Geostats Cle87ed6c

STA 112 : Geostatistique
A. Latouche
aurelien.latouche@cnam.fr
1 / 62
STA 112 Statistique Spatiale et Longitudinale
I Géostatistique : Variogramme , Krigeage
I Modèles hiérarchique bayésiens : application en Epidémiologie
Toujours vérifier les salles et séances

http://maths.cnam.fr/spip.php?article390
2 / 62
Evaluation
I La note finale de l’UE STA 112 se compose d’une note

d’examen (2/3) et d’une note de projet (1/3)
I Il y 2 sessions pour l’examen et le projet.
I Vous devez donc rendre votre projet lors de la semaine
d’examen (juin et septembre).
Le projet comporte 1 analyse de données spatiales et 1 analyse de
données longitudinales
les données à analyser seront disponibles sur le site de l’UE
3 / 62
Données spatiales et visualisation avec R
La page de référence
http://cran.r-project.org/web/views/Spatial.html
Data management sp, rgdal, maptools

Integration with other GIS gdal, RArcInfo, SQLiteMap,
RgoogleMaps, spgrass6, RPyGeo,
R2WinBUGS, geonames
Point pattern analysis spatstat, splancs, spatialkerne
Geostatistics gstat, geoR, geoRglm, spBayes
Disease mapping DCluster, spgwr, glmmBUGS,
diseasemapping
Spatial regression spdep, spatcounts
4 / 62
Géostatistique
I Historiquement : Gisement minier
I Hydrologie, Agriculture, Science de l’environnement

(Pollution)
I Objectif : Prédiction de gisement à partir de forages
Définition
La Géostatistique a pour objet de Modéliser des covariations
spatiales et de Prédire la mesure en un point non observé
On effectue de l’interpolation spatiale (krigeage)
5 / 62
Singularité des données spatiales
I En statistique classique, l’inférence des paramètres est rendue

possible par la répétition indépendante des données.
I En statistiques spatiales, on observe très souvent une

réalisation unique des données
I Par exemple
I un épisode de pollution à l’ozone
I une région agricole particulière
I une épidémie . . .
6 / 62
Exemple Données de pluviométrie (package geoR, data(parana))
I Les mesures sont discrètes : 143 stations, pluviométrie
moyenne de plusieurs années de mai à juin
I Le phénomène spatial est définit partout sur le domaine
d’étude
600
500
400
N−S (km)
200 300
100
0
200 300 400 500 600 700 800

E−W (km)
7 / 62
Pour pouvoir réaliser l’inférence statistique pour un évènement

unique, il faut donc en quelques sortes remplacer
I l’hypothèse sur les répétitions indépendantes par une
hypothèse sur le champ aléatoire
I Cette hypothèse considère d’une part que certaines de ses

caractéristiques sont identiques d’un point à l’autre de
l’espace,
I et d’autre part que l’espérance de certaines grandeurs sont

accessibles par des intégrales sur l’espace.
⇒ On pose donc des hypothèses de stationnarité
8 / 62
Données spatiales : exemple et format
ozone.txt, jura.txt
9 / 62
Covariance non spatialisé
cov(X , Y ) = E(XY ) − E(X ) E(Y )

●
●
●
●●
140
●
● ● ●●
● ●● ● ●
●● ●
●● ● ●●
● ●● ●
●
● ●●●●
weight
●
120
● ● ●●
●●● ● ● ●● ● ●
● ● ●● ● ● ●●●
●● ●
●●
●
● ●●
● ●
● ●● ● ●
100
● ●● ●
● ● ● ●●
●●● ●●
● ●●
● ●●
●
●● ●●
80
100 120 140 160 180 200

height
10 / 62
Non corrélés
●
●
120
●
●
●● ● ●●
● ● ● ●
● ●
● ● ● ●●●
● ● ●● ●
● ● ●● ●●
intelligence
● ● ● ● ●
●
100
● ● ● ●
●●
●
●●● ●● ● ●●
●
● ●● ● ● ● ●
● ● ●●●● ● ● ● ● ●● ●
●
●● ●
● ● ● ●
● ●
●●
●
80
●
● ●
● ● ● ● ●
● ●
●
60
4 6 8 10 12 14 16
shoeSize
11 / 62
Loi normale Multivariée
U ∼ MVN(µ, Σ)
I U est un vecteur de N observations

