée par l’humanité depuis des millénaires. Ceci est principalement due au fait qu’il
est le métal dont la transformation est moins couteuse et l’utilisation répandue dans tous les
domaines de la vie : les maisons et bâtiments son rempli de fer (les charpentes, les dalles
etc.). Les véhicules que nous utilisons chaque jour sont faits en partie de fer. Les objets
médicaux tels que seringues, prothèses, microscopes etc. ne sont pas en reste. En alimentation
et agro-industrie, plusieurs des outils utiliser pour nos champs houes, machettes, limes et
autres sont à base de fer ou de matériaux allies à celui-ci. Il est donc plus qu’évident que le
fer est un allié majeur pour l’humanité. Sa si grande consommation implique donc un plus
grand sérieux dans toutes les étapes de sa production (exploration, extraction, traitement et
transformation).

Aussi, il bien de se rappeler que, bien qu’il soit utilisé chaque jour sous sa forme métallique,
dans la nature on ne le trouve pas cet état. Ce que nous appelons fer est contenu dans la
nature dans plusieurs sortes de gites qui une fois économiquement rentables sont qualifiés de
gisement. Le fer est donc piégé dans les gites de minerais pouvant être classe en trois familles
dont les sulfures, les carbonates et les oxydes. Les sulfures comme la pyrite ne permettent pas
après traitement d’obtenir du fer car contenant une grande proportion de soufre qui est un
fragilisant pour les alliages ferreux. Les silicates quant à eux ne sont pas utilisés pour la
production du fer car leur procédé d’enrichissement est très complexe. La principale famille
d’intérêt lorsqu’il s’agit de fer est la famille des oxydes dont les minerais contiennent très
souvent de bonne proportion en fer ; on peut citer quelques oxydes de fer comme la
Magnétite de formule chimique (Fe3O4) pouvant contenir entre 50-67% de fer et l’Hématite
de formule (Fe2O3) contenant entre 30-65% de fer.

Il est donc question quand on traite d’une minéralisation d’avoir une estimation de la réelle
quantité de ressource utile présente à travers la minéralisation. L’estimation des ressources
d’un gisement est donc une étape privilégiée et décisive car elle détermine la continuité ou
l’arrêt d’un projet d’exploitation minière, aussi elle permet aussi de déterminer la forme les
techniques d’exploitation les plus adaptées le cas échéant.

Le Cameroun dispose d’un énorme potentiel minier qui est souvent soit exploiter de manière
artisanale par les populations locales, ce qui ne permet pas un bon rendement et qui
s’accompagne de beaucoup de risques, soit souvent exploiter par des multinationales
étrangères qui font la alors tout ce qu’elle peuvent pour se tailler les part les plus importante
au détriment des populations locale et même de notre gouvernement car il dispose à eux
l’expertise pour de tel projet dans les domaines de l’exploration, de l’extraction et du
traitement des différents minerais. Il devient donc important pour nous ingénieur camerounais
de bien comprendre et développer les techniques nécessaires à une réalisation des projets
miniers qui sera pleinement profitable pour notre pays. La bonne gestion d’un projet minier
passe par une bonne estimation des ressources présentes dans le gisement, car ces étapes
déterminent plusieurs facteurs à savoir le tonnage du ou des minerais d’intérêt, influence la

11
planification de l’extraction car permet de savoir la variation des teneurs à travers la
minéralisation.

L’arrondissement de Ngoila dans la région de l’est Cameroun dispose des gites métallifères
présents dans plusieurs formes de facies géologiques.

Le problème de savoir la quantité de fer présent dans cette zone en vue d’une exploitation
future est celui auquel répond la thématique « Estimation des ressources d’un gisement
polymétallique par la géostatistique multivariable multivariable : cas de
l’arrondissement de Ngoila (Est-Cameroun) » traitée dans la suite du présent document.
Ceci à la technique géostatistique de Cokrigéage afin d’obtenir une estimation optimale des
teneurs en fer de ce gisement.

Dans le but de résoudre ce problème plus amplement, le travail sera guidé par les objectifs
spécifiques suivants :

- Localisation la zone d’étude et description du contexte géologique régionale et

locale ;
- Traitement de la base de données ;
- Étude de la corrélation entre les couples de teneurs Fe/Si, Fe/Ti et Fe/Bal pour
déterminer les teneurs qui seront utiliser comme variables secondaires pendant
l’estimation ;
- Analyses variographique pour déterminer la distribution spatiale des différentes
variables utilisées ;
- Estimation par Cokrigéage du fer en fonction des variables secondaires ;
- La comparaison sur la méthode d’estimation optimale dans le cadre de ce travail.

Le présent mémoire est structuré comme suit :

- Le Chapitre I, intitulé Généralités est la partie de ce travail ou seront tour à tour

présentés, la zone d’étude et la revue de la littérature.
- Le chapitre II a la suite du premier s’intitule Matériels et Méthodes, dans cette
section il est question de présente succinctement l’instrumentation utilisée, la nature
des échantillons, les techniques de mesures et d’analyses utilisées dans le cadre de ce
travail.
- Au chapitre III qui a pour titre Résultats et Interprétations, les différents résultats
obtenus seront présentés avec les interprétations permettant de les comprendre.
- La conclusion Générale dernière section du travail constituera le récapitulatif de ce
travail, et sera la partie idéale pour entrevoir toutes les perspectives entrevues à la fin
de celui-ci.

12
 CHAPITRE I : GÉNÉRALITÉS
Introduction

Il est important dans le cadre d’un travail comme celui-ci, de présenter la zone d’étude, bien
situer le thème dans un courant de pense déjà existant et finalement de définir les diffèrent
éléments nécessaires à la compréhension de celui-ci. Les éléments de généralités sont
présentés dans le présent chapitre.

Zone d’étude

I.1. Présentation et localisation

La commune de Ngoila, créée en 1995 par décret, est limitée à l’Ouest par la Commune de
Mintom, à l’Est par la Commune de Moloundou, au Nord par la Commune de Messok, au
Sud par la République du Congo. Ses coordonnées géographiques sont situées entre
2° 37′ nord, 14° 01′ est.

La figure 1 ci-dessous

Figure 1: Localisation de Ngoyla et ses Environs

13
 Figure 2 : Zone d'étude
I.2. Géologie régionale et Locale
Le substratum géologique régional porte l’empreinte des grands évènements qui
ont structuré l’Afrique Centrale: L’orogenèse Libérienne, représenté par
l’unité du Ntem d’âge archéen (environ 2.5 milliards d’années) qui occupe le sud
Cameroun, l’orogenèse Éburnéenne ou Transamazonien, avec les unités du Nyong et
du Dja, d’âges paléo protérozoïques (2.5 à 1.8 milliards d’années); l’orogenèse
panafricaine à la fin du précambrien qui comprend des ensembles d’âge
néo protérozoïques (1000 à 600 millions d’années) qui affleurent sur la bordure nord du
craton, le centre du pays, puis l’ouverture de l’Atlantique au Mésozoïque représentée
par les fossés côtiers formés vers 110 millions d’années.

Une série caractérise notre zone d’étude (Nougier, 1979): La série de Mbalam qui est un
ensemble de formations métamorphiques de la zone des schistes. On rencontre des schistes

choriteux, des ultrabasites, des amphibolites, des itabirites, des hématites et des granodiorites
post-tectoniques.

