UNIVERSITÉ

D’ANTANANARIVO

FACULTÉ DES SCIENCES

FORMATION DOCTORALE EN PHYSIQUE

DÉPARTEMENT DE PHYSIQUE

MÉMOIRE

pour l’obtention du

DIPLÔME D’ÉTUDES APPROFONDIES EN PHYSIQUE

Option : Géophysique Appliquée

Intitulé

INTERPRETATION DES SONDAGES ELECTRIQUES VERTICAUX PAR

COMBINAISON DE LA METHODE STATISTIQUE, GEOSTATISTIQUE ET
INVERSION : CAS DU BASSIN DE MIANDRIVAZO

Présenté le 08 Octobre 2014

par

RARIVOSON ANDRIHAMIHARISOA Fanantenana

Devant la commission d’examen composée de :

Président : Monsieur RANAIVONOMENJANAHARY Flavien Professeur titulaire

Rapporteur : Monsieur GARO JOELSON Sebille. Docteur chercheur à l’IOGA

Examinateur : Monsieur RASOLOMANANA Eddy H Professeur titulaire

 UNIVERSITÉ

D’ANTANANARIVO

FACULTÉ DES SCIENCES

FORMATION DOCTORALE EN PHYSIQUE

DÉPARTEMENT DE PHYSIQUE

MÉMOIRE

pour l’obtention du

DIPLÔME D’ÉTUDES APPROFONDIES EN PHYSIQUE

Option : Géophysique Appliquée

Intitulé

INTERPRETATION DES SONDAGES ELECTRIQUES VERTICAAUX PAR

COMBINAISON DE LA METHODE STATISTIQUE, GEOSTATISTIQUE ET
INVERSION : CAS DU BASSIN DE MIANDRIVAZO

Présenté le 08 Octobre 2014

par

RARIVOSON ANDRIHAMIHARISOA Fanantenana

Devant la commission d’examen composée de :

Président : Monsieur RANAIVONOMENJANAHARY Flavien Professeur titulaire

Rapporteur : Monsieur GARO JOELSON Sebille. Docteur chercheur à l’IOGA

Examinateur : Monsieur RASOLOMANANA Eddy H Professeur titulaire

 REMERCIEMENTS

Ce travail a été réalisé grâce à l’appui et à l’assistance bienveillante de plusieurs

personnes envers lesquels je tiens, avant tout, à exprimer mes sincères remerciements et ma
vive reconnaissance:

J’exprime ici ma sincère gratitude à Monsieur RAHERIMANDIMBY Marson , Doyen

de la Faculté des sciences et Monsieur RAKOTONDRAMANANA Hery Tiana, Chef de
département de Physique, qui ont bien accepter de m’inscrire à la Faculté des sciences.

J’exprime ma profonde gratitude à Monsieur RAMBOLAMANANA Gérard, Directeur

de l’Institut et Observatoire de Géophysique Antananarivo (IOGA) de m’avoir accepté
comme un de ses étudiants.

J’adresse également mes remerciements à Monsieur RANAIVONOMENJANAHARY

Flavien, d’avoir accepté de présider la présentation de ce mémoire.

Je tiens aussi à adresser mes remerciements à Monsieur RASOLOMANANA Eddy

d’avoir accepté d’examiner ce mémoire. Il fait partie de mes valeureux enseignants.

Je remercie chaleureusement Monsieur Garo Sebille, pour les précieux conseils qu’il
n’a cessé de nous donner tout au long de ces années passées ensemble et lors de mon
encadrement.

Je souhaite également faire part de toute ma gratitude à mes parents qui m’ont
toujours soutenu durant toutes mes études.

Mes plus sincères remerciements vont également à tous mes camarades, qui n’ont pas
hésité à m’aider dans la difficulté, et plus particulièrement à Monsieur RAKOTOMAMONJY.

Enfin, Je remercie tous ceux qui ont contribué à la réalisation de cet ouvrage,

Merci à toutes et à tous.

i
 SOMMAIRE

REMERCIEMENTS
SOMMAIRE

LISTE DES FIGURES

LISTE DES TABLEAUX

LISTE DES ABREVIATIONS

LISTE DES ANNEXES

INTRODUCTION

CHAPITRE I : CONTEXTE GENERAL DE LA ZONE D’ETUDE

I-1- Présentation de la zone d’étude

I-2- Présentation des données

CHAPITRE II : RAPPELS THEORIQUES

II-1- analyse statistique des données de SEV.

II-2 Analyse géostatistique
II-3 Inversion des lignes de SEV par tomographie 2D
II-4 Organigramme résumant les méthodes
CHAPITRE III : ANALYSE DES DONNEES ET RESULTATS

III-1 Méthode statistique

III-2 Méthode géostatistique

III-3 Inversion par tomographie 2 D

CONCLUSION

ANNEXES

TABLE DES MATIERES

ii
 LISTE DES FIGURES
Figure 1 : Localisation de la zone d’étude …………………………………………………………….4
Figure 2: Carte géologique de la zone d’étude…………………………………………………………6
Figure 3 : Carte hydrographique de la zone d’étude…………………………………………………...7
Figure 4 : Dispositif Wenner………………………………………………………………………..…11
Figure 5 : Carte topographique de la zone d’étude……………………………………………………12
Figure 6 : Variogramme et covariance…………………………………………………………….…..22
Figure7 : Mode de placement des électrodes selon la configuration Schlumberger……………….....26
Figure 8: Les dispositifs Wenner-Schlumberger en imagerie électrique d’après MARESCOT.L…...27
Figure 9 : Schéma de la profondeur Ze en fonction de l’écartement des électrodes pour un dispositif
Wenner-Schlumberger………………………………………………………………………………....28
Figure 10 : Construction d'une pseudo-section électrique avec les dispositifs Wenner et Wenner
Schlumberger ………………………………………………………………………………………….28
Figure 11 : les modalités d’inversion sur RES2Dinv…………………………………………….……30
Figure 12 : Représentation des paramètres de position …………………………………………….…35
Figure 13 : Représentation des paramètres de dispersion (Etendue, Ecart type, intervalle interquartile)
Figure 14: représentation des coefficients de variation ……………………………………………....36
Figure 15: Représentation graphique de la valeur propre et pourcentages cumulés de la variance
absorbée par les valeurs propres ………………………………………………………………….…..38
Figure 16 : Représentations graphiques de l’ACP : distributions des variables dans les dans les plans
factoriels 1-2. ………………………………………………………………………………………….39
Figure 17 : Cartes de projection du nuage des sondages électriques sur le premier plan factoriel 1-2
Figure 18 : Représentations graphiques de l’ACP : distributions des variables dans les plans factoriels
1-3. ……………………………………………………………………………………………...……..41
Figure 19 : Cartes de projection du nuage des sondages électriques sur le premier plan factoriel 1-3
Figure 20 : Arbre hiérarchique issu de la classification hiérarchisé des SEV ……………………..…43
Figure 21 : Carte des classes des individus et leurs centres selon le plan factoriels ………………….44
Figure 22 : carte de répartitions de ρ1 et ρ 4 correspondant à AB/2= 3.5 et AB/2=61.5 m …………….45
Figure 23 : variogramme omnidirectionnel et carte variographique des variables ……………...…...47
Figure 24 : Ajustement du variogramme expérimental. ……………………………………………....49
Figure 25 : Résultat de validation croisée des variables ……………………………………………...52
Figure 26 : Estimations par krigeage des variables. ………………………………………………….54
Figure 27 : Carte de localisation des sondages et présentation des profils ……………………….….56
Figure 28 : Estimations par krigeage des trois profils À, B, et C. ……………………………………57
Figure 29 : Model de résistivité du profil A ………………………………………………………….59
Figure 30 : Model de résistivité du profil B ………………………………………………………….61
Figure 31 : Model de résistivité du profil C …………………………………………………………..62

iii
 LISTE DES TABLEAUX
Tableau 1 : Statistiques sommaires des résistivités apparentes de chaque écartement AB/2. .33
Tableau 2: Matrice des corrélations entre variables « écartements AB/2 » variant de 1.5, m à
91.5 m ………………………………………………………………………………………...37
Tableau 3 : paramètre pour le calcul des variogrammes …......................................................46
Tableau 4 : Paramètres et modèles mathématiques du variogramme ………………………..49
Tableau 5 : Récapitulation des résultats de validations croisées. ……………………………52
Tableau 6 : Statistique de base des trois profils ……………………………………………..56
Tableau 7 : paramètre et modèle mathématique des variogramme des profils ………………57
Tableau 8 : Récapitulation des résultats de validations croisées …………………………….58

LISTE DES ABREVIATIONS

ACP : Analyse en Composante Principale
BD 500 : Base de données 1/500 000 m
CAH : Classification Ascendante Hiérarchique
IOGA : Institut et Observatoire de Géophysique d’Antananarivo

RN : Route Nationale
SEV : Sondage Electrique Verticale
ρ : Résistivité apparente
TRE : tomographie de résistivité électrique
2 D : Deux Dimensions
3 D : Trois Dimensions

iv
 INTRODUCTION
L’accès à l'eau potable est encore un luxe dans certaines régions de quelques pays.
Apprendre à la gérer, c'est apprendre à maîtriser sa rareté mais aussi ses excès, à assurer
l'alimentation en eau potable, agricole et industrielle, à l'utiliser pour créer de l'énergie et à
maintenir la qualité de notre environnement. L’approvisionnement en eau est ainsi un souci
permanent surtout pour la population se trouvant dans les zones semi-arides ou les zones
littorales Ouest de Madagascar.

Le recours à la prospection géophysique des terrains par des techniques comme les
sondages électriques verticaux (SEV) est, depuis quelques années, inévitable lors d’une
recherche d’eau souterraine en raison de la facilité d’utilisation et de son faible coût.
Plusieurs prospections de ce genre ont été réalisées, ainsi on retrouve un nombre très
important de données de sondages électriques verticaux, établis par plusieurs sociétés. De
nombreuses données ont donc été engrangées, constituant autant de bases de données
susceptibles d’être réanalysées. De ce fait, notre étude consiste à proposer une nouvelle
technique d’interprétation de cette base de données en un temps réduit.

C’est ainsi que nos travaux de recherche ont pour principal objectif d’étudier le
fonctionnement hydrogéologique du bassin de Miandrivazo. Dans ce contexte, on a travaillé
sur la modélisation hydrogéologique du bassin de Miandrivazo par l’association de la
méthode statistique, géostatistique et d’inversion des SEV. Dans ce sens, on a essayé de
mieux comprendre la variation latérale et verticale des résistivités apparentes du milieu afin
de contribuer à une synthèse hydrogéologique de la zone d’étude. Ainsi ce travail se divise en
trois chapitres:

- le premier chapitre concerne la présentation géographique, géologique, et

hydrogéologique de la zone.

- le deuxième chapitre présente quelques rappels théoriques sur la statistique, la

géostatistique et la méthode d’inversion.

- enfin le dernier chapitre est consacré à la présentation des résultats obtenus lors de
l’étude.

Une conclusion générale termine le présent manuscrit.

1
CHAPITRE I
PRESENTATION DE LA ZONE D’ETUDE

ET

PRESENTATION DES DONNEES

2
Dans ce premier chapitre, nous allons parler de la zone d’étude et des données à traiter.

I-1- PRESENTATION DE LA ZONE D’ETUDE

Dans ce paragraphe, nous présentons successivement le contexte général de la

zone d’étude, le cadre géologique, hydrologique, et hydrogéologique.

I-1-1- Contexte général de la zone d’étude

La zone d’étude se trouve administrativement dans la province de Toliara, dans la

région Menabe situé dans le Sud-Ouest de Madagascar, entouré au Nord par la sous-
préfecture de Morafenobe, à l’Est par Betafo et Ambatofinandrahana, et par Belo sur
Tsiribihana et Mahabo à l’Ouest. Elle est située à 220 km à l’Ouest d’Antsirabe relié par la
route national N°34.
Elle est aussi accessible par le Fleuve Tsiribihina et possède un aéroport pour les
petits avions. Il est constitué par 11 communes dont : Miandrivazo, Ambalabe,
Ankondromena, Ambatolahy, Ankavandra, Ankotrofotsy, Bemahatazana, Betsipolitra, Itondy,
Manandaza et Soaloka.
Par la suite, la localisation d’un site est toujours exprimés en coordonnées
Laborde. (Figure1).
Plus précisément notre zone d’étude se situe près de la RN34 à 5 km au Sud-Est
de la ville de Miandrivazo suivant la route menant à Antsirabe.

3
 Figure 1: Localisation de la zone d’étude (Source : extrait BD500)

Le régime climatique de la région se définit comme un climat de type tropical sec

[1]. La pluviométrie annuelle s’estime environ entre 1200 et 1500 mm dont 90% tombent au
mois de janvier –février.

4
 La ville de Miandrivazo est une zone à climat chaud pendant l’année à cause de
feu de brousse et le changement climatique. Le bassin versant est moyennement dénudé cela
conduit à la faible précipitation et la forte érosion durant la saison de pluie.

I-1-2-Cadre géologique, hydrologique et hydrogéologique

Voyons séparément le cadre géologique, hydrologique, hydrogéologique dans
cette zone d’étude.
I-1-2-1-Contexte géologique (H. Besairie, 1963).
Les districts de Miandrivazo et les zones environnantes sont géologiquement
divisées en trois zones comme suit :
- Dans la partie Est, à la frontière de la région Bongolava, on trouve le socle
cristallin, elle apparait dans les communes de l’Est.
- Dans toute la partie Ouest descendant vers le Sud, et dans la partie centrale de
la sous-préfecture on trouve la formation sédimentaire qui est le groupe Sakamena et le
groupe Isalo.
- Et enfin, les formations sédimentaires récentes.
La Figure 2 montre les formations géologiques de la zone d’étude :
Le socle cristallin d’âge Précambrien affleure aux environs de Bongolava (partie
Nord de Miandrivazo). Il plonge légèrement dans la direction Sud-est. Il est composé des
leptynites bien altérés, quartzites, granites, gneiss granitique. Dans la partie Est de ces roches
Précambriennes, les roches volcaniques du Crétacé composées d’intrusif basaltique et
rhyolites.
Le groupe de l’Isalo, d’âge Trias supérieur à Jurassique moyen, constitue la partie
centrale de la sous-préfecture, affleure tout le long de la bordure orientale du bassin.
L’ensemble de ces séries discorde en général par des conglomérats, des grès à stratifications
entrecroisée d’argiles et de sables argileux.
Le groupe Sakamena, constitue toute la partie Ouest descendant vers le Sud,
d’Ankondromena à Ambatolahy. Formé par des schistes pellitiques à plantes (présences de
tronc de bois silicifiés), de grès ou argileux verts.

5
 Figure 2 : Carte Géologique de Miandrivazo (source : extrait BD500)

I-1-2-2-Hydrologie et hydrogéologie

 Hydrologie

La région a une forte potentialité hydraulique en eaux de surfaces. Les parties

Nord et Est de la région sont riches en plan d’eau ainsi que de fleuves et rivières
6
 Le Tsiribihina prend sa source du massif de Bongolava, débouche à Miandrivazo,
alimente le lac Betsiriry, continue sur le plateau de Bemaraha et se disperse dans la vaste
mangrove d’Andimaka ;
Le Manambolo : il prend sa naissance dans la région de Bongolava, arrose la
partie Nord de Miandrivazo ;
La Mania, Le Sakeny, La Mahajilo : tous des affluents du Tsiribihina prenant
leurs sources de différentes région mais qui se recoupe dans la partie Sud de Miandrivazo.

