1
Introduction à la géostatistique
Avril 2006
2
Point de vue de la géostat
Gisement
Z(x1)
Z(x2)
Z(x3)
Gisement => infinité de points ou très grand nombre de « quasi-points » x : emplacement géographique
chaque point -> teneur -> Z(x)
chaque teneur -> v. a. (ensemble forme une fonction aléatoire (de x))
3
Historique de la géostatistique
1930-1950 Théorie des fonctions aléatoires (Kolmogorov, Wiener)
1955 Daniel Krige : approche empirique (régression) pour corriger problèmes de biais conditionnel observé dans les mines
Pourquoi moins que prévu ?
Comment prévoir et tenir compte de l’effet support ?
1960-1970 Matheron (mines), Matern (foresterie), Gandin
(météorologie) développent ensemble d’outils => naissance de la géostat linéaire stationnaire. Réponse aux questions de Krige.
Matheron donne le nom de « krigeage » à la méthode d’estimation qu’il développe.
1970 Polytechnique est la 1ère Université en A. du N. à enseigner la
géostat (M. David)
4
Historique (suite)
1973 géostat linéaire non-stationnaire *
1975 géostat non-linéaire
1977 1er livre en anglais de géostat (M. David)
1980 géostat linéaire multivariable *
1985 simulations *
*
Domaines encore actifs de recherche
Aujourd’hui, la géostat est appliquée dans une foule de domaines (mines, pétrole, foresterie, agriculture, environnement,
hydrogéologie, géotechnique, pêches, biologie, biomédical,…)
Gisement Z(x1)
Z(x2)
Z(x1) Z(x2)
Diagramme de dispersion
Moyenne ? Variance ? Covariance?
+ hypothèse stationnarité
Gisement h h h
h h
« h scattergram »
Z(x) Z(x+h)
6
Faire varier « h»
Gisement h1 h1 h1
h1 h1
« h1 scattergram »
Z(x) Z(x+h)
« h2 scattergram »
Z(x) Z(x+h)
Gisement h2 h2
7
« h » peut varier en direction et en module.
|h| =1
Z(x) Z(x+h)
|h| =2
Z(x) Z(x+h)
|h| =2
Z(x) Z(x+h)
|h| Cov
On cherche si possible avoir au moins 30 points sur chaque diagramme
-Tolérance sur la direction -Tolérance sur le module
8
Exemple
9
Avec tolérance de 0.5 sur |h| et 15
osur direction
10
-1 -0.5 0 0.5 1
-1 -0.5 0 0.5
1h=3 dir=0-180, Cov = 0.17
Z(x+h)
-1 -0.5 0 0.5 1
-1 -0.5 0 0.5
h=8 dir=0-180, Cov = 0.0851
Z(x+h)
-1 -0.5 0 0.5 1
-1 -0.5 0 0.5
h=15 dir=0-180, Cov = -0.0291
Z(x)
Z(x+h)
2 4 6 8 10 12 14 16
-0.05 0 0.05 0.1 0.15
0.2 Fonction de covariance
h ±0.5 θ=0 ou 180 ±15o
Covariance
En pratique, on ne s’intéresse qu’à la covariance (corrélation)
11
-1 -0.5 0 0.5 1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
1 h=3 dir=0-180, Cov = 0.16
Z(x+h)
Le variogramme
Mesure la dispersion sur cette droite
12
[ ] E [ ( Z(x) - Z(x + h) )
2]
2 h) 1
+ Z(x - Z(x) 2 Var
= 1
(h) =
γ
Variogramme : définition
Décroît Croît
h
Doit exister = Cov(h=0) Si existe = palier
Var
Constante connue Constante
m
Covariance
Variogramme
13
Lien entre variogramme et covariance
) h ( Cov )
h
( = σ 2 − γ
Covariance Variogramme
h
14
Variogramme expérimental
Choisir une direction + tolérance angulaire Discrétiser |h| en classes distinctes
Répartir les paires dans les classes
[ ]
∑
=
γ
) h ( N
i
i
e Z( x i ) - Z( x + h)
N(h) 2
= 1 (h)
1
2
N(h) : nombre de paires dans la direction considéré et dans la classe de distance h
Exemple
1 2
3 4
3 2
1
1.33 3
4
2.5 4
3
1.6 5
2