14
 Figure 3 : Carte Géologique Région de (source : Rapport final PCGDM N-M)

I.4. Climat, Relief, Végétation

Climat
La zone d’étude est située au sud du Parallèle 4°N, où prédomine un climat de
type équatorial, chaud et humide, avec quatre saisons dont deux saisons de pluies qui
s’étalent de septembre à novembre et de mars à juin, et deux saisons sèches de
décembre à février et de juillet à août (Letouzey, 1985). La température moyenne

15
annuelle est de 24°C et les précipitations moyennes annuelles varient entre 1182 mm
et 2346 mm. L’amplitude thermique annuelle entre le mois le plus chaud et le mois le
plus froid est de 2°C. L’humidité relative est toujours élevée, la moyenne du mois le
plus sec est toujours supérieur à 70 % et celle du mois le plus humide varie entre 80 %
et 90 %. L’évapotranspiration potentielle est comprise entre 1150 et 1300 mm.
L’insolation moyenne annuelle augmente d’ouest en est et du sud au nord (Suchel,
1988).
Végétation
Cet arrondissement possède deux aires protégées que sont le parc national de Nki et la
Réserve de faune de Ngoyla. Sa particularité est que jusqu’en 2012, il faisait partie intégrante
de la concession de conservation du massif forestier de Ngoyla-Mintom. Sa position et sa
richesse en ressources naturelles fait de lui une zone d’intérêt pour de nombreux acteurs aux
enjeux parfois divergents. L’arrondissement de Ngoyla est soumis à l’influence du climat
équatorial chaud et humide du type guinéen classique. Située dans le bassin du Congo, la
zone est couverte par la forêt dense sempervirente (82% de la superficie totale) avec une
faune et une flore très diversifiée. Elle est habitée par 4 424 personnes en majorité bantou
(Djem) et « pygmée » (Baka). Ces groupes humains, vivent principalement dans les villages-
rues situés le long des axes routiers et des pistes. La zone est sous-peuplée avec moins d’un
hab/km², contre 41,6 pour le Cameroun et 7,4 hab/km² pour la région de l’Est Les principales
activités des populations sont l’agriculture, la chasse, la cueillette et la pêche.
II. Revue de la littérature

II.1. Travaux antérieurs sur la zone d’étude

Les principaux travaux effectués dans la zone d’étude et ses environnements sont des travaux
effectués par les deux compagnies minières Cameroon Mining Company et CamIron qui
pourtant sont des travaux pas publie car faisant partis des projets d’exploration encore en
cours. Cependant nous avons eu accès a quelques travaux et articles geoscientifiques
effectues sur la zone d’étude ou dans ses environs pouvant être utile dans le cadre de ce
travail.

II.2. Quelques résultats de travaux liés au thème

Le couplage des méthodes d’apprentissage automatique aux techniques géostatistiques fait
dans le cadre de ce travail, n’est pas une pratique toute nouvelle. En effet depuis plusieurs
années des chercheurs et praticiens des domaines de la géostatistique, dans un souci
d’améliorer constamment la qualité des estimations ont pensés judicieux, de combinée les
méthodes d’apprentissage automatique aux techniques traditionnelles de la géostatistique.

Les paragraphes suivants de cette sous-section présentent quelques résultats antérieurs,

pertinents, jugés nécessaires pour la compréhension de ce travail.

Le cokrigéage, estimation linéaire optimale de plusieurs variables, s’utilise dans des

circonstances diverses. L’analyse krigeante, qui permet la cartographie des facteurs de
décomposition d’une ou plusieurs variables, utilise par exemple une forme de cokrigéage. Le
cokrigéage est par ailleurs très utile pour le conditionnement des simulations multivariables
de transformées gaussiennes. Mais naturellement le cokrigéage peut être aussi utilisé pour
estimer simultanément plusieurs variables dans leur distribution originelle non gaussienne, de
même que des transformées non gaussiennes (des indicatrices par exemple). Il peut alors être

16
d’un maniement délicat. Ainsi un cokrigéage d’indicatrices présentera couramment des
valeurs estimées hors de (0,1), et de façon souvent plus marquée qu’un krigeage d’indicatrice.
Également, les variables secondaires intervenant par leurs accroissements (positifs ou
négatifs) en cokrigéage ordinaire, le cokrigéage de variables positives sera plus facilement
négatif que leur krigeage. Néanmoins le cokrigéage permet parfois des estimations, non
seulement plus précises par construction que le krigeage (à voisinage identique), mais
également plus cohérentes. Le cas du gisement d’uranium de Tréviels en donne un exemple
original et intéressant (Bordessoule et al. 1988, 1989). On a estimé le minerai T et le métal
Q, et déduit la teneur Q/T, pour des blocs de 25x25x5m à partir d’une maille de 25x25m
identique à celle des sondages d’exploration, et comparé les résultats aux valeurs « vraies »
calculées à l’aide de l’ensemble des trous de tir de chaque bloc (Fig. 11). En ce qui concerne
les valeurs vraies de blocs, il ressort que la teneur Q/T est légèrement corrélée au minerai (la
teneur de quelques blocs contenant très peu de minerai étant plus basse). Le cokrigéage rend
bien le peu de lien entre teneur et minerai, mais avec des teneurs peu dispersées :
manifestement les teneurs sont trop variables pour pouvoir être estimées avec précision. Par
contre le krigeage séparé de T et de Q fournit une teneur qui décroît nettement lorsque le
minerai augmente, ce qui est irréaliste. Ce phénomène s’explique par le contraste entre la
structure de T, plus continue, et celle de Q, plus erratique. Le lissage, l’attraction vers la
moyenne est plus importante pour Q que pour T, d’où le résultat. Dans cet exemple, le
cokrigéage tire profit du contraste entre les structures pour renforcer la cohérence des
résultats.

Les corrélations mesurées entre les éléments géochimiques dépendent de l'échelle

spatiale à laquelle est pratiquée l'analyse de données. La géostatistique multivariable
conceptualise cette observation en définissant des catégories spatiales regroupant des
échelles spatiales régionales, locales, ponctuelles, sur la base d'un modèle de
variogramme. Une analyse du modèle de corégionalisation est pratiquée à partir des
matrices de corrélation associées à ces catégories spatiales et les résultats sont estimés
par Cokrigéage pour chaque échantillon. On voit que la géostatistique est en mesure
de fournir une méthode conceptuelle propre à mettre en évidence la répartition des
teneurs existantes (SHEK Sascha David, 2010). Dans ce même travail ou il applique
le Cokrigéage pour l’estimation du calcaire de Soalara au sud-est de Madagascar,
SHEK Sascha observe que comme l’erreur d’estimation du Cokrigéage est minimal,
on peut s’attendre à ce que les cartes d’estimation produisent des cartes proches de la
répartition réelle des teneurs.

Une variété d'algorithmes de cartographie couramment utilisés peut être utilisés pour
l'interprétation par ordinateur. Les pondérations utilisées lors de l'interpolation sont
généralement basées sur la distance de chaque point de contrôle (valeur d'échantillon) à partir
de l'emplacement cible (nœud de grille). Les points de contrôle les plus proches de la cible
reçoivent les poids les plus élevés ; cependant, si les données présentent une forte anisotropie,
il n'est pas nécessairement vrai que le point de contrôle le plus proche doive recevoir le plus
grand poids. Au contraire, des points de contrôle plus éloignés le long de l'axe de corrélation
maximale devraient avoir une plus grande influence sur la valeur interpolée.
(P. Goovaerts, 1999) Les performances de prédiction des estimateurs de cokrigeage sont
évaluées à l'aide d'un ensemble de données environnementales comprenant des
concentrations de cinq métaux lourds à 359 emplacements. L'analyse des scores de

17
réestimation à 100 emplacements de test montre que le krigeage et le cokrigeage fonctionnent
de la même manière lorsque les variables primaires et secondaires sont échantillonnées aux
mêmes emplacements.
Lorsque l'information secondaire est disponible à l'emplacement estimé, on gagne peu à
retenir d'autres données secondaires distantes dans l'estimation. L'absence de biais de
l'estimateur de cokrigeage ordinaire est assurée en forçant les poids des données primaires à
s'additionner à un tandis que les poids de chaque variable secondaire sont contraints à
s'additionner à zéro. Sous ces contraintes "traditionnelles", la plupart des poids des données
secondaires ont tendance à être petits et certains d'entre eux sont nécessairement négatifs avec
un risque d'obtenir des résultats inacceptables tels que des estimations de concentration
négatives. Pour réduire l'occurrence des poids négatifs et éviter de limiter artificiellement
l'impact des données secondaires, Isaaks et Srivastava (1989, p. 416) ont proposé d'utiliser
une contrainte unique qui force tous les poids des données primaires et secondaires à
s'additionner à un. L'impartialité de l'estimateur est alors assurée en rééchelonnant toutes les
variables secondaires à la même moyenne que la variable primaire, d'où le terme de
cokrigeage ordinaire "rééchelonné" ou "standardisé" (Deutsch et Journel, 1992, p. 70). Un
autre avantage de l'utilisation d'une seule contrainte est que l'information secondaire peut être
limitée à une seule donnée lorsque la variable secondaire est échantillonnée au point estimé
(cokrigeage colocalisé ; Almeida et Journel, 1994) ; sous les contraintes traditionnelles
cette donnée aurait, par construction, un poids nul. Dans cet article, les propriétés des
estimateurs de cokrigeage ordinaires traditionnels et rééchelonnés sont comparées et l'impact
des contraintes d'absence de biais sur les poids de cokrigeage est étudié. Plusieurs auteurs
(Stein et al., 1988 ; Hevesi, Istok et Flint, 1992 ; Asli et Marcotte, 1995) ont comparé les
performances de prédiction du krigeage ou du cokrigéage simple et ordinaire dans des
situations égales et sous-échantillonnées. À l'aide d'un ensemble de données
environnementales, cette comparaison est ici étendue au cokrigeage ordinaire redimensionné
et à la situation de données secondaires uniques colocalisées. Deux critères de performance
sont pris en compte : l'erreur absolue moyenne de prédiction des concentrations de métaux
lourds sur 100 emplacements d'essai et la proportion d'emplacements d'essai classés à tort
comme sûrs ou contaminés sur la base d'estimations de cokrigeage.
Notion de Généralités

