Geostat Ppoint Final

GLQ3401 Intro stat + variogrammes- D.
Marcotte 1
Introduction la gostatistique et
variogrammes
Automne 2003
GLQ3401 Intro stat + variogrammes- D. Marcotte 2
Plan
Rappels statistiques
1 v.a.
2 v.a.
Point de vue gostat
Gisement vs modle stat
Historique
Effet support
Effet information
Gostatistique linaire
Hypothse de stationnarit
Variogramme exprimental
Modles
Problmes et stratgie de modlisation
Une v.a. (continue) est entirement caractrise par sa fonction de densit
-10 -5 0 5 10 15 20
0
0.1
0.2
Loi normale, m=5, =3
-10 -5 0 5 10 15 20
0
0.1
0.2
Loi lognormale, m=5, =3
Intgrale: probabilit
Rsumer 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, =3
m=5
m=10
m=15
Dispersion autour de la moyenne (cart-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
Asymtrie
-10 -5 0 5 10 15 20
0
0.1
0.2
Loi normale, m=5, =3
-10 -5 0 5 10 15 20
0
0.1
0.2
-10 -5 0 5 10 15 20
0
0.1
0.2
0.3
= 3.84
= 0
= 0.44
Le type de loi peut avoir une grande influence sur les ressources et la
valeur dun gisement.
Exemple : gisement m=2, =2, t.coupure = 1
1.13 1.40 Profit conv
2.70 3.02 Teneur
0.66 0.69 Tonnage/T0
Lognormale Normale
Deux v.a.
Loi binormale,
1
=2
2
=5
=0.8
Loi binormale,
1
=2
2
=5
=0.2
Un couple de v.a. X et Y (continues) est entirement
caractris par la loi de densit conjointe f(x,y)
On peut rsumer une distribution bivariable par diffrentes statistiques dont :
- moyennes des 2 variables
- cart-types (ou variances) des 2 variables
- corrlation (ou covariance) entre les 2 variables
La covariance mesure le degr dassociation entre 2 v.a.
La corrlation est la covariance entre 2 v.a. normalises pour prsenter un
cart-type de 1
Y X
XY
) Y , X ( Cov

=
-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
Esprance mathmatique
Notion fondamentale
Si g(X)=(X-m)
2
=> E[g(X)] = Var(X)
Si g(X,Y)= (X-m
x
) (Y-m
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
Proprits de lesprance mathmatique
E est un oprateur linaire =>
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
2 1 2 1 2 1
+ + = +
) X , X ( Cov * ab 2 ) X ( Var b ) X ( Var a ) bX aX ( Var
2 1 2
2
1
2
2 1
+ + = +

= = =
=
n
1 i
n
1 j
j i j i
n
1 i
i i
) X , X ( Cov a a ) X a ( Var
Une des expressions
qui revient le plus
souvent en gostat
( )

= dxdy )) y ( z ), x ( z ( Cov c dx ) x ( z c Var
2
Une autre expression
qui revient souvent en
gostat
( )

= dxdy )) y ( z ), x ( z ( Cov ab dy ) y ( z b , dx ) x ( z a Cov
Point de vue de la gostat
Z(x2)
Z(x3)
Z(x1)
Gisement
Gisement => infinit de points ou trs grand nombre de quasi-points
x : emplacement gographique
chaque point -> teneur -> Z(x)
chaque teneur -> v. a. (ensemble forme une fonction alatoire (de x))
Impossible destimer partir des donnes la loi de densit conjointe
Impossible destimer partir des donnes la loi de densit bivariable
Impossible destimer partir des donnes la loi de densit dune variable
Cul de sac ?
Oui -> zut, cours termin !
Non -> youppi cours pas termin !
sortie
-Hypothses
-Questions auxquelles le modle permet de rpondre
Gamme de questions
Hypothse Gnralit
-Simulations
-Mthodes non-linaires
-Mthodes linaires
Hypothse
Historique de la gostatistique
1930-1950 Thorie des fonctions alatoires (Kolmogorov, Wiener)
1955 Daniel Krige : approche empirique (rgression) pour corriger
problmes de biais conditionnel observ dans les mines
Pourquoi moins que prvu ?
Comment prvoir et tenir compte de leffet support ?
1960-1970 Matheron (mines), Matern (foresterie), Gandin
(mtorologie) dveloppent ensemble doutils => naissance de la
gostat linaire stationnaire. Rponse aux questions de Krige.
Matheron donne le nom de krigeage la mthode destimation
quil dveloppe.
1970 Polytechnique est la 1re Universit en A. du N. enseigner la
gostat (M. David)
Historique (suite)
1973 gostat linaire non-stationnaire *
1975 gostat non-linaire
1977 1er livre en anglais de gostat (M. David)
1980 gostat linaire multivariable *
1985 simulations *
* Domaines encore actifs de recherche
Aujourdhui, la gostat est applique dans une foule de domaines
(mines, ptrole, foresterie, agriculture, environnement,
hydrogologie, gotechnique, pches, biologie, biomdical,)
Effet support
Gisement A Gisement B
Comment prvoir ces comportements diffrents ?
Quel est limpact $$ ?
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
Effet information
Vrai
Minerai
rejet
Strile
trait
Estim
Prvoir ltendue des plages derreur et pertes en $ ?
valuer $ en information pour rduire les pertes ?
On mine partir destims mais on rcolte des valeurs vraies !
tonnage extrait gal
on rcupre toujours moins de mtal avec des gros blocs quavec
des petits blocs (effet support)
=> on rcupre toujours moins de mtal avec des estims quavec
les vraies valeurs (effet information)
La gostatistique permet thoriquement
- Prvoir lampleur de ces effets
- Minimiser ces effets
- Prendre des dcisions claires au vu de ces effets
Gostatistique linaire
Questions
Estimation de teneurs ponctuelles ou blocs
Prcision associe ces estimations
Hypothse
Stationnarit du second ordre
Les caractristiques sont moyenne,
variance et covariance
Deux paires de points espacs dun mme vecteur
h ont des caractristiques
semblables
Gisement
Z(x1)
Z(x2)
Z(x1)
Z(x2)
Diagramme binaire
Moyenne ? Variance ? Covariance?
+ hypothse stationnarit
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
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
-Tolrance sur la direction
-Tolrance sur le module
Exemple
Avec tolrance de 0.5 sur |h| et 15
o
sur direction
En pratique, on ne sintresse qu la covariance (corrlation)
-1 -0.5 0 0.5 1
-1
-0.5
0
0.5
1
h=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
)
-1 -0.5 0 0.5 1
-1
-0.5
0
0.5
1
h=15 dir=0-180, Cov = -0.029
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 =0 ou 180 15
o