I µ un vecteur de moyenne, E(Ui ) = µi
I Σ matrice de variance-covariance N × N
Sa densité
Z
pr (Y ∈ A) = f (y )dy
A

1 1 0 −1
f (y ) = exp − (y − µ) Σ (y − µ)
(2π)N/2 |Σ|1/2 2
12 / 62
Loi normale Bivariée
Dependance Independance
●
0.10 0.10
44
44
● ●
0.08 0.08
42
42
●●
●●● ● ● ●
● ● ● ●● ●
● ●
●●● 0.06 ● ●● 0.06
● ●
●● ●● ●
● ●
40
40
● ● ●
y
y
●● ● ● ● ●●●● ●
● ● ●● ●
● ● ● 0.04 ●●
●
●
0.04
● ● ● ●
● ●
38
38
●● ● ●
● ● ●
0.02 ● ● 0.02
●
●
36
36
0.00 0.00
●
90 95 100 105 110 90 95 100 105 110
x x
13 / 62
Phénomènes/Processus aléatoire
En espace
En temps
6
cancer rate
2 04
1900 1940 1980

years
I U(x, y ) est un champs
I U(t) série chronologique
aléatoire
I indexée par l’instant t I Notations U(x), x = (x1 , x2 )
I notée aussi Ut I Ui = U(si ), si = (si1 , si2 )
14 / 62
Covariance et champs aléatoire
I Soit Z (x) pour x ∈ D
I on supposera que Var(Z (x)) existe
I On parle de champs d’ordre 2
I ceci assure l’existence de la fonction de covariance
C (x, y ) = Cov(Z (x), Z (y ))
pour y ∈ D
15 / 62
Processus Stationnaire et covariance
La loi d’un processus stationnaire est invariante par translation, ce

qui implique
I E [Z (x)] = m ∀x
I La covariance C (.) entre 2 points x et x + h ne dépend que de
h i.e.
E [Z (x)Z (x + h)] − m2 = C (h)
On ne spécifie pas d’hypothèse sur Var (Z (h)) car
Var (Z (x)) = C (0)
16 / 62
Processus stationnaire intrinsèque
Le cas stationnaire suppose que l’espérance est constante mais ceci
n’assure pas l’existence d’une covariance
On suppose donc
E [Z (x + h) − Z (x)] = 0
Var [Z (x + h) − Z (x)] ne dépend que de h
Définition
On appelle variogramme
1
γ(h) = Var(Z(x + h) − Z(x))
2
Stationnaire ⇒ Intrinsèque
17 / 62
Processus Stationnaire : Propriété de la covariance
C (h) = E (Z (x)Z (x + h)) − m2
1. C (0) = σ 2
2. C (h) = C (−h)
3. |C (h)| ≤ C (0)
4. γ(h) = C(0) − C(h)
2γ(h) = E [{Z (x + h) − Z (x)}2 ]

= E [{Z (x + h) − m + m − Z (x)}2 ]
= E [(Z (x + h) − m)2 + (Z (x) − m)2 −
2(Z (x + h) − m)(Z (x) − m))]
= 2C (0) − 2C (h)
18 / 62
Stationnarité : A quoi ça ressemble ?
19 / 62
Stationnaire, Isotrope
20
20
15
15
10
10
y
y
5
5
0
0
0 5 10 15 20 0 5 10 15 20
x x
20 / 62
Non-Stationnaire
20
20
15
15
10
10
y
y
5
5
0
0
0 5 10 15 20 0 5 10 15 20
x x
21 / 62
Stationnaire, Anisotrope
1.0
1.0
0.8
0.8
0.4 0.6
0.4 0.6
Y Coord
Y Coord
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
X Coord X Coord
22 / 62
Variogramme Empirique : estimation
N(h)
1 X
∗
γ (h) = [Z (xi + h) − Z (x)]2
2 N(h)
i=1
où
I xi : lieu de prélévement
I Z (xi ) : les valeurs des prévélements
I N(h) : le nombre de pairs (xi , xi + h) séparée d’une distance h
23 / 62
Variogramme 1D
Echantillons espacés de 5m la teneur est indiqué
Calculer la valeur du variogramme empirique à 5, 10 et 15 m
24 / 62
Paires distantes de 5m :
1
γ(5) = [22 + 22 + 12 + 32 + 12 + 22 +
2 ∗ 12
52 + 6 2 + 1 2 + 4 2 + 1 2 + 3 2 ]
= 4.625
I γ ∗ (10) = 4.82
I γ ∗ (15) = 6
25 / 62
Variogramme empirique : Vertical
On vous donne 2 portions de forage sur lesquelles sont indiquées