III.1. Généralités sur le Fer

Dans l’arrondissement de Ngoila, près de la frontière congolaise, existe des formations
ferrifères de type itabirites qui s'inscrivent dans une Province métallogetique qui s'étend outre
le Cameroun, au Gabon et au Congo. Les itabirites sont essentiellement composées d'une
alternance de niveau de silice et de fer. Le fer se trouve sous forme d'hématite et de
magnétite. Ces formations ont été mises en évidence par un levé ferromagnétique qui a
permis de localiser les zones de fortes anomalies magnétiques. Les itabirites proprement dites
ne présentent pas dans les conditions actuelles un intérêt économique immédiat (30-35% Fe).
En revanche les zones d'altération qui, elles, sont peu magnétiques, concentrent le fer sous
forme d'hématite et donnent naissance B des masses de minerai très riche (> 60% Fe) qui
peuvent avoir un intérêt économique. Ces amas d'hématites se sont formés in situ par
altération des inabrités. Les itabirites se libèrent des minéraux siliceux et donnent des
plaquettes d'hématite qui, à leur tour, peuvent subir de nouvelles altérations pour former des
encroutements, amas ou "canga". Ces altérations ont probablement plusieurs origines,
profondes et météoriques. Elles se développent en surface et peuvent atteindre des puissances
dépassant 100 mètres A la faveur des zones de plissements ou de fractures permettant la
propagation des altérations. Pour étudier ce genre de gisement il faut porter une attention

18
toute particulière A la lithographie, la pétrographie, la morphologie et aux structures des
formations, le magnétisme n'étant qu'une méthode indirecte permettant de localiser la région
ferrifère.
III.1.1. Gitologie

L’écorce terrestre est formée toute entière par les produits de la combinaison des métaux et
des métalloïdes entre eux ; il n’est donc pas une substance de celle écorce dont la chimie ne
puisse extraire un ou plusieurs métaux, un ou plusieurs métalloïdes et que l’on ne soit en
droit, par suite, de considérer d’une façon théorique comme constituant un gîte métallifère ou
minéral. C’est ainsi que la plupart des roches seraient, à la rigueur, des gisements de fer,
aluminium, magnésium, potassium, sodium, calcium, silicium, etc. Industriellement et
pratiquement, on réserve le nom de gîtes métallifères aux dépôts naturels d’où l’on peut
retirer un ou plusieurs métaux avec profit, c’est-à-dire aux points ou il s’est produit une
concentration anormale des substances minérales utiles et l’on désigne, sous le nom de
minerais, les minéraux ou mélanges de minéraux sur lesquels porte celte exploitation. Un gite
métallifère ne comprend pas seulement des minerais ; il renferme en même temps des
substances inutiles, parfois nuisibles, nommées gangues, qu’on cherche le plus possible à
éliminer, par l’exploitation d’abord, puis par le triage et la préparation mécanique, enfin par
la métallurgie.

III.1.2. Métallogénie

Les métaux, que nous exploitons dans certains gisements, toujours relativement voisins de la
surface, ont pu, avant d’arriver dans leur état actuel, passer par un circuit plus ou moins long
dont nous étudierons bientôt les étapes ; leur origine première n’en doit pas moins être
cherchée dans les profondeurs de l’écorce terrestre. Les métaux, que nous exploitons dans
certains gisements, toujours relativement voisins de la surface, ont pu, avant d’arriver dans
leur état actuel, passer par un circuit plus ou moins long dont nous étudierons bientôt les
étapes ; leur origine première n’en doit pas moins être cherchée dans les profondeurs de
l’écorce terrestre.
La relation d’origine entre les gites métallifères et les roches, que nous prendrons ainsi
comme base de notre théorie, apparait directement dans le cas des gites d’inclusion et de
ségrégation ; elle est encore très manifeste pour certains métaux toujours directement relies
aux mêmes roches : tels que l’étain associe à des granites acides, ou le cuivre souvent localise
au voisinage immédiat d’une roche basique dans des gites de contact originel ou de départ
immédiat. De proche en proche, on arrive, comme nous le verrons dans la suite de ce livre, à
établir la même loi pour l’ensemble des gites hydrothermaux.

III.1.3. Thermodynamique

Le fer est un élément qui présente d’un point de vue thermodynamique, deux
spécificités principales. Il s’agit tout d’abord d’un élément métallique dont la
configuration électronique entraine un nombre élevé de complexes potentiels. De
plus, il possède deux valences principales 2+ et 3+. Ces deux valences apparaissent
dans le domaine de stabilité de l’eau à 25°C. Ceci entraine le doublement du nombre
de complexes à considérer pour cet élément. D’une certaine manière, cela revient à
étudier deux éléments au lieu d’un seul. La difficulté réside précisément, notamment
dans les études expérimentales, à vérifier que les conditions redox sont compatibles
avec l’étude séparée de chaque valence. En milieu aqueux, les ions ferreux (divalents)

19
 et ferriques (trivalents) sont donc les plus courants. Les solutions fortement alcalines
peuvent renfermer des ions tétravalents et hexavalents. L’ion Fe2+ prédomine en
solution acide, il s’hydrolyse majoritairement sous les formes :

 FeOH+ et Fe(OH)2° (ou FeO°) en milieu neutre et précipite sous la forme

d’hydroxyde ferreux Fe(OH) 2(s) ;
 Fe(OH)2- (ou HFeO2-) et Fe(OH)42- (ou FeO22- ) en milieu alcalin.

L’ion Fe3+ n’existe sous cette forme qu’en milieu très acide. L’hydroxyde Fe(OH)
3(s) précipite dès pH 2 (pour une force ionique de 10 -2 M). Les espèces hydroxylées
monomères reconnues en solution sont FeOH2+, Fe(OH)2+ (ou FeO+ ), Fe(OH)3° (ou
HFeO2°) et Fe(OH) 4- (ou FeO2- ). Pour les solutions très concentrées en fer ferrique
diverses espèces polynucléaires sont proposées dans la littérature : Fe 2(OH) 24+ et
Fe 3(OH) 45+.
Les ions ferreux et ferriques peuvent être complexés par de nombreux ligands
minéraux comme les chlorures, les sulfates, les fluorures mais aussi par des ligands
organiques tels que les acétates, par exemple. La première constante à étudier est
l’entropie du fer métal bcc alpha, c'est-à-dire la constante fondamentale de l’élément
pris dans son état standard, l’état de référence. Dans ce cas, enthalpie et enthalpie
libre de formation sont nulles par hypothèse.

Le tableau 1 ci-dessous est une capture présentant les différentes propriétés

thermodynamiques des complexes ferreux.

20
 Tableau 1 : Propriétés thermodynamiques des complexes aqueux du fer (d’après Rapport final BRGM, novembre
2008)

III.1.4 Importance économique pour le Cameroun

Entre 2022 et 2026, le monde devrait produire beaucoup plus de minerai de fer
que par rapport aux cinq dernières années où la production a stagné. C’est ce que
prédit la firme de recherche Fitch Solutions qui s’attend à ce que les volumes produits
augmentent en moyenne de 2,7 % sur la période pour atteindre 361 millions de tonnes
en 2026. Les prix du minerai de fer étaient en hausse de 2020 jusqu’à la première
partie de l’année 2021, portés par la forte demande des aciéries chinoises, poussant
plusieurs producteurs à relancer les plans d’extension de capacités et d’autres à
accélérer le développement de nouveaux projets. Si le cours a atteint 203 dollars la
tonne en mai 2021, des mesures prises en Chine ont freiné cette hausse vers la fin de
l’année. Quand le conflit entre la Russie et l’Ukraine a éclaté, les prix sont repartis à
la hausse en raison des craintes du marché de ne plus pouvoir compter sur les 70
millions de tonnes de minerai de fer que les deux pays exportent annuellement. Il est
donc clair dans un tel contexte, qu’un pays comme le Cameroun disposant de
plusieurs millions de tonne de minerais de fer. Peut donc grâce à des investissements
conséquents et une bonne politique propulser son économie par la production de fer.

