AVANT PROPOS

La statistique classique utilisée dans les sciences de la terre ne tient pas compte ni de
la continuité spatiale des phénomènes naturels, ni de l’auto-corrélation spatiale d’une variable
répartie dans l’espace (variable régionalisée). Ce qui a poussé certains géologues et
mathématiciens à développer une science qui tient compte de la continuité des phénomènes et
leurs quantifications. Cette science est appelée- la géostatistique – cette dernière est venue
répondre aux insuffisances de la statistique classique.
Dans le présent document nous définissons les outils de base de la géostatistique et
leurs applications ainsi que la procédure de krigeage.
Ce document est un support de cours destiné aux étudiants de master2, option
Ressources Minérales, Géo-matériaux et Environnement. C’est le cours qui est enseigné au
niveau du département des Sciences de la Terre de l’Université Ferhat Abbas Sétif1. Il permet
une synthèse de la Géostatistique linéaire, appliquée plus particulièrement au domaine de la
géologie.
RESUME…………………………………………………………………………………........1
INTRODUCTION.........................................................................................................…........2

I. GEOSTATISTIQUE - DEFINITION, METHODES ET DOMAINES

D’APPLICATION……………………………………………………………………............2
I. 1. DEFINITION……………………………………………………………………..........…2
I. 2. MODELES DE LA GEOSTATISTIQUE……………………………….......................3
I. 3. DOMAINES D ’APPLICATION DE LA GEOSTATISTIQUE……………................5

II. LES VARIABLES REGIONALISEES ET LEURS MOMENTS………….…….…….6

II. 1. DEFENITION DE LA VARIABLE REGIONALISEE…….…………..………….…6
II. 2. VARIOGRAMME THEORIE ET PRATIQUE…………………..……………..…....7
II. 3. VARIOGRAMME DE SURFACE…………………………………………………....16
II. 4. STRUCTURES GIGOGNES…………………………………………….…................16
II. 5. FORME DU VARIOGRAMME………………………….…………….……….....17
II. 6. SCHEMAS THEORIQUES ET AJUSTEMENT DES VARIOGRAMMES
EXPERIMENTAUX……………………………………………………………………..…..19
II. 7. METHODES D’AJUSTEMENT D'UN VARIOGRAMME EXPERIMENTAL
…………………………………………………………………………………………………22
II. 8. RELATION ENTRE LE MODELE VARIOGRAPHIQUE ET LE PHENOMENE
GEOLOGIQUE………………………………………………………………………………23
II. 9. IMPORTANCE D’UNE ETUDE VARIOGRAMMIQUE…………………………23

III. LE CONCEPT DE VARIANCE D'ESTIMATION.……………………………..…...23

III. 1. DEFINITION D’ESTIMATION ……..…………………………………….……....23
III. 2. QUALITE DES ESTIMATIONS…………………………………………………....24
III. 3. DEFENITION DE LAVARIANCE D’ESTIMATION …………………………....24
III. 4. FONCTIONS AUXILIAIRES……………………………………..………..……….31

IV. LE CONCEPT DE KRIGEAGE……………………………………………………….38

IV. 1. LE KRIGEAGE ORDINATAIRE………………………………………………...…38
IV. 2. LE KRIGEAGE SIMPLE………………………………………………………..…..40
IV. 3. LE KRIGEAGE UNIVERSEL.………….…………………………………………..41
IV. 4. VALIDATION CROISEE…………..……………………………………………..…43
CONCLUSION……..…………………………………………………………………………..….....48
REFERENCES BIBLIOGRAPHIQUES…………………………………..………………49
 LISTE DES FIGURES
Fig. 1 - Phénomène stationnaire………………………………………………………….……4
Fig. 2 - Phénomène non stationnaire……..……………………………………………………4
Fig. 3 - Schéma représentant le lien entre variogramme et covariance……………….………7
Fig. 4 - les caractéristiques du graphe 2  ( x, h ) en fonction de h (Laurent, 2007)………….9
Fig. 5 - Schémas de calcul du variogramme expérimental………………………………...…10
Fig. 6 - Représentation graphique du variogramme théorique et expérimental (Souadnia et
Mezghache., 2017)……………................................................................................................11
Fig.7 - Profil d’échantillonnages à maille régulière……………………………….……...….12
Fig. 8 - Représentation graphique du variogramme expérimental (Armstrong et Carignan,
1997)……………………………………………………………………………………….…12
Fig. 9 - Graphe d’un variogramme de surface – cas isotropie……………………….………14
Fig. 10 - Anisotropie géométrique : a) - ellipse formé par ag et ap ; b) - variation de la porté
du variogramme dans le casd’une anisotropie géométrique....……………………………….15
Fig. 11 - Schéma de variogrammes représentants une anisotropie zonale………………...…15
Fig. 12 - Graphe d’un variogramme de surface - cas d’anisotropie……………………….…16
Fig. 13 - Comportement à l'origine des différents variogrammes (Delhomme, 1976)……....17
Fig. 14 - Comportement du graphe à l'infini a)- variogramme non borne ; b)- variogramme à
palier (Delhomme, 1976)……………………………………………………………………..18
Fig. 15 - Comportements particuliers du variogramme (Delhomme, 1976) .………………...19
Fig. 16 - Graphes d’un modèle à comportement linéaire à l'origine a) - sphérique ; b)
exponentiel …………………………………………………………………………………...20
Fig. 17 - Graphes d’un modèle à comportement parabolique à l'origine a) - Gaussien ; b)-
cubique………………………………………………………………………………………..21

Fig. 18 - Graphe des schémas en h .........................................................................................21
Fig. 19 - Graphe d'un schéma à effet de trou………………………………………………....22
Fig. 20 - Représentation graphique du volume V par rapport au volume V'…………………25
Fig. 21 - Schéma de configuration de reconnaissance d'un volume V par un certain nombre N
informations…………………………………………………………………………………..27
Fig. 22 - Variance d’un point dans un segment, variogramme sphérique de palier C=1

.
F(L/a)=D2( /L)=  ( L, L)  1  C ( L, L) ………………………………………………………31
Fig. 23 - Variance d’un point dans un rectangle, variogramme sphérique de palier C=1

.
F(Lx/ax,Ly/ay)=D2( /v)=  (v, v)  1  C (v, v) ………………………………………………...32
Fig. 24 - Variance d’un point dans un bloc section carée, variogramme sphérique de palier

.
C=1 F(L1/a1,L2/a2= L3/a3, = L3/a3)=D2( /v)=  (v, v)  1  C (v, v) …………………….…..…32
Fig. 25 - Variance d’un point dans un segment ou un carrée estimé par son point central…..33
Fig. 26- Variance d’estimation : un rectangle estimé par son point central………………….33
Fig. 27 - Variance d’estimation : un rectangle estimé par le segment central parallèle à
Ly/ay……………………………...……………………………………………………………34
Fig. 28 - Variance d’estimation : un bloc estimé par la section central carrée de coté
Ly/ay=Lz/az……………………………………………………………………….…………….34
Fig. 29 - Variance d’estimation : un bloc à section central carrée de coté Lx/ax=Ly/ay estimé
par le segment central parallèle à L z/az……………………………………………………….35
Fig. 30 - Modèle sphérique fonction x………………………………………………………..35
Fig. 31 - Modèle sphérique fonction h………………………………………………………..36
Fig. 31- Représentation graphique du variogramme expérimental 2(h)…………...………..44
Fig. 32- Paramètres d’ajustement du variogramme expérimental 2(h)……………………..44
 LISTE D’ABREVIATION

Z(x) : Fonction aléatoire

Z(xi) : Variable régionalisée

Z(x0) : Variable aléatoire

E[z(x)] : Espérance mathématique

Z(i) : Valeur observée au point xi

Zv : Variable aléatoire que l’on veut estimer

Z v* : Estimateur de Zv

m(x, h) : Moyenne

S1, S2… : Sondages

γ(h) : Semi-variogramme théorique.

γ*(h, θ) : Semi-variogramme expérimental

θ : Angle directionnel du variogramme.

N(h, θ) : Nombre de couples [z(x), z(x+h)], séparés par une distance h dans la direction θ.

i : Pondérateurs

a : Portée du semi-variogramme.

C(0) : Palier du semi-variogramme

C0 : Effet de pépite.

h : Pas du semi-variogramme ou inter-distance moyenne.

d : Distance du profil

N(h) : Nombre de paires d’observations séparées par la distance h.