C
o
v
a
r
i
a
n
c
e
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
Variogramme : dfinition
[ ] ( ) [ ]
2
h) + Z(x - Z(x) E
2
1
h) + Z(x - Z(x) Var
2
1
= (h) =
Dcrot Crot
h
Doit exister = Cov(h=0) Si existe = palier
Var
Constante connue Constante
m
Covariance Variogramme
Lien entre variogramme et covariance
) h ( Cov ) h (
2
=
Covariance
Variogramme
h
Choisir une direction + tolrance angulaire
Discrtiser |h| en classes distinctes
Rpartir les paires dans les classes
[ ]
) h ( N
i
i i
e
h) +
x
Z( - )
x
Z(
N(h) 2
1
= (h)
1
2
N(h) : nombre de paires dans la direction considr et dans la classe de distance h
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
(h) N(h) h
0.83 3 4
1.125 4 3
1.25 5 2
1.25 6 1
(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 dcrit la continuit spatiale du phnomne
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
0
o
0 5 10 15 20 25
0
0.5
1
1.5
2
45
o
0 5 10 15 20 25
0
0.5
1
1.5
2
90
o
0 5 10 15 20 25
0
0.5
1
1.5
2
135
o
10 20 30 40 50
10
20
30
40
50
60
N
0 5 10 15 20 25
0
1000
2000
3000
0
o
0 5 10 15 20 25
0
1000
2000
3000
135
o
0 5 10 15 20 25
0
1000
2000
3000
90
o
0 5 10 15 20 25
0
1000
2000
3000
45
o
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
0
o
0 5 10 15 20 25
0
1000
2000
3000
4000
135
o
0 5 10 15 20 25
0
1000
2000
3000
4000
90
o
0 5 10 15 20 25
0
1000
2000
3000
4000
45
o
Effet ppite caus par le bruit ajout
Notez comme la structure sous-jacente
demeure trs 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
Le variogramme est une statistique dordre 2
Ce nest pas suffisant pour caractriser tous les aspects dune
image ou dun processus
e.g. on peut crer plusieurs images ayant mme m , mme
variogramme et prsentant pourtant des textures trs diffrentes
(h)
|h|
h moyen dans
la classe
?
?
?
Dans les calculs gostat, on doit connatre Cov ou pour tout h
Modle
(h)
|h|
?
Non, le modle doit tre admissible
Modle admissible : modle assurant que
toute variance calcule partir de celui-ci
est positive
Modles dmontrs
admissibles
Gnralement,
(h)
+ +
+
+
+
+
+
Palier :
2
= C
0
+ C
Effet de ppite : C
0
Porte : a
|h|
0 50 100 150 200
0
0.5
1
Gaussi en
0 50 100 150 200
0
1
2
Li nai re
0 50 100 150 200
0
0.5
1
Li nai re avec pal i er
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
DeWi j si en
0 50 100 150 200
0
1
2
Effet de trou cosi nus
0 50 100 150 200
0
0.5
1
1.5
Effet de trou si nus
0 50 100 150 200
0
0.5
1
Ppi te
0 50 100 150 200
0
0.5
1
Exponenti el
0 50 100 150 200
0
0.5
1
Sphri que
0 50 100 150 200
0
0.5
1
Ci rcul ai re
0 100 200 300 400 500
0
0.5
1
Gravi mtri que
0 100 200 300 400 500
0
0.5
1
Magnti que
0 50 100 150 200
0
0.5
1
Cubi que
0 50 100 150 200
0
0.5
1
Penta-sphri que (Chri stakos, 1984 p.264)
Exemples de modle
0 50 100 150 200
0
0.5
1
Quadrati que (Al faro, 1984)
0 100 200 300 400 500
0
0.5
1
Stabl e (Lantuj oul ,1994)
0 100 200 300 400 500
0
0.5
1
Hyperbol i que (Lantuj oul , 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
Chri stakos,1984, p.261
0 100 200 300 400 500
0
0.5
1
Chri stakos, 1984, p.262
0 50 100 150 200
0
0.5
1
Chri stakos, 1984, p.262 (74)
0 100 200 300 400 500
