Introduction à la géostatistique et variogrammes
Automne 2006
GLQ3401 Intro stat + variogrammes- D. Marcotte 2
Plan
Rappels statistiques
1 v.a.
2 v.a.
Point de vue géostat
Gisement vs modèle stat
Historique
Effet support
Effet information
Géostatistique linéaire
Hypothèse de stationnarité
Variogramme expérimental
Modèles
Problèmes et stratégie de modélisation
Une v.a. (continue) est entièrement caractérisée par sa fonction de densité
-10 -5 0 5 10 15 20
0 0.1 0.2
Loi normale, m=5, σ=3
-10 -5 0 5 10 15 20
0 0.1 0.2
Loi lognormale, m=5, σ=3
Intégrale: probabilité
GLQ3401 Intro stat + variogrammes- D. Marcotte 4
Résumer une distribution par certaines statistiques
Tendance centrale (moyenne)
-10 -5 0 5 10 15 20 25 30
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
0.2 Loi normale, σ=3
m=5 m=10 m=15
Dispersion autour de la moyenne (écart-type)
-20 -15 -10 -5 0 5 10 15 20 25 30
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
0.4 Loi normale, m=5
s=1 s=3 s=6
GLQ3401 Intro stat + variogrammes- D. Marcotte 6
Asymétrie
-10 -5 0 5 10 15 20
0 0.1 0.2
Loi normale, m=5, σ=3
-10 -5 0 5 10 15 20
0 0.1 0.2
Loi lognormale, m=5, σ=3
-10 -5 0 5 10 15 20
0 0.1 0.2 0.3
Loi lognormale, m=5, σ=9
= 3.84
= 0
= 0.44
Le type de loi peut avoir une grande influence sur les ressources et la valeur d’un gisement.
Exemple : gisement m=2,
σ
=2, t.coupure = 11.13 1.40
Profit conv
2.70 3.02
Teneur
0.66 0.69
Tonnage/T0
Lognormale Normale
GLQ3401 Intro stat + variogrammes- D. Marcotte 8
Deux v.a.
Loi binormale, σ1=2 σ2=5 ρ=0.8 Loi binormale, σ1=2 σ2=5 ρ=0.2
Un couple de v.a. X et Y (continues) est entièrement
caractérisé par la loi de densité conjointe f(x,y)
On peut résumer une distribution bivariable par différentes statistiques dont : - moyennes des 2 variables
- écart-types (ou variances) des 2 variables
- corrélation (ou covariance) entre les 2 variables
La covariance mesure le degré d’association entre 2 v.a.
La corrélation est la covariance entre 2 v.a. normalisées pour présenter un écart-type de 1
Y X XY
) Y , X ( Cov
σ
= σ
ρ
GLQ3401 Intro stat + variogrammes- D. Marcotte 10
-4 -2 0 2 4
-4 -2 0 2 4
r=0.3
-4 -2 0 2 4
-4 -2 0 2 4
r=0.7
-4 -2 0 2 4
-4 -2 0 2 4
r=0.96
-4 -2 0 2 4
0 2 4 6 8
r=0
0 5 10 15 20 0
5 10 15 20
r=0.4
0 5 10 15 20
0 10 20 30 40
r=0.68
0 5 10 15 20
0 10 20 30
r=0.92
GLQ3401 Intro stat + variogrammes- D. Marcotte 12
Espérance mathématique
Notion fondamentale
Si g(X)=(X-m)
2=> E[g(X)] = Var(X)
Si g(X,Y)= (X-m
x) (Y-m
y) => E[g(X,Y)]= Cov(X,Y)
∫∫
∫
∫
=
=
=
dxdy )
y , x ( f
) y , x ( g )]
Y , X ( g [ E
dx ) x ( f ) x ( g )]
X ( g [ E
dx ) x ( xf ]
X [ E
Y , X X
X
Propriétés de l’espérance mathématique
E est un opérateur linéaire =>
E[c g(X)]= c E[g(X)]
E[g(X) + h(X)] = E[g(X)] + E[h(X)]
E[g(X,Y) + h(X,Y)] = E[g(X,Y)] + E[h(X,Y)]
En particulier
) X , X ( Cov
* 2 ) X ( Var )
X ( Var )
X X
(
Var
1+
2=
1+
2+
1 2) X , X ( Cov
* ab 2 )
X ( Var b
) X ( Var a
) bX aX
(
Var
1+
2=
2 1+
2 2+
1 2∑∑
∑
= = ==
n1 i
n 1 j
j i j
i n
1 i
i
i
X ) a a Cov ( X , X )
a (
Var
Une des expressionsqui revient le plus souvent en géostat
GLQ3401 Intro stat + variogrammes- D. Marcotte 14
( c ∫ Z(x)dx ) = c ∫∫ Cov(Z(x), Z(y))dxdy
Var
2 Une autre expressionqui revient souvent en géostat
( a ∫ Z ( x ) dx , b ∫ Z ( y ) dy ) = ab ∫∫ Cov ( Z ( x ), Z ( y )) dxdy
Cov
Point de vue de la géostat
Z(x2)
Z(x3)
Z(x1)
Gisement
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))
GLQ3401 Intro stat + variogrammes- D. Marcotte 16
Impossible d’estimer à partir des données la loi de densité conjointe Impossible d’estimer à partir des données la loi de densité bivariable
Impossible d’estimer à partir des données la loi de densité d’une variable
Cul de sac ? Oui -> zut, cours terminé !