C(0) : Covariance pour h=0

C(h) : Covariance pour h>0
ap : Petit axe d’anisotropie

ag : Grand axe d’anisotropie

1D : Une seule dimension

2D: Deux dimensions

Ϭ2est : Variance d’estimation

Ϭ2k : Variance de krigeage

S2 : Variance

S : Ecart type

 : Paramètres de lagrange
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

RESUME
Le polycopié est organisé en quatre chapitres essentiellement liés : le premier chapitre
consacré à la définition des différents modèles de la géostatistique et les domaines
d’application. Le deuxième chapitre concerne la théorie des variables régionalisées, son
application en géostatistique et l’évaluation de la continuité spatiale à l’aide de l’outil de base
de la géostatistique qui est le variogramme, ce dernier est tracé à partir des points de mesure
distant de h et ajusté à l’aide d’un modèle mathématique qui permettra de réaliser les calculs
d’estimation. Cette étape est essentielle car elle permet de distinguer l’importance de la
variabilité à courte distance et de déterminer si des mesures complémentaires doivent être ou
non réalisées. Le troisième chapitre décrit le calcul de la variance d'estimation par les
méthodes classiques (exemple : Inverse des distances et moyenne arithmétique) afin de
pouvoir les comparer avec les résultats de krigeage et enfin le dernier chapitre qui est
consacré à l’étude de l’interpolation des données par la méthode de krigeage. Cette méthode
qui se différencie des autres estimateurs, par la prise en compte de la cible, des distances
séparant les données entre elles, par la structure spatiale du phénomène (variogramme) et
aussi minimise la variance d’estimation (erreur minimale).
Mots Clés : géostatistique ; variables régionalisées ; variogramme ; variance d'estimation ;
krigeage

1
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

INTRODUCTION
A l’origine, la géostatistique s’est développée pour des applications minières, avec les
travaux de Krige (1951) sur l’estimation des teneurs dans les mines d’or Sud-africaines. Le
formalisme et la théorie ont été développés ensuite durant les années cinquante, en particulier
sous l’impulsion du professeur Matheron (1962, 1965, 1971a, 1971b, 1971c) à l’Ecole des
Mines de Paris. Progressivement ces techniques ont été utilisées dans le domaine des sciences
de la terre et dans d’autres domaines.
La géostatistique s’appuie sur un formalisme probabiliste qui fait intervenir le concept
de fonction aléatoire. Dans l’étude d’une variable régionalisée, qu’on ne connaît généralement
qu’en quelques points de l’espace (sondages), la géostatistique considère que cette variable
suit une fonction de l’espace z(x) et que z(x) est une réalisation particulière d’une fonction
aléatoire Z(x). La géostatistique étudie le double aspect – aléatoire et structuré – des variables
régionalisées. La variabilité spatiale est l’autocorrélation quantifiée à l’aide de l’outil
variogramme ou covariance (Matheron, 1965)
En géostatistique linéaire, les éléments utilisés pour caractériser Z(x) sont :
 La loi de probabilité de la variable aléatoire Z(x0), estimée grâce à l’histogramme
empirique des données.
 Le variogramme de la fonction aléatoire Z(x).

I. GEOSTATISTIQUE - DEFINITIN, MODELES ET DOMAINES D’APPLICATION

I. 1. DEFINITION
Il existe deux définitions de la notion géostatistique :

I. 1. 1. La Géo-statistique (l’école anglo-saxonne) : Est définie comme des statistique

appliquée aux sciences de la terre; et c’est l’ingénieur minier sud-africain Krige qui en 1951 a
développé une série de méthodes statistiques empiriques afin de déterminer la distribution de
minerais à partir d’un ensemble de forages.

I. 1. 2. La géostatistique : Est définie par Matheron (1962), de la façon suivante : La

géostatistique est l’application du formalisme des fonctions aléatoires à la reconnaissance et à
l’estimation des phénomènes naturels repartis dans l’espace (phénomènes régionalisés) et/ou
dans le temps (Minéralisation, concentration d’un polluant, température, propriété physique
de roches...).

2
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

L’objectif de la géostatistique est le traitement de données numériques à support

spatial et/ou temporel et quantification des incertitudes.

I. 2. MODELES DE LA GEOSTATISTIQUE
La géostatistique est une science physique (Chauvet, 1999) qui étudie des phénomènes
naturels répartis dans l’espace et/ou dans le temps (Minéralisation, paramètres pétrophysique
de roches, température...).
La géostatistique a deux modèles qui sont:

I. 2. 1. Géostatistique Transitive – modèle primaire (Chauvet, 1999)

La géostatistique basée sur la variable régionalisée Z(xi) comme étant une valeur unique et
valeur vraie en (xi) c.a.d. on obtient la même valeur. Donc, elle étudiera la corrélation spatiale
de la variable régionalisée Z(x) et la structure de cette variable dans ce même espace.

I. 2. 2. Géostatistique Intrinsèque - modèle topo-probabiliste (Chauvet, 1999)

Le choix constitutif de la géostatistique minière consiste a interpréter chaque valeur de
la variable régionalisée z(x) comme une réalisation particulière d’une variable aléatoire z(x i)
implantée au point xi donc plusieurs réalisations sont possible.
Ce choix constitutif fondamental conduit à des solutions cohérentes et acceptables pour divers
problèmes pratiques miniers posés, tel que le problème de l’estimation des réserves locales et
récupérables.

I. 2. 3. Le phénomène stationnaire
Si les moyennes des variables aléatoires aux points (xi) sont relativement égales : c’est
la géostatistique stationnaire - c.à.d. l'espérance mathématique (E[z(x)]) et la moyenne
(m(x,h) sont constantes et égaux: E[(Z(x)]= m (x,h), avec h la distance entre le point x et le
point x+h (Fig. 1).

Example 01: Cas stationnaire

S1: 9ppm; 8ppm; 5ppm; 6ppm=>m(S1)=7ppm
S 2: 6ppm, 9ppm, 7ppm, 7ppm= >m(S2)=7.25ppm ;
S 3: 10ppm, 4ppm, 6ppm, 8ppm=>m(S3)= 7ppm ;
S 4: 5.5ppm, 8ppm, 8.5ppm, 5.25ppm=>m(S4)= 6.80ppm

3
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Au(ppm)

m(x)=m

10 Km
Fig. 1 – Phénomène stationnaire
m(x)= Constante =m

I. 2. 4. Le phénomène non stationnaire - effet de dérive

Si les moyennes des variables aléatoires aux points (xi) sont variables dans les
différentes directions de l’espace de définition soit en augmentant ou en diminuant : c’est la
géostatistique non-stationnaire- il ya un effet de dérive (Fig. 2).

Exemple 02 : Cas non stationnaire

S1: 9ppm; 8ppm; 5ppm; 6ppm=>m(S1)=7ppm;
S2: 7ppm, 9ppm, 8ppm, 7ppm= >m(S2)= 8.5ppm ;
S3: 10ppm, 9ppm, 12ppm, 10ppm=>m(S3)= 11ppm ;
S4: 11ppm, 13ppm, 10ppm, 14ppm=>m(S4)= 12ppm

Au(ppm)

m(x)=f(h)

Fig. 2 – Phénomène non stationnaire h (m ou km)

m(x)= f(h) - Effet de dérive

4
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

I. 3. DOMAINES D ’APPLICATION DE LA GEOSTATISTIQUE

Aujourd’hui la géostatistique est appliquée dans plusieurs domaines tels que, la
géologie, la géotechnique, l’hydrogéologie, l’hydrocarbure, les mines, l’environnement,
l’agronomie, génie civil, biologie, biomédical…).
 L’hydrocarbure, la géostatistique est utilisée pour la modélisation du réservoir (faciès,
géométrie, paramètres pétrophysique…), ingénierie des réservoirs et aussi pour
l’estimation du volume en hydrocarbures…
 l’environnement fait appel aux techniques multivariables, en particulier l’utilisation
d’informations auxiliaires (données qualitatives en pollution, images satellites ou
photographies en inventaires de ressources, sondeurs multifaisceaux pour la
cartographie des fonds marins).
 Analyse et caractérisation d’images (biomédical, télédétection)
Dans le domaine de la géologie des ressources minérales, elle est utilisée à différentes étapes
de la recherche et prospection.
 Prospection géochimique et géophysique (cartographie des anomalies)
 Estimation de la compaction du noyau imperméable d’un bourrage (géotechnique).
 Estimation des ressources/réserves in situ (tonnages de minerai et de métal).
 Estimation des ressources/réserves récupérables (le pourcentage de métal contenu
dans des blocs) et la variance d'estimation.

II. LES VARIABLES REGIONALISEES ET LEURS MOMENTS

II. 1. DEFINITION DE VARIABLE REGIONALISEE (VR)

C’est la répartition dans l’espace d’un certain nombre de grandeurs mesurables, ces
variables ont une structure d’auto-corrélation qui dépend du module et de direction des
fonctions du point x (Ploner et Dutter, 2000), cette fonction est généralement irrégulière et
montre deux aspects complémentaires (Matheron, 1973) :
 Un aspect aléatoire qui explique les irrégularités locales;
 Un aspect structuré qui reflète les tendances des phénomènes à grande échelle.
Donc en géostatistique linéaire, les éléments utilisés pour caractériser Z(x) sont :
 La loi de probabilité de la variable aléatoire Z(x0), estimée grâce à l’histogramme
empirique des données.
 Le variogramme de la fonction aléatoire Z(x).

5
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 1. 2. Définition des moments

En géostatistique linéaire appliquée, on s’intéresse essentiellement aux deux premiers
moments de la variable régionalisée Z(x) (Journel et Huigbrets, 1978).
- Moment d'ordre 1 : qui est l'espérance mathématique EZ ( x)  m( x)
- Moment d'ordre 2 : est représenté par trois outils qui sont
- Le variogramme 
2 ( x, h)  E z ( x)  z ( x  h)
2

- La covariance : C( x, h)  EZ ( x  h)  m( x  h)* Z ( x)  m( x)
C (h)
- Le corrélogramme : h 
C ( 0)

- C(0) : la covariance pour h=0

- C(h) : la covariance pour h>0

La covariance, le corrélogramme et le variogramme sont des outils de base de la

géostatistique, qui sont déterminés par la loi spatiale bivariable. Ils permettent d’estimer le
degré de corrélation entre deux points de mesures x et x+h par mesure quadratique de l’écart
statistique entre deux valeurs Z(x) et Z(x+h)
x x+h
Z(x) Z(x+h)

II. 1. 2. Hypothèses de stationnarité

On dit qu'une fonction aléatoire Z(s) est stationnaire si son espérance est la même en
tout point de l'espace (sa loi spatiale est invariante par translation).
La F.A. Z(x) est dite stationnaire d'ordre deux si ses deux premiers moments sont invariants
par translation sur l'espace de définition (Journel et Huigbrets, 1987)
E Z ( x)  m
E Z ( x  h)  Z ( x )  2  ( h)  2  (  h)
2

E Z ( x  h). Z ( x )  m2  C ( h)  C (  h)
II. 1. 3. Le lien entre le variogramme et la covariance
Le variogramme est peut montrer un palier et dans ce cas, on peut facilement établir
les liens entre la valeur du variogramme pour la distance h et la covariance pour deux
observations séparées de h (Fig. 3) (Allard, 2012).