0
0.5
1
Cosi nus hyperbol i que
0 100 200 300 400 500
0
0.5
1
Stei n
0 100 200 300 400 500
0
0.5
1
Whi ttl e
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
0 500 1000 1500
0
0.5
1
0 100 200 300 400 500
0
0.5
1
Bessel 2: Mantogl ou et Wi l son
Toute somme (coefficients positifs) de modles de variogramme est admissible
Toute somme (coefficients positifs) de modles de covariance est admissible
Tout produit (coefficients positifs) de modles de covariance est admissible
Chaque modle peut tre isotrope ou anisotrope, les directions danisotropie
peuvent varier dun modle lautre
Un modle peut tre admissible en 1D et non-admissible en 2D, 3D,.
Modles de base en mine
Effet de ppite
h
(
h
)
0 h si C
0 h si 0 ) h (
0
>
= =
-Erreurs de mesure
-Erreurs de localisation
-Erreurs danalyse (Gy)
-Microstructure non-identifiable
d au manque de donnes
Presque toujours prsent mais
rarement seul
Effet de ppite pur =>
estimation impossible
Sphrique
h
(
h
)
< <
|
|
.
|
\
|
|
.
|
\
|
=
=
a h si C
a h 0 si
a
h
5 . 0
a
h
1.5 C
0 h si 0
) h (
3
Modle le + frquent
e.g. teneur, paisseur,
Combin avec effet ppite
Exponentiel
h
(
h
)
Assez commun
Semblable au sphrique
a: porte effective (h)=0.95*C
a=a/3
|
|
.
|
\
|
|
.
|
\
|
|
|
.
|
\
|
|
.
|
\
|
=
a
| h | 3
exp 1 C ou
' a
| h |
exp 1 C ) h (
Gaussien
h
(
h
)
-Peu frquent en mine
-Variables trs continues :e.g.
topographie, gravimtrie, magntisme,
paisseur,
- Problmes numriques si absence
deffet de ppite
a: porte effective (h)=0.95*C
a=a/3
0.5
|
|
.
|
\
|
|
|
.
|
\
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|
|
.
|
\
|
=
2 2
a
| h |
3 exp 1 C ou
' a
| h |
exp 1 C ) h (
h
b
h
(
h
)
b=1
b=1.4
b=0.6
-Modles sans palier
-Moyenne, variance et
covariance non dfinies
2 b 0 0, | h |
a
| h |
C ) h (
b
< >
|
.
|
\
|
=
Problmes Problmes Problmes
Donnes extrmes 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
Distance
g
a
m
m
a
(
h
)
0 0 10 0 0 0
0 1 2 3 4 5 6
0
5
10
15
20
25
30
35
Distance
g
a
m
m
a
(
h
)
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
Distance
g
a
m
m
a
(
h
)
Zone A
17
16
15
14
13
12
11
10
9
Zone B
17
24
15
21
13
18
11
15
9
Zone A+B
-tudier les zones sparment ?
-Sous-chantillonner la zone B
Pratique de confirmer prfrentiellement 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
(
h
)
Grille regulire
Grille+10 doublons
Grille+doublons
A pour effet de fournir beaucoup de
paires petite distance et montrant de
trs fortes variations
Si on rchantillonne chaque point, pas
de problme
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
(
h
)
Localisations vraies
Localisations erronnes
La gologie ne collabore pas toujours
-5 0 5 10 15 20
-5
0
5
10
15
20
Positions observes
x
y
-5 0 5 10 15 20
-5
0
5
10
15
20
Positions "dplies"
x
y
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Variogrammes initiaux
h
(
h
)
Dir. x
Dir. y
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Variogrammes aprs "dpliage"
h
(
h
)
// strates
Perpendiculaire
Certains logiciels
permettent de passer
un systme de
coordonnes
gologiques
Anisotropies
1- Gomtrique : les portes dcrivent une ellipse
ag
ap
{ }