21
III.2. Généralités sur la Géostatistique Multivariable
Les techniques de géostatistique multivariable permettent de faires des
estimations et des modélisations en utilisant plusieurs variables mesurées soit aux
mêmes points (cas isotopique), soit en des points différents (cas hétérotopique).
L’information que l’on dispose sur une ou plusieurs variables (généralement appelés
variable secondaire) permet d’améliorer la modélisation ou l’estimation de la variable
d’intérêt.

Quelques données multivariable :

 Teneurs en métal et contaminant ;

 Concentrations d’élément en trace pour étude géochimique ;
 Toit et mur d’une couche ;
 Teneurs dans un gisement polymétallique ;

La géostatistique multivariable est concrètement utilisée pour :

 Monter les relations entre variables ;

 Améliorer l’estimation d’une variable grâce à l’utilisation d’autres variables ;
 Améliorer la cohérence entre les estimations de plusieurs variables
 Simuler conjointement plusieurs variables.

III.2.1. Un peu d’histoire

L’avènement de la géostatistique a connue plusieurs évolutions dans le temps.

Tout a commencé entre 1930 et 1950, lors de la mise sur pieds des théories de
fonctions aléatoires par Kolmogorov et Wiener. Cette théorie a été mise sur pieds du
fait de l’insuffisance des méthodes statistique pour la prédiction de certains
phénomènes. La prochaine évolution conséquente vers la géostatistique fut en 1955
par les travaux de Daniel Krige sur l’approche empirique (régression), cela pour
corriger les problèmes de biais conditionnel observé dans les mines. Cette approche
voit le jour suite aux problèmes parut lors des prédictions parmi lesquels : pourquoi
avoir obtenu moins que la prédiction ? Comment prévoir et tenir compte de l’effet de
support ? C’est ainsi que pendant les années 60 la géostatistique comme son nom
l’indique vois le jour grâce aux travaux de George Mathéron. Entre 1960 et 1970,
plusieurs travaux combinés de Matheron dans le domaine des Mines, de Matern dans
le domaine de la foresterie et de Gandin dans le domaine de la météorologie donnent
naissance à la géostatistique linéaire stationnaire. En tenant compte du fait que ces
résultats débouchent des questions que se posait Daniel Krige, Matheron donne le
nom de Krigéage à la méthode d’estimation qu’il développe. En 1973, la
géostatistique linéaire non stationnaire vois le jour, elle sera suivie ensuite de la
géostatistique non-linéaire en 1975. C’est bien plus tard en 1980 que la géostatistique
linéaire multivariable entre en jeu et cinq ans plus tard en 1985 les simulations vi le
jour. Cette petite histoire vient nous montrer à quel point la discipline qui est la
géostatistique est récente dans le monde d’où le fait qu’elle soit encore très peu

22
 enseignée malgré son importance capitale dans le domaine des prédictions (Boroh,
2020).

III.2.2. Outils statistiques de base

La statistique comporte plusieurs outils de base permettant d’étudier les

différents comportements des données ; dans cette section du travail l’intérêt est porté
sur quelques-uns de ces outils tel que la moyenne, la variance, la covariance, le
coefficient de corrélation, le nuage de corrélation et histogrammes. En théorie des
probabilités et en statistique, la covariance entre deux variables aléatoires est un
nombre permettant de quantifier leurs écarts conjoints par rapport à leurs espérances
respectives. Elle s’utilise également pour deux séries de données numériques (écarts
par rapport aux moyennes). La covariance de deux variables aléatoires indépendantes
est nulle, bien que la réciproque ne soit pas toujours vraie. La covariance est une
extension de la notion de variance. La corrélation est une forme normalisée de la
covariance (la dimension de la covariance entre deux variables est le produit de leurs
dimensions, alors que la corrélation est une grandeur adimensionnelle). Ce concept se
généralise naturellement à plusieurs variables (vecteur aléatoire) par la matrice de
covariance (ou matrice de variance-covariance) qui, pour un ensemble de p variables
aléatoires réelles X1... Xp est la matrice carrée dont l'élément de la ligne i et de la
colonne j est la covariance des variables Xi et Xj. Cette matrice permet de quantifier la
variation de chaque variable par rapport à chacune des autres. La forme normalisée de
la matrice de covariance est la matrice de corrélation. La matrice de covariance étant
une matrice semi-définie positive, elle peut être diagonalisée et l’étude des valeurs
propres et vecteurs propres permet de caractériser la distribution à l’aide d’une base
orthogonale : cette approche est l'objet de l'analyse en composantes principales qui
peut être considérée comme une sorte de compression de l’information.

Pour deux variables aléatoires discrètes X et Y prenant respectivement leurs

valeurs dans les ensembles finis {xi | 1 ≤ i ≤ n} et {yj | 1 ≤ j ≤m} ; leur :

Covariance est donnée par la relation suivante :

n m
Cov ( X , Y )=∑ ∑ xi y j P ( X= xi et Y = y j ) −E [ X ] E [ Y ]
i=1 j =1

Variances s’obtiennent par les formules suivantes :

n
σ =∑ x 2i P( X =xi )−E [ X ]
2 2
X
i=1

n
σ =∑ y 2j P(Y = y j )−E [ Y ]
2 2
Y
j =1

23
La matrice de covariance d’un vecteur ⃗
X de p variables dont chacune possède une variance,
est la matrice carrée de terme générique a i , j=Cov (X , X ) ; de plus sachant que Cov (X, X) =
i j

Var(X).

()
X1
Par définition ; pour tout ⃗
X = ⋮ vecteurs de p variables aléatoires, on a :
X2

T
X ¿¿ ≡ E[ ( ⃗
Var(⃗ X ] )( ⃗
X −E [ ⃗ X ]) ]
X −E [ ⃗

On peut écrire donc la matrice de covariance comme suit :

( )( )
2
Var (X 1 ) Cov ( X 1 , X 2) ⋯ Cov ( X 1 , X p ) σx 1
σx x
1 2
⋯ σx x
1 p

Cov ( X 2 , X 1 ) ⋱ ⋯ ⋮ σ ⋱ ⋯ ⋮
= xx 2 1

⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
2
Cov ( X p , X 1 ) ⋯ ⋯ Var ( X p ) σx x p 1
⋯ ⋯ σx p

Quelques propriétés de la matrice de covariance :

 La matrice de covariance est symétrique ; ses éléments diagonaux sont les variances
et les éléments extra-diagonaux sont les covariances des couples de variables.
 La matrice de covariance est semi-définie positive (ses valeurs propres sont positives
ou nulles). Elle est définie positive (valeurs propres strictement positives) s'il n'existe
aucune relation affine presque sûre entre les composantes du vecteur aléatoire.

La moyenne d’une variable aléatoire X généralement noté m est : m = E[X].

Pour deux variable aléatoire X et Y de :

Moyennes mX = E[X] et mY = E[Y] ;

De variances ∂2X et ∂2Y définies plus haut ;

D’écarts-types σ X = √ σ 2X et σ y = √σ 2Y  ;

Le coefficient de corrélation est égal à :

Cov (X , Y )
ρ=
σ X σY

Il vérifie : -1 ≤ ρ ≤1. (Mais des incohérences peuvent apparaître - un coefficient de corrélation

supérieur à 1, par exemple – si les variables ne sont pas échantillonnées toutes deux en même
temps, et si moyennes, variances et covariance ne sont pas calculées sur les mêmes
échantillons.) Le coefficient de corrélation mesure la dépendance linéaire entre variables. Il
est nul si les variables sont indépendantes, mais peut être nul sans qu’elles le soient. Il est très
sensible aux valeurs extrêmes.
Histogramme …