 (h)  C (0)  C (h)

6
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

En effet :
(h)= 0,5E[(Z(x+h)-Z(x))2]
(h)= 0,5E[Z(x+h)2-2(Z(x+h)Z(x)+Z(x)2]
(h)= 0,5[VarZ(x+h)-2Cov(Z(x+h),Z(x)+VarZ(x)]
(h)= 0,5[2C(0)-2C(h)]

Fig. 3 - Schéma représentant le lien entre variogramme et covariance

(https://tice.agroparistech.fr)

L'hypothèse d'existence du variogramme étant moins forte; en géostatistique appliquée au

domaine des sciences de la terre, on préfère l'outil variogramme à la covariance (Journel et
Huigbrets, 1978).

II. 2. VARIOGRAPHIE THEORIE ET PRATIQUE

La variographie consiste à quantifier la variation des variables régionalisées dans
différentes directions.

II. 2. 1. Variogramme théorique

En géostatistique, la fonction la plus utilisée pour décrire la continuité spatiale de la
variable est le variogramme, car il est simple à estimer que la covariance.
Considérons deux valeurs numériques, Z(x) et Z(x+h), implantées en deux points x et x+h
distants du vecteur h. La variabilité entre ces deux mesures, est caractérisée par la fonction
variogramme : 2 ( x, h) définie comme l'espérance de la variable aléatoire (Journel et
Huigbrets, 1978) :

7
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

[Z ( x)  Z ( x  h)]² donc 2 ( x, h)  E  [Z ( x)  Z ( x  h)]²

 

x x+h
Z(x) h Z(x+h)

En général, le variogramme 2γ(x, h), est une fonction à la fois du point x et du vecteur
h mais l'estimation de ce variogramme nécessite plusieurs réalisations. Cependant trop
souvent dans la pratique, nous ne disposons que d'une seule réalisation - soit le couple [z(x),
z(x+h)] de mesure effectuées aux points x et x+h - d'où l'introduction de l'hypothèse
intrinsèque: "le variogramme ne dépend que du vecteur h en module et en direction et non du
point x".
Le variogramme théorique est caractères par :

 fonction paire

 (h)  1 E  [Z ( x)  Z ( x  h)]² : hypothèse de stationnarité d’ordre 2
2  

Le variogramme est une fonction du vecteur h, il montre les particularités directionnelles du

phénomène étudié dans différentes directions.
Le graphe de 2  ( x, h ) en fonction de h a les caractéristiques suivantes (Fig.4):
1- L'effet de pépite (Nugget effect) C0 : il s'agit da la valeur de la semi-variance pour
une distance nulle. En théorie, on devrait avoir un γ(h)=0 pour un h=0, mais en pratique,
le variogramme présente une ordonnée à l'origine non nulle. Cet écart est qualifié "d'effet
de pépite". Cette discontinuité correspond à une variable très locale du phénomène étudie
(microrégionalisation, erreurs de mesures, erreur de positionnement…) ;
2- Palier C (Sill) : Dans la plupart des cas, le variogramme croit jusqu’à une certaine
limite appelée palier.
3- La portée a (Range) et Zone d'influence : Lorsque le variogramme a atteint sa limite
supérieure c'est à dire son palier, il n'y a plus de corrélation entre les échantillons séparés
par cette distance h : cette distance critique est appelée portée du variogramme, qui

8
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

fournit une définition plus précise de la notion de zone d'influence (Armstrong et

Carignan., 1997)

Fig. 4 - les caractéristiques du graphe 2  ( x, h ) en fonction de h (Laurent, 2007)

II. 2. 2. Estimation du variogramme – Variogramme expérimental

Afin de pouvoir utiliser le variogramme dans la pratique, il est nécessaire de pouvoir
l'estimer en calculant la moyenne arithmétique des écarts quadratiques entre deux points de
mesures expérimentales distants de h en utilisant la formule suivante :

1 N ( h , )
2

2 (h,  ) 
*
 z i ( x)  z i ( x  h)
N (h,  ) i 1

Où N(h,  ) est le nombre de couples [z(x), z(x+h)], séparé par une distance h suivant une
direction  (Fig. 5).

9
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

 = 0°

Fig. 5 - Schémas de calcul du variogramme expérimental

En pratique on admet une tolérance sur h et sur 0 pour avoir suffisamment de couples.
Pour chacune des classes ainsi formées on calcule la distance moyenne séparant les extrémités
des couples et on évalue le variogramme expérimental pour chaque classe. On obtient une
série de points expérimentaux auxquels on cherche à ajuster le modèle permettant de réduire
la covariance entre deux points quelconques en fonction de leur distance. Tous les calculs qui
suivent se font à l’aide des résultats du modèle d’ajustement.

II. 2. 3. Propriétés du variogramme directionnel

On fixe une direction θ, en partant de l'origine h= 0. En général, le variogramme croît

avec le module du vecteur h. Cette croissance caractérise le degré de continuité de la variable
étudiée (Fig. 5). Généralement, la stabilisation du variogramme est marquée au delà d'une
certaine valeur de h notée "a" appelée portée du variogramme. Au-delà de h = a le
variogramme ne dépend plus de l'interdistance entre les valeurs - les mesures ne sont plus
autocorrélées. La portée "a" donne alors un sens à la notion de zone d'influence d'un
échantillon ou d'un sondage. Cette portée n'est pas forcément la même dans toutes les
directions de l'espace. Elle permet donc de détecter une éventuelle anisotropie ou isotropie
dans la structure de la minéralisation. Pour déterminer la présence ou non de l’anisotropie on
trace la rose des portées ou bien on calcul le variogramme de surface.

10
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Le variogramme croît jusqu'à une certain limite appelé palier puis s'aplatit (Fig. 6), mais il
peut également croître indéfiniment (effet de dérive) (Mezghache, 2008).

Fig. 6 - Représentation graphique du variogramme théorique et expérimental (Souadnia et

Mezghache., 2017)

II. 2. 4. Règlements pratique du calcul et ajustement du variogramme expérimental

Pour le calcul et l’ajustement des variogrammes il faut tenir compte des points
suivants :
- On accorde plus de poids aux points du variogramme expérimental calculés avec beaucoup
de paires.
- On essaie d’avoir un nombre de couple N(h) ≥25 couples pour chaque point expérimental
du variogramme.
- On accorde plus de poids aux premiers points du variogramme (h petit) car ce sont ces
valeurs qui ont le plus d'impact dans les calculs géostatistiques.
- Lorsque h dépasse dmax/2, on ne tient pas compte des valeurs du variogramme (h < D max/2 ,
moitié du champ).
- On cherche à obtenir des modèles les plus simples possible qui rendent bien compte des
valeurs expérimentales.

II. 2. 5. Exemple de calcul du variogramme expérimental (Armstrong et Carignan, 1997)

Calcul du variogramme expérimental des données représentées sur la figure 7 (teneurs
exprimées en %) pour les trois premiers pas. Sachant que les échantillons sont répartis
régulièrement tous les cinq mètres (5m) le long d’une droite

11
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

8% 6% 4% 3% 6% 5% 7% 2% 8% 9% 5% 6% 3%

Fig.7 - Profil d’échantillonnages à maille régulière

.
Solution
  5m  
1
2  12
 
2 2  2 2  12  3 2  12  2 2  5 2  6 2  12  4 2  12  3 2  4.625% 
2

De la même façon on obtient :

  10m  
1
114  5.18%2
2  11
  15m  
1
120  6.00%2
2  10

Les résultats sont représentés sur le graphe (Fig. 8)

Fig. 8 - Représentation graphique du variogramme expérimental (Armstrong et Carignan,

1997)

* Le résultat est un variogramme à un comportement linéaire. On pourrait modéliser par un

schéma linéaire de pente 0.7 et un effet de pépéite de 3,9. Notons que le calcul du
variogramme expérimental n’est effectué que pour des distances inférieures à la moitie du
champ.

12
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 2. 6. Calcul du variogramme moyen à 1 dimension - 1D

Le variogramme moyen est estimé à partir de tous les couples de données distants de
h. Il faut donc pondérer chaque variogramme élémentaire par le nombre de couples
correspondant (Mezghache, 2008):
Soient deux variogrammes élémentaires expérimentaux calculés pour un même distance h
dans deux profils différents par exemple:

N1 N2
2  1 (h)  1 N 1 Z ( x )  Z ( x  h) et 2  2 (h)  1 N 2  Z ( x )  Z ( x  h) et
2 2

i 1 i 1

Le variogramme moyen sera :

N1. 1 (h)  N 2. 2 (h)
 moy (h) 
N1  N 2
N

 N . i i ( h ))
en générale  moy (h)  i 1
N

N
i 1
i

II. 2. 7. Calcul du variogramme moyen à deux Dimensions - 2D

Dans le cas ou les données sont réparties suivant deux ou plusieurs directions dans le
plan horizontal, il est nécessaire de calculer le variogramme moyen dans toutes ces directions.

- Si la structure de la variabilité est la même dans les différentes directions, les variogrammes
expérimentaux de ces directions présenteront les mêmes allures. On dira que le phénomène
est isotrope.

- Si la variabilité spatiale n'est plus la même dans toutes les directions c'est à dire qu'il y a des
directions privilégiées vis à vis du phénomène étudié. On dira que le phénomène est
anisotrope

II. 2. 7. 1. Cas isotrope

Le variogramme est isotropie s’il est identique dans toutes les directions (Fig. 9).
C'est-à-dire s’il ne dépend pas de l’orientation du vecteur h, mais seulement de son module h
(Xavier, 2001).

