Géostatistique multivariable
Automne 2003
Plan
Besoin et exemples
Cokrigeage simple et ordinaire
Covariance croisée et variogramme croisé
Cas où le cokrigeage peut être utile
Cas où le cokrigeage peut être utile
Exemples
Contexte et problématique
Idée : améliorer les estimations obtenues par krigeage en utilisant l’information fournie par d’autres variables (variables
secondaires) que la variable principale
Exemples :
a) Estimer la position du sommet d’un réservoir pétrolier ou gazier
Variable principale : position du sommet observé dans quelques forages Variables secondaires : - positions interprétées par sismique
- attitude du contact dans les forages
=> Obtenir une estimation qui respecte les données de forage, la forme générale de la surface sismique et l’attitude observée dans les forages.
Exemples :
b) Produire une carte de charges hydrauliques qui soit réaliste Variable principale : surface piézométrique dans quelques puits
Variables secondaires : - surface topographique (aquifère à nappe libre) - frontières imperméables connues
- vecteurs gradients connus - mesures géoradar
=> Obtenir une estimation qui respecte les données de puits et les frontières et la forme générale décrite par les mesures géoradar et la topographie.
Exemples :
c) Modélisation de la transmissivité d’un aquifère
Variable principale : transmissivités dans un modèle d’éléments finis ou de différences finies
Variables secondaires : - transmissivité ou conductivités hydrauliques obtenues par « slug-test », test de pompage, courbes
granulométriques, capacité spécifique de puits.
- frontières connues
- charges hydrauliques connues (permanent et transitoire)
=> Obtenir une estimation de la transmissivité qui respecte les données de transmissivité à différentes échelles, les données piézométriques et les frontières connues.
Exemples :
d) Inversion de données gravimétriques
Variable principale : densité pour un modèle de blocs du sous-sol Variables secondaires : - anomalie gravimétrique mesurée au sol
- anomalie gravimétrique aéroportée - quelques mesures de densité en forage
=> Obtenir une estimation de la densité qui respecte les anomalies et les densités observées
Note : ici, souvent, on n’a aucune observation directe de la variable principale !
Exemples :
e) Inversion de tomographies radar
Variable principale : modèle de « lenteurs » pour un modèle de blocs du sous-sol dans le plan défini par 2 forages coplanaires Variable secondaire : temps de parcours émetteur-récepteur
=> Obtenir une estimation des lenteurs qui respecte les temps de parcours Note : souvent, on n’a aucune observation de la variable principale !
Exemples :
f) Cartographie de la température de l’eau en surface
Variable principale : température de l’eau mesurée directement (bateau) Variable secondaire : température obtenue par interprétation du signal
spectral d’un satellite
g) Cartographie de la bathymétrie
Variable principale : mesures directes (bateau)
Variable secondaire : interprétation d’un levé hydro-acoustique
h) Cartographie de la contamination
Variable principale : teneurs d’un polluant
Variables secondaires : topographie, surface piézométrique, …
Exemple de cokrigeage
25 30
35 Cokrigeage avec dérivées
Z(x)
25 30
35 Krigeage sans dérivées
Z(x)
0 5 10 15 20 25 30
15 20
Coord. x
0 5 10 15 20 25 30
15 20
Coord. x
La dérivée de la surface krigée n’est
pas égale à la dérivée observée
La dérivée de la surface cokrigée est
égale à la dérivée
0 50 100 150 200 250 300 350 400 450 500 -15
-10 -5 0 5 10 15 20
Coordonnée x
Z(x)
0 50 100 150 200 250 300 350 400 450 500
-15 -10 -5 0 5 10 15 20
0 50 100 150 200 250 300 350 400 450 500
-15 -10 -5 0 5 10 15 20
Cokrigeage avec dérivées
MAE : krigeage 4.13 cokrigeage : 1.24
Réalité Krigeage
Autre exemple de cokrigeage
On mesure la base (B), le sommet (S) et l’épaisseur (E) d’une même formation en quelques forages.
On modélise les variogrammes de ces 3 variables
On effectue le krigeage de ces 3 variables => B*(x), S*(x), E*(x)
Aura-t-on : E*(x) = S*(x)-B*(x) ?