a
a a
a a
g p
p g

=
+
2 2 2 2
1 2
cos sin
/
= 0
= 30
= 45
= 60
= 90
2- zonale : toute anisotropie qui nest pas gomtrique
=> somme de composantes isotropes et avec anisotropies gomtriques
0 5 10 15 20
0
0.5
1
1.5
2
Vario. exp. (dir, dip, vreg) : (0,0,0)
h
(
h
)
0 5 10 15 20
0
0.5
1
1.5
2
h
(
h
)
0 5 10 15 20
0
0.5
1
1.5
2
h
(
h
)
0 5 10 15 20
0
0.5
1
1.5
2
h
(
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 gom.
a
45
=17
a
135
=
5 10 15 20 25 30
5
10
15
20
25
30
Ajustement assez bon pour 0-5 pixels dans toutes les directions
0 5 10 15 20
0
1000
2000
3000
h
(
h
)
0 5 10 15 20
0
1000
2000
3000
h
(
h
)
0 5 10 15 20
0
1000
2000
3000
h
(
h
)
0 5 10 15 20
0
1000
2000
3000
h
(
h
)
10 20 30 40 50
10
20
30
40
50
60
N
Modle sphrique avec
anisotropie gomtrique
A(135)=20.4, a(45)=13.8
Oh non, je ne
vais pas encore
me faire
variographer!
Stratgie de modlisation
Dfinition minutieuse du domaine
Examen des donnes, donnes extrmes ?
Au besoin sous-chantillonnage des donnes pour viter de sur-reprsenter
des zones particulires
Variogramme omnidirectionnel => modle isotrope candidat
Dterminer directions gologiques principales
Calculer variogrammes directionnels (au moins 4 directions) attention aux
paramtres de calculs (classes de distance et tolrance)
Comparer variogrammes directionnels au modle isotrope candidat
acceptable => termin
Inacceptable => ajuster un modle anisotrope (gomtrique)
anisotrope (gomtrique) acceptable => termin
Inacceptable => anisotropie zonale ?
Dans tous les cas, il importe surtout dajuster les premiers points du variogramme
viter de surajuster les donnes
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 modle
h < hmax/2
Doit avoir un minimum de donnes
>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
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
Variog. directionnels
Variog. omni
50 100 150 200
20
40
60
80
100
120
140
160
180
200
Exemple
N=30
N=60 N=200
0 50 100 150
0
0.5
1
1.5
14
38
52
78
64
76
46
h
(
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
h
(
h
)
-100 -50 0 50 100
-100
-50
0
50
100
Effet de
ppite
apparent
0 20 40 60
0
0.2
0.4
0.6
0.8
1
51
164
273
341
459
522
593615
721
769
h
(
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 p i t e
4 - s p h 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
(
h
)
0 20 40 60
0
0.5
1
14
46
62
79
121
113
149
147
181
174
h
(
h
)
0 20 40 60
0
0.5
1
5
39
72
82
96 139
152
171
172
200
h
(
h
)
0 20 40 60
0
0.5
1
17
40
73
91
116
111
136
143
207
183
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
0 20 40 60
0
0.5
1
h
(
h
)
Ajustement bon;
ne peut tre
amlior sans
altrer les autres
ajustements
Pour dtecter une anisotropie, il faut pouvoir calculer le variogramme dans la
direction de meilleure continuit. Celle-ci nest pas toujours connue.
= 0
= 30
= 45
= 60
= 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
Rapport apparent en fonction de la direction (: angle avec a

g
) et du rapport d'anisotropie
Rapport vrai: a
g
/ a
p
R
a
p
p
o
r
t

a
p
p
a
r
e
n
t
:

a

/

a
+
9
0
Tout cart => sous-
estimation de lanisotropie
Faible anisotropie peut
passer inaperue
Tolrance angulaire doit tre maintenue faible <22.5, idalement 0-10.
Tolrance trop grande
=> variogrammes peu directionnels
=> sous-estimation de lanisotropie
1 1.5 2 2.5 3 3.5 4
1
1.5
2
2.5
3
3.5
4
10
20
30
40
0 tolrance
Rapport apparent en fonction de la tolrance et du rapport d'anisotropie
Rapport vrai: a
g
/ a
p
R
a
p
p
o
r
t