13
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 9 - Graphe d’un variogramme de surface – cas isotropie

* - - - Le cercle d’isotrope est tracé en fonction de couleurs

II. 2. 7. 2. Cas d'anisotropes

Il y a anisotropie lorsque la variabilité ne présente pas les mêmes caractéristiques dans
toutes les directions de l’espace. L'anisotropie est due à des phénomènes génétiques à priori
connus, sinon il est nécessaire de vérifier que les données ne sont pas hétérogènes ou que cela
ne soit pas dû à des méthodologies de prospections (sondages inclinés et sondages verticaux,
...). On distingue deux types d'anisotropies - anisotropie géométrique et anisotropie zonale
(Mezghache, 2008).
 Anisotropie géométrique
Une anisotropie est dite géométrique lorsque la carte variographique dessine des
ellipses, ou des ellipsoïdes dans le cas tridimensionnel, les variogrammes directionnels ont la
même forme mais des portées différentes (Xavier, 2001).
Dans le cas bidimensionnel, l’anisotropie géométrique est complètement définie par
son coefficient d’anisotropie ap/ag (Rapport entre le petit axe ap et le grand axe ag) et l’angle
d’anisotropie, formé par le grand axe et l’axe d’abscisses. Le premier indique l’intensité de

14
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

l’anisotropie et le deuxième indique son orientation. Dans le cas tridimensionnel, on doit

définir deux coefficients et deux angles d’anisotropie.
Les caractéristiques d’une anisotropie géométrique sont comme suit :
- On observe dans diverses directions des paliers et des composantes pépitiques
identiques mais des portées différentes (Fig. 10b).
- Les portées maximales (ag) et minimales (ap) s'observent selon deux directions
orthogonales. Ce qui forme une ellipse (Fig.10a).

Fig. 10 - Anisotropie géométrique : a) - ellipse formé par le grand axe ag et le petit axe ap
; b) - variation de la porté du variogramme dans le cas d’une anisotropie géométrique
 Anisotropie zonale
L'anisotropie zonale correspond souvent à une anisotropie génétique (exemple dans un
gisement sédimentaire, la variabilité est plus importante le long de la vertical, qui traverse les
states, par contre dans le plans horizontal Z(x) est constante, dans ce cas le variogramme ne
dépond que de la composante verticale). Les caractéristiques de l’anisotropie zonale sont :
Les portées et les paliers sont différents (Fig. 11).

Fig. 11 - Schéma de variogrammes représentants une anisotropie zonale

15
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 3. VARIOGRAMME DE SURFACE

Il existe le variogramme à 2D dit de surface (Pannatier 1996). Ce dernier permet de
visualiser le comportement anisotropique ou non de la variable régionalisée étudiée. La
représentation de la surface nécessite la segmentation de l’espace dans chacune des
composantes hx et hy en un nombre d’intervalles donnés. Le résultat est la variation de γ(h)
dans un diagramme bivarié où la valeur de γ(h) est donnée par la couleur. Le nombre de
couple est inscrit à l’intérieur du panneau (Fig. 12). La surface résultante est symétrique.

Grand axe

Petit axe

Fig. 12 – Graphe d’un variogramme de surface - cas d’anisotropie

II. 4. STRUCTURES GIGOGNES

Le variogramme expérimental simple 2γ(h)=EZi(x)-Zi(x+h)2 d'une variable
régionalisée i, peut être constitué de plusieurs (S+1) structures élémentaires stationnaires
intrinsèques strictes u exprimé par une structure gigogne (Serra, 1968 ; Wackernagel, 1992).

 i (h)  Ci0  Ci1 i1 (h)  ...  Ciu  iu (h)  ...  Cis  is (h)
Le variogramme  i (h) est une somme de (S+1) structures gigognes:
La portée de chacun des S+1 schémas déterminés est donc associée à une variable
composante Ziu (x) d’une certaine échelle spatiale.
Par conséquent, la fonction aléatoire Z i (x) de la variable régionalisée i, se décompose donc
en une somme de S+1 composantes spatiales stationnaires Zu.
s
Z i ( x)   Z ui ( x)
u 0

16
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 5. FORME DU VARIOGRAMME

L'analyse du variogramme cherche une fonction caractéristique de la structure de la
variable étudiée. En premier lieu, on étudie quelques caractéristiques du variogramme
Delhomme (1976):

II. 5.1. Comportement au voisinage de l'origine

Delhomme (1976) distingue 04 types (Fig. 13)
II. 5. 1. 1. Allure parabolique : comportement dérivable à l'origine, ceci est la caractéristique
d'une variabilité spatiale hautement régulière (Fig.13.a)
II. 5. 1. 2. Allure linéaire : γ(h) reste continue à l'origine mais n'est plus dérivable, donc
moins régulière (Fig.13.b).
II. 5. 1. 3. Discontinuité à l'origine : γ(h) ne tend pas vers (0) lorsque h tend vers (0), cette
discontinuité en h = 0 du variogramme est appelée effet de pépite (Fig.13.c) qui est dû : soit à
la présence d'une structure dont l'échelle est très inférieure à l'espacement des données et on
parle de micro régionalisation des données, soit à la présence d'erreurs de mesures, soit au
nombre insuffisant de couples de mesures à faible distance induisant éventuellement une
incertitude sur la détermination de l'effet de pépite.
4. Effet de pépite pur (Aléatoire pure) : c'est le cas limite du cas précèdent quand γ(h) ne
traduit plus que la seule discontinuité à l'origine (Fig.13.d) γ(h) = 0 est (h) = C0 dès que h > 0.
Cela indique que Z(x) et Z(x+ h) sont sans corrélation quelle que soit leur distance (h) non
nulle, ce type de modèle s'explique généralement par l'absence d'une structure spatiale, plus
fréquemment, par l'existence d'une structure marquée par des erreurs expérimentales ou
inférieures au plus petit intervalle d'observation.

Fig. 13 - Comportement à l'origine des différents variogrammes (Delhomme, 1976)

17
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 5. 2. Comportement du graphe à l'infini

Ces types de variogrammes pourront être borné ou non borné autour d'une valeur du
palier, égale à la variance sur l'ensemble des données. Dans ce cas, la stationnarité d'ordre 2
de la variance est vérifiée. Cette longueur est interprétée comme la distance maximale pour
laquelle un point présentera une influence sur son entourage. Cette valeur donne la distance
au-delà de la quelle elles sont indépendantes (Fig. 14)
Dans le variogramme non borné (Fig. 14.a), la stationnarité d'ordre 2 n'est pas vérifiée et le
variogramme continu à croître sans atteindre un palier. Voltz (1986) donne trois
interprétations possibles :
- Le palier n'a pas atteint la portée à l'échelle de travail (l’espace de définition)
- La variance infinie représentative d'une variable régionalisée respectant l'hypothèse
intrinsèque
- La présence d’un effet de dérive.

Fig.14 – Comportement du graphe à l'infini a)- variogramme non borné ; b)- variogramme à
palier (Delhomme, 1976)

II. 5. 3. Comportement des graphes quelconques

Certains phénomènes présentent des périodicités, des structures gigognes
(superposition de variations d’échelles), des effets de trou (existence de corrélations négatives
dues à la présence de zones riches entourées de zones pauvres) (Fig. 15)

18
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 15 - Comportements particuliers du variogramme (Delhomme, 1976)

II. 6. SCHEMAS THEORIQUES ET AJUSTEMENT DES VARIOGRAMMES

EXPERIMENTAUX
Une fois le variogramme expérimental calculé, il faut alors déterminer un modèle
mathématique qui lui correspond et qui doit être opérationnel et simple à l'emploi: C'est
l'ajustement du variogramme expérimental. Les schémas théoriques d'usage courant sont
classés en schémas à palier, schémas sans palier et schémas à effet de trous (Journel &
Huigbrets, 1978).

II. 6. 1. Les schémas à palier

II. 6. 1. 1. Les modèles à comportement linéaire à l'origine

- Ces modèles correspondent bien à une croissance presque linaire jusqu’à une certaine
distance, puis une stabilisation. On distingue principalement les schémas sphériques et les
schémas exponentiels (Fig.16).
 Schéma sphérique
- La tangente à l’origine rencontre la droite du palier à un point d’abscisse h=2/3a
- Son expression mathématique est (Royer, 1986):

 (h)  C0  C  (h)théorique
3 h 1 h3
 (h) shériq  .  . ; h  0; a 
2 a 2 a3
 (h) sphéri  1, pour , , h  a

 Schéma exponentiel
-La tangente à l’origine rencontre la droite du palier à un point d’abscisse h=1/3a
-Son expression mathématique est : h
 (h) exp  1  e , h  0
a

19
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 16 - Graphes d’un modèle à comportement linéaire à l'origine a) - sphérique ; b)

exponentiel
La différence entre schéma sphérique et schéma exponentiel réside dans les abscisses
des intersections de leurs tangentes à l'origine avec le palier :
- au deux tiers de la portée a pour le sphérique
- à un tiers de la portée a pour l'exponentiel.

II. 6. 1. 2. Comportement parabolique à l'origine

Ces modèles correspondent bien à une croissance à l’origine presque parabolique
jusqu’à une certaine distance, puis une stabilisation. On distingue principalement les schémas
gaussiens et les schémas cubiques (Fig.17).

 le schéma gaussien
h2

 (h) gauss  1  e a , h  0
2

Le palier est atteint asymptotiquement et pour C=0.95 h=(3/2).a

 le schéma cubique où le palier est atteint effectivement

a portée effective
r = h /a distance réduite

 ( h)  7r 2
 35 4 r 3  7 2 r 5  3
4 r7 
si r  1
 ( h)  C si r  1

20
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

0.14a 0.82a

Fig. 17 - Graphes d’un modèle à comportement parabolique à l'origine a) - Gaussien ; b)-

cubique

II. 6. 2. Schémas sans palier

Ce sont des variogrammes théoriques qui correspondent à des variogrammes
expérimentaux dont la croissance ne présente pas de palier dans les limites h < b où b est la
limite de l'observation.
(h) tend vers +  quand h tend vers + 

Les types le plus utilisés sont: les schémas en h avec 0<<2 (Fig. 18).