Non pour le krigeage Oui pour le cokrigeage
(si les covariances reflètent la relation physique E=S-B)
Krigeage E
S
B 015 20 25 30
1 2 3 4 5 6 7 8 9 10
Cokrigeage S*-B*
5 10 15 20 25 30
-15 -10 -5 0 5 10
-10 -5 0 5 10
Cokrigeage S*-B*
E*
Cokrigeage simple
Cas de 2 variables
Z(x) : variable principale : nz observations Y(x) : variable secondaire : ny observations
Les moyennes de Z(x) et Y(x) sont connues mZ my Les moyennes de Z(x) et Y(x) sont connues mZ my
∑ ∑
= =
− α
+
− λ
+
=
nz i
ny i
y i
i z
i i z
* m (Z m ) (Y m )
Z
1 1
0
) Y , Z Cov(
2 α ) Z , Z Cov(
2 λ ) Y , Z Cov(
α 2 λ
) Y , Y Cov(
α ) α
Z , Z Cov(
λ ) λ
Var(Z )
Z
Var(Z 0 i
ny 1 i
i nz
1 i
i 0 nz
1 i
i j
i ny
1 j
j i ny
1 i
j i ny
1 j
j i nz
1 i
j i nz
1 j
j i 0
* 0
0
∑∑ ∑∑ ∑ ∑ ∑ ∑
=
= = =
= =
= =
−
− +
+ +
=
−
1...ny i
1...nz i
1 0
1
1 0
1
=
∀
= α
+ λ
=
∀
= α
+ λ
∑
∑
∑
∑
=
=
=
=
ny j
i j
i j
nz j
j i j
ny j
i j
i j
nz j
j i j
) Y , Z ( Cov )
Y , Y ( Cov )
Z , Y ( Cov
) Z , Z ( Cov )
Y , Z ( Cov )
Z , Z ( Cov
nz ny
∑
∑
=
=
α
− λ
−
= σ
ny i
i i
nz i
i i
ck
Var ( Z ) Cov ( Z , Z ) Cov ( Z , Y )
1 0
1 0
2 0
Cokrigeage ordinaire
∑ ∑
= =
α +
λ
=
nz i
ny i
i i i i
*
Z Y
Z
1 1
0
Les moyennes de Z(x) et Y(x) sont inconnues
∑
nz λ =∑
α =ny 0
et
∑
1∑
= =
= α
= λ
nz i
ny i
i
1 i 1
0 et
1
∑
∑
∑
∑
∑
∑
=
=
=
=
=
= α
= λ
=
∀
= µ + α
+ λ
=
∀
= µ + α
+ λ
ny i nz i
i
ny j
i y
j i j
nz j
j i j
ny j
i z
j i j
nz j
j i j
) Y , Z ( Cov )
Y , Y ( Cov )
Z , Y ( Cov
) Z , Z ( Cov )
Y , Z ( Cov )
Z , Z ( Cov
1
1 0
1
1 0
1
0 1
1...ny i
1...nz i
∑
=
= α
i 1 i
0
∑
∑
=
=
µ
− α
− λ
−
= σ
ny i
z i
i nz
i
i i
ck Var(Z ) Cov(Z ,Z ) Cov(Z ,Y )
1 0
1 0
2 0
k ' )
Z ( Var k
K λ = et σ
ck2=
0− λ
Sous forme matricielle, cokrigeage ordinaire et simple s’écrivent:
=
yz zz yy
yz
zy zz
k k α
λ K
K
K K
Avec, pour le Cokrigeage simple
pour le Cokrigeage ordinaire
K K 1 0 λ k
=
0 1 k k
µ µ α λ
0 0 1'
0'
0 0 0'
1'
1 0 K
K
0 1 K
K
yz zz
y z yy
yz
zy zz
K est nz x nz ; K est nz par ny; K est ny x nz; K est ny par ny;
Les matrices de cokrigeage sont toujours symétriques => Kzy = K’yz Toutefois, les fonctions de covariances croisées, elles, ne sont pas nécessairement symétriques, en effet :
Czy (h) = Cov(Z(x),Y(x+h)) = Cov(Y(x+h),Z(x)) = Cyz (-h) mais, en général
Czy (h) = Cov(Z(x),Y(x+h)) Cov(Y(x),Z(x+h)) = C
≠
yz (h) = Czy (-h)Exemple
Cas 1D d’une variable et de sa dérivée
35 40 45
50 Covariance ZZ
0.5 1
Covariance croisée Z=variable, Y=dérivée1.5
0.04 0.05 0.06
0.07 Covariance YY
-1000 -50 0 50 100
5 10 15 20 25 30
h -100 -50 0 50 100
-1.5 -1 -0.5 0 0.5
h -100 -50 0 50 100
-0.03 -0.02 -0.01 0 0.01 0.02 0.03
h
Notes:
a) krigeage => + souvent krigeage ordinaire
cokrigeage => cokrigeage simple est souvent plus indiqué (e.g. cas où la variable principale n’est pas observée)
b) krigeage => variogramme est l’outil de base cokrigeage => covariance est l’outil de base
Covariance croisée et variogramme croisé
Covariance croisée
Czy(h) = Cov(Z(x),Y(x+h))
Variogramme croisé
( )( )
[
Z(x) Z(x h) Y(x) Y(x h)]
E
* 0.5 (h)
γzy =
[ (
− +)(
− +) ]
( ) ( )
(
Z(x) Z(x h), Y(x) Y(x h))
Cov
* 0.5
zy
+
− +
−
=
Lien
γ
zy(h) = C
zy(0) − 0.5 * ( C
zy(h) + C
zy( − h) )
=> Le variogramme croisé est toujours symétrique
Exemple
Y est rien d’autre qu’une copie
décalée (de 50) vers la gauche de Z
0 50 100 150 200 250 300 350 400 450
-6 -4 -2 0 2 4 6
x
Z(x) ou Y(x)
Z Y
Le variogramme croisé => pas de structure!
La covariance croisée => très forte structure - asymétrique
- reconnaît le décalage
x
-100 -80 -60 -40 -20 0 20 40 60 80 100
-8 -6 -4 -2 0 2 4 6 8 10
h γ zy(h) ou C zy(h)
Variog. croisé ZY Covariance croisée ZY
Comparaison
Covariance croisée Variogramme croisée
mZ et my connus Pas besoin
Tous les points où l’une ou l’autre variable est connue
Seuls les points où les 2 variables sont connues l’autre variable est connue
peuvent être utilisés dans le calcul de la covariance
variables sont connues peuvent être utilisés dans le
calcul du variogramme croisé
La covariance peut être asymétrique
La covariance doit être symétrique
Modèles admissibles
But : assurer que toute combinaison linéaire de Z et Y présente une variance théorique positive.
Vérification délicate, on se limite à des cas certains
a) Modèle découlant de relations physiques ou mathématiques entre Z et Y. Si l’on connaît Czz alors on peut déduire Czy et Cyy.
Exemple 1D : Y(x) = dZ(x)/dx =>
Cov(Z(x),Y(x+h)) = d [Cov(Z(x),Z(x+h))]/dh Cov(Y(x),Y(x+h)) = - d2[Cov(Z(x),Z(x+h))]/dh2
b) Modèle de corégionalisation linéaire
...
(h) C B (h) C B
...
(h) B C
B
B (h) B
B C B
B B
(h) C
(h) C
(h) C
(h) C
2 2 1
1
2 yy 2, yz
2,
zy 2, zz
2, 1
yy 1, yz
1,
zy 1, zz
1, yy
yz
zy zz
+ +
=
+
+
=
⇒ toutes les covariances et covariances croisées peuvent s’exprimer comme une combinaison linéaire de quelques structures de base (de palier 1, arbitrairement). Les matrices B sont des matrices de
coefficients.
Exemple: 2 structures de base : 1 effet de pépite + 1 sphérique, a=30 C1(h) représente l’effet de pépite => C1(0) = 1; C1(h>0) = 0
Si chaque matrice B est positive semi-définie (i.e. avec 2 variables det(B) ≥≥≥≥0) alors le modèle est admissible.
Si l’une des matrices n’est pas positive semi-définie, alors on ne peut rien dire sur l’admissibilité du modèle.