Figure 3 : Carte hydrographique de Miandrivazo (source : extrait BD 500)

7
  Hydrogéologie
D’après les synthèses des eaux souterraines de Madagascar [16], la ville de
Miandrivazo est classée dans les zones sous humides car la précipitation est comprise entre
+200 mm et –200 mm
Selon les huit zones hydrogéologiques et des principales nappes aquifères de
Madagascar, Miandrivazo se trouve dans Bassin sédimentaire de Morondava.
Nappes d’alluvions; lithologie : sables argileux; type de porosité : poreux; type de
nappe : captif ou artésien selon la structure géologique; niveau statique:2-3m; profondeur
d’ouvrage : jusqu’à 20 m ; épaisseur d’aquifère: jusqu’à 10 m; 5 m ; qualité de l’eau: eau
douce; bicarbonatée calcique; débit spécifique : 1 à 5 l/sec/m.
Nappes des sables de plage; lithologie : sables fins; type de porosité : poreux; type
de nappe : libre; niveau statique:2-3m; profondeur d’ouvrage : 1-5 m; épaisseur d’aquifère: 5
à 10 m; qualité de l’eau: douce à saumâtre, parfois salée; débit spécifique : 0,4 à 2,6 l/sec/m
Nappes de l’Eocène supérieur: lithologie : calcaire; type de porosité : karstique;
type de nappe : libre; niveau statique:5-10m ; profondeur d’ouvrage : 50 à 100 ; épaisseur
d’aquifère: jusqu’à 50 m ; qualité de l’eau: douce; débit spécifique : 1,8 à 68 l/sec/m.
Nappes de la Crétacée lithologie : grès sableux; type de porosité : poreux; type de
nappe : artésien; profondeur d’ouvrage : 50 à 300 m; épaisseur d’aquifère: 50 m-100m ;
qualité de l’eau : douce; débit spécifique : 1 à 14 l/sec/m ; débit artésien de 14 à 19 l/s
Nappes du Jurassique moyen ; lithologie : grès marneux ; type de porosité :
poreux; type de nappe : libre; niveau statique: 20m ; profondeur d’ouvrage : 100 -150 ;
épaisseur d’aquifère: jusqu’à 50 m ; qualité de l’eau: douce; débit spécifique : 1 à 5 l/sec/m
Nappes de l’Isalo; lithologie : sables - gréseux; type de porosité : poreux; type de
nappe : libre; peut-être artésien; profondeur d’ouvrage : 50 à 150 m; épaisseur d’aquifère: 50
m ; qualité de l’eau: douce; débit spécifique : 0,5l/sec. [1], [6], [15].

8
I-2- PRESENTATION DES DONNEES

Des données à référence spatiale sont de plus en plus exploitées, et ce, dans divers
domaines de recherche (par exemple le domaine minier pour faire une estimation des
réserves, le domaine hydrogéologie pour cartographier par exemple le toit et le mur d’un
aquifère, le domaine de l’environnement pour faire une estimation de la pollution de l’air
etc.). Nous avons utilisé pour cette étude les données issues de la prospection géophysique qui
sont les résistivités disponibles sur la zone d’étude.

Les données obtenues par prospection géophysique permettent la reconnaissance

des propriétés physiques du sous-sol à partir de la surface sans effectuer des travaux
d'extraction comme les sondages mécaniques [14]. Chaque méthode de prospection
géophysique décrit une propriété physique des roches, par la représentation de la distribution
spatiale d'une telle propriété: densité, résistance électrique, susceptibilité magnétique, vitesse
des ondes sismiques, etc. Le choix des méthodes dépendra donc des caractéristiques de la
zone d'étude et des objectifs concrets de la recherche.

La méthode électrique est la plus fréquemment utilisée (méthode imaginée en

1912 par les frères Schlumberger) dans le cadre de l’investigation d’eaux souterraines,
compte tenu de l’éventuel contraste de résistivité entre la couche saturée d’eau et la couche
non saturée (Archie 1942). Le changement de la formation lithologique et/ou de la résistivité
électrique d’eaux souterraines se manifestent par la variation de résistivité électrique de la
nappe aquifère. Cette variation peut dépendre de plusieurs paramètres: nature minérale,
impureté, teneur en ions libres (minéralisation ou eau), etc. ; ainsi les variables très
importantes dans cette étude sont les résistivités du sous-sol [18].

I-2-1- Définition de la résistivité du sous-sol

La résistivité électrique d’un milieu est la propriété physique qui détermine la

capacité de ce milieu à laisser passer le courant électrique. La résistivité est la résistance
ohmique d’un cylindre de section et de longueur unitaire.

R= ρ

Où R= résistance (Ω) ; L= longueur unitaire d’un cylindre

ρ= résistivité (Ωm) ; S= section du cylindre

9
 I-2-2- Prospection électrique
La technique de la prospection électrique, par le biais du sondage électrique
vertical (S.E.V.) permet d’explorer le sous-sol ; le principe est le suivant : on injecte
dans le sous-sol, supposé homogène et isotrope, un courant continu I à l’aide d’une électrode
A. L’écoulement de ce courant se fera par filets rectilignes rayonnant autour de A et
produira des variations de potentiel dans le sol, à cause de la résistance ohmique de celui-ci.
Le potentiel créé par le courant d’intensité I en un point M situé à la distance r de la source,
est défini par:

V =

On utilise dans la plupart des cas pratiques deux ou une électrode(s) de courant (A
et B) et deux électrodes de potentiel avec lesquelles sera mesurée la différence de potentiel
produite par le courant entre deux points M et N.
La relation entre la géométrie du dispositif, le courant, le potentiel et la résistivité
est:

ρ=K
a

Où : ρ a : résistivité apparente
K : coefficient géométrique du dispositif
ΔV: différence de potentiel mesurée entre les deux points M et N
I: intensité de courant injecté

En général, les électrodes A, M, N, B sont alignés à la surface du sol ;

selon les dispositifs relatifs des 4 électrodes, on a plusieurs types de dispositifs : dispositif
Schlumberger, dispositif Wenner, dispositif Wenner-Schlumberger, dispositif Dipôle-Dipôle,
etc. Dans cette étude, nous nous sommes limités au dispositif Wenner.

I-2-3-Dispositif Wenner
Les électrodes A et B permettant l’injection du courant et la mesure de potentiel
entre M et N sont alignées et la distance de l’une à l’autre est constante, notée
«a=AB/3». Elles sont disposées suivant la configuration géométrique de la figure 5.

10
 Figure 4: Dispositif Wenner

Le facteur géométrique K s’écrit :

NB : La résistivité apparente d’un sous-sol hétérogène qui est mesurable sur le

terrain est la résistivité vraie d’un sous-sol homogène et isotrope fictif obtenue dans les
mêmes conditions de mesure.
En prospection géophysique, deux grandeurs sont importantes: la profondeur de
pénétration et la profondeur d’investigation. Plus on éloigne les électrodes A et B pour une
distance MN donnée, plus important est le volume de terrain concerné par les lignes de
courant et plus grande est la profondeur de pénétration.
On appelle profondeur d’investigation la profondeur maximale atteinte par les
lignes de courant. La profondeur d’investigation estimée pour ce dispositif est 0.519a
[Edwards, 1977], « a » étant la distance inter-électrodes, mais elle dépend
fortement de la résistivité des différentes couches.

En 2012, la société water-aid Madagascar, en collaboration avec la société

Géoscience ont réalisés 46 SEV en utilisant le dispositif Wenner dans le cadre du projet
intitulé : « Etude sur l’Approvisionnement en Eau Potable à Miandrivazo » ; Concernant le
SEV, la longueur maximale de lignes étalées est AB/2= 300m. Les données de base traitées
dans cette étude proviennent de ces stations uniquement pour s’assurer l’homogénéité de
l’acquisition.
La figure 5 montre l’emplacement des sondages dans la zone d’étude.

11
Figure 5 : Carte topographique de la zone d’étude

12
 CHAPITRE II

RAPPELS THEORIQUES SUR LE

STATISTIQUE,
GEOSTATISTIQUE ET
INVERSION

13
 La deuxième partie de ce présent mémoire concerne quelques rappels théoriques
sur la statistique, la géostatistique et l’inversion.

II-1- ANALYSE STATISTIQUE DES DONNEES DE SEV.

L’analyse préalable d’une étude géostatistique c’est l’analyse statistique des
données.
II-1-1 Statistique descriptive
L'objectif de la statistique descriptive est de décrire, c'est-à-dire de résumer ou
représenter, par des statistiques, les données disponibles quand elles sont nombreuses. Toute
description d'un phénomène nécessite d'observer ou de connaître certaines choses sur ce
phénomène [17]. Les différentes grandeurs mesurées sont appelées des variables. L'étude
statistique nécessite que l'on prenne comme hypothèse qu'il existe un phénomène abstrait plus
ou moins caché qui met en œuvre ces variables (et peut-être d'autres).
On appelle les valeurs des variables pour un indice donné des observations ou une réalisation
du phénomène. D’un point de vue formel, on pose le principe que le phénomène abstrait peut
comporter des éléments déterministes comme des éléments aléatoires (on dit aussi
stochastiques) [5]. L'ensemble des variables observées sont alors juxtaposées sous la forme
d'un vecteur de données. Il n'y a plus alors qu'une seule variable (mais qui est multi
variée).Les observations sont alors bien des réalisations (au sens des statistiques
mathématiques) de cette variable aléatoire [20]
II-1-2- Rappels des grandeurs fréquemment utilisées en statistique.
On va parler des grandeurs dans le paramètre de position, et dans le paramètre de
dispersion.
II-1-2-1- Paramètres de position
Les paramètres de position d’une série statistique permettent de situer les valeurs
de la série sur l’intervalle de définition du caractère, plus généralement sur l’axe des réels.
La médiane, les quartiles et percentiles d’une série statistique, à la différence du
mode, se lisent sur l’histogramme des fréquences cumulées.
La médiane est la valeur du caractère qui partage la série statistique en deux ensembles d’égal
effectif (N/2).
Les quartiles Q1 et Q3, partagent en trois parties la séries avec :
- Le premier quartile Q1 est la valeur pour laquelle 25 % des valeurs lui sont inférieures
et 75% supérieures.

14
 - Le troisième Quartile Q3 est l’individu ayant 75 % de l’échantillon en dessous de lui
et 25 % de l’échantillon au-dessus.

II-1-2-2-Paramètre de dispersion [20]

Les paramètres de dispersion d’une série statistique permettent de définir la plus ou
moins grande concentration des données.
On appelle étendue d’une série statistique, l’intervalle compris entre la plus grande et la plus
petite valeur de la série. Plus cet intervalle est grand plus la série est dispersée.
W= Maximum (Xi) – Minimum (Xi)

La variance des valeurs prise par le caractère d’une série statistique est égale à la somme des
carrés des écarts de ces valeurs à la moyenne divisée par la taille de l’échantillon. La variance
possède la dimension du caractère élevée au carré.
La variance d’une variable numérique X prenant les valeurs X1, X2, ……XN. sur la
population étudiée est donnée par la formule :

L’écart-type des valeurs prises par le caractère (résistivité électrique) d’une série statistique
constituée par à une dimension est égal à la racine carrée de leur variance. L’écart-type qui a
donc la dimension de la résistivité électrique est donné en ohm.m alors que la variance est en
(ohm.m) ².

Le coefficient de variation est déterminé par la division de l’écart-type par la moyenne, il est
déterminé pour l’estimation de la variance par rapport à la moyenne des résistivités. Il traduit
la normalisation de l’écart-type par la moyenne et permet de comparer la dispersion de deux
séries indépendamment des valeurs de leur moyenne.

15
 II-1-2-3 Analyse en composante principale

Les méthodes factorielles établissent des représentations synthétiques de vastes

tableaux de données, en général sous forme de représentations graphiques. Ces méthodes ont
pour objet de réduire les dimensions des tableaux de données de façon à représenter les
associations entre individus et entre variables dans des espaces de faibles dimensions [17].
L'Analyse en Composantes Principales est une technique de description statistique
conduisant à des représentations graphiques approchées (mais en un certain sens optimales)
du contenu d’un tableau de données: description simultanée des liaisons entre variables et des
similitudes et aussi un outil de réduction de la dimensionnalité d'un ensemble de variables
continues, utilisable comme intermédiaire de calcul en vue d'analyses ultérieures.
Pour obtenir une meilleure représentation des données, on prend les premières
composantes principales. L’ACP peut être fait sur des données brutes ou sur des données
réduites.
Dans le cas d’une ACP réduite, les métriques les plus utilisées sont les métriques
diagonales des inverses des variances qui reviennent à diviser chaque variable par son écart
type. Cette métrique rend la distance entre individus invariante par transformation linéaire.
Cette métrique est intéressante quand les variables sont hétérogènes. La distance ne dépend
plus des unités de mesure. De plus, elle donne à chaque caractère la même importance
quelques soit leur dispersion car la même variance de 1 est donnée aux
caractères(Saporata90).
Dans le cas d’une ACP non réduite, la métrique M=I (I : Individus) revient à
utiliser le produit scalaire usuel, elle conduit à privilégier les variables les plus dispersées sur
lesquels les différences entre individus sont les plus fortes.
La réduction du nombre des variables ne se fait pas par une sélection de certains,
mais, par une construction de nouveaux caractères obtenus en combinant les variables
initiales au moyen des facteurs. C’est une méthode linéaire traitant des variables numériques
jouant toutes le même rôle.
Son but est d’obtenir une représentation d’un nuage N(I) des individus de Rp dans
un espace de dimension réduite. Il faut déterminer les axes qui prennent le mieux en compte
la dispersion du nuage. Ces axes sont les axes factoriels qui permettent de représenter au
mieux les points de nuage.
L’espace des individus est représenté par des vecteurs, où chacun des individus est
un vecteur. La distance entre deux individus s’appelle la distance métrique.

16
 II-2 Analyse géostatistique
La géostatistique se réfère aux méthodes d’analyse probabiliste pour étudier des
phénomènes corrélés dans l’espace appelés phénomènes régionalisés. A ce titre elle fournit
différents outils pour répondre au problème posé par la cartographie du bassin de
Miandrivazo

II-2-1 Notations et définitions

II-2-1.1 Notion de variable régionalisée et notion de champ
Une variable régionalisée quantifie des grandeurs mesurées sur l’espace
géographique. L’espace dans lequel cette variable prend ses valeurs est appelé champ.
Notations : Z : la variable régionalisée
D : le champ (domaine sur lequel la variable régionalisée est définie)
s∈ D: une position dans le champ
Z(s) : une valeur prise par la variable régionalisée au point s
Ž (s) : une estimation de Z(s)
h : la distance qui sépare deux points

Définissons à présent les hypothèses indispensables pour utiliser les techniques de

la géostatistique.
II-2-2 Hypothèses de base [10]
Une fonction aléatoire {Z(s), D s ∈} est caractérisé par sa loi spatiale F. Elle
correspond à la loi de probabilité conjointe de (Z (s1), Z (s2), Z (s3), …, Z (sn)).

Or cette fonction est très complexe par l’infinité des combinaisons possibles. Nous
n’allons donc pas pouvoir estimer la fonction de distribution conjointe, donc nous limiterons à
la fonction de distribution d’ordre un F(v)et d’ordre deux F Z(si),Z(sj)(vi,vj).