a
p
p
a
r
e
n
t
En 3D
Meilleures directions pour le calcul => directions des forages
- Permet de bien estimer le variogramme petite distance
- Erreurs de localisation et de direction ont moins dimpacts sur
le variogramme car les distances inter-carottes demeurent
inchanges
Hic: - Ncessite des forages ayant diffrentes directions pour
pouvoir modliser lanisotropie
Autres outils utiles
-Validation croise de modles candidats (krigeage); e.g. Tester un modle
isotrope vs anisotrope; tester un effet de ppite de 10% vs 30%;
-Modle permet de prdire les variances des composites de tailles diffrentes ?
-Modle permet de prdire les variances des valeurs kriges ?
-Variogramme des log(teneurs) pour identifier les anisotropies possibles, la
(les) porte, limportance approximative de leffet de ppite
-Variogramme dune transformation des teneurs (e.g. rang), mme chose que
les log
GLQ3401 Var. bloc et disp. - D. Marcotte 1
Variance de blocs et variance de dispersion
Automne 2003
Plan
Effet support (rappel)
Variance de bloc et proprits
Variance de dispersion et proprits
Comment calculer et exemples
Homognit du minerai
Rgle simple
Effet de ppite et variance de dispersion
Covariances et variogramme de blocs
Rappel: effet support
Gisement A Gisement B
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
0 5 10
Exemple 1D
0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
Variogramme expriemntal et modle ajust, 1re simulation
Modle gaussien(c=0.48, a=63) + ef f et de trou [0.76*(1-cos(2*pi*h/175))]
Distance
V
a
r
i
o
g
r
a
m
m
e
0 50 100 150 200 250 300
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
Variogramme exprimental et modle ajust

Modle sphrique c0= 0.31751 c= 0.70065 a= 29.4009
Distance
V
a
r
i
o
g
r
a
m
m
e
Simulation 2
Simulation 1
Simulation 1 + continue que simulation 2
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
Simulation 1
s
2
=1 D
2
(v|V)=1.14
point
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.96 D
2
(v|V)=1.11
bloc 16
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.88 D
2
(v|V)=1.03
bloc 32
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.62 D
2
(v|V)=0.758
bloc 64
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.17 D
2
(v|V)=0.242
bloc 128
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
Simulation 2
s
2
=1 D
2
(v|V)=0.998
point
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.45 D
2
(v|V)=0.476
bloc 16
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.31 D
2
(v|V)=0.309
bloc 32
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.15 D
2
(v|V)=0.161
bloc 64
0 50 100 150 200 250 300 350 400 450 500
-2
0
2
4
s
2
=0.046 D
2
(v|V)=0.066
bloc 128
a)Variations de petite chelle disparaissent rapidement
b)Variations de grande chelle persistent davantage pour un processus trs continu
c) On peut prdire thoriquement les valeurs obtenues exprimentalement
0 10 20 30 40
0
1000
2000
3000
h
(
h
)
M o d . i s o . : t y p e , a , c
4 2 5 . 9 5 2 5 6 8

4 - s p h r i q u e
10 20 30 40 50 60 70
10
20
30
40
50
60
70
v=1
0 20 40 60 80
20
40
60
v = 2
0 20 40
10
20
30
v = 3
0 10 20
5
10
15
20
v = 4
0 10 20
5
10
15
v = 6
0 5 10
2
4
6
8
10
12
v = 8
0 5 10
2
4
6
8
v = 12
0 2 4 6
2
4
6
v = 24
1 2 3
1
2
3
0 5 10 15 20 25
25
30
35
40
45
50
Taille des blocs
V
a
r
i
a
n
c
e
Exprimental
Thorique
v = 1
20 40 60 80
20
40
60
80
0
200
400
600
v = 2
20 40 60 80
20
40
60
80
0
200
400
600
v = 3
20 40 60 80
20
40
60
80
0
200
400
600
v = 4
20 40 60 80
20
40
60
80
0
200
400
600
v = 6
20 40 60 80
20
40
60
80
0
200
400
600
v = 8
20 40 60 80
20
40
60
80
0
200
400
600
v = 12
20 40 60 80
20
40
60
80
0
200
400
600
v = 16
20 40 60 80
20
40
60
80
0
200
400
600
v = 24
20 40 60 80
20
40
60
80
0
200
400
600
0 20 40
0
1
2
3
4
x 10
4
h
(
h
)
M o d . i s o .
1 1
4 3 1 . 8 7
4 3 . 6 5 4

1 - p p i t e
4 - s p h r i q u
4 - s p h r i q u
5 10 15 20 25
0
20
40
60
80
100
120
140
160
180
200
cart-type de bloc en fonction de la taille
Exprimental
Gostat
Classique
0 20 40 60
0
0.2
0.4
0.6
0.8
1
h
(
h
)
0 20 40 60
0
0.2
0.4
0.6
0.8
1
h
(
h
)
0 20 40 60
0
0.2
0.4
0.6
0.8
1
h
(
h
)
0 20 40 60
0
0.2
0.4
0.6
0.8
1
h
(
h
)
4 2 2 . 6 2 7 . 7 7 3 3 0 . 9 3 9 6