24
Nuage de corrélation permet de visualiser la corrélation entre les données de deux séries. Plus
les points du nuage se rapprochent plus la corrélation entre les deux variables est forte, et
moins dans le cas contraire. Le nuage de corrélation aide aussi à voir la nature de la
corrélation au sens du signe (positive ou négative), si on observe que les valeurs de X
croissent lorsque celle de Y décroissent on parlera de corrélation négative et de corrélation
positive dans le cas contraire.
Les outils statistiques, particulièrement les outils simples de visualisation et d’exploration,
comme ceux cités ci-dessus, sont extrêmement utiles. S’agissant de variables régionalisées,
on notera cependant que les statistiques, comme les lois de distribution, le coefficient de
corrélation, les régressions, ne sont pas des statistiques « spatiales » : elles ne dépendent pas
de la position des échantillons dans l’espace (intervertir les valeurs des variables entre 2
points ne change pas la corrélation par exemple). De plus ces statistiques n’ont pas de
caractère « intrinsèque », au sens où elles dépendent du support (et du champ) sur lequel est
définie la variable : ainsi le coefficient de corrélation entre 2 variables ne mesure en général
la dépendance linéaire entre ces variables qu’au support utilisé, non à d’autres supports, ce
qui restreint leur signification. Enfin on notera que l’absence de corrélation entre variables au
même point x (par exemple entre le résidu d’une régression et la variable conditionnant)
n’entraîne pas l’absence de corrélation « spatiale », i.e. entre points x et y différents. D’où la
nécessite d’étudier la structure spatiale des données à travers des outils structuraux tel que
variogramme et covariogramme.
III.2.3. Variogramme

La variabilité à différentes échelles d’une variable régionalisée z(x) est

mesurée, tout simplement en calculant une mesure de dissemblance entre deux
données z1 et z2 situe en deux points x1 et x2 d’un domaine spatial. Cette dissemblance
entre deux valeurs désignées par Y*, vaut la moitié du carré de la différence de ces
deux données, tel qu’exprimé dans l’équation ci-dessous :
2
¿ ( z2 − z 1 )
Y =
2

Si on fait dépendre la dissemble Y* de la distance et de l’orientation d’une

paire de points, décrit par le vecteur h = x 2-x1, indifféremment de la position de cette
paire dans le domaine étudie, on obtient la nouvelle expression suivante :

1 2
Y ¿ ( h )= ( z ( x1 +h ) − z( x1 ) )
2

En formant la moyenne des dissemblances entre valeurs pour toutes les n h

paires de points relient par un vecteur h donné pour une maille quelconque, on obtient
la notion de variogramme expérimental :
nh
1
∑
¿ 2
Y ( h )=
2 nh α
( z ( x α +h ) − z (x α ) )

D’après Hans Wackernagel (1993), on observe habituellement que la

dissemblance des valeurs augmente en moyenne en fonction de l’éloignement spatiale
des points de mesure et atteint fréquemment un palier de variation aux grandes

25
 distances. On peut cependant, penser à des paliers intermédiaires, lorsque la pente du
variogramme change abruptement. Le comportement aux très petites échelles du
variogramme est très important, car il indique le degré de continuité de la variable
régionalisée, à savoir : différentiable, continue mais non différentiable, ou carrément
discontinue. Lorsque la variable est discontinue, on a affaire à une variable
régionalisée donnant lieu un effet pépite, symptôme de valeurs changeant
abruptement à très petite échelles par rapport à la maille. C’est le cas des teneurs en or
lorsqu’il y a des pépites. On rencontre une absence complète de structuration spatiale
lorsque la dissemblance moyenne des valeurs est constante pour toutes les distances |
h|. Cependant, une pente non nulle du variogramme près de l’origine indique une
structuration des données. Un changement soudain de la pente du variogramme
indique le passage à une structuration de valeurs de nature différente. Les différentes
transitions sont d’abord modélisées par des variogramme gigognes, puis les
différentes structurations spatiales sont visualisées séparément sous forme de cartes en
effectuant le krigéage des composantes spatiales.

III.2.4. Variogramme croise (covariogramme)

Il est important avant de définir la notion de variogramme croisé, de s’intéresser à la

covariance croisée. Par définition, la covariance croisée entre deux fonction aléatoire Z 1(x) et
Z2(y) est Cov[Z1(x), Z2(y)] ; pour tous couple de points (x, y). Il est important de la distinguer
de la covariance en un même point Cov[Z1(x), Z2(x)].

Les fonctions aléatoires FA sont sans corrélation si la covariance croisée est nulle, propriété
beaucoup plus forte que l’absence de corrélation entre variables aux mêmes points. Sous
hypothèse de stationnarité, la covariance croisée est invariante par translation, i.e. ne dépend
pas que de la distance h entre les points x et x+h ; d’où :

- Covariance croisée non centrée : K12(h) = E[Z1(x)Z2(x+h)], qui est souvent dans la
pratique utilisée dans le cadre des indicatrices ;
- Covariance croisée centrée (habituelle) est définit par la relation : C12(h) = Cov[Z1(x),
Z2(x+h)].

Qui peut encore s’écrire comme :

E¿

Un ensemble de fonction aléatoires (Z1(x), …, Zp(x)) est stationnaire d’ordre 2 si tous les
moments d’ordre 1 et 2 sont invariant par translation.

- Moyennes constantes : E[Zi(x)] = mi ;

- Covariance ne dependent que du vecteur distance entre points, par exemple pour toute
covariances centrees : Cov[Zi(x), Zj(x+h)] = Cij(h).

Dans un tel modèle, toute combinaison linéaire des (Z1(x), Zi(x), …, Zp(x)), en des points
quelconques :

26
 Z=∑ ∑ λ iα Z i ( uα )=∑ ∑ λiα Z iα
i α i α

A pour moyenne et variance :

E [ Z ] =∑ ∑ λiα m i
i α

Var ( Z )=∑ ∑ ∑ ∑ λiα λ jβ Cov (Z iα ¿ , Z jβ ¿ )=∑ ∑ ∑ ∑ λiα λ jβ Cij ( x β , x α ) ≤ 0 ¿ ¿

i j α β i j α β

Soient deux fonctions aléatoires Z1(x) et Z2(x) intrinsèques (l’accroissement Z1(x+h) - Z1(x)
et Z2(x+h) - Z2(x), d’espérance nulle et de semi-variance stationnaire, égale au variogramme
de chaque variable). On définit le covariogramme croisé par la demi covariance des
accroissements entre x et x+h, suppose stationnaire (invariant par translation) :

1
γ 12= E [ Z 1 ( x +h)−Z1 ( x ) ][ Z 2( x+ h)−Z 2 (x) ]
2

Son estimation nécessite la connaissance, en des points distants de h (à la tolérance près), de

chacune des variables.

On en déduit que :

γ 12( h)
, est la corrélation entre accroissement de deux variables, par ailleurs le rapport
√ γ 1 (h) γ 2 (h)
γ 12(h)
représente la pente de régression linéaire.
γ 1 (h)
¿
[ Z α (x +h)−Z α (x) ] =a [ Z1 (x +h)−Z 1 (x) ], est l’estime de Z α (x +h)−Z α ( x) connaissant
Z1 ( x +h)−Z 1 ( x).

Le variogramme croise généralise le variogramme simple, mais peut avoir des formes
beaucoup plus variées. Il peut être négatif ; il est nul en 0 et symétrique ( γ 12 (h)=0 et
γ 12 (h)=γ 12 (h)).

III.2.5. Le Cokrigéage

Le Cokrigéage simple et le Cokrigéage ordinaire sont présente dans cette section.

 Cokrigéage Simple

Le cas traite ici est celui de deux variables.

Z(x) : Variable principale, avec nz observations.

Y(x) : Variable Secondaire, avec ny observations.

Les moyennes de Z(x) et Y(x) sont connues, on les note mz, my.