Non -> youppi cours pas terminé !
sortie
-Hypothèses
-Questions auxquelles le modèle permet de répondre
Gamme de questions
Hypothèse Généralité
-Simulations
-Méthodes non-linéaires -Méthodes linéaires
Hypothèse
GLQ3401 Intro stat + variogrammes- D. Marcotte 18
Historique de la géostatistique
1930-1950 Théorie des fonctions aléatoires (Kolmogorov, Wiener)
1955 Daniel Krige : approche empirique (régression) pour corriger
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.
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,…)
GLQ3401 Intro stat + variogrammes- D. Marcotte 20
Effet support
Gisement A Gisement B
Comment prévoir ces comportements différents ? Quel est l’impact $$ ?
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
Effet information
Vrai
Minerai rejeté
Stérile traité
Estimé
Prévoir l’étendue des plages d’erreur et pertes en $ ? Évaluer $ en information pour réduire les pertes ?
On mine à partir d’estimés mais on récolte des valeurs vraies !
GLQ3401 Intro stat + variogrammes- D. Marcotte 22
À tonnage extrait égal
⇒on récupère toujours moins de métal avec des gros blocs qu’avec des petits blocs (effet support)
=> on récupère toujours moins de métal avec des estimés qu’avec les vraies valeurs (effet information)
La géostatistique permet théoriquement - Prévoir l’ampleur de ces effets - Minimiser ces effets
- Prendre des décisions éclairées au vu de ces effets
Géostatistique linéaire
Questions
Estimation de teneurs ponctuelles ou blocs
Précision associée à ces estimations
Hypothèse
Stationnarité du second ordre
Les caractéristiques sont moyenne, variance et covariance
Deux paires de points espacés d’un même vecteur
« h » ont des caractéristiques semblables
GLQ3401 Intro stat + variogrammes- D. Marcotte 24
Gisement
Z(x1)
Z(x2)
Z(x1) Z(x2)
Diagramme binaire
Moyenne ? Variance ? Covariance?
+ hypothèse stationnarité
« h scattergram »
Z(x) Z(x+h)
Gisement
h h h
h h
« h1 scattergram »
Z(x) Z(x+h)
Faire varier « h »
Gisement
h1 h1 h1
h1 h1
« h2 scattergram »
Z(x) Z(x+h)
Gisement
h2 h2
GLQ3401 Intro stat + variogrammes- D. Marcotte 26
« h » peut varier en direction et en module.