4 - s p h r i q u e
4 2 0 . 8 2 3 5 . 1 5 4 3 . 0 1 0 . 9 4 5 2

4 - s p h r i q u e
50 100 150 200 250 300 350 400
50
100
150
200
250
300
350
400
0 5 10 15 20 25
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Taille des blocs
a
a
c
e
cart-type
Exprimental
Thorique
Variance de bloc
v
v
Z
(x) =
1
v
Z(y) dy
Physiquement, la teneur dun

bloc est la teneur moyenne
des points quil renferme
(si densit constante)
Var(
v
Z
(x)) =
v
2
= E [ (
v
Z
(x) - m
2
) ]
2
1
v
v
E
1
2
v

v

v
( Z(
1
y ) - m ) ( Z(
2
y ) - m )
1
dy
2
dy
|
\
|
.
|
(
(

(
= E Z(y) dy - m
[ ]
=
1
v
E ( Z( y ) - m ) ( Z( y ) - m ) dy dy
=
1
v
Cov ( Z( y ) , Z( y ) ) dy dy
2
v v 1 2 1 2
2
v v 1 2 1 2

v) (v, C =
v) (v, - v) (v, C =
2 2
v

v 0

v
0
v

v
2 2
v
2
v
2
si
si
si
-Il suffit de connatre le variogramme pour pouvoir calculer la variance de tout bloc
-Pour que la variance de bloc existe, il faut que le variogramme montre un palier
Variance de dispersion
v
Jusqu quel point la teneur dans le
petit bloc diffre de celle du grand
bloc ?
V
Approche discrte
Z(
V
) =
1
n
Z(
v
)
j
i=1
n
i
vi
Vj
( )
i j
v

V
2
i=1
n
2
i j
s
=
1
n
Z(
v
) - Z(
V
)
|

[ ] =
s
E V v D
V v
2
V v
j i
2 2
|
2
) | ( =
Approche continue
v balaye toutes les positions possibles
dans V.
v
2 2 2 2
) )) ( ( (
1
) | (
V v
V
V
dx Z x v Z
V
E V v D =
(
=

V
Il sagit dune mesure moyenne pour un ensemble
thoriquement infini de blocs v et V
Expressions quivalentes
2
v
2
V
2
D
(v V) = - |

2
D
(v|V) = C(v,v) - C(V,V)

= (V,V) - (v,v)
=> Contrairement la variance de bloc, la variance de dispersion est
dfinie mme si le variogramme ne montre pas de palier
Proprits de la variance de dispersion
v 0
D
(v|V) (V,V)