0.5 6
1
γ(h) N(h)
h
h=1
4 2
1 3
2 3
1
0.83 3
4
1.125 4
3
1.2 5
2
1.25 6
1
γ(h) N(h)
h
0 1 2 3 4 5
0 0 . 5 1 1 . 5 2 2 . 5 3
0 1 2 3 4 5
0 0 . 5 1 1 . 5 2 2 . 5 3
16
Le variogramme décrit la continuité spatiale du phénomène
5 10 15 20 25 30
5 10 15 20 25 30
0 5 10 15 20 25
0 0.5 1 1.5 2
0o
0 5 10 15 20 25
0 0.5 1 1.5 2
45o
0 5 10 15 20 25
0 0.5 1 1.5 2
90o
0 5 10 15 20 25
0 0.5 1 1.5 2
135o
17 10 20 30 40 50 10
20 30 40 50 60
0 5 10 15 20 25
N
0 1000 2000
3000 0o
0 5 10 15 20 25
0 1000 2000
3000 135o
0 5 10 15 20 25
0 1000 2000
3000 90o
0 5 10 15 20 25
0 1000 2000
3000 45o
10 20 30 40 50 10
20 30 40 50 60
10 20 30 40 50
10
20
30
40
50
60
+
10 20 30 40 50
10
20
30
40
50
60
=
0 5 10 15 20 25
0 1000 2000 3000
4000 0o
0 5 10 15 20 25
0 1000 2000 3000
4000 135o
0 5 10 15 20 25
0 1000 2000 3000
4000 90o
0 5 10 15 20 25
0 1000 2000 3000
4000 45o
Effet pépite causé par le bruit ajouté Notez comme la structure sous-jacente demeure très visible
50 100 150 200 -2
0 2
Z
donnees
0 50 100
0 0.5 1 1.5 2
g(h)
Variogramme
50 100 150 200
-2 0 2
Z
donnees
0 50 100
0 0.5 1 1.5 2
g(h)
Variogramme
50 100 150 200
-2 0 2
x
Z
donnees
0 50 100
0 0.5 1 1.5 2
h
g(h)
Variogramme
3 exmples en 1D
20
Le variogramme est une statistique d’ordre 2
Ce n’est pas suffisant pour caractériser tous les aspects d’une image ou d’un processus
e.g. on peut créer plusieurs images ayant même « m », même variogramme et présentant pourtant des textures très différentes
21
γ(h)
|h|
h moyen dans la classe
?
?
?
Dans les calculs géostat, on doit connaître Cov ou γ pour tout « h »
Modèle
Variogramme expérimental
22
γ(h)
|h|
?
Non, le modèle doit être admissible Modèle admissible : modèle assurant que
toute variance calculée à partir de celui-ci est positive
Modèles démontrés admissibles
23
γ(h)
|h|
+ +
+ + + +
+
Effet de pépite : C0
Portée : a Palier : σσσσ2222 = C0 + C
Généralement,
24
0 50 100 150 200
0 0.5 1
Gaussien
0 50 100 150 200
0 1 2
Linéaire
0 50 100 150 200
0 0.5 1
Linéaire avec palier
0 50 100 150 200
0 1 2 3
Fractal avec b=1.5
0 50 100 150 200
0 0.5 1 1.5
Fractal avec b=0.5
0 50 100 150 200
0 2 4 6
DeWijsien
0 50 100 150 200
0 1 2
Effet de trou cosinus
0 50 100 150 200
0 0.5 1 1.5
Effet de trou sinus
Exemples de modèle
0 50 100 150 200
0 0.5 1
Pépite
0 50 100 150 200
0 0.5 1
Exponentiel
0 50 100 150 200
0 0.5 1
Sphérique
0 50 100 150 200
0 0.5 1
Circulaire
0 100 200 300 400 500
0 0.5 1
Gravimétrique
0 100 200 300 400 500
0 0.5 1
Magnétique
0 50 100 150 200
0 0.5 1
Cubique
0 50 100 150 200
0 0.5 1
Penta-sphérique (Christakos, 1984 p.264)
25
0 50 100 150 200
0 0.5 1
Quadratique (Alfaro, 1984)
0 100 200 300 400 500
0 0.5 1
Stable (Lantuéjoul,1994)
0 100 200 300 400 500
0 0.5 1
Hyperbolique (Lantuéjoul, 1994)
0 500 1000 1500
0 0.5 1
BK Matern, p.30, 4e, s=2
0 100 200 300 400 500
0 0.5 1
Christakos,1984, p.261
0 100 200 300 400 500
0 0.5 1
Christakos, 1984, p.262
0 50 100 150 200
0 0.5 1
Christakos, 1984, p.262 (74)
0 100 200 300 400 500
0 0.5 1
Cosinus hyperbolique
0 100 200 300 400 500
0 0.5 1
Stein
0 100 200 300 400 500
0 0.5 1
Whittle
0 100 200 300 400 500
0 0.5 1
Matern p.30, 2e, n=1
0 100 200 300 400 500
0 0.5 1