|h| =1
Z(x) Z(x+h)
|h| =2
Z(x) Z(x+h)
|h| =3
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
Exemple
GLQ3401 Intro stat + variogrammes- D. Marcotte 28
Avec tolérance de 0.5 sur |h| et 15
osur direction
En pratique, on ne s’intéresse qu’à la covariance (corrélation)
-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 1
h=8 dir=0-180, Cov = 0.085
Z(x+h)
0 0.5 1
h=15 dir=0-180, Cov = -0.029
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 30
Le variogramme
-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)
Mesure la dispersion sur cette droite
[ Z(x) - Z(x + h) ] 2 1 E [ ( Z(x) - Z(x + h) )
2]
2 Var
= 1
(h) =
γ
Si E[Z(x)]=m
Variogramme : définition
Décroît Croît
h
Doit exister = Cov(h=0) Si existe = palier
Var
Constante connue Constante
m
Covariance
Variogramme
GLQ3401 Intro stat + variogrammes- D. Marcotte 32
Lien entre variogramme et covariance
) h ( Cov )
h
( = σ 2 − γ
Covariance Variogramme
h
Variogramme expérimental
Choisir une direction + tolérance angulaire Discrétiser |h| en classes distinctes
Répartir les paires dans les classes
[ ]
∑
=γ
N( h )i i i
e
Z( x ) - Z( x + h)
N(h) 2
= 1 (h)
1
2
N(h) : nombre de paires dans la direction considérée et dans la classe de distance h
GLQ3401 Intro stat + variogrammes- D. Marcotte 34
Exemple
1 2
3 4
3 2
1
h=1
4 2
1 3
2 3
1
1.33 3
4
2.5 4
3
1.6 5
2
0.5 6
1
γ(h) N(h)
h
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
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 36
10 20 30 40 50 10
20 30 40 50 60
N
0 5 10 15 20 25
0 1000 2000 3000
0o
0 5 10 15 20 25
0 1000 2000 3000
45o
0 5 10 15 20 25
0 1000 2000 3000
90o
0 5 10 15 20 25
0 1000 2000 3000
135o
0 5 10 15 20 25 0
1000 2000 3000 4000
0o
0 5 10 15 20 25
0 1000 2000 3000 4000
45o
0 5 10 15 20 25
0 1000 2000 3000 4000
90o
0 5 10 15 20 25
0 1000 2000 3000 4000
135o
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
=
Effet pépite causé par le bruit ajouté
GLQ3401 Intro stat + variogrammes- D. Marcotte 38
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 exemples en 1D
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 40
Variogramme expérimental
γ(h)
|h|
h moyen dans la classe
?
?
?
Dans les calculs géostat, on doit connaître Cov ou γ pour tout « h »
Modèle
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 42
Généralement,
γ (h)
+ +
+ + + +
+
Palier : σ2 = C0 + C
Effet de pépite : C0
Portée : a
|h|
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 1 2
Effet de trou cosinus
0 0.5 1 1.5
Effet de trou sinus
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 0.5 1
Cubique
0 0.5 1
Penta-sphérique (Christakos, 1984 p.264)
Exemples de modèle
GLQ3401 Intro stat + variogrammes- D. Marcotte 44
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
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 2D, 3D,….Par contre, s’il est admissible en 3D il l’est aussi en 2D et 1D.
GLQ3401 Intro stat + variogrammes- D. Marcotte 46
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
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 48
Exponentiel
h
γ(h) Assez commun
Semblable au sphérique
a: portée effective γ(h)=0.95*C a’=a/3
−
−
−
−
=
γ a
| h
| exp 3
1 C ou '
a
| h exp |
1 C ) h (
Gaussien
h γ(h)
-Peu fréquent en mine
-Variables très continues :e.g.
topographie, gravimétrie, magnétisme, épaisseur,…
- Problèmes numériques si absence d’effet de pépite
a: portée effective γ(h)=0.95*C a’=a/30.5
−
−
−
−
= γ
2 2
a
| h 3 | exp
1 C ou '
a
| h exp |
1 C ) h (
GLQ3401 Intro stat + variogrammes- D. Marcotte 50
-Modèles sans palier -Moyenne, variance et covariance non définies
2 b 0 0,
| h
| a
| h C | ) h (
b
<
≤
>
= γ
Problèmes Problèmes Problèmes…
Données extrêmes influencent beaucoup le variogramme
10 0 0 0 0 0
0 1 2 3 4 5 6
0 10 20 30 40 50 60 70
Variogramme expérimental
Distance
gamma(h)
0 0 10 0 0 0
0 1 2 3 4 5 6
0 5 10 15 20 25 30 35
Variogramme expérimental
Distance
gamma(h)
GLQ3401 Intro stat + variogrammes- D. Marcotte 52
Zone A: (pas de 2m)
4 4 5 6 6 7 6 5 4
Zone B: (pas de 1m), zone +variable
8 6 8 10 12 8 10 12 14 10 8 6 12 8 10 10 8 10
0 1 2 3 4 5 6 7 8 9 10
0 1 2 3 4 5 6 7 8 9
8
7
6 5
V ariogram m e ex périm ental
Dis tanc e
gamma(h)
Z one A
17
16
15
14
13
12
11
10
9
Z one B
17 24
15
21
13
18
11
15 9
Z one A + B