27
 nz ny
L’estimé Z =mz + ∑ λi ( Z i−mz ) + ∑ α i ( Y i−m y );
¿
0
i =1 i=1

nz ny nz ny nz ny nz
Var ( Z 0 −Z ) =Var ( Z 0 ) + ∑ ∑ λi Cov (Z i¿ ,m z)+ ∑ ∑ α i α j Cov ( Y i ,Y j ) +2 ∑ ∑ λi α j Cov ( Z i , Y j ) −2 ∑ λi ( Z 0 , Z
¿
0
i=1 j=1 i=1 j=1 i=1 j=1 i =1

.
nz ny

∑ λ j Cov ( Z i , Z j ) +∑ α j Cov ( Z i , Y j ) =Cov ( Z 0 , Z i) pour tout i=1 … nz

j=1 j=1

nz ny

∑ λ j Cov ( Y i , Z j )+∑ α j Cov ( Y i ,Y j )=Cov ( Z 0 ,Y i ) pour tout i=1 … ny

j=1 j =1

nz nz
σ 2CK =Var ( Z 0 )−∑ λi Cov ( Z0 , Z i ) −∑ α i Cov (Z 0 ¿ , Zi ¿ )¿ ¿
i=1 i=1

Sous forme matricielle, le cokrigéage simple s’écrit comme :

Kλ=k et σ 2CK =Var ( Z 0 )− λ' k

{
K ZZ est nz∗nz
K YY est ny∗ny
⇒
[ K ZZ
K YZ
K ZY λ
K YY α
k
][ ] [ ]
= ZZ
k YZ
Où :
K YZ est ny par nz
K ZY est nz par ny
k ZZ est nz∗1
k yz est ny∗1

 Cokrigéage ordinaire

Les moyennes de Z(x) et Y(x) sont inconnues.

nz ny
Z¿0=∑ λ i Zi + ∑ α i Y i
i=1 i=1

nz ny

∑ λi=1 et ∑ αi=0
i=1 i =1

nz ny

∑ λ j Cov ( Z i , Z j ) +∑ α j Cov ( Z i , Y j ) + μ Z =Cov ( Z 0 , Z i ) pour tout i=1 … nz

j=1 j=1

nz ny

∑ λ j Cov ( Y i , Z j )+∑ α j Cov ( Y i ,Y j ) + μY =Cov ( Z 0 ,Y i ) pour tout i=1 … nz

j=1 j =1

nz ny

∑ λi=1 ; ∑ α i=0
i=1 i=1

28
 nz ny
=Var ( Z 0 )−∑ λi Cov ( Z0 , Z i ) −∑ α i Cov ( Z 0 ,Y i ) −μZ
2
σ CK
i=1 i=1

Sous forme matricielle on a :

2 '
Kλ=k et σ CK =Var ( Z 0 )− λ k

{
K ZZ est nz∗nz

[ ][ ] [ ]
K ZZ K ZY 1 0 λ k ZZ K YY est ny∗ny
K YZ K YY 0 1 α K YZ est ny par nz
= k YZ ou :
0 0 μZ K ZY est nz par ny
' '
1 0 1
0 0 μY 0 k ZZ est nz∗1
' '
0 1
k yz est ny∗1

Les matrices de Cokrigéage sont toujours symétriques : K ZY =K ' YZ . Toutefois, les fonctions
de covariances croises ne sont pas nécessairement symétrique ;

En effet : C ZY (h)=Cov ( Z ( x ) , Y (x +h) )=Cov (Y ( x+h ) , Z ( x))=CYZ (−h)

Mais en général :

C ZY ( h )=Cov ( Z ( x ) , Y ( x +h )) ≠ Cov ( Y ( x ) , Z ( x+ h ) )=CYZ ( h ) =C ZY (−h)

Les expériences ont montré que l’on gagnait à effectuer un Cokrigéage si les deux conditions
suivantes sont remplies simultanément :

 La corrélation maximale entre variable principale et secondaire est forte (de l’ordre de
0.5 ou plus).
 La variable secondaire n’est pas échantillonnée aux mêmes points que la variable
principale et idéalement est échantillonnée en beaucoup plus de points.

À titre d’exemple, pour un gisement donné, si on analyse le Fe et le Al de façon systématique

sur des carottes de forage, il n’y a pas véritablement intérêt à effectuer un Cokrigéage pour
estimer l’une ou l’autre des variables, un simple krigeage suffit. Par contre, si l’on s’est mis
depuis peu à analyser le Fe et que de nombreuses analyses de Al ont été réalisées par le passé,
alors un Cokrigéage pour le Fe serait possiblement intéressant.

29
 CHAPITRE II : MATERIELS ET METHODES
Introduction
Le présent travail est effectué suivant un ensemble de méthodes. Cette section présent la
méthodologie utilisée, le matériel utilisé. Aussi les données utilisées dans le cadre de ce
travail sont présentées, ainsi que les différentes étapes de traitement.

I. Matériels
Pour mener à bien ce projet, les éléments suivants ont été utilisé :

- Un ordinateur portable C’est la que sont installer

de marque HP ZBook tous les logiciels de
traitement de données, de
traitements de texte et de
géostatistique utilises pour
la rédaction de ce mémoire.
- Le logiciel Microsoft Excel : Pour le traitement
office et la visualisation de la
base de données.
Word : pour les différentes
opérations de saisie et de
traitement de texte.
- Le logiciel GEOVIA Pour la création de base de
Surpac 6.6.2 données géologique et pour
effectuer les opérations de
compositing (Créer les
composites des différents
éléments de la base de
données)
- Le logiciel Python 3.10 Langage de programmation
utilise dans le cadre de ce
travail. Choisit parce
qu’offrant de nombreuses
bibliothèques de fichier
utile pour ce travail.
- Le logiciel Sublime Éditeur de texte utilise
texte pour la rédaction et la
compilation des différents
codes écrit en python

II. Présentations des données

Les données utilises dans le cadre de ce travail sont des données issues du permis … de
l’entreprise compagnie minière du Cameroun (CamIron) dans l’arrondissement de Ngoila
(région de l’est Cameroun). Les donnes consignes dans un fichier Excel sont les résultats
d’une longue campagne de prospection à la surface, sur les tranches routières, et dans des
trous de forages qui s’est déroulé entre 2010 et 2013 dans les environs des localités de

30
Djadom et Eta. L’élément d’intérêt de cette base de données est le fer (Fe). Et la base de
donnes est constitué des différents classeurs suivants :

- Le classeur « Asssay » : contenant les donnes de teneurs en différents éléments

géochimique présents à travers la minéralisation, avec les informations des différents
log lithologiques.
- Le classeur « Collars » est le classeur contenant les informations sur les trous
d’échantillonnage tel que ; leurs orientations, leur position géographique, leur nature
(forage ou tranchée).
- Le classeur « Survey » contient les différentes informations structurales des trous,
azimut, pendage, profondeur maximale.
- Le classeur « Geology » contient les informations sur tout le facies géologique
rencontre dans la zone d’étude. Aussi le même fichier permet d’obtenir la différente
couche lithologique rencontre dans les trous, leur profondeur, couleur et autres
commentaires nécessaires à la bonne compréhension de la minéralisation.
- Le classeur « Surface Sample » c’est l’équivalent du classeur geology pour les
échantillonnages en surface.
- Le classeur « Surface Sample Niton » c’est l’équivalent du classeur assay pour les
échantillonnages de surface.
- Le classeur « Lookups » contient les définitions des différents codes et abréviations
utilises dans la base de données.

Figure 4 : Carte d'échantillonnage

31
La carte ci-dessus présente les forages effectués (points jaunes) dans la zone minéralisée,
déterminée au moyen d’un levé géophysique aéroportée. Ceux –ci sont réalisés suivant des
lignes orientées NE (notées L389700, etc.) espacées de 300 m.

III. Méthodes
La méthodologie utiliser dans le cadre de ce travail se présente comme suit :

Localisation et présentation de la zone d’étude

Traitement de la base de données

Analyses statistiques

Cette etapes est preleminaire a toute etude geostatistique. C’est a ce niveau que les
caracteristiques statistiques de base des differentes donnees sont etudies. Aussi c’est pendant
cette etape que l’on decide ou non de la necessite de faire une operation d’anamorphose
gaussienne pour transfomer les donnees afin quelle suigvent la loi normale. Elle comporte
dans le cadre de ce travail les analyses statistiques sont constitues de:

- Le tracer des differents histogramme ;

- Le calcul des caracteristique des differentes donnees ;
- Le tracage des nuage de correlation ;
- Le calcul des coeficient de correlation ;

Analyses géostatistique

C’est le cœur de ce travail, car c’est dans cette etape que les teneurs en fer de la
mineralisation seront calculer a travaers les differents etapes de mise en œuvre de methodes
geostatistiques ; aussi cette etape du travail nous donnera comme resultats le tonnage de la
mineralisation mais aussi l’erreur d’estimation qui est un parametres tres important de prise
de decision lorsqu’il sagit de projet minier. L’analyse geostatistique de ce travail est
constituer de :

- L’analyse variographique
- La creation des blocs d’estimation
- Estimation par cokrigeage : les estimation par cokrigeage simple et ordinaire seront
implemente dans le cadre de ce travail, en utilisant tour a tour comme variable
secondaire la silice, l’alumine et le titane pour obtenir la meilleure coestimation de
nos ressources ;

Validation croisee

C’est la derniere etape de notre methodologie ; elle consiste en effet a verifie la fiabilite de
nos resultats. Ceci en utilisant la methode pour faire des estimation en des points reellement
conu et en effectuant une comparaison entre les resultats. Ceci afin de mesure l’efficatcite de
notre estimation.