Note : lorsque toutes les matrices B sont proportionnelles, on peut réécrire le modèle linéaire de corégionalisation comme:
C(h) B
B C(h) B
B B
(h) C
(h) C
(h) C
(h) C
yy yz
zy zz
yy yz
zy
zz =
=
Ce modèle indique que toutes les covariances sont proportionnelles à un modèle de base unique de palier arbitraire 1 et pouvant comprendre plusieurs composantes élémentaires (e.g. effet pépite+sphérique avec a=30). Ce modèle est admissible ssi B est positive semi-définie.
-2 0 2 4 6 8
Czz
C zz
-10 -8 -6 -4 -2 0 2
Czy
C zy
Exemples de modèle linéaire de corégionalisation
−
= 5 7
Modèle sphérique a=15
-20 -15 -10 -5 0 5 10 15 20
-2
h
-20 -15 -10 -5 0 5 10 15 20
-10
h
-6 -4 -2 0 2
Cyz
C yz
2 4 6 8 10 12
Cyy
C yy
−
= −
10 7
7 B 5
Det(B)=1 =>
modèle admissible
-20 -15 -10 -5 0 5 10 15 20 0
2 4 6 8 10
Czz
h C zz
-20 -15 -10 -5 0 5 10 15 20
0 2 4 6 8 10 12
Czy
h
C zy
Effet pépite+
Modèle sphérique a=15
−
= −
5 2
2 B
13
5 10
-20 -15 -10 -5 0 5 10 15 20
0 2 4 6 8 10 12
Cyz
h C yz
-20 -15 -10 -5 0 5 10 15 20
0 5 10 15 20 25 30
Cyy
h
C yy Det(B1)=11
Det(B2)=25
=> modèle admissible
=
25 10
10
B
25
Effet pépite+
Modèle sphérique a=15
−
= −
5 4
4 B
13
5 10
-20 -15 -10 -5 0 5 10 15 20
-2 0 2 4 6 8 10
Czz
h C zz
-20 -15 -10 -5 0 5 10 15 20
-6 -4 -2 0 2 4 6 8 10 12
Czy
h C zy
C C
Det(B1)= -1 Det(B2)=25
=> modèle non
=
25 10
10 B
25
-20 -15 -10 -5 0 5 10 15 20
-6 -4 -2 0 2 4 6 8 10 12
Cyz
h C yz
-20 -15 -10 -5 0 5 10 15 20
0 5 10 15 20 25 30
Cyy
h C yy
Condition de Cauchy-Schwartz
Variogramme croisé : covariance des incréments (Z(x)-Z(x+h)) et (Y(x)-Y(x+h))
Variogrammes simples: variance des incréments
Donc il faut que :
γ
ZY( h ) ≤ γ
ZZ( h ) γ
YY( h )
Malheureusement, cette condition est nécessaire mais non suffisante!
-20 -15 -10 -5 0 5 10 15 20 25
±(sqrt(γ1(h)*γ2(h)) Condition C-S définit une enveloppe où doit se retrouver entièrement le modèle de
variogramme croisé.
Exemple numérique détaillé
) C , m a
( Sphérique .
) . h ) (
h ( C ) h ( C
) h ( C ) h ( C
yy yz
zy
zz 30 1
4 4 2
4 2 2 1
0 0
1 = =
+
δ
=
=1 si h=0, 0 si |h|>0.
) h δ (
Z1 et Y1 en x1=0 , Z2 en x2=10 et Y0 en x0=5
Z1 Y1
Y0 Z2 Z0 ?
5 5
Note: à h=0, corr. (Z,Y)= 2.4/(3*5)0.5 = 0.62
0 1
2
1
Z Y Y
Z
0 1 2 1
Y Y Z
Z
=
λ λ λ λ
4 . 2 8056 .
1
5046 .
1
5046 .
1
5 0093
. 3 8056 .
1 8056 .
1
0093 .
3 5
2444 .
1 4
. 2
8056 .
1 2444 .
1 3
037 . 1
8056 .