 Schémas en h

(h) = h h > 0 avec 0 < < 2


Fig. 18 - Graphe des schémas en h

21
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 6. 3. Schéma a effet de trou

On dit qu'un variogramme (h) présente un effet de trou si sa croissance n'est pas
monotone. Les schémas à effet de trou présentent une allure sinusoïdale au niveau du palier
(Fig. 19). Son expression mathématique :
sin (h)
 ( h)  1  , h  0
h

Fig. 19 - Graphe d'un schéma à effet de trou

Le schéma à effet de trou présente un comportement parabolique à l'origine :
h2
 ( h) 
6 quand h tend vers 0.
L'effet de trou reflète une pseudo-périodicité de la variable régionalisée.

II. 7. METHODES D’AJUSTEMENT D'UN VARIOGRAMME EXPERIMENTAL

Il existe plusieurs Méthodes d'ajustement, cependant l’ajustement « à la main » est la
méthode la plus simple. Il faudra tenir compte de :
- L’existence ou non du palier ;
- De l'effet de pépite et du palier expérimental ;
- Du comportement à l’origine et de la tangente à l’origine dans le cas de comportement
linéaire pour la proposition du schéma théorique.
 Pour ajuster un variogramme, il faut déterminer les paramètres suivants :
- L’effet de pépite Co
- Le palier C
- La portée a
- Le modèle d’ajustement
Donc le variogramme d'ajustement sera : (h) = Co + C.théorique (pour le modèle
choisi)

22
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

II. 8. RELATION ENTRE LE MODELE VARIOGRAPHIQUE ET LE PHENOMENE

GEOLOGIQUE
Chaque phénomène géologique possède un variogramme qui lui est propre (Marcotte,
2003).
 Un gisement d’or présentera un variogramme erratique avec un fort effet de pépite et
une faible portée.
 Un gisement de cuivre porphyrique montrera un variogramme linéaire à l’origine avec
faible effet de pépite et grande portée.
 Le gisement sédimentaire de fer présentera une portée plus grande parallèlement à la
stratification que perpendiculairement à celle-ci (anisotropie géométrique).
 La topographie pourra présenter un variogramme très continu avec comportement
parabolique à l’origine et absence d’effet de pépite.

II. 9. IMPORTANCE D’UNE ETUDE VARIOGRAMMIQUE

Du point de vue concret, le variogramme nous permet de déterminer :
 La continuité spatiale : nous pourrons par exemple savoir si la minéralisation s’étend
au-delà de notre zone d’exploitation. Ce qui permet d’envisager la possibilité
d’étendre la mine.
 La zone d’influence (portée) : pour déterminer la distance maximum en dessous de
laquelle la corrélation spatiale sera rentable.
 les anisotropies : afin de détecter le comportement différent du phénomène suivant les
directions considérées.
 Les structures gigognes (plusieurs échelles de corrélations spatiales).
 La non-stationnarité éventuelle (tendance ou dérive).

III. LE CONCEPT DE VARIANCE D'ESTIMATION

III. 1. DEFINITION D’ESTIMATION

Cela consiste à se servir des données d'un échantillon statistique pour attribuer
certaines valeurs aux paramètres inconnus de la population. Cependant on peut se proposer
d'attribuer une valeur unique aux paramètres inconnus et l'on aura alors une estimation dite
ponctuelle comme on peut se proposer de déterminer un intervalle de confiance dans lequel
les paramètres se situeront et l'on aura alors l'estimation dite par intervalle. Dans ce dernier
cas il sera encore opportun d'exprimer ou de chiffrer la crédibilité attachée à cet intervalle.

23
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Cette crédibilité est appelée niveau de confiance. Ces paramètres peuvent être estimés à l'aide
de plusieurs méthodes (Moyenne arithmétique, Inverse des distances, krigeage….) qui ne
donnent pas forcement le même résultat. Il est alors nécessaire de choisir une méthode
d'estimation en fonction des qualités des estimations.

III. 2. QUALITE DES ESTIMATIONS

La teneur moyenne d'un bloc minier, par exemple, peut être estimée de plusieurs
façons (moyenne arithmétique, krigeage...). On peut donc obtenir plusieurs estimateurs de
cette teneur moyenne. Il reste à savoir quelle est la meilleure estimation ou le meilleur
estimateur.

III. 2. 1. Estimateur sans biais

L'estimateur est dit sans biais si son espérance mathématique est égale au paramètre de la
population. E(x) = X
X étant le paramètre de la population et x l'estimateur de ce paramètre. Si on pose le biais
égale à e alors :
E(x) - X = e = 0
Si e  0 alors on dit que l'estimation est biaisée.

III. 2. 2. Estimateur convergent

Un estimateur est dit convergent si, étant sans biais, sa variance tend vers zéro, lorsque
la taille de l'échantillon statistique n augmente indéfiniment.
Exemple : La moyenne arithmétique est un estimateur sans biais et convergent puisque E(m)-
M = 0 et S (m) = S /n - donc quand n tend vers l'infinie S (m) tend vers 0.

III. 2. 3. Estimateur efficace

On dit qu'un estimateur est d'autant plus efficace que sa variance est plus petite.
Un estimateur sera donc d'autant meilleur qu'il sera sans biais, convergent et de variance aussi
faible que possible.

III. 3. DEFENITION DE LAVARIANCE D’ESTIMATION

La variance d’estimation est définie comme la valeur d’erreur e=[Zv-Zv*] que l’on
commet quand on estime la teneur au point x par la teneur au point x+h.
Où Zv : est une variable aléatoire que l’on veut estimer

24
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

n
Z v*   i .Z ( xi )
i 1

Z(i) : valeur observée au point xi

Z v* : Estimateur de Zv

La valeur de l’erreur est une mesure de précision de l’estimation. On pourrait vouloir choisir
les pondérateurs i de façon à ce que la variance d’estimation 2 soit minimale (cas du
krigeage).

L'erreur aléatoire e est caractérisée par ses 2 moments :

 Moyenne, e = E{[ Z - Z* ]},quand cette moyenne est nulle (e =0), on dit que
l'estimation est sans biais sinon l'estimation est biaisée.
 La variance d'estimation :  Est
2
 E Z  Z    e
2 2

Si e=0 (Cas stationnaire) alors  Est

2

 E Z  Z  
2

III. 3. 1. Calcul de la variance d’estimation
Dans la pratique on a deux cas possibles
III. 3. 1. 1. Cas ou l’information i unique N=1 : Estimation d'une moyenne par une autre
moyenne
Soit un volume V de valeur moyenne ZV que l’on estime à l’aide de la valeur moyenne
ZV' d’un volume V' implanté à l’intérieur ou à l’extérieur de V (Fig. 20).

Fig. 20 - Représentation graphique du volume V par rapport au volume V'

On considère que ZV' est un estimateur sans biais : E(Zv) = E(Zv'), la variance d’estimation
serait alors :

 Est
2
= E{[ZV - ZV']²} = E{[ ZV]²} + E{ [ZV’]²} - 2E{ ZV.ZV'}

1
V v
Rappelons que : ZV  Z ( x)dx

25
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Calculons :

 dx  EZ ( x ). Z ( x' )dx'

1
- E{[ ZV]²} : E{[ Z V ]²} 
V2 V V

EZ ( x ). Z ( x' )  C[ Z ( x )  V .Z ( x' ) V ]  m 2

E ( ZV2 )  C (V , V )  m 2

- E(ZV'²):

dx EZ ( x).Z ( x' )dx'

1
V '2 V' V'
E ( ZV2 ' ) 

EZ ( x).Z ( x' )  C[Z ( x) V '.Z ( x' ) V ' ]  m2

: E ( ZV2 ' )  C (V ' ,V ' )  m 2

- 2E(ZV.ZV'):

dx EZ ( x).Z ( x' )dx'

1
V .V ' V V'
E(ZV.Zv' ) 

EZ ( x).Z ( x' )  C[Z ( x) V .Z ( x' ) V ' ]  m2

2 E ( ZV .ZV ' )  2C (V ,V ' )  2m 2

En remplaçant les différents termes par leur valeur alors on aura :

 Est
2

 E ZV  ZV '

  C (V ,V )  m
2 2
 C (V ' ,V ' )  m 2  2C (V ,V ' )  2m 2

 Est
2
 C (V ,V )  C (V ' , V ' )  2C (V , V ' )

Rappelons que :

En fonction du variogramme la variance d’estimation serait égale :

 Est
2
(ZV / ZV ' )  2 (V , V ' )   (V , V )   (V ' , V ' )

 (V , V ) : C’est le variogramme moyen quand (x) se trouve dans le V et (x+h) se trouve aussi
dans V.

26
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

 (V , V ' ) : C’est le variogramme moyen quand (x) se trouve dans le V et (x+h) se trouve dans
V'.

 (V ' ,V ' ) : C’est le variogramme moyen quand (x) se trouve dans le V' et (x+h) se trouve
aussi dans V'.