32
 CHAPITRE III : RESULTATS ET INTERPRETATIONS
Introduction
Les différentes opérations de traitement engager dans le cadre de ce travail, ont produit
plusieurs résultats. Qui sont présenter, explique et interpréter dans cette section.

I. Analyses statistiques des données

Cette étape est le préliminaire a toute études géostatistique ; après le traitement et le contrôle
des données.

Figure 5 : Histogramme des différentes teneurs

Les forme de ces différents histogrammes permette de comprendre que les données de
teneurs ne suivent pas la loi normale. Ainsi elle exige qu’avant toute entreprise d’estimation
géostatistique, qu’une opération d’anamorphose gaussienne soit effectuer.

33
 R1= -0.5566

Figure 6 : Nuage de corrélation Fer-Alumine

R2= -0.25

Figure 7 : Nuage de corrélation Fer-Silice

R3= -0.256

Figure 8 : Nuage de corrélation Fer-Titane

34
35
 RÉFÉRENCES
Matheron, G. (1976). Les Concepts de Base et L’Evolution de la Geostatistique Miniere. In:
Guarascio, M., David, M., Huijbregts, C. (eds) Advanced Geostatistics in the Mining
Industry. NATO Advanced Study Institutes Series, vol 24. Springer, Dordrecht.
https://doi.org/10.1007/978-94-010-1470-0_1

D. G. KRIGE, a statistical approach to some, basic mine valuation problems on the-

Witwatersrand, journal of the chemical metallurgical & society of south mining Africa,
Vol.52 No6, Dec 1951.

MATHERON, G. and KLEINGELD, W.J. The evolution of geostatistics. APCOM 87.

Proceedings of the Twentieth International Symposium on the Application of Computers and
Mathematics in the Mineral Industries. Volume 3: Geostatistics. Johannesburg, SAIMM,
1987. pp. 9-12.
Yandjimain, J., Ndougsa-Mbarga, T., Bi-Alou, M.B. and Meying, A. (2018)
Aeromagnetic Data Modeling for Geological and Structural Mappings over the DJADOM-
ETA Area, in the Southeastern Cameroon. International Journal of Geosciences , 9, 354-370.
D. Tsozué, D. Bitom, R. Yongue-fouateu; Morphology, mineralogy and geochemistry of a
lateritic soil sequence developed on micaschist in the Abong-mbang region, southeast
cameroon. South African Journal of Geology 2012;; 115
Yandjimain J., Ndougsa-Mbarga Théophile, Meying Arsène, Ngoumou PC. Evidences
by multiscale analysis and 2d3/4 models from the magnetic anomalies and iron
mineralization (bif) over the djadom-eta area southeastern cameroon. Open journal of
earthquake research. 2020:19-32. doi:10.4236/ojer.2020.91002
Dzemua GL Mees F Stoops G Van Ranst E. Micromorphology mineralogy and
geochemistry of lateritic weathering over serpentinite in south-east cameroon. Journal of
african earth sciences. 2011:38-48. doi:10.1016/j.jafrearsci.2011.01.011
Hende, R. Van den. Carte Geologique De Reconnaissance a L'echelle Du 1/500,000.
Feuille Abong-mbang-est, Cameroun. [Yaoundé]: Direction des Mines et de la Géologie,
1970.
"West African Minerals Corporation (EML) - Company Capsule." World Market Intelligence
(2015): World Market Intelligence, 2015. Web.
"West African Minerals Corp (EML) - Company Capsule." Timetric (2018): Timetric, 2018.
Web.
Toteu, Sadrack Félix, Joseph Penaye, and Yvette Poudjom Djomani. "Geodynamic
Evolution of the Pan-African Belt in Central Africa with Special Reference to Cameroon."
Canadian Journal of Earth Sciences 41.1 (2004): 73-85. Web.
Khan, Salman Mohd, Abid Ali Khan, and Omar Farooq. "Pattern recognition of EMG
signals for low level grip force classification." Biomedical Physics & Engineering Express
7.6 (2021)15.
De-Vitry, Chris, John W. Vann and H. Arvidson. “Multivariate iron ore deposit resource
estimation – a practitioner's guide to selecting methods.” Applied Earth Science 119 (2010):
154 - 165.

36
De-Vitry, Chris, John W. Vann and H. Arvidson. “A Guide to Selecting the Optimal
Method of Resource Estimation for Multivariate Iron Ore Deposits.” (2007).
Kim, Yong-Tae, Gyu-Won Cho and Gyu-Tak Kim. “The Estimation Method Comparison of
Iron Loss Coefficients through the Iron Loss Calculation.” Journal of Electrical Engineering
& Technology 8 (2013): 1409-1414.
Tagne, Claude. (2021). Corridors d'extractivisme dans une région enclavée et leurs
contributions au développement local : cas de l'arrondissement de Ngoyla (Région de l'Est,
Cameroun) Mots clés : Corridor, développement local, extractivisme, arrondissement de
Ngoyla. 74-84. 10.5281/zenodo.4699460.
Muehlmann et Klaus Nordhausen (2020), On cokriging, neural networks, and spatial blind
source separation for multivariate spatial prediction, Vienna University of Technology and
University of International Business and Economics, Beijing, myi@uibe.edu.cn

Alexey Stepanov, Timur Murtazin, Amir Ismagilov, Alexey Delev (2019), Use of an
artificial neural network algorithm and cokriging method for reservoir porosity
modeling, Institute of Geology and Petroleum Technologies, Kazan Federal University,
Russia.
Zhang, J.; Xu, J.; Dai, X.; Ruan, H.; Liu, X.; Jing (2022), W. Multi-Source Precipitation
Data Merging for Heavy Rainfall Events Based on Cokriging and Machine Learning
Methods. Remote Sens. 14, 1750. https://doi.org/10.3390/rs 14071750.

V. Kecman, “Support Vector Machines Basics—An In-troduction Only,” University of

Auckland, School of En-gineering Report, New Zealand, 2004.

A. J. Smola and B. Scholkopf, “A Tutorial on Support Vector Regression,” Statistics and

Computing, Vol. 14, No. 3, 2004, pp. 199-222.

V. Vapnik, “Statistical Learning Theory,” John Wiley and Sons, New York, 1998.

C. C. Chang and C. Lin, “LIBSVM: A Library for Sup-port Vector Machines,” 2001.
Internet Available: http:// www.csie.ntu.edu.tw/~cjlin/libsvm

Sridhar Dutta, Sukumar Bandopadhyay, Rajive Ganguli, Debasmita Misra (2010),

Machine Learning Algorithms and Their Application to Ore Reserve Estimation of Sparse
and Imprecise Data, J. Intelligent Learning Systems & Applications, 2: 86-96

SHEK Sascha David, Application de la technique Géostatistique pour estimer le

gisement de calcaire de Soalara, sud-ouest de Madagascar, Mémoire de fin d`étude pour
l`obtention du diplôme de maitrise des sciences et techniques en géophysique appliquée
(MSTGA), université d'Antananarivo, faculté des sciences, 26 mars 2010, pp18-58.

Grade control with Ensembled ML: A comparative case study at the Carmen de
Andacollo copper mine Camilla Zacche da Silva, Jed Nisenson, Jeff Boisvert, Paper 109,
CCG Annual Report 22, 2020

37
袁 新 建 , Xin-jian & Kim, M & Kang, C.Y.. (2011). Effects of boron and silicon on
microstructure and isothermal solidification during TLP bonding of a duplex stainless steel
using two Ni‐Si‐B insert alloys. Materials Science and Technology. 27. 1191-1197.
10.1179/026708310X12668415533847.

Vincent Feynerol. Traitement de minerais de fer par lixiviation alcaline suivi de leur
électrolyse en milieu alcalin. Génie des procédés. Université de Lorraine, 2018. Français.
⟨NNT : 2018LORR0163⟩. ⟨tel-01948704⟩

Pyrcz, M.J., Deutsch, C.V. (2018). Transforming Data to a Gaussian Distribution. In J. L.

Deutsch (Ed.), Geostatistics Lessons. Retrieved from
http://geostatisticslessons.com/lessons/normalscore

Barnett, R. M. (2017). Projection Pursuit Multivariate Transform. In J. L. Deutsch (Ed.),

Geostatistics Lessons. Retrieved from
http://geostatisticslessons.com/lessons/lineardecorrelation

E. Yalçin (2005), Cokriging and its effect on the estimation precision, The Journal of The
South African Institute of Mining and Metallurgy, volume 105, April 2005.