Matern p.30, 2e, n=3
0 100 200 300 400 500
0 0.5 1 1.5
BJ Matern p.30, 3e, k=0
0 500 1000 1500
0 0.5 1
BJ Matern p.30, 3e, k=1
0 500 1000 1500
0 0.5 1
BJ Matern p.30, 3e, k=2
0 100 200 300 400 500
0 0.5 1
Bessel 2: Mantoglou et Wilson
26
Toute somme (coefficients positifs) de modèles de variogramme est admissible Toute somme (coefficients positifs) de modèles de covariance est admissible Tout produit (coefficients positifs) de modèles de covariance est admissible
Chaque modèle peut être isotrope ou anisotrope, les directions d’anisotropie peuvent varier d’un modèle à l’autre
Un modèle peut être admissible en 1D et non-admissible en en 2D, 3D,….
27
Modèles de base en mine
Effet de pépite
h γ(h)
0 h
si C
0 h
si 0 )
h (
0
>
=
= γ
-Erreurs de mesure
-Erreurs de localisation -Erreurs d’analyse (Gy)
-Microstructure non-identifiable dû au manque de données
Presque toujours présent mais rarement seul
Effet de pépite pur =>
estimation impossible
28
Sphérique
h
γ(h)
≥
<
<
−
=
= γ
a h si
C
a h 0 si a
5 h . a 0 1.5 h C
0 h si
0
) h (
3
Modèle le + fréquent
e.g. teneur, épaisseur, … Combiné avec effet pépite
29
Exponentiel
h γ(h)
−
−
−
−
=
γ a
| h
| exp 3
1 C ou '
a
| h exp |
1 C ) h (
a: portée effective γ(h)=0.95*C a’=a/3
Assez commun
Semblable au sphérique
30
Gaussien
h γ(h)
−
−
−
−
= γ
2 2
a
| h 3 | exp
1 C ou '
a
| h exp |
1 C ) h (
a: portée effective γ(h)=0.95*C a’=a/30.5
-Peu fréquent en mine
-Variables très continues :e.g.
topographie, gravimétrie, magnétisme, épaisseur,…
- Problèmes numériques si absence d’effet de pépite
31
hb
h γ(h)
b=1b=1.4 b=0.6
2 b 0 0,
| h
| a
| h C | ) h (
b
<
≤
>
= γ
-Modèles sans palier -Moyenne, variance et covariance non définies
32
Anisotropies
1- Géométrique : les portées décrivent une ellipse
ap ag
θ
{ }
a a a
a a
g p
p g
θ
θ θ
=
2 2
+
2 2 1 2cos sin
/θ = 0 θ = 30
θ = 45 θ = 60
θ = 90
0 5 10 15 20 0
0.5 1 1.5 2
Vario. exp. (dir, dip, vreg) : (0,0,0)
h
γ(h)
0 5 10 15 20
0 0.5 1 1.5 2
Vario. exp. (dir, dip, vreg) : (45,0,0)
h
γ(h)
0 5 10 15 20
0 0.5 1 1.5 2
Vario. exp. (dir, dip, vreg) : (90,0,0)
h
γ(h)
0 5 10 15 20
0 0.5 1 1.5 2
Vario. exp. (dir, dip, vreg) : (135,0,0)
h
γ(h)
M o d . a n i s o . 2 D : t y p e , a x a y , r o t ( t r i g o ) , c 3 7 7 0 0 . 5 3 1 7 1 . 0 4 9 e + 0 0 9 4 5 1 . 5 3 - g a u s s i e n 3 - g a u s s i e n
Gaussien isotrope a=7, C=0.5 +
Gaussien aniso géom.
a45=17 a135=∞
2- zonale : toute anisotropie qui n’est pas géométrique
=> somme de composantes isotropes et avec anisotropies géométriques
5 10 15 20 25 30
5 10 15 20 25 30
Ajustement assez bon pour 0-5 pixels dans toutes les directions
34
0 5 10 15 20
0 1000 2000
3000Vario. exp. (dir, dip, vreg) : (0,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000
3000Vario. exp. (dir, dip, vreg) : (45,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000
3000Vario. exp. (dir, dip, vreg) : (90,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000
3000Vario. exp. (dir, dip, vreg) : (135,0,0)
h
γ(h)
0o 135o 90o
450
10 20 30 40 50 10
20 30 40 50 60
N
Modèle sphérique avec anisotropie géométrique a(45)=20.4, a(135)=13.8
Oh non, je ne vais pas encore
me faire variographer!