les teneurs en Aluminium (ppm) pour des carottes de 3m. Les 2
forages sont espacés de 9m de centre à centre.
Forage 1 Forage 2
5.2 5.2
2.3 4.6
3.7 6.3
9.1 2.7
Calculer le variogramme expérimental à la distance h=9m
26 / 62
Paires distantes de 9m
1. (5.2, 9.1)
2. (5.2,2.7)
3. (5.2,5.2)
4. (2.3,4.6)
5. (3.7,6.3)
6. (9.1,2.7)
N(9) = 6
27 / 62
Variogramme experimental 2D
On doit estimer le variogramme dans les 4 directions

1. (N-S)
2. (E-O)
3. (NE-SO)
4. (NO-SE)
28 / 62
Variogramme experimental 2D
Dans la direction N-S et E-O : grille régulière (1 unité entre chaque

mesure)
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
⇒ Calculer le variogramme empirique à h= 1 et 2 dans la direction

Nord-Sud
29 / 62
Variogramme experimental 2D: Direction Nord-Sud
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
Direction Nord-Sud :
I N(1)=56 et γ ∗ (1) = 5.88;
I N(2)=48 et γ ∗ (2) = 9.11
30 / 62
Variogramme experimental 2D: direction N-E S-O
I Calculer N(4) γ ∗ (4)
Les prélèvements étants distants d”une unité dans les directions
N-S et E-O, la distance entre√ des blocs sur les 2 directions
diagonales est multiple de 2
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
√
h = 4 ≈ 3 2, on dénombre les paires distantes de 3 diagonales ainsi que la valeur des prélèvements
31 / 62
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
√
I (19,16) 3
I (18,14) 4 , (18,19) 1,
I (17,18) 1, (16,23) 7,(15,16) 1
I (15,20) 5, (14,25) 11 ,(10,21) 11, (15,14) 1
I (13,20) 7,(10,20) 10,(16,17) 1
I (11,18) 7 ,(13,19) 6
I (10,13) 3
31 / 62
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
√
I (19,16) 3
I (18,14) 4 , (18,19) 1,
I (17,18) 1, (16,23) 7,(15,16) 1
I (15,20) 5, (14,25) 11 ,(10,21) 11, (15,14) 1
I (13,20) 7,(10,20) 10,(16,17) 1
I (11,18) 7 ,(13,19) 6
I (10,13) 3
Soit N(4)=16
31 / 62
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
√
I (19,16) 3
I (18,14) 4 , (18,19) 1,
I (17,18) 1, (16,23) 7,(15,16) 1
I (15,20) 5, (14,25) 11 ,(10,21) 11, (15,14) 1
I (13,20) 7,(10,20) 10,(16,17) 1
I (11,18) 7 ,(13,19) 6
I (10,13) 3
Soit N(4)=16
1
γ ∗ (4) = 32 + 42 + 12 + 12 + 72 + 12 + 52 + 112 + 112 + 12 + 72 + 102 + 12 + 72 + 62 + 32 =
2 ∗ 16
589/32 = 18.4
31 / 62
√
A titre d’exemple voici les paires distances de 2 2 ≈ 3 :
26 22 19 14 16 19 16 14
23 20 17 20 14 23 21 17
22 17 18 19 18 25 20 19
21 15 20 18 20 20 18 13
19 18 15 15 18 23 22 20
18 16 10 16 14 18 20 18
17 14 10 13 13 15 14 17
15 13 11 10 17 16 15 11
I (21,14),
I (19,20), (15,16),
I (18,19), (18,14), (20,19)
I (17,18), (16,18), (15, 23), (18,16)
I (15,15), (14,20), (10,25),(15,21), (20,14)
√
par symétrie on obtient 25 paires distantes de 2 2 i.e. N(3)=25
32 / 62
Correlation spatial
Dans une situation de stationnarité d’ordre 2