-Étudier les zones séparément ? -Sous-échantillonner la zone B
Pratique de « confirmer » préférentiellement les teneurs riches
0 1 2 3 4 5 6 7 8 9
0 5 10 15 20 25 30 35 40 45 50
Variogrammes
h γ(h
)
Grille regulière Grille+10 doublons Grille+doublons
A pour effet de fournir beaucoup de paires à petite distance et montrant de très fortes variations
Si on rééchantillonne chaque point, pas de problème
GLQ3401 Intro stat + variogrammes- D. Marcotte 54
Erreurs de localisation
0 1 2 3 4 5 6 7 8 9 10
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Variogrammes
h γ(h
)
Localisations vraies Localisations erronnées
La géologie ne collabore pas toujours
-5 0 5 10 15 20
-5 0 5 10 15 20
Positions observées
x y
-5 0 5 10 15 20
-5 0 5 10 15 20
Positions "dépliées"
x y
0.2 0.4 0.6 0.8 1 1.2 1.4
Variogrammes initiaux
γ(h
) Dir. x
Dir. y
0.2 0.4 0.6 0.8 1 1.2 1.4
Variogrammes après "dépliage"
γ(h
) // strates
Perpendiculaire
Certains logiciels
permettent de passer à un système de
coordonnées géologiques
GLQ3401 Intro stat + variogrammes- D. Marcotte 56
Anisotropies
1- Géométrique : les portées décrivent une ellipse
ap ag
θ
{ }
a a a
a a
g p
p g
θ
=
2cos
2θ +
2sin
2θ
1 2/θ = 0 θ = 30
θ = 45 θ = 60
θ = 90
2- zonale : toute anisotropie qui n’est pas géométrique
=> somme de composantes isotropes et avec anisotropies géométriques
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=∞ 5 10 15 20 25 30
5 10 15 20 25 30
Ajustement assez bon pour 0-5 pixels dans toutes les directions
GLQ3401 Intro stat + variogrammes- D. Marcotte 58
0 5 10 15 20
0 1000 2000 3000
Vario. exp. (dir, dip, vreg) : (0,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000 3000
Vario. exp. (dir, dip, vreg) : (45,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000 3000
Vario. exp. (dir, dip, vreg) : (90,0,0)
h
γ(h)
0 5 10 15 20
0 1000 2000 3000
Vario. exp. (dir, dip, vreg) : (135,0,0)
h
γ(h)
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
90o 135o 0o
450
Oh non, je ne vais pas encore
me faire variographer!
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
GLQ3401 Intro stat + variogrammes- D. Marcotte 60
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)
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)
0.5 1
Vario. exp. (dir, dip, vreg) : (135,0,0)
γ(h) Variog. Directionnels
Modèle sphérique a45=20, a135=35
Variog. omni
50 100 150 200
20 40 60 80 100 120 140 160 180 200
Exemple
GLQ3401 Intro stat + variogrammes- D. Marcotte 62
N=30 N=60 N=200
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
Effet de pépite apparent
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
M o d . i s o . : 1 1 0 . 4 2 5 . 5 0 . 1 - p é p i t e 4 - s p h é r i q u e
N=40000 N=200
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)
Ajustement ± bon;
ne peut être amélioré sans altérer les autres ajustements
GLQ3401 Intro stat + variogrammes- D. Marcotte 64
Pour détecter une anisotropie, il faut pouvoir calculer le variogramme dans la direction de meilleure continuité. Celle-ci n’est pas toujours connue.
θ = 0 θ = 30
θ = 45 θ = 60
θ = 90
1 1.5 2 2.5 3 3.5 4
0.5 1 1.5 2 2.5 3 3.5 4
0 10
20
30
θ
Rapport apparent en fonction de la direction (θ: angle avec ag) et du rapport d'anisotropie
Rapport vrai: ag / ap Rapport apparent: a θ / a θ+90
Tout écart => sous-
estimation de l’anisotropie Faible anisotropie peut passer inaperçue
Tolérance angulaire doit être maintenue faible <22.5, idéalement 0-10.
Tolérance trop grande
=> variogrammes peu directionnels
=> sous-estimation de l’anisotropie
1 1.5 2 2.5 3 3.5 4
1 1.5 2 2.5 3 3.5 4
10 20
30 40 tolérance 0
Rapport apparent en fonction de la tolérance et du rapport d'anisotropie
Rapport vrai: ag / ap
Rapport apparent
GLQ3401 Intro stat + variogrammes- D. Marcotte 66
En 3D
Meilleures directions pour le calcul => directions des forages
- Permet de bien estimer le variogramme à petite distance
- Erreurs de localisation et de direction ont moins d’impacts sur le variogramme car les distances inter-carottes demeurent inchangées
Hic: - Nécessite des forages ayant différentes directions pour pouvoir modéliser l’anisotropie
Autres outils utiles
-Validation croisée de modèles candidats (krigeage); e.g. 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 (e.g. rang), même chose que les log