La première nous permet de calculer l’espérance de la fonction aléatoire Z en un

point

17
 La fonction de distribution d’ordre deux, fourni la loi de probabilité entre les
valeurs prises en deux sites si et sj. On utilise la covariance pour quantifier le degré de
ressemblance entre les valeurs prises en si et sj et le variogramme pour mesurer la
dissemblance entre les valeurs prises aux sites siet sj.

Le problème qui se pose est que la variable régionalisée est observée qu'une seule
fois à un endroit précis. En d’autres termes, nous n’avons qu’une seule réalisation de la
variable aléatoire. Or pour estimer les moments d’ordre un et deux il nous faudrait un grand
nombre (>30) d’observations. Ce problème ne concerne pas la quantité d’information
disponible mais le fait que l’on essaie de décrire un phénomène unique (profondeur au toit du
socle rocheux), qui ne se répète pas, à l’aide de lois de probabilités.

Pour pallier à ce problème nous posons comme hypothèse que la variable

régionalisée est stationnaire. Concrètement cela veut dire que deux paires de points espacés
d’un même vecteur h ont des caractéristiques (moyenne et covariance) semblables. Ou encore,
la variable régionalisée ne dépend pas de sa position dans l’espace, elle garde les mêmes
caractéristiques où que l’on se place. Cela nous permet de nous détacher de la localisation et
de nous restreindre uniquement à la distance qui sépare les points d’observations. La
traduction mathématique est la suivante :

II-2-2.1Stationnarité du second ordre :

Une fonction aléatoire Z(s) est stationnaire du 2ndordre quand l’espérance

mathématique existe et ne dépend pas du point s ; et que la covariance entre chaque paire
(Z(s+h), Z(s)) existe et ne dépend que de h (distance).
- L’espérance mathématique ne dépend pas de s :

18
constante indépendante de s

- La covariance entre Z(s) et Z(s+h) ne dépend que de h :

C(h) est appelé fonction de covariogramme

- La variance existe en tout site set est une constante indépendante du site s :

- Le covariogramme et le variogramme sont liés :

L’hypothèse de stationnarité d’ordre deux ne peut être validé de manière

rigoureuse et infaillible à l’aide d’un test statistique sur les données expérimentales (Arnaud
et Emery, 2000).

II-2-2.2 L’hypothèse intrinsèque :

On dit qu’une fonction aléatoire Z(s) est intrinsèque quand ses accroissements
Z(s+h)-Z(s)sont stationnaires d’ordre 2. C'est-à-dire que l’espérance des écarts est zéro et la
variance des écarts ne dépendent que de h.

Cette hypothèse permet de dire que la variabilité entre les valeurs prises en deux
points différents ne dépend que de h (la distance entre ces points).
Toute fonction aléatoire stationnaire d’ordre deux est également intrinsèque (la
réciproque est fausse). Autrement dit, l’hypothèse de stationnarité intrinsèque est moins
restrictive que la stationnarité du second ordre. L’hypothèse intrinsèque ne requiert pas de
connaître l’espérance ni sa covariance de la variable aléatoire.

19
 II-2-3 Variogramme
La géostatistique est une méthode d’analyse de données corrélées dans l’espace
qui vise à quantifier et modéliser la structure de cette corrélation à l’aide de divers outils dont
l’un des plus représentatifs est le variogramme qui permet d’estimer la structure de
dépendance spatiale de la fonction aléatoire [10]. Cette analyse est en fait l’étude du
comportement spatial de la variable régionalisée examinée.

II-2-3-1 Variogramme théorique et variogramme expérimental

D’après Marcotte (cours de «géostatistique minière »), la nature n’est pas
entièrement imprévisible. Deux observations situées l’une près de l’autre devraient en
moyenne se ressembler davantage que deux observations éloignées. La différence entre les
valeurs prises par deux variables aléatoires est Z(s)-Z(s+h). C’est également une variable
aléatoire dont on peut calculer la variance. Cette variance devrait être plus petite lorsque les
points sont rapprochés (les valeurs se ressemblent plus en moyenne) et plus grande lorsque les
points sont éloignés. On appelle variogramme la demi-variance de cette différence.

L’outil mesure la variabilité spatiale, c'est-à-dire la dissemblance entre les valeurs

en fonction de leurs séparations. Il décrit la continuité spatiale de la variable régionalisée. Le
variogramme théorique est défini comme :

Avec

Un variogramme peut se calculer non seulement pour une distance donnée mais

ɤ
aussi pour direction θ donnée : ɵ (h).

La covariance mesure la ressemblance entre les valeurs en fonction de leur

éloignement alors que le variogramme mesure la dissemblance entre les valeurs en fonction
de leur éloignement.
Dans l’hypothèse de stationnarité d’ordre 2, covariance et variogramme existent et
sont liés par la relation ɤ(h) = C(0)- C(h)

20
 Dans l’hypothèse intrinsèque, seul le variogramme existe. C’est pourquoi il est
généralement préféré à la covariance pour décrire et interprété la structure spatiale du
phénomène étudié.
Le variogramme réel d’une fonction aléatoire est généralement inconnu, mais il
peut être évalué à partir des données d’échantillonnages. On obtient ainsi le variogramme
expérimental proposé par Matheron (1962).

Où : N(h) est le nombre de paires dans la classe de distance h.

Z (si) est la profondeur de la roche au point de mesure si.

II-2-3-2 Propriétés du variogramme

Le variogramme est une fonction de h, croissante et souvent caractérisé par trois

paramètres : l’effet de pépite C0, le palier C+C0, et la portée a.

L’effet de pépite : Le comportement à l’origine du variogramme reflète le degré de

régularité spatiale de la variable régionalisée. Si le variogramme présente un saut abrupt à
l’origine (effet de pépite), cela indique une absence partielle de corrélation entre les valeurs
prises en deux sites très proches. C'est-à-dire qu’il y a une faible ressemblance entre les
valeurs régionalisées très voisines.

Le palier : Valeur du variogramme pour la distance égale à la portée.

La portée : Distance où deux observations ne se ressemblent plus du tout. Leur

covariance est nulle.

21
 Figure 6 : Variogramme et covariance

Si le variogramme est borné alors la covariance existe et l’on peut présumer une
stationnarité du second ordre (Journel et Huijbergts, 1993). Si la variable régionalisée est
stationnaire du second ordre alors le palier est égal à la variance de cette même variable.

Inversement, si un variogramme est non borné, il ne possède ni portée, ni palier.

La variance de la fonction n’est pas définie et elle n’est donc pas stationnaire du second ordre.
Le variogramme expérimental n’est pas fiable pour des distances supérieures à la moitié du
diamètre du champ D. (Arnaud et Emery 2000). Elles sont peu nombreuses et augmentent la
variance de la valeur estimée.

II-2-3-3 Modélisation du variogramme

Le variogramme expérimental n’est pas défini partout, notamment aux distances
h pour lesquelles il n’existe pas de paire de points de mesures. Ainsi lui est-il ajusté une
fonction mathématique appelée modèle de variogramme. Marcotte recommande d’utiliser des
modèles éprouvés ou des modèles construit à partir de modèles éprouvés.
Type de model courant :
 Effet de pépite (discontinuité à l'origine du variogramme)

 Linéaire

 Sphérique

22
  Gaussien :

 Exponentielle

II-2-3-4 Isotropie et anisotropie

Le variogramme ne dépend que de h, c'est-à-dire le vecteur de déplacement entre

les points s et s+h. Ce vecteur contient de l’information sur la distance entre ces deux points,
par l’intermédiaire de sa norme, ainsi que sur l’orientation de h. Si le variogramme ne dépend
en fait que de la norme de h, il est dit isotrope. S’il dépend aussi de la direction (θ) du vecteur
de translation, il est dit anisotrope.
Rappelons que la norme euclidienne d’un vecteur

Bien qu’il existe une très grande variété d’anisotropie, la plupart des ouvrages de
géostatistique montrent uniquement comment modéliser les anisotropies géométriques.
Les caractéristiques de l’anisotropie géométrique sont :
- Les variogrammes des différentes directions ont le même palier et même effet
pépite mais des portées différentes.
- Les portées maximales et minimales s’observent selon deux directions
orthogonales.

Pour revenir à une situation isotrope, le principe consiste à effectuer une

transformation linéaire des coordonnées spatiales c'est-à-dire une rotation en suivant les
directions de plus petite et plus grande continuité.

II-2-3-5 Cas multivarié : calcul des variogrammes croisés

L’un des avantages des méthodes géostatistique était de pouvoir inclure dans le
modèle d’interpolation des variables auxiliaires qui apportent de l’information sur la variable
cible. Pour décrire la structure de dépendance entre la variable cible et les covariables il
convient de calculer le variogramme croisé.
Soit Zp la variable principale et Zq la variable secondaire, alors

23
 L’analyse du variogramme croisé se fait de la même façon que celle du
variogramme simple. C'est-à-dire que l’on relève ses propriétés (effet de pépite, palier, porté,
amplitude) et on a juste une fonction.

II-2-4 Krigeage

Cette section expose l’une des techniques de géostatistique d’estimation locale,

connue sous le nom de krigeage et cokrigeage ordinaire. Nous cherchons à estimer la valeur
d’une variable régionalisée zen un point s0 quelconque du champ à partir des mesures
observées z (si), i=1,..,n (n : nombre de points observés). Le krigeage est un interpolateur
exact (la valeur estimée sur un point de mesure est égale à la valeur du point de mesure) et
optimal (il minimise la variance sur l'erreur d'estimation).

Il existe trois types de krigeage : le krigeage simple, le krigeage ordinaire et le

krigeage universel. Le krigeage ordinaire est le plus fréquemment utilisé en pratique car les
hypothèses de départ sont moins contraignantes que celle du krigeage simple. Seul le krigeage
ordinaire sera développé ici car il répond aux besoins de notre problématique.

II-2-4-1 Hypothèses et contraintes

Le krigeage ordinaire ne requiert pas la connaissance de l’espérance de la variable
régionalisée. Autrement dit, on se place dans l’hypothèse d’une stationnarité intrinsèque. Il
n’en reste pas moins que la moyenne doit rester constant à l’échelle du voisinage de krigeage.
Définition du voisinage de krigeage : Domaine du champ qui contient le site à estimer et les
données utilisées dans l’estimation.

Le modèle de base de cette méthode s’énonce comme suit :

Où s Є D (le champ), μ(s)=E(Z(s))quasi-constante inconnue et δ(s)fonction aléatoire

stationnaire intrinsèque d’espérance nulle (E(δ(s))=0) et de structure de dépendance connue
(γ(|si-sj|) connu)
En outre, l’estimateur du krigeage ordinaire doit vérifier les propriétés suivantes :
La linéarité : est une combinaison linéaire des données Z(si) i=1,.., n.

24
Le non-biais : est sans biais

II-2-4-2 Estimateur de krigeage

Le krigeage est un interpolateur linéaire sans biais. Il prend en compte la
géométrie des données, les caractéristiques de la régionalisation et de la variance. Son but est
de lisser les données.
Ayant calculé les poids ωi par la résolution du système précédent, nous pouvons
écrire l’estimateur de la manière suivante :

II-2-4-3 Cas multivariable : Cokrigeage

Il est possible d’améliorer les estimations obtenues par krigeage en ajoutant à la
variable à estimer, l’information fournie par d’autres variables (variables secondaires). La
démarche à suivre est la suivante.
Pour estimer la variable Z1au point s0, on utilise une combinaison linéaire pondérée des
mesures concernant toutes les autres variables (Z2, …, Zp).

Les poids ωj, i sont solution du système :

Les λq sont des multiplicateurs de Lagrange.

La méthode de krigeage est précédée par l’estimation d’une fonction
variographique. C’est cette fonction qui va tenir compte à la fois de la géométrie des données,
des caractéristiques de la régionalisation et de la précision de l’estimation. Il est donc
important de souligner que la qualité de l’estimation et l’appréciation de sa précision reposent

25
uniquement sur le modèle variographique utilisé. Il doit par conséquent, être le plus cohérent
possible avec ce qui a été observé.

II-3 Inversion des lignes de SEV par tomographie 2D

II-3-1) Le dispositif Schlumberger des sondages électriques verticaux

C’est un dispositif de mesure géoélectrique symétrique destiné à la réalisation de

sondages électriques verticaux.
Le principe consiste en l’injection du courant électrique entre deux électrodes
appelées A et B ou C1C2 et à la mesure de la différence de potentiel entre deux électrodes
appelées M et N ou P1P2. Pour le dispositif Schlumberger il faut que : L >> a
Dans ce dispositif la distance entre les électrodes MN est supposée infiniment
petite par rapport à la distance entre AB.

Figure 7: Mode de placement des électrodes selon la configuration Schlumberger

Dans le dispositif Schlumberger, les électrodes de mesure (M et N) sont

immobiles au centre du dispositif et on fait varier l’écart entre les électrodes d'injection; avec
un écartement croissant la profondeur d’investigation augmente. On obtient ainsi des valeurs
de résistivité apparente en fonction de la profondeur à la verticale du centre du dispositif. Les
travaux d’Edwards (1977) montrent que la profondeur efficace ze (qui correspond à la
profondeur médiane), pour un SEV idéal c'est-à-dire pour des électrodes de courant très
éloignées des électrodes de potentiel (L >10 a), est égale à 0,19*L. C’est cette profondeur
efficace que nous comparerons à celle du dispositif Wenner-Schlumberger utilisé en 2D.

II-3-2) La configuration Wenner-Schlumberger des pseudo-sections pour

des inversions 2D

La tomographie des résistivités électriques aussi appelée imagerie de résistivité

électrique ou panneau de résistivité électrique peut être assimilée à la combinaison de

26
sondages électriques verticaux et de trainés électriques. Cette technique est utilisée pour la
réalisation d’une coupe des résistivités du sous-sol, qui tienne compte des variations verticales
et horizontales de la résistivité électrique, cette propriété électrique étant elle-même liée aux
variations lithologiques, de teneur en argile ou hydrique de la zone étudiée. Avant d’inverser
les données pour obtenir un modèle de résistivité du terrain, une image appelée pseudo-
section est construite au moyen de mesures acquises sur le terrain. Elle doit ici être construite
à partir des données 1D de SEV krigées.

Sur le terrain, la construction d’une pseudo-section se base sur la mesure de la

différence de potentiel entre les électrodes MN (P1P2) suite à l’injection d’un courant
électrique émis entre les électrodes de courant A et B (C1C2). La différence de potentiel
mesurée est produite par le passage du courant dans la formation investiguée. En augmentant
la distance entre les électrodes AB on obtient une investigation plus profonde sur le même axe
vertical (Marescot, 2006).

Figure 8: Les dispositifs Wenner-Schlumberger en imagerie électrique d’après

MARESCOT.L, 2006

(Avec K : facteur géométrique pour chaque verticale de mesures)

A la différence d’un dispositif Schlumberger, l’écartement entre les électrodes de

courant et les électrodes de mesure (n*a) augmente en proportion entière d’un facteur n
nommé niveau ; cela correspond sur le terrain à la mise en place d’électrodes avec un
espacement a régulier.

27
 Figure 9 : Schéma de la profondeur Ze en fonction de l’écartement des électrodes pour
un dispositif Wenner-Schlumberger.

Afin d’étudier la distribution spatiale des valeurs de résistivité apparente dans un

axe vertical, il est nécessaire de réitérer le processus de mesure en translatant le dispositif le
long du profil.