* L'écriture symbolique de la variance d’estimation est générale quelles que soient les
géométries des domaines V et V'. Cette formule rend compte des quatre faits essentiels et
intuitifs que conditionne toute estimation. La qualité d'une estimation de V par V' dépend:
1 - de la géométrie du domaine à estimer : terme  (V , V )
2 - des distances entre l'estimé et l'estimant : terme  (V , V ' )
 (V ' ,V ' )
3 - de la géométrie interne de l'estimant : terme
4 - du degré de régularité du phénomène étudié : utilisation de la caractéristique
structurale  (h)
* la racine carrée de la variance d’estimation est la moyenne des erreurs sans connaître la
valeur vraie.

III. 3. 1. 2. Cas ou i égale N informations N>1 : Estimation d'une moyenne par une
moyenne pondérée
Quand N>1V'= N.Sondage (Fig. 21).
n
Z V*   i .Z ( S i )
i 1

n
Avec  . 1
i 1
i

Fig. 21 - Schéma de configuration de reconnaissance d'un volume V par un certain

nombre N informations

27
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

La variance d'estimation s'écrit alors :

 Est
n n n
= E{[ZV -  i .Z ( S i ) ]²} = E{[ ZV]²} + E{  i .Z ( S i ) ]²} - 2E{ ZV.  i .Z ( S i ) }
2

i 1 i 1 i 1

E ( ZV2 )  C (V , V )  m 2
n n n 
E(  i .Z ( S i ) ]²)=  i . j C (S i , S j )  m 2
i 1 i 1 j 1

n n 
2E( ZV.  i .Z ( Si ) )= 2 i C (V , S i )  2m 2
i 1 i 1

n  n n 
 est
2
 2 i C (V , S i )  C (V , V )   i . j C ( S i , S j )
i 1 i 1 j 1

En fonction du variogramme la variance d’estimation serait égale :

n  n n 
 est
2
 2 i  (V , S i )   (V , V )   i . j  ( S i , S j )
i 1 i 1 j 1

Cette formule est générale quelles que soient les géométries du panneau v et des
informations Si, et quels que soient les pondérateurs i. Le non-biais doit cependant être
assuré: E(ZV-Z* )=0. Pour cela il suffit d'imposer la condition suivante:
n


i 1
i 1

* Cette formule peut donc servir à calculer la variance d'estimation d'estimateurs linéaires
n
Z *    i . Z ( xi )
i 1 du type pondérateur par moyenne arithmétique, par l'inverse de la
distance, par le polygone d'influence ou par krigeage et autres. Il y a donc une infinité de
solutions possibles.
- Cas de type d’une moyenne arithmétique
n
1
Z V* 
N
 Z (x )
i 1
i

n
1
 . 1 i i 
N
Avec i 1 
- Cas de type inverse des distances

28
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

n
1
 (d ) n Z ( xi )
Z V* 
i i
n
1
 (d
i
)n
i

1 n
()
di
i  n
1
i ( d ) n
i

Remarque
Il ne faut par confondre la variance d’estimation avec la variance de
dispersion qui se calcule en utilisant la formule suivante :

D 2 (V / V )   (V ,V )   (V ' ,V ' )  ( es2 )

En géostatistique il existe une procédure de construction d’estimateur dite

procédure de krigeage et qui consiste donc à déterminer les pondérateurs i tels que
l'on ait :
- non-biais E (Zv-Z*)=0
- Variance d'estimation minimale

Exercice :

Un gisement d’or montre la disposition suivante des données sur un niveau de la

mine.
- Estimez la teneur au point A de coordonnée (30,20), par la méthode de l’inverse
des distances (n=1) et la méthode moyenne arithmétique

33

0.5 A 15

29
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Solution

1- Estimation de la teneur Z(x) au point A à l’aide de la méthode inverse de distance

(n=1)

Z(S1)= 15ppm =» D1=10m

Z(S2)= 33ppm =» D2=15m
Z(S3)= 0.5ppm =» D3=20m
Z(S4)= 3ppm =» D4=21.12m
Z(x)=14.85 ppm

2-- Estimation de la teneur Z(x) au point A à l’aide de la méthode moyenne

arithmétique
Z(x) = 1/N((Z(S1)+Z(S2)+Z(S3)+Z(S4))
Z(x)=1/4(15+33+0.5+3)=12.87ppm
Z(x) = 12.87ppm

30
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

III. 4. FONCTIONS AUXILIAIRES



Une fonction auxiliaire est une valeur moyenne  ( v , v ') correspondante à des
géométries relativement simples et souvent rencontrées de v et v'. 4 fonctions auxiliaires
essentielles sont utilisées: , , F et H. Elles sont définies dans l'espace à 1, 2 ou 3 dimensions
(Royer, 1986).
Ces fonctions auxiliaires sont présentées sous forme d’abaques (exemple de quelques
Abaques du modèle sphérique (Figs. 22 à 31).

Fig. 22- Variance d’un point dans un segment, variogramme sphérique de palier C=1

.
F(L/a)=D2( /L)=  ( L, L)  1  C ( L, L)
- L : la longueur d’un segment

31
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 23- Variance d’un point dans un rectangle, variogramme sphérique de palier C=1

.
F(Lx/ax,Ly/ay)=D2( /v)=  (v, v)  1  C (v, v)

Fig. 24 - Variance d’un point dans un bloc section carée, variogramme sphérique de

.
palier C=1 F(L1/a1,L2/a2= L3/a3, = L3/a3)=D2( /v)=  (v, v)  1  C (v, v)

32
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 25 - Variance d’un point dans un segment ou un carrée estimé par son point central

Fig. 26- Variance d’estimation : un rectangle estimé par son point central

33
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 27 - Variance d’estimation : un rectangle estimé par le segment central parallèle à

Ly/ay

Fig. 28 - Variance d’estimation : un bloc estimé par la section central carrée de coté
Ly/ay=Lz/az

34
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 29 - Variance d’estimation : un bloc à section central carrée de coté Lx/ax=Ly/ay

estimé par le segment central parallèle à Lz/az

Fig. 30 - Modèle sphérique fonction x

35
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Fig. 31 - Modèle sphérique fonction h

Exercice
Un gisement d'or en placer a été prospecté à l'aide d'une série de sondages implantés à
maille régulière de 40 m x40 m. Le variogramme expérimental moyen horizontal a été calculé
et ajusté à l'aide d'un modèle sphérique de portée a= 40 m, effet de pépite C 0 = 16 (g/t)2 et un
palier C= 81 (g/t)2. A partir du dispositif suivant (voir schéma).
– Déterminer a l’aide d’abaque, la variance d'extension de la teneur d'un sondage à toute une
maille de 40 mx40 m.

0X 40 m

40 m

36
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Solution
* Calcul la variance d’estimation à l’aide de l’abaque

 Est
2
(ZV / ZV ' )  2 (V , V ' )   (V , V )   (V ' , V ' )

1èr Cas :
*Calcul les variogrammes moyens  (V ' ,V ' ) ,  (V , V ) , 2 (V ,V ' )
 (V ' ,V ' ) = C0= 16(g/t)
 (V , V ) = C0+C(h)sphérique = 16+ 81(h)sph
L/a=40/40=1 (on utilise à l abaque ayant la fonction F (Fig. 22))

 (V , V ) =16+81(0.6625)=69.66(g/t)2

2 (V , V ' ) == 16+81(h)sphérique
L/a=20/40=0.5 ((on utilise à l abaque ayant la fonction H (Fig. 30))

2 (V , V ' ) =16+81(0.54)=59.74(g/t)2

 Est
2
( ZV / ZV ' )  2(60.55)  69.66  16  33.8( g / t )2

2ème Cas : On utilise directement l’abaque de la variance d’estimation (Fig. 24)

 Est
2
( ZV / ZV ' )  81(0.4)  32.4( g / t )2

37
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

IV. LE CONCEPT DE KRIGEAGE

Le krigeage est une méthode d’estimation et/ou d’interpolation spatiale; fournissant la
meilleure estimation linéaire possible d’une caractéristique inconnue Z(x) (ou Zv) à partir de
l’information disponible Zi (expérimentale) et l’information structurale (variogramme ou
covariance) de la fonction aléatoire représentative de la régionalisation des variables étudiées
(Matheron 1970 ; Journel, 1977).
Les pondérateurs sont calculés à l’aide de la procédure géostatistique de krigeage: En
fonction de la quantité, de la configuration de Zi et surtout en fonction de la caractéristique
structurale (variogramme).
La variance d'estimation de Z(x) (ou Zv) est minimale : Elle est fonction de la
continuité spatiale telle qu'exprimée par le variogramme et de la configuration et de la
quantité de l'information disponible.
En géostatistique linaire on a trois principaux types de krigeage univarié (Matheron
1970):
1. Krigeage ordinaire : variable stationnaire de moyenne inconnue.
2. Krigeage simple : Variable stationnaire de moyenne connue.
3. Krigeage universel : variable non stationnaire.

IV. 1. LE KRIGEAGE ORDINAIRE

L'estimation locale par krigeage ordinaire consiste à trouver le meilleur estimateur
linéaire de la valeur moyenne d'une variable régionalisée sur un domaine de petite dimension
vis-à-vis des zones de stationnarité du gisement. Le krigeage ordinaire est établi le plus
souvent en considérant une Fonction Aléatoire F.A qui satisfait aux hypothèses:
E [z(x) – z(x + h)] = m(h) = 0
σ2 [z(x) – z(x + h)] = 2  (h)
Le Krigeage est constituée des étapes de Linéarité, d'Autorisation, d'Universalité et
d'Optimalité. Ces étapes peuvent être dans n'importe quel ordre.

N
 Linéarité : Z v  m 
*
 (z
i 1
i i  m)

 Autorisation : il se trouve que nous sommes dans le cadre d'un modèle de

stationnarité, de sorte que toutes les combinaisons linéaires sont autorisées. Il n'y a pas
de condition d'autorisation.