I Exponentiel C (h) = σ 2 exp(−h/d)
I Gaussienne C (h) = σ 2 exp(−(h/d)2 )

Où d est à spécifier
33 / 62
Exemple de semi-variogramme γ
1.0
exponential
spherical
gaussian
0.8
0.6
γ(h)
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
distance
geoR package cov.spatial() 34 / 62

Estimation par krigeage
1. Le problème
2. Estimation par krigeage
I Estimation de la variable
I Estimation de l’erreur locale
3. Etude de la corrélation spatiale
I Modélisation du variogramme
4. Application au krigeage
35 / 62
Position du problème
I Considérons une variable spatiale telle que la concentration

d’un polluant dans le sol : continuité
I A un moment donné, elle est supposée avoir une valeur

déterminée en tout point d’un domaine donné (Ω ou D)
I Mais elle n’est connue que par sondage en des points

particuliers
36 / 62
Le problème
1. Comment reconstituer sa valeur en un point non sondé
2. Quelle erreur commet-on ?
3. Comment la cartographier ?
37 / 62
Variable spatialisée
Z (X )
où
I X s’entend comme une localisation dans le plan ou l’espace
I Couple de coordonnées cartésiennes (x,y ) Triplet (x,y,z )
On suppose aussi que Z (X ) est intégrable (moyennable) sur tout

ouvert de Ω
38 / 62
Estimation (ponctuel) par Krigeage
Idée : Un barycentre local
⇒ Interpolation linéaire sans biais de variance minimale
I On cherche un estimateur de la forme
X
zv∗ = λi z(xi )
i
39 / 62
Propriétés de la variable Zv∗ =
P
i λi Z (xi )
I Sans biais E (Zv∗ − Zv ) = 0
I De variance minimale Var [Zv∗ − Z v ]
Aux points observés l’erreur doit être nulle
40 / 62
E [Z (x)] est inconnu : Krigeage ordinaire
On suppose que Z (x) est stationnaire de moyenne m sur
l’ensemble du domaine V
V peut être un volume, une surface ou un point .
E [Z (x)] = m = E [Zv ]
L’erreur d’estimation,[Zv∗ − Zv ], vaut en moyenne :
X X hX i
E[ λi Z (xi ) − Zv ] = λi m − m = m λi − 1
i
Pour obtenir un estimateur sans biais il faut que soit

I m=0
P
I ou λi − 1 = 0 (Krigeage Ordinaire)
Le cas m = 0 correspond au Krigeage Simple (m est connu, et on
centre Z )
41 / 62
Krigeage Ordinaire: Variance minimale
λi − 1 = 0 on veut minimiser Var [Zv∗ − Zv ]

P
Sous la contrainte
42 / 62
Krigeage Ordinaire: Variance minimale
λi − 1 = 0 on veut minimiser Var [Zv∗ − Zv ]

P
Sous la contrainte
XX X
Var [Zv∗ − Zv ] = λi λj C (xi , xj ) + C̄ (V , V ) − 2 λi C̄ (xi , V )
X XX
σ2 = 2 λi γ̂(xi , V ) − λi λj γ(xi , xj ) − γ̄(V , V )
1 R
où γ̂(xi , V ) = γ(xi − x)dx
V v
42 / 62
Minimisation sous contrainte : rappel
Multiplicateur de Lagrange
Supposons qu’on veuille minimiser f (x, y ) = x 2 + y 2 sous la
contrainte g (x, y ) = x 2 y − 16 = 0
On pose
L(x, y , µ = f (x, y ) − µg (x, y )
et on veut minimiser
L(x, y , µ) = x 2 + y 2 + µ(x 2 y − 16)
43 / 62
Multiplicateur de Lagrange
∂L
= 2x + µ2xy = 0 (1)
∂x
∂L
= 2y + µx 2 = 0 (2)
∂y
∂L
= x 2 y − 16 = 0 (3)
∂µ
Donc de (1) : x = 0 ou y = −1/µ d’où de (2) x 2 = −2y /µ et