Figure 10: Construction d'une pseudo-section électrique avec les dispositifs Wenner et
Wenner Schlumberger

28
II-3-3) La méthodologie

Ce paragraphe est consacré à la méthode de sélection des données compatibles

avec une configuration Wenner-Schlumberger compatible avec le code RES2Dinv.

 Sélection des données destinées à établir un fichier prêt pour l’inversion

La première étape consiste à la préparation des fichiers compatibles avec la

configuration Wenner-Schlumberger. Le modèle pour le programme d’inversion 2D de la
résistivité est basé sur un maillage en blocs rectangulaire (LOKE ; 2004) le maillage est
construit de telle sorte que la base des blocs correspondent en profondeur aux profondeurs
efficaces Ze. On notera que plus la distance initiale entre les électrodes de potentiel est faible,
plus le modèle déduit de l’inversion est précis pour la partie superficielle. Par conséquent, le
nombre de nœuds de la grille (valeurs de résistivités apparentes estimées), ainsi que les
électrodes virtuelles dépendent de la longueur du profil ainsi que de la profondeur que l’on
désire avoir pour le modèle de résistivité. On note que le nombre d’électrodes virtuelles
augmente avec la diminution de a pour L fixe. Pour obtenir un modèle par inversion 2D de la
subsurface du bassin on a besoin d’une valeur de a la plus petite possible, en plus la distance
maximale L doit être réduite afin que le nombre de nœuds de la grille ne soit pas trop élevé
compte tenu de la taille de la mémoire demandée par le programme d’inversion. Un
compromis doit être trouvé entre la résolution souhaitée et le nombre de points (Riss et al,
2010 soumis).

 INVERSION DES PSEUDO-SECTIONS ESTIMEES

Les mesures de résistivité apparente ne peuvent pas être interprétées directement,

en raison de la non unicité de la réponse en milieu hétérogène et de leurs dépendances vis à
vis du dispositif utilisé. En effet, on peut très bien calculer, au moyen de la loi d’Ohm et des
équations de Laplace, la résistivité apparente à partir de la résistivité réelle (ou modèle de
résistivité) c’est ce que l’on appelle la modélisation directe Figure 11 qui est stable
numériquement. Par contre, pour passer des résistivités apparentes au modèle de résistivité
nous sommes obligés d’utiliser une procédure dite d’inversion (Figure 11). L’inversion est
une méthode itérative automatique qui peut fournir un modèle de résistivité (résistivité vraie
en fonction de la profondeur). La solution mathématique n’est pas unique.

29
 Figure 11: les modalités d’inversion sur RES2Dinv

Le Root Mean Square affiché par le logiciel représente la racine carré de cette
valeur (Figure 11). De plus les itérations se font aussi en minimisant la somme des carrés des
écarts entre les résistivités de deux modèles issus de deux itérations successives (entre
l’itération i et i+1).

II- 4- Organigramme résumant les méthodes

En partant d’une étude bibliographique et d’un triage des données SEV à utilisées, la
première étape consiste à effectuer une étude statistique descriptive puis multifactorielle qui
elle-même est subdivisée en une ACP et en une CHA. Cette étape a permis d’avoir la
structure globale du sous-sol et de classifier les SEV ainsi que les distances inter-électrodes
AB/2.

D’un autre côté, une étude géostatistique a été faite sur les données triées.
Associé avec les résultats de la classification, l’étude géostatistique a permis d’avoir
la cartographie de la variation latérale et verticale des résistivités apparentes.
Ces dernières ont-elles même été utilisées pour avoir les images 2D par tomographie à
partir d’un processus d’inversion.

Une étude comparative des résultats obtenus termine le tout afin de valider la
robustesse de la combinaison des 3 techniques pour l’interprétation des SEV.

30
 TRI des données
de SEV

Etude
Etude
STATISTIQUE GEOSTATISTIQUE

DESCRIPTIV ESTIMATION des

ACP CHA
E résistivités

Structure globale Classification des Iso-résistivité

du sous-sol SEV et AB/3 LATERALE

INVERSION des Iso-résistivité

profils VERTICALE

COMPARAISON des résultats et VALIDATION de la METHODE

de COMBINAISON

31
CHAPITRE III
ANALYSE DES DONNEES
ET
RESULTATS OBTENUS

32
 Après la présentation de la cadre général de l’étude et quelques rappels
théoriques, cette partie est consacrée à l’analyse des données par la méthode statistique,
géostatistique, et inversion.

III-1 Méthode statistique

Dans cette petite partie nous allons faire une étude statistique des résistivités
apparentes résultant des sondages électriques, l’analyse des données vise donc essentiellement
à décrire les liens entre les variables et les observations de notre matrice de données, cette
matrice est constituée de p dimensions et N individus.
Notre série statistique est composée de 46 sondages électriques de types
Schlumberger (les observations ou les individus) pour lesquels on connaît tout ou partie des
résistivités apparentes enregistrées pour les écartements entre électrodes d’injection AB/2 (les
variables). Le nombre de variables identique au nombre d’écartements entre électrode
d’injection est égal à 15 ; les variables sont les résistivités apparentes pour un écartement
AB/2 donné.
Le traitement des données a été réalisé avec le logiciel MATLAB 7.8.0(R2009a)
(voir Annexe A) et XLSTAT 2014. Les résultats sont exposés en trois parties distinctes
correspondant respectivement :
- à l’analyse statistique descriptive ;
- à une analyse en composantes principales,
- à une analyse typologique par classification ascendante hiérarchique.

III-1-1 Statistique descriptive

La statistique descriptive est une étape primordiale et indispensable pour toute

étude d’un grand nombre de données. Il est nécessaire de résumer ces données afin d’avoir
une image englobant et résumant l’information électrique de la zone. La première étape
consiste en la détermination des différents paramètres classiques en statistique descriptive
pour l’ensemble de tous les sondages électriques et pour chaque écartement d’électrodes
AB/2.
Le tableau 1 synthétise, pour chacune des quinze variables étudiées, les
principaux paramètres statistiques concernant l’ensemble des données des sondages
électriques.

33
 V.AB/2 : variable AB/2 Moy : Moyenne ; Med : Médiane ;
Qua1 : quartile 1 ; Qua3 : quartile 3 ; Etend : Etendue ;
Etyp : Ecart-type ; IIqua : Intervalle interquartile ; Cvar : coefficient de variation.

Tableau1: Statistiques sommaires des résistivités apparentes de chaque écartement AB/2.

V.AB/2 Moy. Med. Qua1 Qua.3 Min Max Eten Etyp I.I.qua Cvar(%)

1.5 54.86 36.00 22.60 65.4 6.10 221.9 215.80 49.99 42.80 91.13

4.5 67.56 49.05 35.20 82.55 14.60 247.8 233.20 52.44 47.35 77.62

7.5 68.28 54.25 37.65 75.70 20.50 257.80 236.80 45.02 38.05 65.92

10.5 76.87 67.75 40.55 96.65 21.70 180.30 158.60 41.22 56.10 53.62

16.5 90.38 77.60 51.60 117.55 27.40 219.60 192.20 49.44 65.95 54.71

19.5 95.19 86.00 58.90 131.80 30.00 244.00 214.00 48.82 72.90 51.28

22.5 103.08 87.30 62.25 132.85 33.60 269.80 236.20 54.96 70.60 53.31

28.5 111.34 105.00 64.35 137.65 40.10 250.10 210.00 53.19 73.30 47.77

34.5 121.80 120.40 69.900 153.60 32.80 278.40 245.60 57.80 83.70 47.45

40.5 132.94 130.45 82.25 172.15 39.30 269.40 230.10 57.89 89.90 43.54

52.5 155.32 153.95 112.35 197.15 68.20 257.90 189.70 52.82 84.80 34.00

61.5 170.59 172.25 127.05 212.65 73.40 288.40 215.00 54.64 84.80 32.03

70.5 192.55 188.05 151.85 234.20 79.50 327.90 248.40 55.38 82.35 28.76

79.5 203.06 188.65 160.75 246.45 82.20 356.00 273.80 56.35 85.70 27.75

91.5 228.00 214.60 172.10 282.35 63.00 427.30 364.30 78.01 110.25 26.21

Les moyennes des résistivités apparentes obtenues pour un écartement AB/2 donné
sont supérieures au médianes ce qui met en évidence l’influence de valeurs extrêmes élevées.
On notera cependant que les écarts entre les valeurs des moyennes et des médianes sont
décroissants avec l’augmentation de l’écartement AB/2 : cette observation associée aux
valeurs des écarts-types décroissantes(tout en restant relativement élevées) elles aussi avec
l’augmentation de l’écartement AB/2 montre que les distributions des résistivités apparentes
obtenues pour des écartements faibles présentent un étalement à droite (vers les grandes

34
valeurs) plus important que pour les séries correspondant aux écartements plus élevés ce qui
traduit une forte hétérogénéité des résistivités pour la sub-surface.
Les coefficients de variation sont très élevés de 26% pour AB/2=91.5m à
91.13% pour AB/2=1,5 et montrent ainsi la grande variabilité des résistivités apparentes
mesurées pour les terrains étudiés. Dans la suite du chapitre on s’interrogera sur la répartition
spatiale de cette variabilité.
On admettra, pour les besoins de la description d’un tel nombre de données, qu’il y
a un sens statistique à représenter les valeurs des résistivités apparentes sous la forme d’un
pseudo-sondage moyen ou médian ou représentatif des premier et troisième quartiles ; la
figure 12 montre ainsi que globalement dans la région, les résistivités apparentes pour les
faibles écartements AB/2 sont plus élevées que pour les écartements de valeur supérieure :
cette tendance est marquée tant pour la distribution des quartiles que des moyennes ou des
médianes. La dispersion est plus grande pour les faibles valeurs d’AB/2 que pour les grandes
valeurs d’AB/2.
Ceci conduit à une conclusion préliminaire selon laquelle il existe une grande
hétérogénéité des terrains des niveaux supérieurs et, à l’inverse, les terrains profonds
présentent une plus grande homogénéité.

III-1-1-1Matrice des corrélations

Le coefficient de corrélation linéaire indique la force de la liaison linéaire entre

deux variables continues. Ce coefficient prend des valeurs comprises entre –1 et 1(tableau 2).

Plus le coefficient prend, en valeur absolue, une valeur proche de 1, plus la liaison
linéaire entre les deux variables est forte (corrélation positive (1) ou négative (-1) selon que le
coefficient est positif ou négatif). En valeur absolue, à une valeur élevée de l’une des
variables, on associe une valeur élevée de la deuxième.

Si le coefficient prend une valeur proche de 0, cela indique qu'il n'y a pas de
liaison linéaire entre les variables. La relation peut être d'un autre ordre mais en tout cas, elle
n'est pas linéaire.

35
 Représentation des paramètres de position
3
10

Résistivité Rho (en Ohm)

2
10

1
10 Moy
Med
Quart3
Quart1
Min
Max
0
10
0 1 2
10 10 10
Distances AB/2(en m)

Figure 12 : Représentation des paramètres de position

Représentation des paramètres de dispersion

3
10
IIquart
Etype
Etend
Résistivité Rho (en Ohm)

2
10

1
10
0 1 2
10 10 10
Distances AB/2(en m)
Figure 13 : Représentation des paramètres de dispersion (Etendue, Ecart type, intervalle
interquartile)

36
 Représentation graphique du coefficient de variation
120
Coef Var

100
Coefficient de variation (en %)

80

60

40

20

0
1 2
10 10
Distances AB/2(en m)

Figure 14: représentation des coefficients de variation

Dans la matrice des corrélations, nous lisons la force des associations linéaires
entre les variables prises deux à deux. Les corrélations sont toutes positives .Ainsi, une lecture
verticale, colonne par colonne et de haut en bas, du tableau 2 montre une décroissance
systématique des valeurs des coefficients de corrélation des faibles valeurs d’écartement aux
fortes valeurs et une lecture horizontale de gauche à droite montre une augmentation des
valeurs des coefficients. Plus l’écart entre valeurs de AB/2 augmente plus les corrélations
tendent vers zéro et la décroissance des coefficients de corrélation est d’autant plus nette que
les valeurs de AB/2 sont grandes.

La décroissance des coefficients de corrélation avec l’augmentation des valeurs

d’AB/2 traduit la baisse de l’influence des terrains superficiels sur les valeurs des résistivités
apparentes mesurées et montre bien qu’il existe une succession verticale de terrains de nature
différente. D’une façon générale lorsque les résistivités apparentes des terrains considérés
avec un écartement AB/2 donné augmentent celles des terrains sous-jacents augmentent mais
de manière de moins en moins nette lorsque les écarts entre valeurs d’écartement AB/2
augmentent.

37
AB/2 1,5 4,5 7,5 10,5 16,5 19,5 22,5 28,5 34,5 37,5 52,5 61,5 70,5 79,5 91,5

1,5 1,000

4,5 0,818 1,000

7,5 0,533 0,784 1,000

10,5 0,338 0,636 0,718 1,000

16,5 0,326 0,603 0,692 0,852 1,000

19,5 0,358 0,523 0,655 0,755 0,910 1,000

22,5 0,225 0,432 0,547 0,731 0,770 0,890 1,000

28,5 0,171 0,309 0,429 0,560 0,652 0,770 0,829 1,000

34,5 0,162 0,369 0,421 0,549 0,597 0,700 0,757 0,917 1,000

37,5 0,158 0,346 0,392 0,525 0,584 0,692 0,768 0,874 0,935 1,000

52,5 0,103 0,310 0,339 0,463 0,495 0,603 0,657 0,735 0,783 0,784 1,000

61,5 0,100 0,304 0,385 0,428 0,442 0,565 0,582 0,642 0,762 0,763 0,953 1,000

70,5 0,090 0,268 0,277 0,382 0,413 0,514 0,570 0,637 0,669 0,735 0,847 0,944 1,000

79,5 0,085 0,207 0,254 0,373 0,402 0,503 0,539 0,592 0,685 0,697 0,823 0,830 0,883 1,000

91,5 0,064 0,223 0,248 0,291 0,379 0,482 0,534 0,566 0,662 0,685 0,786 0,794 0,842 0,932 1,000

Tableau 2 : Matrice des corrélations entre variables « écartements AB/2 » variant de 1.5, m à 91.5 m.

38
II-1-2 Analyse en composante principale

Nous parlerons de la valeur propre et la représentation graphique des données

III-1-2-1 Tableau des valeurs propre de l’analyse

Dans la figure 15 on trouve les valeurs propres c'est-à-dire les variances de

chaque composante principale et aussi les contributions simples et cumulées de ces
composantes à la variance totale des données étudiées (données centrées réduites).
Nous obtenons une première composante principale très dominante, expliquant
près de 60% de la variance totale. Avec seulement les trois premiers axes factoriels, nous
avons près de 85% de l'inertie (ou de la dispersion) de tout le nuage de points.

Scree plot
10 100

8 80

Variabilité cumulée (%)

7
Valeur propre

6 60

4 40

2 20

0 0
F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 F13 F14 F15
axe

Figure 15: Représentation graphique de la valeur propre et pourcentages cumulés de la

variance absorbée par les valeurs propres

III-1-2-2Représentations graphiques des données dans le plan factoriel F1 61% et F2

14%

Carte des variables

La carte des variables (Figure11) présente la projection des variables sur les
nouveaux axes. Le plan factoriel F1-F2, montre que, les résistivités apparentes obtenues avec
les petits écartements AB/2 sont corrélées positivement à l’axe F1 (premier facteur)
Le premier facteur qui absorbe 75% de l’information global est corrélée
positivement quasiment à toutes les variables. Les coefficients de corrélation croissent avec

39
les écartements AB/2 allant de 1.5 à 22.5 m (la valeur est alors proche de 1) pour décroître
ensuite jusqu’à s’annuler pour l’écartement AB/2 = 25.5 m. Le deuxième facteur présente une
corrélation positive croissante lorsque les écartements AB/2 décroissent de 22.5 à 1.5 m et
une corrélation négative lorsqu’ils croissent de 22.5 à 91.5 m.