38
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

 Universalité : conditionnellement aux deux contraintes précédentes :

E [λz*xi – zx] = 0 [ z i xi *  zx ]  0
Nous savons que E[zx]= m (m : la moyenne), mais par hypothèse nous ne connaissons pas
k k
m. Alors pour que : E [λz*xi – zx] = m ( i  1) soit nul, il faut et il suffit que :  i  1 = 0
i 1 i 1

 i 1

Telle est la contrainte d'universalité portant sur i .

 Optimalité : il nous reste maintenant à minimiser la variance d'estimation σ 2E [zv*–

zv]. cette minimisation s'obtient par la technique classique des multiplicateurs de
Lagrange. Le formalisme de Lagrange fournit alors le système d'équations linéaires
dit "système de krigeage" à n+1 équations linéaires et n+1 inconnus qui
contiennent les n pondérateurs i et le paramètre de Lagrange 

Système de krigeage ordinaire à n+1 équations linéaires et n+1 inconnus qui contiennent les
n pondérateurs i et le paramètre de Lagrange 
n

   (v , v )     (v , V )
i i j j i  1 à n
j 1
 j 1à n
n


i 1
i 1

La variance d'estimation minimisée ou variance de krigeage s'écrit alors :

      (v , V )    
n
 2 K   z y*  zk 1 i (V , V )
i 1

Où :
o  (V ,V ) : le variogramme moyen du domaine à estimé intervenant dans la variance
de krigeage.
o  (vi ,V ) : le variogramme moyen entre l'estimé et les estimants.

o  (vi , v j ) : le variogramme moyen entre les estimants.

Le système de krigeage ordinaire peut s’écrire sous forme matricielle :

39
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Ou :

Le Système de krigeage en termes de variogramme à la forme suivante :

La variance de krigeage peut s’écrire sous forme matricielle :

IV. 1. LE KRIGEAGE SIMPLE

Parfois on connaît la moyenne "m" du champ à estimer, on peut alors former un
estimateur sans biais sans imposer la contrainte que la somme des poids ou pondérateurs soit
égale à 1.
Les espérances E(Zv)= E{zi}=m étant connues, il suffit d’estimer l’écart à m. on
N
forme l’estimateur: Z v*  m   i ( z i  m) ,
i 1

 
Le non biais E z v  z v  0 , est vérifié de lui-même sans aucune condition sur les
*

pondérateurs λi.

   
E z v  z v*  Ez v   E z v*  0
N
mv   i mi  0
i 1

N N
m  (1   i  0   i  1
i 1 i 1

40
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Le système de krigeage simple s’écrit

   v , v    v ,V 
N

i  1àN ; j  1àN
i i j i
i 1

et la variance d'estimation, appelée variance de krigeage simple s'écrit:

 ko2   i v j ,V    V ,V 
N

Note: - La variance de krigeage simple est toujours inférieure à la variance de krigeage

ordinaire car on n'a pas besoin d'imposer de contrainte sur les poids λ. De plus, l'hypothèse de
stationnarité requise est plus forte que dans le cas du krigeage ordinaire. Dans le cas du
krigeage simple, la stationnarité est nécessaire. Ainsi, il n'est pas possible d'effectuer un
krigeage simple si le variogramme ne présente pas de palier.
- En termes pratiques, les estimés obtenus par krigeage ordinaire (KO) et simple (KS) sont
très similaires lorsqu'on effectue le krigeage à courte distance par rapport aux points connus et
par rapport à la portée du variogramme et que le variogramme montre une structure
importante. Lorsqu'on effectue l'estimation à grande distance ou si le variogramme montre un
effet de pépite plus important, alors l'estimation KO consistera essentiellement en une
moyenne des points du voisinage et l'estimation KS sera simplement la moyenne supposée
connue "m".
Règle générale : le KO est préférable au KS. Cependant dans certaines applications telles
que le krigeage d'indicatrices et les simulations il est préférable de recourir au KS.

IV. 3. LE KRIGEAGE UNIVERSEL

Ce type de krigeage est utilisé lors de l’existence d’une dérive, et dans le cas où
l’information n’est pas dense pour l’estimation (Huijbregts et Matheron., 1971 ; Journel,
Huijberts., 1978).
En pratique, on peut souvent éviter les problèmes spécifiques complexes de l’analyse
structurale de phénomène non stationnaire et utiliser directement le système de krigeage
universel.
Le krigeage universel se présente par la fonction aléatoire Z(x) qui peut être
considérée comme superposition de deux composantes, sous la forme Z(x)=m(x)+y(x)
(chauvet, 1999) Où m(x) : Dérive ; déterministe dans le modèle et varie lentement. C’est une

41
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

composante régionale, régulière, c’est une « tendance » correspondant aux « basses

fréquences » du phénomène.
Y(x) : résidu ; c’est une composante résiduelle erratique, représentant des « anomalies »
correspondant aux « hautes fréquences » du phénomène. Le résidu possède les propriétés de
stationnarité du 2ème ordre, qui permettant de le traiter par les méthodes de la géostatistique
stationnaire.
E[y(x)]=0
On décompose m(x) comme combinaison aléatoire de fonction de base.
m(x)=aifi(x)li=0,………..,k
f(x) : fonction de base non quelconque avec f0(x)=1
f(x)={1,x,y,x2,y2,xy,……,}
ai : coefficients locaux inconnus.
K :ordre de continuité de m(x), constante, linéaire,……

N
ZV*   i Z i
i 1

Pour le krigeage universel deux conditions sont vérifiées.

Zv*: est sans biais : E[Z*v –Zv]=0

 k
  k
k k n
E Z V*  Z V    i ( y i  a i f i )   y 0   a i f 0i    a i   i f i i  f 0i  0
 i 0 i 0 i 0  i  0 j 1
n
   i f i i  f 0i i  0,.........n(k  1) équations.
i 1

En particulier pour i=0 => 

i 1
i 1


i 1
i f i  f 0i

Minimisation de la valeur d’erreur E(Z*v –Zv) sous les contraintes

Le système de krigeage universel est le suivant :

 N L

 j   ( vi , v j )    l f l ( xi )   (vi , x)


j 1 l 0


 
 N 
 i f l ( xi )  f l ( x0 ) 

 i 1 


42
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

La variance de krigeage universel peut s’écrire comme suit :

N k
 u2   i (vi ,V )    l f i   (V ,V )
i 1 l 0

Le système de krigeage universel est un système de (n+k+1) équations linéaires

(n+k+1) inconnues qui sont les N pondérateurs et les (k+1) paramètres de lagrange. Le
système est régulier ; car il admet une solution unique si et seulement les (k+1) fonctions
fi(x) sont linéairement indépendantes sur l’ensemble de N informations.
Le système de krigeage universel se ramène en système de krigeage stationnaire en
faisant k=0.

IV. 4. VALIDATION CROISEE

La validation du modèle de variogramme utilisé pour le krigeage consiste à effectuer
une validation croisée. Le principe est d'éliminer à tour de rôle chaque observation et de
l'estimer à l'aide de ses voisins. En chaque point, on obtient donc une valeur vraie et une
valeur estimée que l'on peut comparer pour déterminer si le modèle fournit des estimations se
comportant comme prévu , si le voisinage utilisé est adéquat (Marcotte, 2003).
*
-Plus précisément, soit Z i l'estimation obtenue par krigeage au point "i" (en enlevant la
valeur observée Zi) ainsi que la variance de krigeage . On peut définir un résidu ei=Zi-Zi*et
un résidu normalisé

Un modèle et un voisinage adéquats devraient fournir (Marcotte, 2003):

iv. Il faut aussi examiner l’histogramme des ei et des ni de même que leur disposition spatiale
pour vérifier si les statistiques précédentes pourraient être causées par 1 ou 2 données
extrêmes et vérifier si les résidus sont spatialement homogènes.

43
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

IV. 5. EXERCICES

1)- A partir des données de sondages, le variogramme horizontal expérimental isotrope de la

teneur en Au a été calculé (Tableau 1).
Tableau 1 – résultat du calcul du variogramme horizontal expérimental

H (m) 10 20 30 40 50 60 70
(h)(g/t)2 155 305 400 430 450 430 450

Il est demandé de :
1 - tracer et ajuster le variogramme expérimental (h).
2 - A partir du dispositif suivant : estimer la valeur Z(x) au point x à l’aide de deux
méthodes :
a- Moyenne arithmétique
b- Inverse des distances à la puissance 1 (n=1)
3- calculez la variance d’estimation pour chacune des valeurs moyennes Z(x) ;

40m 60m
S1 X S2
Z(S1)=30g/t Z(S2)=50g/t

4. Krigez Z(x) et calculer la variance de krigeage.

5. Comparez les différents résultats.
Solution :
1- Représentation graphique et ajustement du variogramme expérimental 2(h).