µ=2
Le minimum
√ de la fonction f sous la contrainte g = 0 est
(x = 1/ 2,y=1/2)
44 / 62
Minimisation sous contrainte de la variance de krigeage
X
φ = Var [Zv∗ − Zv ] − 2µ λi − 1
dans le cas ponctuel (V est alors un point)
45 / 62
Formulation
b (X ) − Z (X ))2 ] = E (Z
E [Z b (X )2 ) − 2E (Z (X )Z
b (X )) + E (Z (X )2 )
XX X
= λi λj E (Zi Zj ) − 2 λi E (Zi Z (X )) + C (0)
i j i
Que l’on note

XX X
λi λj Cij − 2 λi CiX + C (0)
i j i
46 / 62
Que sont les coefficients C ?
Ce sont les covariances spatiales

I Cij est la covariance entre les points observés i et j (C (xi , xj ))
I CiX est la covariance entre le point observé i et le point

d’estimation X (C̄ (xi , V ))
I C0 est la covariance entre un point et lui même, c’est à dire la

variance locale (C̄ (V , V ))
I Cii = CXX = C (0) = σ 2 : hypothèse stationnaire
47 / 62
Krigeage ordinaire
On doit résoudre un problème de minimisation sous contrainte :
XX X X
L(λ1, . . . , λn , ν) = λi λj Cij −2 λi CiX +C (0)+2µ( λi −1)
i j i
n
∂L X
= 2 λi Cij − 2CiX + 2µ = 0
∂λi
i
∂L X
= λi − 1 = 0
∂µ
48 / 62
Krigeage Ordinaire
Sous forme matricielle on obtient
K Λ = KX
où  
C11 C12 ... C1n 1
 C21 C22 ... C2n 1 
 
K =



 Cn1 Cn2 ... Cnn 1 
1 1 ... 1 0
Λ = (λ1 , . . . , λn , µ)T
et KX = (C1X , . . . , CnX , 1)T
d’où
b = K−1 KX
Λ
49 / 62
Krigeage ordinaire : Erreur
b = K−1 KX
Comme Λ
Var (Z
b) = Λ b Var (Z ) = KX T K−2 KX C(0)
bT Λ
50 / 62
Krigeage simple (m est connu)
Nous allons
1. dériver l’espérance de l’erreur quadratique par rapport aux
différents λ
2. annuler toutes ces dérivées partielles pour trouver le minimum
⇒ système des équations normales
51 / 62
XX X
E2 = λi λj Cij − 2 λi CiX + C (0)
i j i
X
dE2 /dλi = 0 ↔ 2 λj Cij − 2CiX = 0
j
D’où X
λj Cij = CiX
j
n équations
52 / 62
Equations normales
Qu’on reformule C Λ = CX
D’où
b = C−1 CX
Λ
53 / 62
I Le krigeage simple est donc aisé à mettre en oeuvre
I On inverse une fois pour toute la matrice C
I On définit le vecteur CX
I On définit le vecteur CX pour chaque nouvel emplacement à

estimer (long)
54 / 62
L’erreur
Elle se déduit de la formule précédente

I Z b (X ) = P λi (X )Z (Xi ) = ΛT Z
i
I b ) = ΛT Λ Var (Z ) = CX T C−2 CX C (0)

Var (Z
L’erreur est régionalisée : on peut la représenter
55 / 62
Illustration : données topo
● ● ●
● ●
●
6
●
●
●
● ● ●
●
5
●
●
● ● ●
● ● ● ●
4
● ●
●
●
topo$y
● ● ●
●
3
●
● ● ●
2
● ● ● ● ●
● ● ● ●
1
● ●
● ●
● ●
● ● ●
0
0 1 2 3 4 5 6
topo$x
56 / 62
Estimations par krigeage simple
85 0
0 80
● ● ●
● ●
6
● 5
82
●
●
725
●
● ●
●
5
●
0
75 ●
● ● ●
● ●
● ●
4
●
775
●
85
0 ●
●
● ● ●
3
●
●
●
2
● ● ●
● 875 ●
900
0
90
900 ● ●
1
● ●
92 ● 57 / 62
5 ●
Erreurs de prédictions
25
25
25
● ● ●
● 20 ● ● 20
6
25
20
20
● 20
●
●
● ● ●
20
●
5
25
●
●
20 ● ● ●
● ● ● ●
20 20
4
20
● ● 20
● ●
20
● ● ● 20
●
3
20
25
●
●
20
●
25
20
●0
2
● ● ● ● ●
20
20
● ● ● ●
1
● 58 / 62
20
0
Pour finir
59 / 62
Geostatistique : Pollution de la rivière Meuse
I Un example classique
I 155 échantillons de sol (en surface) : métaux lourds
I Localisation Stein (NL)
60 / 62
Pollution de la Meuse
61 / 62
Pollution de la Meuse
62 / 62