Carte des individus

La carte des individus (Figure 12) présente la projection des sondages électriques
sur le premier plan factoriel construit par les deux premières composantes principales sous
forme d’un nuage des points suivant les coordonnées de chaque point sur les axesF1 et F2

La carte des individus, l’axe F1, permet de caractériser les sondages qui ont des
fortes valeurs de résistivités apparentes pour les AB/2 = 4.5, AB/2 = 10.5,AB/2 = 19.5, AB/2
= 28.5 (composantes positives et élevées sur l’axe F1) et de les opposer à ceux qui ont des
composantes négatives et donc des résistivités apparentes les plus faibles pour ces mêmes
écartement AB/2. Et l’axe F2 sépare les sondages électriques qui ont des fortes résistivités
apparentes pourles écartements AB/2 = 1.5, AB/2 = 7.5, AB/2 = 16.5, AB/2 = 22.5, AB/2 =
25.5, AB/2 = 20 des sondages qui présentent des faibles valeurs des résistivités apparentes
pour ces mêmes écartements.

Variables (axes F1 et F2 : 76,18 %)

1

0,75 Rho1
Rho2

Rho3
0,5

0,25 Rho5
Rho4
Rho6
F2 (14,50 %)

0 Rho7

Rho9
Rho10
-0,25 Rho11
Rho8
Rho12
Rho15
Rho13
Rho14

-0,5

-0,75

-1
-1 -0,75 -0,5 -0,25 0 0,25 0,5 0,75 1
F1 (61,68 %)

Figure16 : Représentations graphiques de l’ACP : distributions des variables dans les

dans les plans factoriels 1-2.

40
 Observations (axes F1 et F2 : 76,18 %)
6
W013

4
W029
W028 W023

2
W027 W012
F2 (14,50 %) W049 W021
W006
W032
W024 W004
W008
W001 W045
0 W041W034
W040 W010
W042
W033 W026W037
W031 W009
W039
W036 W047W017 W020
W025W030 W038
W002
W022
W011
W015 W003W043
W048 W035 W018 W016
W014
W019
W005 W046
-2 W044
W007

-4

-6
-8 -6 -4 -2 0 2 4 6 8 10
F1 (61,68 %)

Figure 17 : Cartes de projection du nuage des sondages électriques sur le premier plan
factoriel 1-2

III-1-2-3 Représentations graphiques des données dans le plan factoriel F1 64% et F3

6%

Le deuxième plan factoriel F1-F3, absorbe 68 % de l’information globale, il est

donc important d’analyser l’apport de ce troisième facteur.

Carte des variables

Sur le plan factoriel 1-3, la structure du nuage de points le long de l’axe de la

première composante est naturellement identique à celle qui a été décrite précédemment. On
peut toutefois remarquer que les variables résistivités apparentes des écartements AB/2 = 22.5
et AB/2 = 27.5 ne s’écartent pas de cet axe alors que ce n’est pas le cas des autres variables.
La troisième composante principale opposant les résistivités apparentes des écartements
AB/2=1.5, AB/2=4.5,AB/2 = 7.5, AB/2 = 30, AB/2 = 28.5, aux résistivités apparentes des
écartements AB/2 = 10.5, AB/2 = 19.5, AB/2 = variables, AB/2 = 7.5, AB/2 = 40.5,
AB/2=52.5, AB/2 = 70.5 et AB/2 =91.5.

Carte des individus

Dans le plan principal des individus, l’axe F1 présente toujours les sondages
électriques qui présente des fortes valeurs de résistivités apparentes pour des écartements
AB/2 = 4.5, AB/2 = 10.5, AB/2 =19.5, vers la gauche et vers la droite les sondages électriques

41
qui présentent des faibles valeurs de résistivités apparentes pour les mêmes écartement .L’axe
F3 qui absorbe 6.00 % de la variance totale met en évidence les sondages pour lesquelles les
résistivités apparentes pour certains grandes écartements sont les plus élevées (AB/2 = 79.5
et AB/2 =91.5). Cet axe montre ainsi que les sondages de la classe 3 présentent presque tous
des résistivités apparentes élevées pour les écartements AB/2 = 79.5et AB/2 = 91.5 alors que
les sondages des autres classes montrent des résistivités apparentes beaucoup plus réparties
pour ces écartements.

Variables (axes F1 et F3 : 67,69 %)

1

0,75

0,5
Rho12
Rho1 Rho13
0,25 Rho11
Rho2 Rho14
F3 (6,00 %)

Rho15
0
Rho3
Rho10
Rho4
Rho6
Rho5
-0,25
Rho8
Rho7
Rho9

-0,5

-0,75

-1
-1 -0,75 -0,5 -0,25 0 0,25 0,5 0,75 1
F1 (61,68 %)

Figure 18 : Représentations graphiques de l’ACP : distributions des variables dans les

plans factoriels 1-3.

42
 Observations (axes F1 et F3 : 67,69 %)
4

W012

2
W007
W048
W035W005
W018
F3 (6,00 %) W026 W002
W038 W047 W013
W028 W003
W033 W006 W019
W032 W015W027 W004
0 W031 W037W036W023 W014 W010
W034
W042 W043
W045
W040 W044 W022 W017
W029
W041 W025 W009
W049 W024 W030 W039 W046 W016
W001 W008 W020
W021

-2

W011

-4
-8 -6 -4 -2 0 2 4 6 8
F1 (61,68 %)

Figure 19 : Cartes de projection du nuage des sondages électriques sur le premier plan
factoriel 1-3

II-2-3 CLASSIFICATION ASCENDANTE HIERARCHIQUE AVEC LA

METHODE DE WARD ET DISTANCE EUCLIDIENNE

Le but de cette analyse est la classification des variables (les résistivités apparentes
pour chaque écartement) et des observations (les sondages électriques), et d’avoir une idée
sur la corrélation et la ressemblance entre ces derniers. La similitude entre individus ou
variables est étudiée en fonction de la distance qui les sépare (distance euclidienne).

La méthode d’analyse employée est la méthode de la classification hiérarchique

ascendante. Elle permet de regrouper les couples des individus en fonction de leur degré de
similitude. Après la formation des premiers couples qui montrent la plus grande similitude, ils
sont considérés comme une seule unité qui est introduite avec un poids différent dans
l’ensemble des observations restantes. De proche en proche cela forme un dendrogramme qui
permet la visualisation rapide de groupes de variables ou d’individus corrélés entre eux.

43
 Dendrogramme
350

300

250

200
Dissimilarité

150

100

50

0
W001
W049
W025
W031
W024
W034
W045
W032
W033
W041
W040
W042
W048
W015
W026
W030
W037
W006
W027
W036
W008
W009
W004
W039
W023
W028
W002
W044
W035
W038
W014
W019
W005
W003
W018
W012
W007
W010
W017
W022
W043
W047
W013
W029
W046
W016
W020
W011
W021
Figure 20 : Arbre hiérarchique issu de la classification hiérarchisé des SEV

L’analyse de dendrogramme a pour objectif de définir le nombre de classe le plus

justifiable pour notre base de données où l’inertie interclasse est la plus faible (Figure 21).
Donc après cinq classes on note la diminution des valeurs de cet indice. Justifiant ainsi le
choix de cinq classes d’agrégation des sondages électriques. L’étude des propriétés des
sondages appartenant à chaque classe se fera par l’analyse des sondages moyens calculés pour
chacune des cinq classes.

 Interprétation des classes.

La première classe contient 12 SEV : ils sont localisés dans la partie Ouest du
secteur, les SEV de cette classe présentent des composantes faibles regroupées autour du
centre de gravité, tantôt positives tantôt négatives sur l’axe F1, par contre les composantes
sont toutes négatives sur l’axe F2. Ces SEV présentent globalement les plus faibles résistivités
apparentes en immédiate subsurface et les plus élevées aux écartements les plus grands.
(F1<0).

44
 La deuxième classe contient 16 SEV : cette classe est la plus représentée avec des
sondages qui se localisent au centre du bassin et essentiellement vers l’Est. Cette classe
présente des composantes réparties autour du centre de gravité sur l’axe F1 mais avec des
composantes majoritairement positive sur l’axe F2. Ceci explique la remontée des résistivités
apparentes pour les écartements intermédiaires et la tendance à présenter des résistivités
apparentes plus élevées que celles des sondages de la classe 1 pour les grands écartements.

La troisième classe (14 SEV) : cette classe est représentée avec les sondages qui se
localisent à l’Ouest et essentiellement vers le Nord. Tout comme les SEV de la classe 1 ceux
de cette classe présente des composantes réparties autour du centre de gravité sur l’axe F1
mais avec des composantes majoritairement négatives sur l’axe F2. Les résistivités apparentes
pour les très faibles écartements sont plus faibles que celles de la classe 1, elles restent plus
faibles pour des écartements suivants jusqu’à ce que l’influence des composantes négatives
sur l’axe F2 se fasse sentir avec des résistivités apparentes supérieures à celles de la classe 1.

Observations (axes F1 et F2 : 76,18 %)

6

W013

Classe-5
4
W029
W028
W023

2
W027 W012
W049
W021
W006
F2 (14,50 %)

W032
W024 W004
W045 W008
Classe-3
W001 Classe-1
0 W041 W034
W040
W042 W026 W009
W039 W010W047W017 W020
W033W031
W025 W030 W036
W037W038 W022W011 Classe-4
W002
W015 Classe-2
W003 W043
W048 W035 W018 W016
W014
W019
W005 W046
W044
-2
W007

-4

-6
-12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12
F1 (61,68 %)

Classe-1 Classe-2 Classe-3 Classe-4 Classe-5 Barycentres

Figure 21: Carte des classes des individus et leurs centres selon le plan factoriels

45
 La quatrième classe (5 SEV) : les sondages de cette classe localisent à l’Est du
secteur, positive sur l’axe F1 et négative sur l’axe F2 ; les SEV de cette classe montrent des
résistivités apparentes élevées pour les très faibles écartements et toujours parmi les plus
élevées pour les écartements supérieurs.

III-2 Méthode géostatistique

Après l’analyse statistique des données des résistivités apparentes des 46

sondages électriques, il est nécessaire d’établir des corrélations verticales et horizontales des
résistivités apparentes. Ce chapitre vient pour assurer cette étape par des analyses
géostatistiques et l’interprétation de leurs résultats. On se propose, dans ce paragraphe
d’établir une cartographie des résistivités apparentes pour chaque pseudo-profondeur par
modélisation géostatistique (Krigeage).

Dans toutes les cartes établies en coordonnées Laborde et pour des valeurs de
résistivités données sur la figure 16, les croix représentent les valeurs des résistivités obtenues
pour une distance constante entre les injections des courant A et B, les tailles des croix sont
proportionnelles aux valeurs des résistivités qui leurs sont affectés.

Les cartes ont été obtenues en utilisant le logiciel Isatis 5.1 (voir Annexe B)

X (m) X (m)
300200 300300 300400 300500 300200 300300 300400 300500

726300 726300 726300 726300

726200 726200 726200 726200

726100 726100 726100 726100

Y (m)

Y (m)
Y (m)

Y (m)

726000 726000 726000 726000

725900 725900 725900 725900

rho1 rho4

300200 300300 300400 300500 300200 300300 300400 300500

X (m) X (m)

Figure 22 : carte de répartitions de ρ1 et ρ 4 correspondant à AB/2= 3.5 et AB/2=61.5 m

46
 III-2-1-Analyse variographique
La figure 17 présente des cartes variographiques pour chacune des pseudo-
profondeurs, l’échelle des couleurs correspond aux valeurs prises par le variogramme pour
chaque direction et chaque pas de mesure, ce qui impose une modélisation des variogrammes
pour ces cinq pseudo-profondeurs.
Les calculs a été fait avec une tolérance de50%.L’unité de mesure est le mètre,
Les paramètres choisis pour les calculs sont présentés dans le tableau 3.
Tableau 3 : paramètre pour le calcul des variogrammes
Rho1 Rho2 Rho3 Rho4 Rho5

Pas 41 45 52 48 36

Nbre de pas 11 12 14 11 10

Distance (m)
U 6.00
0 50 100 150 200 5.81

N34
5.63

N20
5.44
134 119
0
146 5.25
N3

7000 95 7000 5.06

0
20

N4
63 133 4.88
129 4.69
6000 6000 N3 4.50
00 0 4.31
N6 4.13
Variogram : _1(_-m)
Variogram : _1(_-m)

3.94
5000 5000 3.75
26 3.56
N280 3.38
4000 4000 N80 3.19
3.00
2.81
3000 3000 2.63
2.44
3 N260 N100 2.25
2.06
2000 2000 1.88
1.69
1.50
1000 1000 N1 1.31
40 20
N2 1.13
0.94
0.75
0 0 0.56
N1
20

0.38
40
N2

0.19
-1000 -1000 0.00
N16
0
N20

N180

0 50 100 150 200 N/A

AB/2= 3.5 Distance (m)

Distance (m)
U 6028.02
0 100 200 300 400 5839.83
N34

5651.63
N20

187 5463.44
0

2000 260 142 82 2000 5275.25

N3

5087.06
0

134 250 274 282

20

N4

4898.86
4710.67
N3 4522.48
00 0 4334.28
N6 4146.09
28 3957.90
Variogram : rho2

3769.71
Variogram : rho2

3581.51
N280 3393.32
N80 3205.13
1000 1000 3016.93
2828.74
2640.55
2452.36
N260 N100 2264.16
2075.97
1887.78
1699.59
1511.39
N1 1323.20
40 20
N2 1135.01
946.81
0 0 758.62
570.43
N1
20

382.24
40
N2

194.04
5.85
N16
0
N20

N180

0 100 200 300 400 N/A

AB/2 = 10.5 Distance (m)

47
 Distance (m)
U 21012.50
0 100 200 300 400 20357.89

N34
19703.28

N20
102 19048.67

0
4000
69 51 18 4000 18394.06

N3
17739.45

0
131 155 114

20

N4
17084.84
16430.23
N3 15775.62
00 0 15121.01
3000 147 3000 N6 14466.40
13811.79

Variogram : rho3
Variogram : rho3

13157.18
12502.57
65 N280 11847.96
N80
3 11193.35
2000 2000 10538.74
9884.13
9229.52
8574.91
N260 N100 7920.30
7265.69
1000 1000 6611.08
5956.47
5301.86
N1 4647.25
40 20
N2 3992.64
3338.03
0 0 2683.42
2028.81

N1
20
1374.20

40
N2
719.59
64.98

N16
0
N20

N180
0 100 200 300 400

0
N/A
AB/2= 40.5 Distance (m)

Distance (m)
U 15806.42
0 100 200 300 400 15316.40

N34
14826.38

N20
62 14336.37

0
13846.35

N3
50 13356.33

0
20

N4
4000 4000 12866.31
12376.30
N3 11886.28
82 74 43 27 00
N6
0 11396.26
10906.25
88 10416.23
3000 116 3000
Variogram : rho4
Variogram : rho4