1 4
. 2 037
. 1 3
, 0
, 1
, 2
, 1
y y z z
Z0
Par cokrigeage simple
5500 1
et 3085 0
0072 0
2336 0
2294
0 2 1 0 ck2
1,z = . ,λ ,z = . ,λ ,y = . ,λ ,y = . σ = .
λ
Poids important donné à la variable secondaire
Variance de cokrigeage < variance de krigeage simple (1.88)
Par cokrigeage ordinaire
0 1
2
1
Z Y Y
Z
0 1 2 1
Y Y Z
Z
Z0
=
µ λ
λ λ λ
1 4 . 2 8056 .
1
5046 .
1
5046 .
1
0 0 0
0 1
1
1 0 5
0093 .
3 8056 .
1 8056 .
1
1 0 0093 .
3 5
2444 .
1 4
. 2
0 1 8056 .
1 2444 .
1 3
037 . 1
0 1 8056 .
1 4
. 2 037
. 1 3
, 0
, 1
, 2
, 1
y y z z
Variance de cokrigeage ≈ variance
µ µ
0
1 0
0 1
1 0
0
0 0 0
0 1
1
y z
907 . 1 et
2603 .
0 ,
5111 .
0
, 1678 .
0 ,
1678 .
0 ,
4506 .
0 ,
5494 .
0
2 ck y
Z
y , 0 y
, 1 z
, 2 z
, 1
= σ
= µ
−
= µ
= λ
−
= λ
= λ
= λ
Cokrigeage simple (CoS) vs cokrigeage ordinaire (CoO)
Souvent le CoS est préférable
- CoS => ne nécessite pas d’observations de Z
- CoO => dans certaines configurations symétriques, la
contrainte sur les poids empêche de tenir compte de l’information de la variable secondaire
la variable secondaire Ex.
Y1 Y2
Y3 Y4
Z0 ? Dans cette configuration, tous les poids sur Y sont 0, peu importe la corrélation entre Z et Y !
Exemple
Exemple
10 20 30 40 50 60
10 20 30 40 50 60
40 50 60
V.P.
10 20 30 40 50 60
10 20 30
10 20 30 40 50 60
V.S.
10 20 30 40 50 60 10
20 30 40 50 60
10 20 30 40 50 60
10 20 30 40 50 60
Krigeage : MAE = 26.3 Corr(Z,Z*) = 0.73
Cokrigeage simple : MAE = 22.1 Corr(Z,Z*) = 0.81
Inversion de données gravimétriques
(((( )))) (((( ))))
−
−
−
− +
++ + +
+ + + +
++ + µ
µµ µ γγγγ
−
−
−
−
=
=
= ρ = ρ ρ
ρi
∑ ∑ ∑ ∑ ∑
2∑ ∑ ∑ ∑
2∑ ∑ ∑
2 pqs p q pqs q p pqs s p qr ' z
' y ' arctan x '
z r
' x ln ' y r
' y ln ' g x
ρ
G g =
Sous forme matricielle :
où
g est le vecteur des anomalies gravimétriques (n x 1) G est la matrice géométrique (n x m)
ρ est le vecteur des contrastes de densité de blocs (m x 1)
T
gg GC G
C = ρρ
ρρ
ρ GC
C g =
Les covariances s’écrivent alors :
où
Cgg matrice des covariances gravité-gravité (n x n) Cρρ matrice des covariances densité-densité (m x m) Cgρ matrice des covariances gravité-densité (n x m) G matrice géométrique (n x m)
ρρ
ρ GC
C g =
Λ ρ
Λ ρ
g 1
gg C C
g
*
= −
= '
Le cokrigeage s’écrit :
Λ = C gg C g ρ
où Λ est la matrice contenant les poids de cokrigeage
(n x m)
L’estimation par cokrigeage des densités reproduit exactement l’anomalie gravimétrique observée i.e:
g g
) ' G GC
( ' G GC
g ' G
* G
*
g = ρ = Λ =
ρρ ρρ −1=
Exemple en hydrogéologie
Utilisation de points doublons : forcer localement une direction d’écoulement
1.1e-03
4.5e-05
A)
←20.01
←20.00 ←20.02
←20.01
←20.00 ←20.02
←20.01 ←20.05 ←20.10 ←20.50 ←20.90
B)
C)
20.01
20.00 20.02
20.01
20.00 20.02
20.01 20.05 20.10 20.50 20.90
D)
Solution Éléments finis
←20.1 ←20.2 ←20.3 ←20.4 ←20.5 ←20.6
C)
←20.01
←20.00 ←20.02
←20.01
←20.00 ←20.02
←20.01 ←20.05 ←20.10 ←20.50 ←20.90
D)
A) 0B)
200 400 600 800 1000