35
Stratégie de modélisation
Définition minutieuse du domaine
Examen des données, données extrêmes ?
Au besoin sous-échantillonnage des données pour éviter de sur-représenter des zones particulières
Variogramme omnidirectionnel => modèle isotrope candidat
Déterminer directions géologiques principales
Calculer variogrammes directionnels (au moins 4 directions) attention aux paramètres de calculs (classes de distance et tolérance)
Comparer variogrammes directionnels au modèle isotrope candidat
acceptable => terminé
Inacceptable => ajuster un modèle anisotrope (géométrique)
anisotrope (géométrique) acceptable => terminé
Inacceptable => anisotropie zonale ?
Dans tous les cas, il importe surtout d’ajuster les premiers points du variogramme Éviter de « surajuster » les données
36
Remarques concernant le calcul des variogrammes
Objectifs:
au moins 30 paires pour la plupart des points du variogramme 4-6 points avant le palier pour pouvoir ajuster modèle
h < hmax/2
• Doit avoir un minimum de données
>30 pour variogramme omnidirectionnel
>60 pour variogrammes directionnels
• Influence le choix de largeur des classes
0 10 20 30 40 50 0
0.2 0.4 0.6 0.8 1
Vario. exp. (dir, dip, vreg) : (0,0,90)
h
γ(h)
Exemple
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (0,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (45,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (90,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (135,0,0)
h
γ(h) Variog. directionnels
Variog. omni
50 100 150 200
20 40 60 80 100 120 140 160 180 200
38
0 50 100 150
0 0.5 1 1.5
14 38
52 78
64 76
46 Vario. exp. (dir, dip, vreg) : (0,0,90)
h
γ(h)
-100 -50 0 50 100
-100 -50 0 50 100
0 20 40 60
0 0.5 1 1.5
16 38 59
70 89 105 137
Vario. exp. (dir, dip, vreg) : (0,0,90)
h
γ(h)
-100 -50 0 50 100
-100 -50 0 50 100
0 20 40 60
0 0.2 0.4 0.6 0.8 1
51 164
273
341 459 522 593 615 721 769
Vario. exp. (dir, dip, vreg) : (0,0,90)
h
γ(h)
-100 -50 0 50 100
-100 -50 0 50 100
N=30 N=60 N=200
Effet de pépite apparent
0 20 40 60 0
0.5 1
15 39 66
89 126 159 156 154
161 212 Vario. exp. (dir, dip, vreg) : (0,0,22.5)
h
γ(h)
0 20 40 60
0 0.5 1
14 46
62 79 121 113 149
147 181 174 Vario. exp. (dir, dip, vreg) : (45,0,22.5)
h
γ(h)
0 20 40 60
0 0.5 1
5 39 72 82
96 139 152 171
172 200 Vario. exp. (dir, dip, vreg) : (90,0,22.5)
h
γ(h)
0 20 40 60
0 0.5 1
17 40 73
91 116
111 136 143 207 183 Vario. exp. (dir, dip, vreg) : (135,0,22.5)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (0,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (45,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (90,0,0)
h
γ(h)
0 20 40 60
0 0.5 1
Vario. exp. (dir, dip, vreg) : (135,0,0)
h
γ(h)
N=40000 N=200
Ajustement ±bon;
ne peut être amélioré sans altérer les autres ajustements
40
Autres outils utiles
-Validation croisée de modèles candidats (krigeage); eg. Tester un modèle isotrope vs anisotrope; tester un effet de pépite de 10% vs 30%;…
-Modèle permet de prédire les variances des composites de tailles différentes ?
-Modèle permet de prédire les variances des valeurs krigées ?
-Variogramme des log(teneurs) pour identifier les anisotropies possibles, la (les) portée, l’importance approximative de l’effet de pépite
-Variogramme d’une transformation des teneurs (eg. rang), même chose que les log