9926.21
91 9436.19
N280 8946.18
107 N80 8456.16
52 7966.14
2000 26 2000 7476.12
6986.11
6496.09
N260 N100 6006.07
5516.05
5026.04
1000 3 1000 4536.02
4046.00
N1 3555.98
40 20
N2 3065.97
2575.95
0 0 2085.93
1595.91

N1
20

1105.90

40
N2

615.88
125.86

N16
0
N20

N180

0 100 200 300 400

0
N/A
AB/2=60.5 Distance (m)

Distance (m)
U 22239.40
0 100 200 300 400 500 21544.81
N34

20850.22
N20

117 20155.63
0

45 9 19461.04
4000 4000
N3

18766.45
0
N4
20

166 83 18071.86
17377.27
220 N3 16682.68
00 0 15988.09
3000 225 3000 N6 15293.50
14598.91
Variogram : rho5
Variogram : rho5

215 13904.31
13209.72
N280 12515.13
113 N80 11820.54
2000 2000 11125.95
12 10431.36
9736.77
9042.18
N260 N100 8347.59
1000 1000 7653.00
6958.41
6263.82
5569.23
N1 4874.64
40 20
N2 4180.04
0 0 3485.45
2790.86
2096.27
N1
20

1401.68
N2

40

707.09
0 100 200 300 400 500 12.50
0

N16
N20

N180

AB/2=90.5
0

Distance (m) N/A

Figure 23 : Variogramme omnidirectionnel et cartes variographiques des variables

La carte variographique nous permet d’examiner les corrélations spatiales des

données dans tous les directions de l’espace. Une cellule de la carte variographique représente
une famille de couples de points dont les directions et les distances entre les points sont
égales. La valeur de la cellule représente la valeur du variogramme pour cette famille de
48
paires. Si la corrélation spatiale est la même dans toutes les directions de l’espace (isotropie),
on obtiendrait la même couleur pour toutes les cellules à une même distance du centre ; au
contraire si une direction est privilégiée (anisotropie) on obtiendrait des valeurs plus fortes ou
plus faibles dans la direction concernée. En général, la carte variographique montre des
valeurs de variogramme non constantes dans toutes les directions et pour une même distance.
Dans notre cas, les cartes variographique présente un double intérêt : elles montrent d’une part
que pour les faibles valeurs de h il n’y pas ou très peu d’anisotropie zonale ni géométrique
(Où h est la distance entre points pour lesquels on calcule l’accroissement de la résistivité
apparente) et, d’autre part, pour des valeurs de h croissantes, l’anisotropie associée à des
gammes de valeurs de variance variables apparaît, traduisant ainsi l’évolution de la
structuration géoélectrique du bassin. Cela est dû à plusieurs facteur : irrégularités spatiales
des données dans la zones d’étude, grand contraste de résistivité pour deux échantillons
voisines, hétérogénéité du sous-sol. Finalement, la structure isotropie est considérée pour la
modélisation.
III-2-2 Modélisation des variogrammes
L'intérêt de la modélisation d'un variogramme expérimental est essentiellement
pratique : il s'agit de passer d'une fonction définie par des points à une fonction continue dans
l'espace et possédant une expression mathématique. La modélisation choisie est un
compromis entre le calage au plus près du variogramme expérimental et la stabilisation de
son comportement dans les grandes distances. Pour optimiser le calage de modèles théoriques
sur le variogramme expérimental, on a "joué" sur les paramètres portée et palier.
La figure 24 présente les modèles de variogramme qui s'ajustent visuellement le mieux aux
variogrammes expérimentaux

Distance (m) Distance (m)

0 50 100 150 200 0 100 200 300 400
134 119 187
7000 95 146 7000 2000 260 142 82 2000
63 134 250 274 282
133
129
6000 6000
28
Variogram : _1(_-m)
Variogram : _1(_-m)

5000 5000
Variogram : rho2
Variogram : rho2

26

4000 4000
1000 1000
3000 3000
3
2000 2000

1000 1000

0 0 0 0

-1000 -1000

0 50 100 150 200 0 100 200 300 400

Distance (m) Distance (m)

49
 Distance (m) Distance (m)
0 100 200 300 400 0 100 200 300 400
102 62
4000
69 51 18 4000
131 155 114 50
4000 4000

3000 147 3000 82 74 43 27

88
3000 116 3000

Variogram : rho3

Variogram : rho4
Variogram : rho3

Variogram : rho4
91
65 107
3 52
2000 2000
2000 26 2000

1000 1000 1000 3 1000

0 0 0 0

0 100 200 300 400 0 100 200 300 400

Distance (m) Distance (m)

Distance (m)
0 100 200 300 400 500
117
45 9
4000 4000
166 83
220
3000 225 3000

Variogram : rho5
Variogram : rho5

215
113
2000 2000
12

1000 1000

0 0

0 100 200 300 400 500

Distance (m)

Figure 24: Ajustement du variogramme expérimental

Les variogrammes expérimental des variables a été modélisé avec deux structures
différentes dont chacune de modèle comporte deux structures de base. On voit bien que les
courbes expérimentale et théorique sont proches l’une de l’autre. Le variogramme ainsi défini
est borné donc l’hypothèse de stationnarité est vérifiée. Le tableau 4 montre le résultat de la
modélisation.

Tableau 4 : Paramètres et modèles mathématiques du variogramme

Modèles sphériques Modèles exponentielle

Effet de pépite Palier Portée (m) Palier Portée(m)
Rho1 2105.24 1256.23 345.45 1125.54 387.96
Rho2 948.87 509.94 287.63 496.01 325.12
Rho3 1209.68 2523.75 195.63 2425.98 208.5
Rho4 326.84 1908.37 259.36 2015.56 236.85
Rho5 1263.45 2595.24 399.68 2485.32 375.94

50
 Selon les résultats du tableau 4, chaque modèle du variogramme montre une
ordonnée non nulle à l’origine ; c’est l’effet de pépite. Plus l’effet de pépite est grand, plus la
carte d’estimation et la carte d’écart-type est lissée. Cet effet de pépite peut provenir de fortes
variations locales des valeurs de la propriété ou être attribué soit à des erreurs de mesure, soit
à des erreurs de localisation (précision d’un GPS) qui viennent fausser les distances et donc
fausser le variogramme expérimental, soit au fait que les données n’ont pas été récoltées à un
intervalle de mesure suffisamment petit pour pouvoir observer la structure sous-jacente
continue du phénomène. La continuité spatiale de la formation géoélectrique n’est alors pas
bonne car la formation peut varier d’un endroit à un autre.

III-2-3- Validation croisée

La validation croisée, réalisée avant d’entreprendre le krigeage sur la grille

d’estimation, fournit des critères statistiques de sélection dans le choix d’un modèle de
variogramme. Les résultats des validations croisées sont présentés sur les figures suivantes :

51
 X (m)
300200 300300 300400 300500
Z* : rho2 (Estimates)
726300 726300 25 50 75 100 125 150 175
175 175
rho = 0.369
150 150
726200 726200

Z : rho2 (True value)

Z : rho2 (True value)
125 125

726100 726100

Y (m)
Y (m)

100 100

726000 726000 75 75

50 50

725900 725900
25 25

300200 300300 300400 300500 25 50 75 100 125 150 175

X (m) Z* : rho2 (Estimates)

(Z*-Z)/S* Z* : rho2 (Estimates)

-2 -1 0 1 2 40 50 60 70 80 90 100 110 120

Nb Samples: 37 rho = 0.201

Minimum: -1.77294 2 2
0.125 Maximum: 2.11454 0.125
Mean: 0.040235
Std. Dev.: 1.02616
1 1
0.100 0.100
Frequencies
Frequencies

(Z*-Z)/S*
(Z*-Z)/S*

0.075 0.075 0 0

0.050 0.050
-1 -1

0.025 0.025
-2 -2

0.000 0.000
-2 -1 0 1 2 40 50 60 70 80 90 100 110 120
(Z*-Z)/S* Z* : rho2 (Estimates)

X (m)
300200 300300 300400 300500
Z* : rho4 (Estimates)
726300 726300 100 150 200 250 300
300 300
rho = 0.595

726200 726200
250 250
Z : rho4 (True value)
Z : rho4 (True value)

726100 726100
Y (m)
Y (m)

200 200

726000 726000
150 150

725900 725900
100 100

300200 300300 300400 300500 100 150 200 250 300

X (m) Z* : rho4 (Estimates)

(Z*-Z)/S* Z* : rho4 (Estimates)

52
-2 -1 0 1 2 100 150 200 250

Nb Samples: 37 rho = 0.081

Minimum: -2.21064 2 2
0.125 Maximum: 2.34735 0.125
Mean: 0.0416384
 X (m)
300200 300300 300400 300500
Z* : rho5 (Estimates)
726300 726300 150 200 250 300 350

rho = 0.336
350 350
726200 726200

Z : rho5 (True value)

Z : rho5 (True value)
300 300

726100 726100

Y (m)
Y (m)

250 250

726000 726000
200 200

725900 725900 150 150

300200 300300 300400 300500 150 200 250 300 350

X (m) Z* : rho5 (Estimates)

(Z*-Z)/S* Z* : rho5 (Estimates)

-3 -2
Figure
-1 0
25 :1 Résultat
2 3
de validation croisée
150
des175variables
200 225 250 275
0.20 0.20
Ces figures montrent les résultats de validation
Nb Samples: 37
Minimum: -3.17583 3 croisée des variables. La partie
3
rho = 0.228

Maximum: 2.75108
droite 0.15
de la figure montre le nuage des corrélations
Mean:
entre
0.037787
2
Std. Dev.: 1.09505
0.15
valeurs vraies - valeurs estimées.
2

Certaines données ne sont pas bien estimées comme indiqué

1 sur la carte de répartition 1: les
Frequencies
Frequencies

(Z*-Z)/S*
(Z*-Z)/S*

valeurs0.10correspondantes sont relativement 0.10

grandes. 0 0

Les résultats de validation croisée des variables

-1
montrent un bon coefficient
-1
de
corrélation
0.05
par rapport Le tableau 5 récapitule
0.05
ces résultats.
-2 -2

-3 -3

Tableau
0.005 : Récapitulation des résultats de 0.00
-3 -2 -1 0 1 2 3
validations croisées.
150 175 200 225 250 275
(Z*-Z)/S* Z* : rho5 (Estimates)

Données Coefficient de
Moyenne Variance
robuste sur 46 corrélation

Erreur -0.893 Erreur 6650.43

Rho1 44 0.415
Std-erreur -0.019 Std-erreur 1.825
Erreur -0.675 Erreur 3215.85
Rho2 43 0.369
Std-erreur -0.112 Std-erreur 1.052
Erreur -0.863 Erreur 3313.64
Rho3 44 0.436
Std-erreur -0.026 Std-erreur 1.245
Erreur -0.679 Erreur 2809.23
Rho4 44 0.595
Std-erreur -0.029 Std-erreur 0.975
Erreur -0.946 Erreur 2785.25
Rho5 42 0.336
Std-erreur -0.014 Std-erreur 1.074

53
 Compte tenu des résultats dans le tableau 5, le résultat de validation croisée montre
des bons coefficients de corrélation; le nombre des données qui ne sont pas bien estimées et la
variance d’erreur est faible ; de plus, la moyenne des erreurs et l’erreur sont proches de zéro.

Les résultats statistiques varient donc d'un modèle à l'autre. Le résultat de

validation croisée montre que la condition de « non biais » semble vérifiée puisque la
moyenne des erreurs est faible ; la variance de l'erreur standardisée, élevée, montre une erreur
de krigeage expérimentale plus importante.

III-2-4-Les cartes krigées

Après les calculs variographique, l’ajustement des variogrammes, le choix des grilles
d’estimations et la validation croisées ; la figure suivante nous permet de visualiser les carte
obtenue en utilisant la méthode d’estimation par krigeage.

X (m) Légende X (m) Légende

300200 300300 300400 300500 194.92 300200 300300 300400 300500 136.10
726300 726300 726300 726300
183.59 129.66
172.26 123.23
160.92 116.79
726200 726200 149.59 726200 726200 110.35
138.26 103.92
126.93 97.48
115.59 91.04
726100 726100
726100 726100

Y (m)
Y (m)
Y (m)
Y (m)

104.26 84.60
92.93 78.17
81.59 71.73
726000 726000 70.26 65.29
726000 726000
58.93 58.86
47.60 52.42
36.26 45.98
725900 725900
24.93 725900 estimation 725900 39.54
13.60 33.11
300200 300300 300400 300500 300200 300300 300400 300500
N/A N/A
X (m) X (m)

AB/2=3.5 (a) AB/2=10.5 (b)

X (m) Légende X (m) Légende

300200 300300 300400 300500 205.15 300200 300300 300400 300500 273.44
726300 726300 726300 726300
196.54 262.40
187.93 251.36
179.32 240.33
726200 726200 170.72 726200 726200 229.29

162.11 218.25

153.50 207.21

144.89 196.17
726100 726100
Y (m)
Y (m)

726100 726100 185.13

Y (m)
Y (m)

136.28
174.09
127.67
163.06
119.06
152.02
110.45 726000 726000
726000 726000 140.98
101.85
129.94
93.24
118.90
84.63
725900 estimation_rho4 725900 107.86
725900 estimation_rho3 725900 76.02
96.83
67.41 300200 300300 300400 300500
300200 300300 300400 300500 N/A
N/A X (m)
X (m)

AB/2=40.5 (c ) AB/2=60.5 (d)

54
 X (m) Légende
300200 300300 300400 300500 294.32
726300 726300
284.63
274.93
265.23
726200 726200 255.53
245.83
236.14
226.44
726100 726100

Y (m)
Y (m) 216.74
207.04
197.35
187.65
726000 726000
177.95
168.25
158.55

725900 estimation_rho5 725900 148.86

139.16
300200 300300 300400 300500
N/A
X (m)

AB/2=90.5 (e)

Figure 26 : Estimations par krigeage des variables

Les cartes représentent la variation de la résistivité apparente en deux dimensions,

pour une longueur de ligne donnée AB/2 afin de mettre en évidence l’évolution latérale des
structures géoélectriques.

La figure 26 (a) nous montre la carte de résistivité électrique à AB/2= 3.5 m, elle
représente une couche conductrice ayant une résistivité inférieure à 100 ohms. Mètre qui
correspond à des argiles alluvionnaires et à des sables argileux et elle occupe presque toute la
totalité de la zone d’étude sauf pour la partie Nord Nord Est qui est un peu résistant ayant une
résistivité allant de 100 à 190 ohms. Mètre, Elle représente des sables et graviers imbibés
d’eau douce.

La figure 26 (b) nous montre la carte de résistivité électrique à AB/2= 10 m. Elle

nous montre deux gamme de résistivité différente, la partie Sud de la zone d’étude est
conductrice ayant une résistivité allant de 35 à 90 Ohms. Mètre, Elle correspond encore à des
argiles alluvionnaires et à des sables argileux. La deuxième gamme de résistivité est
moyennant résistant et correspond à des formations présentant des marnes, des calcaires ainsi
que des carapaces sableuses.

La figure 26 (c) nous montre les mêmes gammes de résistivités dont la première,
conductrice, se situe presque au centre de la zone d’étude. Selon la géologie existant dans
cette zone, elle correspond à une formation d’argile, de sédiments alluvionnaires. La seconde

55
de résistivité moyennement résistante, apparait au Nord Est et sur la côte Sud Est de la zone ;
elle correspond à des marnes, des calcaires, des dunes récentes.