Fig. 32 - Représentation graphique du variogramme expérimental 2(h)

44
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

- Paramètres d’ajustement du variogramme :

Fig. 33 - Paramètres d’ajustement du variogramme expérimental 2(h)

-Palier = 350 (g/t)2

-Effet de pépite C0=100(g/t)2
-Portée a= 100m
-à=80m
à/a=0,8 donc modèle sphérique
(h)=20+430[3/2h/a-1/2h3/a3]

2- Estimation de la valeur Z(x) au point X à l’aide de deux méthodes :

a- Moyenne arithmétique

Z(X)=40 g/t
= =0.5
b- Inverse des distances à la puissance 1 (n=1)

45
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

=38 g/t
=0.6
=0.4

3- Calcul la variance d’estimation pour les deux méthodes

n  n n 
 est
2
 2 i  (V , S i )   (V , V )   i . j  ( S i , S j )
i 1 i 1 j 1

   
 est2  2 1  ( X , S1 )   2  ( X , S 2 )   ( X , X )  1 (1  ( S1 , S1 )   2  ( S 2 , S1 ) 
 (  (S , S )    (S , S )
2 1 1 2 2 2 2

=298.8 (g/t)2
=377.2 (g/t)2
=450(g/t)2
= = =100(g/t)2
a-Moyenne arithmétique
2 = 301 (g/t)2
b-Inverse des distances
2 = 292. (g/t)2

4- Calcul la valeur Z(x) au point X à l’aide de la méthode krigeage et sa variance

N
Z ( X )   i Z i
i 1

Z(X)=1Z(S1)+2Z(S2)
- Calcul 1,2

1 ( S1 , S1 )  2 ( S1 , S 2 )     ( S1 , X ) 
 
1 ( S1 , S 2 )  2 ( S 2 , S 2 )     ( S 2 , X ).
    1 
 1 2 

46
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Calcul les variogrammes moyens

=298.8 (g/t)2

=377.2 (g/t)2

=450(g/t)2

= = =100(g/t)2

=0.61 ; =0.39

Z(X)= 0.61*30+0.39*50=37.8 g/t

- Calcul la variance de krigeage

 k2  1 ( S1 , X )  2 ( S 2 , X )     ( X , X )

- Calcul 

 =62.3

k2=291.6 g/t)2

- Comparaison : La variance de krigeage < à la variance d’estimation (par la méthode inverse

des distances et moyenne arithmétique).

47
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

CONCLUSION
La géostatistique est une science physique permettant l’étude de variabilité des
phénomènes régionalisés (dans l’espace et /ou dans le temps). Elle est appliquée dans divers
domaines tel que : la géologie, le pétrole, l’hydrogéologie et la santé…
Les outils de base en géostatistique : la covariance, le variogamme et le corrélogramme
permettent d’estimer le degré de corrélation entre deux points.
Dans la science de la terre l’outil le plus utilisé est le variogramme qui doit être ajusté en
utilisant des modèles mathématiquement. Cet outil quantifie la variabilité dans une direction
donnée.
Un autre terme très important en géostatistique est la variance d’estimation qui est le
calcul des erreurs de mesures et des estimations qui facilitera la prise de décisions (avec une
connaissance et une quantification du risque d’erreur).
Le Krigeage est la méthode la plus optimale : estimateur sans biais qui donne la variance
d’estimation la plus petite.
Il existe deux procédures de Krigeage : paramétriques (ordinaire, simple et universel)
et les non paramétriques des indicateurs. Cette dernière qui est une des méthodes de krigeage
qui semblent idéales pour l’estimation des réserves de minéralisation irrégulière exemple : (or,
uranium, platine et diamant). Ce type de Krigeage. Sa simplicité mathématique et la facilité de
sa mise en œuvre justifient sa popularité auprès des utilisateurs.
Ce type de Krigeage permet d’obtenir la courbe de distribution de la variable (teneur
par exemple) dans une surface ou un volume donné. La géostatistique non paramétrique est
réalisée aussi bien dans le domaine d’exploitation minière que dans la reconnaissance
géologique (prospection géochimique, géophysique…). Son utilisation s’étant à d’autres
domaines ; la géochimique et la préservation de l’environnement.
Etant donné de développement de l’outil informatique, il facilitera l’utilisation de cette
science et étant donné la rigueur économique il faut absolument développer cet outil – la
géostatistique – et ce malgré les réticences et la force des habitudes.

48
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

REFERANCES BIBLIOGRAPHIE

Allard, D. (2012). Statistiques spatiales : introduction à la géostatistique. Université

Montpellier II - Université Montpellier I Montpellier SupAgro. 42p.

Armstrong, M. et Carignan, J. (1997). Géostatistique linéaire – Application domaine

minier, Ecole des mines de Paris. 115p.

Chauvet, P. (1999). Aide mémoire de géostatistique linéaire application du domaine minier.

Les presses de l’école des mines de Paris, 140 p.
Delhomme J.P. (1976). "Applications de la Théorie des Variables Régionalisées dans les
Sciences de l'Eau". Thèse de Docteur-Ingénieur, Université de Paris VI, Paris, 130p.
Huijbregts, C. J., and Matheron, G. (1971). Universal Kriging, Canadian Institute Mining
Metallurgy, special Vol. 12, 1971, pp. 159/169.
Journel, A. (1977). Kriging in terms of projections. Journal of IAMG, Vol.9 n_6, Dec. 1977,
pp563-586.
Journel, A. G., and Huijbregts, C. J., (1978). Mining geostatistics. Acadimic Press,
London, U. K, 600p.
Krige, D. G., (1951). A Statistical Approaches to Some Basic Mine Valuation Problems on
the Witwatersrand. Journal of the Chemical, Metallurgical and Mining Society of South
Africa, 52, 119-139.
Laurent A. (2007). Evaluation du potentiel archéologique du sol en milieu urbain, mémoire
de doctorat en histoire, spécialité archéologie (dir. H. Galinié), 4 volumes, Université de
Tours, http://tel.archives-ouvertes.fr/.
Matheron, G. (1962). Traité de géostatistique appliquée, Editions Technip-Paris, Tome 1,
333 p., Tome 2, 171 p.
Matheron, G. (1965). Les Variables Régionaliseés et leur Estimation. Masson, Paris, 305p.
Matheron, G. (1970). The Theory of Regionalized Variables and its Applications. Les
Cahiers du Centre de Morphologie Mathématique, Vol. 5, Ecole des Mines de Paris,
Fontainebleau, 212p.
Matheron, G. (1971a). La théorie des ensembles aléatoires et ses applications en stéréologie.
Rapport technique N-235, Centre de Géostatistique, Ecole des Mines de Paris.
Matheron, G. (1971b). La théorie des fonctions aléatoires intrinsèques généralisées. Note
géostatistique n 117, Centre de Géostatistique, Ecole des Mines de Paris.

49
 LA GEOSTATISTIQUE LINEAIRE APPLIQUEE 2020/2021

Matheron, G. (1971c). La théorie des variables régionalisées et ses applications. Les Cahiers
du Centre de Morphologie Mathématique, n5, Ecole des Mines de Paris.
Matheron, G. (1973). Le krigeage disjonctif. Rapport technique N360, Centre de
Géostatistique, Ecole des Mines de Paris.
Marcotte D. (2003). Géostatistique minière. Cours publiés sur internet, Ecole polytechnique,
Lorraine, France, 230p.
Mezghache, H. (2008). Cours de la géostatistique appliquée. (Université Badji Mokhtar
Annaba).26p
Pannatier, Y. (1996). "VARIOWIN": Software for Spatial Data Analysis in 2D". Springer
Verlag, 91p. ISBN 0-387-94679-9.
Ploner, A et Dutter, R. (2000). New directions in geostatistics. Journal of statistical planning
and inference, edition Elsevier, 500p.
Royer J.J. (1986). " Travaux pratiques en géostatistique minière exercice". 120p.
Serra, J. (1968). Les structures gigognes: morphologie mathématique et interprétation
métallogénique. Mineral. Deposita, 3, 135–154.
Souadnia, S et Mezghache, H. (2017). Modélisations géostatistiques du faciès petrophysique
du réservoir d’hydrocarbure de TAGI-Hassi Berkine Sud. Rev. Sci. Technol., Synthèse 34: 95
-109.
Voltz, M. (1986). Variabilité spatiale des propriétés physiques en milieu alluvial. Essai de
cartographie quantitative des paramètres hydrodynamiques. Thèse de doct. Ing, ENSAM,
198p.
Wackernagel, H. (1992). Cours de géostatistique multivariable. Cours
C-146, Centre de Géostatistique, Ecole des Mines de Paris.
Xavier, E. (2001). Géostatistiques linéaire, Ecole des mines de Paris, 405 p.
Site Internet :
https://tice.agroparistech.fr : Cours Géostatistique appliquée : Chap1- Analyse et
modélisation de structures spatiales.

50
Intitulé du Master : Ressources minérales et Géomatériaux
Semestre : 03
Intitulé de l’UE : Géostatistiques Intitulé de la matière : Géostatistiques Crédits : 08
Coefficients :04
Objectifs de l’enseignement
Maîtriser les méthodes d’analyse, d’interprétation et de la modélisation géostatistiques des données.
Cela permettra aux étudiants de faire un prétraitement des données et une estimation de son évolution
spatiale.
Connaissances préalables recommandées
Une connaissance de base en statistique descriptive est exigée.
Contenu de la matière:
Cours :
PARTIE I - Statistique
I.1- Rappel des statistiques descriptives (univariée et bivariée).
I.2- Analyse des données : analyse en Composantes Principales (ACP) : présentation de la méthode,
géométrie des individus et des variables, recherche des composantes principales, résultats et
interprétation.
PARTIE II- Géostatistiques
II- 1- Géostatistiques objet, modèles et domaines d’applications II- 2- Théorie des variables
régionalisées et leurs moments
II- 3- Variographie théorie et pratique
II- 4- Concept de variance d’estimation
II- 5- Procédure géostatistique de krigeage
TP :
Partie I : traitement statistique des données géochimiques (logiciel : Statistica).
Partie II: -initiation aux calculs et ajustements des variogrammes expérimentaux
- Calcul de variances d’estimations
- réalisation d’une carte de contours (anomalies) en utilisant le krigeage (logiciel : Surfer.
Variowin, S-GEMS,….).
Mode d’évaluation : Continu et examen
Référence :
Armstrong M. (1997)- Géostatistique linéaire: Application au domaine minier. Presses de l'Ecole des Mines de
Paris
Chauvet P. (1999) : Aide-mémoire de géostatistique linéaire. Presses de l’Ecole de Mines de Paris, 367p.
Denis Marcotte(2006) : TRAITEMENT STATISTIQUE DES DONNÉES GÉOLOGIQUES
Revues : Sites internet