Jacques RIVOIRARD, COURS DE GEOSTATISTIQUE MULTIVARIABLE, Cours C-17

2, Ecole des Mines de Paris, CENTRE DE GÉOSTATISTIQUE 35 rue Saint-Honoré
77305 FONTAINEBLEAU (France), Février 2003

Camana, F.A. & Deutsch, C.V. (2019). The Nugget Effect. In J.L. Deutsch (Ed.),
Geostatistics Lessons. Retrieved from http://geostatisticslessons.com/lessons/nuggeteffect
Suchel, J. B. (1988). Les Climats du Cameroun. Volume 3: Les Régions Climatiques du
Cameroun (Doctoral dissertation, PhD thesis, Université de St Etienne, France).

P. NGUEYA, ALTERATION ET ENRICHISSEMENT DES GISEMENTS DE FER. DE

TYPE ITABIRITES DANS LA REGION DE MBALAM (SUD-EST CAMEROUN)
lRojetdeRecherchesMni&esSud-CEasmte rounBP836 Yaound~(Csmeroun), 1986

Ndougsa-Mbarga, T., Yufenyiu Layu, D., Yene-Atangana, J. Q., & Tabod Tabod, C.
(2014), Delineation of the northern limit of the Congo Craton based on spectral analysis and
2.5D modeling of aeromagnetic data in the Akonolinga-Mbama area, Cameroon. Geofísica
Internacional, 53(1). https://doi.org/10.1016/S0016-7169(14)71486-2

Abuntori, C. A., Al-Hassan, S. and Mireku-Gyimah, D. (2021), “Assessment of Ore Grade

Estimation Methods for Structurally Controlled Vein Deposits – A Review”, Ghana Mining
Journal, Vol. 21, No. 1, pp. 31-44.

38
Singh, Rahul & Ray, Dipankar & Sarkar, Bhabesh. (2018). Recurrent neural network
approach to mineral deposit modelling. 1-5. 10.1109/RAIT.2018.8389063.

Jingxiong Zhang, Tao Zhu, Yunwei Tang & Wangle Zhang (2014) Geostatistical approaches
to refinement of digital elevation data, Geo-spatial Information Science, 17:4, 181-189, DOI:
10.1080/10095020.2014.985283

Denis Marcotte, Cokriging with matlab, Computers & Geosciences, Volume 17, Issue 9,
1991, Pages 1265-1280,ISSN 0098-3004, https://doi.org/10.1016/0098-3004(91)90028-C.

Yao Lingqing, Pan Mao, Cheng Qiuming, 3D Property Modeling of Void Ratio by
Cokriging, Journal of China University of Geosciences, Volume 19, Issue 4, 2008, Pages
410-415, ISSN 1002-0705, https://doi.org/10.1016/S1002-0705(08)60074-6.

39
 ANNEXE I (CARTES VARIOGRAPHIQUES)
Variographie monovariables (Suivant l’azimut)

Variogramme Fer

40
Variogramme Titane

41
Variogramme Silice

42
Variogramme Alumine

43
 Variographie monovariable (suivant le pendage)

Variogramme Fer

44
Variogramme Titane

45
Variogramme Silice

46
Variogramme Alumine

47
 Variographie multivariables (Suivant l’azimut)

Variogramme croises (Fer-Alumine)

48
Variogrammes croises Fer-Silice

49
Variogrammes croises Fer-Titane

50
 Variographie multivariables (Suivant le pendage)

Variogramme croisé Fer-Alumine

51
Variogramme croisé Fer-Silice

52
Variogramme croisé Fer-Titane

53
 ANNEXE II (PARAMETRES D’AJUSTEMENT DES DIFFERENTS
VARIOGRAMMES)
Paramètres de Variogrammes simples suivant azimut (ajustes par le modèle sphérique)
Variables Paramètres d’ajustement
Effet pépite Portée Pallier Azimut
Fer 1 0 1250 0.8 0
Fer 2 0 1000 1.1 22.5
Fer 3 0 1400 1.15 45
Fer 4 0 1450 1.0 67.5
Fer 5 0 1500 0.9 90
Fer 6 0 750 0.9 112.5
Fer 7 0 1600 1.01 135
Fer 8 0 1000 1.01 157.5
BAL 1 0 1600 0.75 0
BAL 2 0 1500 0.75 22.5
BAL 3 0 1000 0.75 45
BAL 4 0 1250 0.65 67.5
BAL 5 0 1250 0.60 90
BAL 6 0 750 0.45 112.5
BAL 7 0 1300 0.70 135
BAL 8 0 1400 0.70 157.5
Si 1 0 1000 0.75 0
Si 2 0 900 0.80 22.5
Si 3 0 1100 0.65 45
Si 4 0 1250 0.70 67.5
Si 5 0 1000 0.70 90
Si 6 0 1300 0.70 112.5
Si 7 0 1000 0.73 135
Si 8 0 1150 0.71 157.5
Ti 1 0 1000 1.13 0
Ti 2 0 1300 1.48 22.5
Ti 3 0 1250 1.72 45
Ti 4 0 1000 1.250 67.5
Ti 5 0 1250 1.000 90
Ti 6 0 1250 1.48 112.5
Ti 7 0 1250 0.98 135
Ti 8 0 1250 1.10 157.5

54
Parametres de variogrammes simple suivant pendage (ajustes par le modele Spherique)
Variables Paramètres
Effet pépite Portée Pallier Pendage
Fer 1 0 1800 1.2 0
Fer 2 0 1500 1.4 -10
Fer 3 0 1500 1.25 -30
Fer 4 0 1500 1.4 -40
Silice 1 0 1750 1.52 0
Silice 2 0 1500 1.49 -10
Silice 3 0 1300 1.25 -20
Silice 4 0 1000 0.72 -30
Alumine 1 0 1600 0.76 0
Alumine 2 0 1400 0.94 -10
Alumine 3 0 1300 0.78 -20
Alumine 4 0 1250 1.37 -30
Titane 1 0 2000 0.89 0
Titane 2 0 1700 1.2 -10
Titane 3 0 1250 1.25 -20
Titane 4 0 1000 0.8 -30

55
 Paramètre de Variogrammes croises Suivant azimut (Ajustes suivant le modèle
sphérique)
Co-variables Paramètres
Effet pépite Portée Pallier Azimut
Fer-Titane 1 50 900 100 0
Fer-Titane 2 48 1000 80 22.5
Fer-Titane 3 30 800 100 45
Fer-Titane 4 17 1250 60 67.5
Fer-Titane 5 50 1000 105 90
Fer-Titane 6 65 1100 107 112.5
Fer-Titane 7 65 900 110 135
Fer-Titane 8 55 1000 105 157.5
Fer-Silice 1 49.6 1000 70 0
Fer-Silice 2 49 750 75 22.5
Fer-Silice 3 63 1000 90 45
Fer-Silice 4 50 1250 100 67.5
Fer-Silice 5 63 1420 81 90
Fer-Silice 6 65 1000 80 112.5
Fer-Silice 7 60 1300 80 135
Fer-Silice 8 64 1250 79.8 157.5
Fer-Alumine 1 50 900 106 0
Fer-Alumine 2 50 1000 106 22.5
Fer-Alumine 3 48.5 1000 80 45
Fer-Alumine 4 48 750 82 67.5
Fer-Alumine 5 50 1250 106.1 90
Fer-Alumine 6 75 1100 115 112.5
Fer-Alumine 7 58.7 1225 104 135
Fer-Alumine 8 50 750 105 157.5

56
Paramètres de Variogrammes croisés suivant pendage (Ajuste par le modele spherique)
Variables Paramètres
Effet pépite Portée Pallier Pendage
Fer- Alumine 1 80 1000 110 0
Fer-Alumine 2 100 900 148 -10
Fer-Alumine 3 102 1000 150 -20
Fer-Alumine 4 75 1000 152 -30
Fer-Silice 1 72 1100 120 0
Fer-Silice 2 85 800 150 -10
Fer-Silice 3 100 1000 152 -20
Fer-Silice 4 100 1000 110 -30
Fer-Titane 1 78 1010 116 0
Fer-Titane 2 50 1000 140 +10
Fer-Titane 3 77 750 130 -10
Fer-Titane 4 105 800 150 -20

57