La figure 26 (d) met en évidence l’existence de trois gammes de résistivités : la

première, conductrice, de couleur bleu claire, présente la même formation au centre de la zone
d’étude (le bassin fermé de Miandrivazo). La deuxième, moyennement résistante, de couleur
jaune claire, apparait encore au Nord-Ouest sur une formation de marnes et de calcaires de
plus en plus volumineux et sur l’axe de la côte Sud Est, d’une formation de dunes de sable. La
troisième, résistante, de couleur rouge, n’est autre que la formation au Nord-Ouest
caractérisée par un socle.

Dans la figure 26 (e), Les trois gammes de résistivité ainsi que leur emplacement
dans la zone d’étude sont encore visibles mais sur la partie Nord-Ouest (zone1), le socle
cristallin apparaît très net et sa limite est très visible.

III-2-5 Cartographie par krigeage des résistivités apparentes par profil

Cette deuxième partie de notre analyse géostatistique a pour but d’élaborer des
cartes verticales correspond à l’imagerie 2D des profils. La méthodologie reste la même que
celle employée pour l’établissement des cartes horizontales,

Cette étape constitue un préalable pour la préparation des inversions 2D par

tomographie électrique.

Cas du profil A
Ce profil à une longueur environ de 2200 m et, constitué par 6 SEV distant en
moyenne de 250 m. Chaque sondage à des mesures de résistivités apparentes correspondront a
des écartements de AB/2 de 3.5 m à 90.5 m.
Cas du profil B
Ce profil à une longueur environ de 1700 m et, constitué par 5 SEV distant en
moyenne de 450 m. Chaque sondage à des mesures de résistivités apparentes correspondront a
des écartements de AB/2 de 3.5 m à 90.5 m.
Cas du profil C
Ce profil à une longueur environ de 600 m et, constitué par 7 SEV distant en moyenne
de 100 m. Chaque sondage à des mesures de résistivités apparentes correspondront a des
écartements de AB/2 de 3.5 m à 90.5 m

56
 Figure 27 : Carte de localisation des sondages et présentation des profils

III-2-5-1 Analyse géostatistique des trois profils

Le tableau suivant récapitule la statistique de base des trois profils

Tableau 6 : Statistique de base des trois profils

Variable Minimum Maximum Moyenne Ecart-type Variance

Profil A 16.70 275.30 117.79 63.26 4002.07
Profil B 17.90 290.30 117.21 81.01 6563.17
Profil C 23.00 250.10 102.40 62.91 3958.24

Chaque model du variogramme montrent une ordonnée non nul à l’origine : c’est
l’effet de pépite.

57
 Distance (m) Distance (m)
0 10 20 30 40 50 60 70 80 90 0 10 20 30 40 50 60 70 80 90
30000 30000

15000 15000

6 5

Variogram : RESISTIVITE
Variogram : RESISTIVITE
Variogram : RESISTIVITE

Variogram : RESISTIVITE
20000 20000
5
10000 6 10000

18 10000 10000
5000 5000 20

6 15
6 18 5
0 0
0 0

0 10 20 30 40 50 60 70 80 90
0 10 20 30 40 50 60 70 80 90
Distance (m)
Distance (m)

Distance (m)
0 100 200 300 400 500 600

185 75
50
100
125 25
4000 4000

Variogram : RESISTIVITE
Variogram : RESISTIVITE

3000 3000

2000 2000
35

1000 1000

0 0

0 100 200 300 400 500 600

Distance (m)

Figure 28 : Ajustement des variogrammes expérimentales des trois profils

Concernant la structure de modélisation, nous avons modélisé les profils A et B avec

le model gaussienne qui a une portée de 211 m pour le profil A, 165 m pour le profil B; et un
palier qui sont respectivement de 5147.25, et 3064.32 ; et nous avons choisis le model
sphérique pour le profil C avec une portée de 225 m et un palier de 4294.23.

Tableau 7 : paramètre et model mathématique des variogramme des profils

Modèles gaussienne
Effet de pépite Palier Portée (m)
Profil A 1020.83 5147.25 211.78

Profil B 438.85 3064.32 165.62

Modele sphérique
Profil C 225.89
4294.23 137.76

58
 Le résultat des validations croisées montre un bon coefficient de corrélation, le
tableau 8 récapitule ces résultats.

Tableau 8 : Récapitulation des résultats de validations croisées

Coefficient de
Moyenne Variance
corrélation

Erreur -0.13956 Erreur 1131.179

Profil A 0.849
Std-erreur 0.00744 Std-erreur 0.6229
Erreur -6.1537 Erreur 1259.437
Profil B 0.751
Std-erreur 0.00129 Std-erreur 1.1336
Erreur -5.36244 Erreur 831.368
Profil C 0.905
Std-erreur -0.06443 Std-erreur 0.46999

D’après ce tableau, la moyenne des erreurs d’estimation et des erreurs standardisées

des trois profils est proche de 0, ce qui veut dire que la condition de ‘non biais’ semble
vérifier. La variance des erreurs d’estimations est forte proche de 1, donc l’écart-type de
krigeage expérimental est faible.

Après les calculs variographique, l’ajustement des variogrammes, le choix des grilles
d’estimations et la validation croisées (cf. Annexe C) ; la figure suivante nous permet de
visualiser les carte obtenue en utilisant la méthode d’estimation par krigeage.

59
 X (m) LEGENDE
0 1000 2000 310.00
-10 -10 283.28
-20 -20 256.56
-30 -30 229.84
-40 -40 203.13

Y (m)
Y (m)

176.41
-50 -50 149.69
-60 -60 122.97
-70 -70 96.25
-80 -80 69.53
-90 -90
25.00
-100 -100
0 1000 2000
N/A
X (m)

Profil A

X (m) LEGENDE
0 500 1000 1500 310.00
-10 -10 283.28
-20 -20 256.56
-30 -30 229.84
203.13
-40 -40

Y (m)
Y (m)

176.41
-50 -50
149.69
-60 -60 122.97
-70 -70 96.25
-80 -80 69.53
-90 -90
25.00
-100 -100
0 500 1000 1500
N/A
X (m)

Profil B

X (m) LEGENDE
0 100 200 300 400 500 600 236.02
-10 -10 177.95
-20 -20 119.87
-30 -30 29.54
-40 -40
Y (m)
Y (m)

-50 -50
-60 -60 N/A
-70 -70
-80 -80
-90 -90
-100 -100
0 100 200 300 400 500 600
X (m)

Profil C

Figure 29 : Estimations par krigeage des trois profils À, B, et C.

Les cartes d’estimation des trois profils nous montrent trois gammes de résistivités
différentes :
60
 La première, représente une couche conductrice qui est les parties de la
subsurface. Selon la géologie de la zone d’études, elle correspond à des argiles alluvionnaires
et à des sables argileux ; elle occupe la première partie des profils.

La seconde, une résistivité moyennement résistant .Elle représente des sables et

graviers imbibés d’eau douce.

Et enfin la troisième gamme de résistivité met en évidence la présence des socles

dans les endroits plus profonds des trois profils.

III-3 Inversion des lignes de sondages électriques verticaux par tomographie 2D

Après l’analyse géostatistique et le krigeage des cartes 2D, tant horizontales que
verticales, nous obtenons un jeu de données, ici de résistivité apparente. Ces données sont
acquises avec un maillage adapté aux contraintes de la géostatistique, aux limites des
méthodes de résistivité électrique par sondage, à la connaissance statistique des données et
aux connaissances géologiques. Cette distribution n’est pas directement compatible avec le
format de données exploitables par le code utilisé : RES2Dinv. L’objectif de cette partie est
de montrer comment nous avons extraits des données des cartes précédemment réalisé pour
construire une pseudo-section.

La méthode comprend deux étapes. La première étape consiste en la création de

fichiers de données de résistivités apparentes à partir des mesures krigées compatibles avec
des fichiers exploitables par RES2DINV. Ces fichiers devront être structurés de façon
identique à ceux issus de tomographie de résistivité acquise avec un dispositif Wenner-
Schlumberger ; on parlera alors de pseudo-section « estimée » c'est-à-dire de pseudo-sections
obtenues par estimation numérique et pas directement par la mesure sur le terrain. La
deuxième étape consiste en l’inversion 2D des pseudo-sections estimées et l’obtention
d’images de tomographie de résistivité électrique (TRE).

III -3- 1) Résultats : Les images 2D des inversions des trois profils dans le bassin
de Miandrivazo
La représentation des résultats sous forme des images 2D de résistivités électrique
est fonctionnelle. Les inversions proposées ci-dessous sont faites avec le logiciel RES2DINV.
On propose dans notre étude d’analyser les modèles construit avec une maille de la grille de
krigeage égale à 25 m (a = 25 m) ; on rappelle, que cette maille correspond à la distance
minimale entre les électrodes de mesures de potentiel (MN).

61
 Figure 30 : Model de résistivité du profil A

La figure 29 nous montre le model de résistivité du profil A obtenue par la

méthode d’inversion.
La longueur du profil A est 2115 m. Le nombre d’électrodes virtuelles estimé pour
la réalisation des modèles est 91 pour le pas de a = 25 m. Pour la totalité du bassin on a
définie 4 niveaux ce qui donne 331 points de données dans le fichier destiné à l’inversion.
On observe dans ce model trois sorte de formation différente :
 Une formation conductrice de couleur bleu foncé à bleu claire ayant une valeur de
résistivité vraie qui varie dans l’intervalle 40 ohm.m à 80 ohm.m et d’épaisseur
environ 25 m. Elle correspond géologiquement à des argiles alluvionnaires et à des
sables argileux
 Une formation moyennant résistant de couleur vert claire à marron ayant une valeur de
résistivité comprise entre 80 jusqu’à 320 Ohm.m et d’épaisseur environ 60 m. Elle
correspond à une formation de marnes et de calcaires de plus en plus volumineux et
d’une formation de dunes de sable.
 Et enfin, une formation résistant de couleur rouge à violet ayant une valeur de
résistivité comprise entre 320 ohm.m jusqu’à 500 ohm.m et d’épaisseur environ 30 m.
Elle correspond à des socles cristallin.

62
 Figure 31 : Model de résistivité du profil

La longueur du profil B est 1650 m. Le nombre d’électrodes virtuelles estimé pour la

réalisation des modèles est 73 pour le pas de a = 25 m. Pour la totalité du bassin on a définie
4 niveaux ce qui donne 256 points de données dans le fichier destiné à l’inversion.

Le model de résistivité du profil B c’est tout comme le profil A ; on obtient d’une part
l’image de la structure du bassin de profondeur allant de 25 m à 70 m, et d’autre part une
image de la subsurface de profondeur allant de 6.25 m à 35 m.

Figure 32 : Model de résistivité du profil C

La longueur du profil C est 600 m. Le nombre d’électrodes virtuelles estimé pour

la réalisation des modèles est 31 pour le pas de a = 25 m. Pour la totalité du bassin on a
définie 4 niveaux ce qui donne 88 points de données dans le fichier destiné à l’inversion.
Le model de résistivité du profil C montre la continuité des formations déjà
identifié dans les profils A et B. L’augmentation de l’épaisseur de la subsurface et du
substratum est naturellement à mettre en relation avec l’approfondissement.

63
 CONCLUSION

L’objectif principal de cette étude était d’interpréter le sondage électrique vertical dans
la ville de Miandrivazo à partir des données disponible par la combinaison de la méthode
statistique géostatistique et inversion. Les données ne sont pas régulières et sont entachées de
diverses incertitudes, comme l’erreur de mesure, d’où l’importance d’une étape préalable
dans ce rapport, d’analyser et de critiquer les comportements de ces données.

L’analyse statistique des données nous a permis de résumer la caractéristique

principale de la zone d’étude et aussi d’analyser les sondages électriques verticaux en tenant
compte de la distribution dans l’espace des valeurs des résistivités apparentes. Ainsi la
classification hiérarchique ascendante a complété cette étude en agrégeant les sondages
électriques en cinq classes les plus homogènes entre eux.

La méthode géostatistique nous a permis de suivre l’évolution pseudo-profondeur par

pseudo-profondeur des variations des résistivités apparentes pour tout le bassin, et nous a
permis d’obtenir une vision géoélectrique claire et globale de la zone à travers un modèle
calculé, tant horizontale que vertical.

La méthode d’inversion des lignes des sondages verticaux par tomographie 2D nous a
permis de montrer les trois grandes structures déjà identifiées dans l’analyse statistique et
géostatistique.

Les résultats des analyses statistiques et géostatistiques complétés par les d’inversion
des lignes des sondages verticaux par tomographie 2D, ont mis en évidence la fiabilité de ces
techniques pour l’interprétation d’un nombre important de sondages électriques au lieu de la
méthode ordinaire fastidieuse qui se base sur l’inversion des sondages un par un et les corréler
ultérieurement pour construire la structure globale du domaine étudié.

Actuellement, l’interprétation des sondages électriques verticaux en 2D est beaucoup

plus détaillée, et on peut encore essayer de faire une modélisation en 3D de la zone et de faire
l’inversion 3D afin d’avoir un modèle géoélectrique bien détaillé de la zone.

64
REFERENCES BIBLIOGRAPHIQUES
1. Andriamirado L. C., 2003, « Application de la méthode de polarisation spontanée (PS) et du
panneau électrique à l’étude hydrogéologique de la plaine alluviale de Miandrivazo ».
Mémoire de DEA, Faculté de Sciences, Université d’Antananarivo

2. ARMSTRONG M. (1998). Basic linear geostatistics. Springer - Verlag Berlin Heidelberg,

153pages.

3. BARKER, & LOKE, M. H. (1996). Rapid least-square inversion of apparent Resistivity

pseudosection by a quasi-Newton method: Geophysical Prospecting. pp 131-152.

4. BESAIRIE. (1963). Géologie de Madagascar,. Madagascar: Services Géologique, M.E.M.

5. BESAIRIE H. (1963). Géologie de Madagascar. Services géologique, M.E.M.

6. BRESSOUD E., K. J. (2010). STATISTIQUE DESCRIPTIVE, Deuxième édition. Pearson France:

35pages.

7. CHAPERON et al. (1993). Fleuves et rivières de Madagascar. Paris: ORSTOM & CNRE,
499pages.

8. CLARK I. (1982). Pratical geostatistics. London: Elseiver Applied Science, 129pages.

9. ESCOFIER, B., & PAGES, J. (1998). Analyses factorielles simples et multiples, Objectifs,
méthodes et Interprétation, 3ème édition. Paris: DUNOD.

10. GARO JOELISON, S. (2012). Approche multidisciplinaire de l'étude hydrogéologique du bassin

d'Ambovombe Androy dans l'extrême Sud de Madagascar. Madagascar: Faculté des Sciences,
Université d'Antananarivo.

11. GUMIAUX, C., GAPAIS, D., & BRUN, J. P. (2003). Geostatistics applied to best-fit interpolation
of orientation data. Tectonophysics, 376, pp 241–259.

12. HARMOUZI, O. (2010). Reconnaissance détaillée de la partie nord-est du Bassin de Saïss

(MAROC): interprétation de sondages électriques verticaux par combinaison des méthodes
statistique, géostatistique et d'inversion. Thèse de Doctorat, Université Moulay Ismail et
Université Bordeaux I.

13. ISAAKS, E. H., & SRIVASTAVA, R. M. (1989). An Introduction to applied geostatistics. New
York: Oxford University Press, 516pages.