v V
D
(v|V) 0

V
D
(v|V)
2
2
2
v
2


Rgle dadditivit
Soit : v
1
<v
2
....<v
n-1
<v
n
une srie de volumes imbriqus les
uns dans les autres, alors
D
2
(v
1
|v
n
) = D
2
(v
1
|v
2
)+ D
2
(v
2
|v
3
)+........+D
2
(v
n-1
|v
n
)
v1
v2
v3
vn
Exemple dapplication
Ajustements constants du procd
Procd peu performant
Teneur
Temps
Teneur
Ajustements modrs du procd
Procd moyennement performant
Temps
ou
Teneur
Trs peu dajustements au procd
Procd trs performant
Temps
Pile de pr-homognisation
ou
Teneur
Temps
Le variogramme => variance de dispersion => prvoir ces
courbes =>design de lexploitation
Teneur
Temps
Teneur
Temps
Comment obtenir C(v,v) ou (v,v) ?
1D : analytique ou numrique
2D : abaques ou numrique
3D : abaques ou numrique
Numrique :
ou
= =
n
i
n
j
j i
x x C
n
1 1
2
) , (
1
v v
dxdy y x C
v
,
2
) , (
1
Exemple 1D
L=5
Variogramme sphrique, solution analytique (L<a): C
|
|
.
|
\
|
|
.
|
\
|
+ =
3
2
05 . 0 5 . 0 1 ) , (
a
L
a
L
L L
Avec a=10 et L=5 et
2
=1, => 7562 . 0 ) , ( = L L C
0 2 4 6 8 10 12 14 16 18 20
0.75
0.76
0.77
0.78
0.79
0.8
0.81
0.82
0.83
Nombre de points
C
(
L
,
L
)
Grille rguliere
0 50 100 150 200 250 300 350 400
0.74
0.745
0.75
0.755
0.76
0.765
0.77
Nombre de points
C
(
L
,
L
)
Grille alatoire
Exemple 2D
Sphrique a=10, C=1
Sol. analytique: 0.624
5
5
0 50 100 150 200 250 300
0.62
0.63
0.64
0.65
0.66
0.67
0.68
0.69
Nombre de points
C
(
L
,
L
)
Grille rguliere
0 50 100 150 200 250 300
0.61
0.62
0.63
0.64
0.65
0.66
0.67
0.68
0.69
0.7
0.71
Nombre de points
C
(
L
,
L
)
Grille alatoire
Abaques
l
x
l
y
Bloc 2D
Variogramme, Sphrique, C=1
a
x
a
y
l
x
a
x
|
|
.
|
\
|
=
y
y
x
x
a
l
a
l
F v v , ) , (
Abaques
l
x
l
y
Bloc 3D
l
z
Variogramme, Sphrique, C=1
a
x
a
y
a
z
l
x
a
x
l
y
a
y
l
z
a
z
2 des trois rapports l/a
sont gaux (l/a =l
2
/a
2
)
|
|
.
|
\
|
=
2
2
1
1
, ) , (
a
l
a
l
F v v
Exemple
1 semaine : bloc 20 x 10 x 10
1 camion : bloc 5 x 5 x 4
Variog. Sphrique, ax = 30, ay = 15, az = 12, C=20
Variance de dispersion de la teneur dun camion au cours dune semaine ?
)) , ( ) , ( ( * ) , ( ) , ( ) | (
2 2 2
v v F V V F C v v V V V v D
V v
= = =
Ratios:
V: 20/30 10/15 10/12 => F(5/6, 2/3) => 0.639 (abaque #5)
v: 5/30 5/15 4/12 => F(1/6,1/3) => 0.278
D
2
(v|V) = 20*(0.639-0.278) = 7.22
Problme dhomognit du minerai
Supposons
- production quotidienne de 3 Kt => volume de 1000 m3 (20 x 10 x 5)
- ajustements quotidiens au procd
- exploitation en bancs de 5 m
- homognit cruciale (ex ciment) => minimiser fluctuations de la teneur
quotidienne sur 1 mois (bloc de 120 x 50 x 5)
- variogramme connu, modle 2D (sphrique, ax=ay=50 m, C=5%
2
).
Q1- Quel est limpact de fonctionner 2 pelles espaces plutt quune seule?
Q2- Une pile de pr-homo de capacit de 15 Kt (bloc de 50 x 20 x 5) permet
quelle homognit ?
Une pile de 90 Kt (bloc de 120 x 50 x 5)?
v = 1jour
V=120 x 50 x 5; v=20 x 10 x 5;
D
2
(v|V) = 5%
2
*(F(120/50,50/50)-F(20/50,10/50)
= 5%
2
*(0.83-0.24)= 2.95 %
2
h>50 m
Mme raisonnement sapplique pour le petit bloc v
Donc, D
2
(v|V) = D
2
(v1|V1)/2
On suppose V1=60 x 50 x 5 et v1=10 x 10 x 5
D
2
(v|V) =5*(F(60/50,50/50)-F(10/50,10/50))/2
=5*(0.70-0.16)/2= 1.35
V=V1+V2 V1=V2
Z(V)=1/2(Z(V1)+Z(V2))
Var(Z(V))=1/4 [Cov(Z(V1),Z(V1))+Cov(Z(V1),Z(V2))+Cov(Z(V2),Z(V1))+Cov(Z(V2),Z(V2))]
=1/4[2 Var(Z(V1)) +2 Cov(Z(V1),Z(V2))= Var(Z(V1))/2
V1 V2
Un jour: 3Kt
Une pile: 15 Kt
Un mois : 90 Kt
D
2
(jour|mois)= D
2
(jour|pile)+ D
2
(pile|mois)
D
2
(jour|pile) 0 pourquoi ?
=> D
2
(jour|mois) D
2
(pile|mois)
La pile est une faon simple daccrotre le volume que v reprsente
Plus la pile est de grande capacit, plus le v reprsent sera grand
Pile 90 Kt : v. pile = v. mois =>
D
2
(v|V) 0
Pile 15 Kt : 50 x 20 x 5
D
2
(v|V)=5(0.83-0.52)=1.55
Rsum
0 Pile 90 Kt
1.55 Pile 15 Kt
1.35 2 pelles
2.95 1 pelle
D
2
(v|V) Mthode
La solution simple 2 pelles est +
performante quune pile mal
designe et est probablement
+ conomique
Une rgle simple
Pour avoir la teneur dun volume unitaire (v) la plus homogne possible
sur une priode de temps T (correspondant V>>v), il faut oprer de faon
inclure le plus de variations possibles lintrieur du volume unitaire v
Variogramme
A
B
Chargement dun
camion
Les teneurs des camions en A seront plus semblables quen B
Leffet de ppite et les variances de bloc
A- On suppose le variogramme ponctuel connu
Deux cas de figure
Microstructure => leffet de ppite est entirement filtr par le
passage point-bloc
Erreur de mesure, de localisation, danalyse => ne fait pas pas
partie du phnomne tudi
Dans les 2 cas leffet de ppite nintervient pas dans les calculs de variance
de bloc et variance de dispersion
Leffet de ppite et les variances de bloc
B- On suppose le variogramme dfini sur un support
non-ponctuel
Deux cas de figure
Microstructure => leffet de ppite est inversement proportionnel
au rapport des volumes : v1<v2 C
0,v2
/ C
0,v1
= v1/v2
Erreur de mesure, de localisation, danalyse => ne fait pas pas
partie du phnomne tudi
Dans le 2e cas leffet de ppite nintervient pas dans les calculs de variance
de bloc et variance de dispersion. Dans le 1er cas il intervient.
Linfluence du modle
0 10 20 30 40 50 60 70 80
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
3 modeles de variogrammes
h
(
h
)
Modele A
Modele B
Modele C
0 5 10 15 20 25 30 35 40
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Variances de blocs
v
V
a
r
i
a
n
c
e