Geostats Cle87ed6c

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Geostats Cle87ed6c

Transféré par

Droits d'auteur :

Formats disponibles

STA 112 : Geostatistique

I Géostatistique : Variogramme , Krigeage

I Modèles hiérarchique bayésiens : application en Epidémiologie

Toujours vérifier les salles et séances

I La note finale de l’UE STA 112 se compose d’une note

Data management sp, rgdal, maptools

I Historiquement : Gisement minier

I Hydrologie, Agriculture, Science de l’environnement

I Objectif : Prédiction de gisement à partir de forages

On effectue de l’interpolation spatiale (krigeage)

I En statistique classique, l’inférence des paramètres est rendue

I En statistiques spatiales, on observe très souvent une

200 300 400 500 600 700 800

Pour pouvoir réaliser l’inférence statistique pour un évènement

I Cette hypothèse considère d’une part que certaines de ses

I et d’autre part que l’espérance de certaines grandeurs sont

cov(X , Y ) = E(XY ) − E(X ) E(Y )

100 120 140 160 180 200

I U est un vecteur de N observations

1900 1940 1980

I Soit Z (x) pour x ∈ D

I on supposera que Var(Z (x)) existe

I On parle de champs d’ordre 2

I ceci assure l’existence de la fonction de covariance

C (x, y ) = Cov(Z (x), Z (y ))

La loi d’un processus stationnaire est invariante par translation, ce

On ne spécifie pas d’hypothèse sur Var (Z (h)) car

Var (Z (x)) = C (0)

C (h) = E (Z (x)Z (x + h)) − m2

2γ(h) = E [{Z (x + h) − Z (x)}2 ]

I Z (xi ) : les valeurs des prévélements

I N(h) : le nombre de pairs (xi , xi + h) séparée d’une distance h

Echantillons espacés de 5m la teneur est indiqué

Calculer la valeur du variogramme empirique à 5, 10 et 15 m

On vous donne 2 portions de forage sur lesquelles sont indiquées

Calculer le variogramme expérimental à la distance h=9m

On doit estimer le variogramme dans les 4 directions

Dans la direction N-S et E-O : grille régulière (1 unité entre chaque

⇒ Calculer le variogramme empirique à h= 1 et 2 dans la direction

Dans une situation de stationnarité d’ordre 2

I Gaussienne C (h) = σ 2 exp(−(h/d)2 )

0.0 0.2 0.4 0.6 0.8 1.0

geoR package cov.spatial() 34 / 62

I Considérons une variable spatiale telle que la concentration

I A un moment donné, elle est supposée avoir une valeur

I Mais elle n’est connue que par sondage en des points

1. Comment reconstituer sa valeur en un point non sondé

2. Quelle erreur commet-on ?

I Couple de coordonnées cartésiennes (x,y ) Triplet (x,y,z )

On suppose aussi que Z (X ) est intégrable (moyennable) sur tout

I Sans biais E (Zv∗ − Zv ) = 0

I De variance minimale Var [Zv∗ − Z v ]

Aux points observés l’erreur doit être nulle

Pour obtenir un estimateur sans biais il faut que soit

λi − 1 = 0 on veut minimiser Var [Zv∗ − Zv ]

λi − 1 = 0 on veut minimiser Var [Zv∗ − Zv ]

L(x, y , µ) = x 2 + y 2 + µ(x 2 y − 16)

Donc de (1) : x = 0 ou y = −1/µ d’où de (2) x 2 = −2y /µ et

dans le cas ponctuel (V est alors un point)

Que l’on note

Ce sont les covariances spatiales

I CiX est la covariance entre le point observé i et le point

I C0 est la covariance entre un point et lui même, c’est à dire la