571.5 571.7 571.9
572.1572.3572.5572.7 572.9 573.1 573.3 573.5 573.7 573.9 574.1 574.3 571.7 571.5 571.3 572.1
571.1
574.5 0
200 400 600 800 1000
571.3 571.5 571.7 571.9 572.1 572.3 572.5
572.7 572.9
573.1 573.3 573.5 573.7 573.9
574.1 572.1
573.1
574.3
573.3
Dizy, repos Sans doublons
Dizy, pompage Sans doublons
400 600 800 1000
572.9
572.9 573.1
573.1
573.3 573.5
A)
400 600 800
1000 571.5
571.7 571.7
571.9
572.1 572.5
B)0 200 400 600 800 0
0 200 400 600 800
0 574.3
Dizy, repos Avec doublons
Dizy, pompage Avec doublons
6 8 10 12
Diagramme binaire de Z vs Y
Z
n= 50 r= 0.8593
25 30 35 40 45
50 Localisation des points Z (o) et Y (+)
Coord. 2
2 4 6 8 10 12 14 16 18
0 2 4
Y
0 10 20 30 40 50
5 10 15 20
Coord. 1
Coord. 2
0 5 10 15 20 25 30 -2
0 2 4 6
50
22 59
78
122 107 120
120 129 Covariance ZZ; C0=0.1 C=5 a= 18
CZZ(h)
2 4 6 8
200
339
Covariance YY; C0= 1.4 C=4.9 a= 18
YY(h)
0 5 10 15 20 25 30
-2 0
2 994
1467 1878 2117 2202 2208 2148 C YY
0 2 4 6 50
177 488
709
917 977 1028
1071 1101 Covariance ZY (sym.); C0=0.1 C=4.9 a= 18
C ZY(h)
10 20
30 40
50
0 10 20 30 40 50
0 5 10 15 20
Surface réelle Z
Coord 1 0
10 20
30 40
50
0 10 20 30 40 50
0 5 10 15 20
Coord 2 Surface réelle Y
Coord 1
0 0 Coord 2
Coord 1 0 0 Coord 2
40 50
0 5 10 15 20
Surface krigée, |e|=1.1278 e2=2.9513
40 50
0 5 10 15 20
Surface cokrigée, |e|=0.77693 e2=1.5799
-2 0 2 4 6 8 10 12
o : v. principale +: v. secondaire
1
r w wr
-2 0 2 4 6 8 10 12
-2
V1: 4 o et + en (5,5) (collocated) V2: 4 o et 5 + (aux 4 o et en (5,5)) V3: 4 o et 45 +
Influence du voisinage (cokrigeage simple)
Variance de cokrigeage V1/V2
C1/(C0+C1) r1 (r0 = 0 )
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1 1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V2
C1/(C0+C1) r1 (r0 = 0.5 )
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1 1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V2
C1/(C0+C1) r1 (r0 = 0.7 )
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1 1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V2
C1/(C0+C1) r1 (r0 = 0.9 )
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1 1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
V1/V2
Variance de cokrigeage V1/V3
r1 (r0 = 0 )
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V3
r1 (r0 = 0.5 )
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V3
r1 (r0 = 0.7 )
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
Variance de cokrigeage V1/V3
r1 (r0 = 0.9 )
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1.05 1.1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5
r0=0 r0=0.5 r0=0.7 r0=0.9
L’exemple montre:
i. le cokrigeage colocalisé (V1) s’avère un mauvais choix lorsque r0 est non-nul;
plus r0est élevé plus l’on perd en se limitant à V1
ii. une fois incluse la v. s. aux points échantillons et au point à estimer, on gagne peu à inclure d’autres points (V1/V2 ~ V1/V3)