14. LOKE, M. H. (2004). Electrical Imaging Surveys for Environmental and Engineering Studies.
Tutorial: 2-D and 3-D Electrical Imaging Survey. www.geoelectrical.com.

15. PARASNIS, D. S. (1986). Principles of Applied Geophysics, 4th edition. London: Chapman and
Hall, 402pages.

65
16. RAKOTONDRAIBE Jean Harivelo –« Les ressources en eaux de Madagascar » établi en 1974,
596 pages

17. RAZAFINDRAKOTO B., 2003, « Apport de l’imagerie et de la modélisation géophysiques 1D et

2Dà l’évaluation du potentiel en eaux souterraines de la région comprise entre Mangoky et
Tsiribihina, Sud-ouest de Madagascar », Madagascar: Faculté des Sciences, Université
d'Antananarivo.

18. RISS, J., FERNANDEZ, M., SIRIEX, HARMOUZI, O., & ESSAHLAOUI, A. (2008). Reinterpretation
of VES data (Saiss basin, Morocco) using Geostatistics and 2D electrical inversion method.
SEG LAS VEGAS.

19. SAPORTA G. (1990). Probabilités, Analyse des données et statistiques. Paris: Editions technic,
493 pages.

20. TELFORD, W. M., GELDART, L. P., & SHERIFF, R. E. (1990). Applied geophysics: Second Edition.
Cambridge University Press, 770pages.

21. TENENHAUS M. (2007). Statistique, méthodes pour décrire, expliquer et prévoir. Paris:
DUNOD.

22. TILLE, Y. (2010). Résumé du cours de statistique descriptive. France: 172 pages.

23. VESSEREAU, A. (1962). La STATISTIQUE, que sais-je? France: P.U.F.

24. WINDLEY B. E., R. A. (1994). Tectonic framework of the Precambrian of Madagascar and its
connections, a review and reappraisal. Geologische Rundschau 83 , pp 642-659.

66
 ANNEXE
ANNEXE A : Le logiciel MATLAB

MATLAB (MATrix LABoratory) version R2009a qui est un logiciel de calcul numérique
produit par MathWorks a été retenu pour ses fonctionnalités. MATLAB est un langage simple
et très efficace, optimisé pour le traitement des matrices. Il contient également une interface
graphique puissante, ainsi qu’une grande variété d’algorithmes scientifiques tout en traitant
les matrices comme de simples variables.

ANNEXE B : Le logiciel ISATIS

Pour permettre aux industriels de bénéficier des avancées de la recherche, le
Centre de Géostatistique a développé le logiciel ISATIS qui présente la série quasi-exhaustive
des techniques géostatistique.

1-Généralités

Le logiciel ISATIS a été créé en 1998 par la société française Geovariance avec
l’aide de l’Ecole des Mines de Paris. Les algorithmes sont conçus et codés en programme
C++ au Centre de Géostatistique de l’École des Mines de Paris, ISATIS réalise deux
fonctions principales :

- la première est d’interpoler l’information entre les points de collecte, nécessairement en

nombre limité, et donc de créer la continuité spatiale à partir d’un espace discret : la technique
utilisée est le krigeage, nom donné par le Professeur Georges Matheron, fondateur de la
discipline, en hommage au Docteur Krige pour ses travaux sur les gisements d’or sud-
africains;

- l’autre est de pouvoir qualifier la confiance que l’on peut accorder à la carte obtenue alors
que l’on sait qu’il existe une erreur d’estimation (variance de krigeage). La fiabilité et la
robustesse de la technologie ISATIS sont reconnues par de nombreuses organisations dans
des domaines divers.

ISATIS trouve des applications dans : l’agriculture, l’estimation minière,

pétrologie, secteurs environnementaux, la sylviculture (exploitation, reboisement, étude de la
forêt tropicale...). Son apport dans la modélisation est certainement l’atout majeur du logiciel
dans son apprentissage à part ses multiples modules pour l’analyse des données et l’obtention
d’une carte précise de l’estimation effectuée. Ce logiciel a pour l’avantage de :

- chargement rapide de données ;

LXV
 - analyse et contrôle détaillés des données ;

- représentation dans la même vue de données ponctuelles 3D, sondages 3D, surfaces 2D ;

- exporter les graphiques aux formats images standards.

La capacité de traitement du logiciel est la suivante :

- 100 variables;

- 100 000 échantillons (enregistrements);

2- Choix du logiciel
ISATIS est un logiciel multifonction et interactif intégrant des modules diverses
pour l’étude raisonnée des données. Il permet entre autre l’analyse exploratoire des données et
l’obtention d’une carte d’isovaleur en deux et en trois dimensions avec une carte d’erreur
d’estimation. L’ajustement des modèles de variogrammes est pris en fonction intégralement par
ISATIS en donnant l’appréciation des modèles choisis pour une bonne étude des paramètres et
des choix à faire dans la suite.

LXVI
ANNEXE C : VALIDATION CROISEE DES TROIS PROFILS

Profil A
Z* : RESISTIVITE (Estimates)
0 100 200 300
300 300
rho = 0.849

Z : RESISTIVITE (True value)

Z : RESISTIVITE (True value)
200 200

100 100

X (m)
0 1000 2000 Y (m)
Y (m)

0
-10
-20
-30
-40
-50 0
-10
-20
-30
-40
-50 0 0
-60
-70
-80
-90 -60
-70
-80
-90
0 1000 2000 0 100 200 300
X (m) Z* : RESISTIVITE (Estimates)

(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

-2 -1 0 1 2 0 100 200
0.11 0.11 2 2

0.10 Nb Samples: 30 0.10 rho = 0.103

Minimum: -1.67634
0.09 Maximum: 1.34287 0.09
Mean: 0.00744482
1 1
0.08 Std. Dev.: 0.793397 0.08

0.07 0.07
Frequencies
Frequencies

(Z*-Z)/S*
(Z*-Z)/S*

0.06 0.06
0 0
0.05 0.05

0.04 0.04

0.03 0.03
-1 -1
0.02 0.02

0.01 0.01

0.00 0.00 -2 -2
-2 -1 0 1 2 0 100 200
(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

LXVII
 Profil B

Z* : RESISTIVITE (Estimates)
0 100 200 300
300 300
rho = 0.751

Z : RESISTIVITE (True value)

Z : RESISTIVITE (True value)
200 200

100 100

X (m)
0 500 1000 1500

Y (m)
Y (m)

0
-10
-20
-30
-40 0
-10
-20
-30
-40
-50
-60
-70
-80 -50
-60
-70
-80 0 0
-90 -90
0 500 1000 1500 0 100 200 300
X (m) Z* : RESISTIVITE (Estimates)

(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

-3 -2 -1 0 1 2 3 0 100 200

0.20 Nb Samples: 25 0.20 rho = 0.232

Minimum: -2.97862 3 3
Maximum: 3.3278
Mean: -0.0937706
2 2
Std. Dev.: 1.35818
0.15 0.15
1 1
Frequencies
Frequencies

(Z*-Z)/S*

(Z*-Z)/S*
0 0
0.10 0.10
-1 -1

-2 -2
0.05 0.05

-3 -3

0.00 0.00
-3 -2 -1 0 1 2 3 0 100 200
(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

LXVIII
 Profil C

Z* : RESISTIVITE (Estimates)
50 100 150 200 250

250 rho = 0.905 250

Z : RESISTIVITE (True value)

Z : RESISTIVITE (True value)
200 200

150 150

100 100

X (m)
0 100 200 300 400 500 600 50 50
0
-10 0
-10
-20 -20

Y (m)
Y (m)

-30
-40 -30
-40
-50
-60 -50
-60
-70
-80 -70
-80
-90 -90
0 100 200 300 400 500 600 50 100 150 200 250
X (m) Z* : RESISTIVITE (Estimates)

(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

-2 -1 0 1 2 25 50 75 100 125 150 175
0.15 0.15 2 2
Nb Samples: 35 rho = -0.304
Minimum: -1.71115
Maximum: 1.8599
Mean: -0.0644274
Std. Dev.: 0.685555 1 1

0.10 0.10
Frequencies
Frequencies

(Z*-Z)/S*
(Z*-Z)/S*

0 0

0.05 0.05
-1 -1

-2 -2
0.00 0.00
-2 -1 0 1 2 25 50 75 100 125 150 175
(Z*-Z)/S* Z* : RESISTIVITE (Estimates)

ANNEXE D : Le logiciel RESD2INV

Pour les traitements géophysiques, le logiciel RES2DINV version 3.57.07 a été

utilisé pour l’étude et l’inversion des profils des données de résistivité apparente estimée.
RES2DINV est un logiciel commercialisé par GEOTOMO et développé par LOKE. Ce
logiciel permet par méthode itérative de calculer un modèle de résistivité optimal
correspondant le mieux aux structures électriques du terrain étudié. Ce logiciel permet par
méthode itérative de calculer un modèle de résistivité optimal correspondant le mieux aux
structures électriques du terrain étudié (HARMOUZI, 2010) .

LXIX
ANNEXE E : Feuille de mesure pour un SEV

LXX
 TABLES DES MATIERES

Introduction …………………………………………………………………………………..1

Chapitre I : présentation de la zone d’étude et présentation des données ………………….....2

I-1- Présentation de la zone d’étude ………………………………………………………….3

I-1-1 Contexte genéral de la zone d’étude...…………………………………………...3

I-1-2-Cadre géologique, hydrologique et hydrogéologique …………………………...4

I-1-2-1-Contexte géologique ……………………………………………….….4

I-1-2-2-Hydrologie et hydrogéologie ..........................................................…...6

I-2- PRESENTATION DES DONNEES …………………………………………………….9

I-2-1- Définition de la résistivité du sous sol …………………………………………9

I-2-2- Prospection électrique ….…………………………………………………..…..9

I-2-3-Dispositif Wenner ……………………………………………………………...10

Chapitre II : rappels théoriques sur la statistique, géostatistique et inversion………………..13

II-1- Analyse statistique des données de sev…………………………………………………14

II-1-1 Statistique descriptive ………………………………………………………...14

II-1-2- Rappels des grandeurs fréquemment utilisées en statistique ………………...14

II-1-2-1- Paramètres de position ……………………………........….14

II-1-2-2-Paramètre de dispersion …………………………………....15

II-1-2-3 Analyse en composante principale ……………………....…16

II-2 Analyse géostatistique ……………………………………………………………….....17

II-2-1 Notations et définitions ……………...……………………………………….17

II-2-1.1 Notion de variable régionalisée et notion de champ ………..17

II-2-2 Hypothèses de base ………………………………………..….17

II-2-2.1Stationnarité du second ordre …………………….….19

II-2-2.2 L’hypothèse intrinsèque …….……………………....19

LXXI
 II-2-3 Variogramme …………………………………………………………..…..20

II-2-3-1 Variogramme théorique et variogramme

expérimental……………………………………………………………………………….20

II-2-3-2 Propriétés du variogramme. …….………………...21

II-2-3-3 Modélisation du variogramme ….….……………..22

II-2-3-4 Isotropie et anisotropie ………………..…………..23

II-2-3-5 Cas multivarié : calcul des variogrammes croisés ..23

II-2-4 Krigeage ………………………………………………………………..…..24

II-2-4-1 Hypothèses et contraintes ….…….………………..24

II-2-4-2 Estimateur de krigeage …………….……………..25

II-2-4-3 Cas multivariable : Cokrigeage .………………….25

II-3 Inversion des lignes de SEV par tomographie 2D ….………………………………..26

II-3-1) Le dispositif Schlumberger des sondages électriques verticaux…………..26

II-3-2) La configuration Wenner-Schlumberger des pseudo-sections pour des

inversions 2D ………………………………………………………………………….….27

II-3-3) La méthodologie …………………………………………………………..29

Chapitre III analyse des données et résultats obtenus ………………………………........31

III-1 Méthode statistique ……..………………………………………………………32

III-1-1 Statistique descriptive ………………………….………………………….32

III-1-1-1Matrice des corrélations ………………………….34

III-1-2 Analyse en composante principale ……………………………….……….38

III-1-2-1 Tableau des valeurs propre de l’analyse …………38

III-1-2-2 Représentations graphiques des données dans le plan factoriel F1

61% et F2 14% ……………………………………………………………………………..38

III-1-2-3 Représentations graphiques des données dans le plan factoriel F1 64% et

F3 6% …………………………………………………………………………40

III-1-3 classification ascendante hiérarchique avec la méthode de Ward et distance

euclidienne ……………………………………………………………………….…………42

III-2 Méthode géostatistique …………………………………………………………….….45

III-2-1-Analyse variographique …………………………………………………...46

LXXII
 III-2-2 Modélisation des variogrammes ………………….……………………….48

III-2-3- Validation croisée ………….……………………………………………...50

III-2-4-Les cartes krigées …….…………………………………………………….53

III-2-5 Cartographie par krigeage des résistivités apparentes par profil ….……..…55

III-2-5-1 Analyse géostatistique des trois profils ……….……………..56

III-3 Inversion des lignes de sondages électriques verticaux par tomographie 2D…………..60

III -3- 1) Résultats : Les images 2D des inversions des trois profils dans le bassin de
Miandrivazo ….…….………………………………………………………………………...60

Conclusion ……………………………………………………………………………….63

LXXIII
Titre du mémoire: INTERPRETATION DES SONDAGES ELECTRIQUES VERTICAUX PAR
COMBINAISON DE LA METHODE STATISTIQUE, GEOSTATISTIQUE ET INVERSION :
CAS DU BASSIN DE MIANDRIVAZO

RESUME

Ce présent travail a pour objectif de faire une interprétation des sondages électriques verticaux
dans la ville de Miandrivazo à partir des données disponibles par la combinaison de la méthode
statistique, géostatistique et inversion.
L’utilisation de la méthode statistique nous a permis de résumer les caractéristiques principales
de la zone d’étude et aussi d’analyser les sondages électriques verticaux en tenant compte de la
distribution dans l’espace des valeurs des résistivités apparentes, et de subdiviser les sondages
électriques en cinq classes les plus homogènes entre eux. La technique géostatistique, nous a
conduits à obtenir les différentes cartes de distribution spatiale, après ajustements et estimations
par la méthode de krigeage. La méthode d’inversion des lignes des sondages verticaux par
tomographie 2D nous a permis de montrer les trois grandes structures déjà identifiées dans
l’analyse statistique et géostatistique.

Mots clés : Miandrivazo, Sondage électrique, Statistique, Géostatistique, Inversion

ABSRACT

This present work has for objective to make an interpretation of the vertical electric polls in
the city of Miandrivazo from the available data by the combination of the statistical,
géostatistic and inversion methods.
Using statistical method allowed us to summarize the main characteristic of the study zone
and also to analyze the vertical electric polls while taking into account the spatial distribution
of the values of apparents resistivities, and to categorize the electric polls in five classes most
homogeneous between them. The technical géostatistic, led us to obtain the different spatial
distribution maps, after adjustments and estimations by the kriging’s method. The method of
inversion of the lines of the vertical polls by tomography 2D allowed us to show the three big
structures already identified in the statistical and géostatistical analysis.

Key words: Miandrivazo, electrical sounding, Statistical, Géostatistical, Inversion,

Encadreur : L’impétrant :

RARIVOSON ANDRIAMIHARISOA Fanantenana

Dr Garo J. Sebille Tel : +261 33 14 040 31

e-mail : m6fafah@gmail.com