d
e

b
l
o
c
Modele A
Modele B
Modele C
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
D
2
(v|30)
v
D
2
(
v
|
3
0
)
Modele A
Modele B
Modele C
Diffrence lorigine => impact pour les petits
blocs
Diffrence grande distance => peu dimpact sur
la variance de dispersion, impact important sur la
variance de bloc.
Covariances et variogrammes de blocs
Variance de bloc => Cov(Zv(x),Zv(x)).
Covariance de blocs => Cov(Zv(x),Zv(x+h))
Variogramme de blocs => 1/2Var(Zv(x)-Zv(x+h))
=> Se calcule tous partir du variogramme ponctuel
-Le variogramme de blocs est + lisse lorigine que le
variogramme ponctuel
-Son palier est la variance de blocs
Exemple
Var. ponctuel: Sphrique, a=50, C=100
0 20 40 60 80 100 120 140 160 180 200
0
20
40
60
80
100
120
v = 0
v = 5
v = 10
v = 25
v = 50
v = 100
-Le modle change (plus un
sphrique)
- Palier diminue
- Porte augmente
cole Polytechnique - GLQ3401 Var. d'estimation - D. Marcotte 1
Variance destimation
Automne 2003
Plan
Variance destimation : dfinition
Les 3 composantes essentielles de Var(e)
Interprtation
Calcul
Abaques
Principe de combinaison derreurs lmentaires
Prcision dune estimation globale
Applications
Variance destimation
Z(x
5
)
Z
v
(x
0
)
Z(x
1
)
Z(x
2
)
Z(x
3
)
Z(x
4
)
?
v
*
i=1
n
i i
Z
=
Z

*
v v
Z Z e =
Var. destimation = Var(e)
) , ( 2 ) ( ) ( ) (
* *
v v v v
Z Z Cov Z Var Z Var e Var + =
)
Z
,
Z
( Cov 2 - )
Z
,
Z
( Cov + )
Z
( Var =
v i i
i
j i j i
j i
v
2
e

a
b
c
a) Ce que lon cherche estimer est-il foncirement variable ou non ?
b) Quel est le degr de redondance entre les observations ?
c) Les observations sont-elles bien places par rapport ce que lon
veut estimer ?
Exemple
vs
A B
Var(e) + grande en A
a) Le bloc estimer est le mme
b) La redondance est beaucoup plus forte en A
c) La position par rapport au bloc est la mme
Exemple
vs
A B
a) Le bloc estimer en B est moins variable
b) La redondance est la mme
c) La position par rapport au bloc est
lgrement + favorable en B
Exemple
vs
A B
a) Le bloc estimer est le mme
b) La redondance est un peu plus forte en B
c) La position par rapport au bloc est plus favorable en B
En terme du variogramme
)
Z
,
Z
( Cov 2 - )
Z
,
Z
( Cov + )
Z
( Var =
v i i
i
j i j i
j i
v
2
e

Si
i
= 1 (comme cest le cas pour la plupart des estimateurs)
v) ,
x
( 2 )
x
,
x
( - v) (v, - =
i i
i
j i j i
j i
2
e

On peut calculer Var(e) ds que lon connat le variogramme
Il nest pas ncessaire que le variogramme montre un palier
Var(e) ne dpend pas des valeurs observes, il ne dpend
que de la gomtrie du problme et du variogramme
Interprtation de Var(e)
Ne dpend pas des valeurs => mesure non-conditionnelle
Reprsente la variance des erreurs que lon obtiendrait si lon faisait
glisser le bloc et la configuration de donnes sur un domaine trs grand
Calcul de la variance destimation
-Numriquement surtout : v reprsent par une grille de points
(rgulire ou alatoire)
-Abaques pour des cas trs simples, surtout utiles pour estimation
globale (principe de combinaison des erreurs lmentaires)
Note importante:
On peut calculer Var(e) pour tout estimateur linaire :
- mthode polygonale
- triangles
- inverse de la distance (pour tout coefficient b )
- krigeage
=> On a un outil pour juger de la prcision dune mthode vs une autre pour
un gisement donn !
Exemple
h=1
2 3
0
1
Variogramme linaire, pente=1, C
0
=1
h=1
h=2
2.65
l
1
=0.25; l
2
=0.43; l
3
=0.32 Krigeage
l
1
=0; l
2
=2/3; l
3
=1/3
l
1
=0.29; l
2
=0.57; l
3
=0.14
l
1
=0.32; l
2
=0.45; l
3
=0.23
l
1
=0; l
2
=1; l
3
=0
Poids
2.89
Triangle (mthode des %)
2.88
Inverse de la distance (b=2)
2.72
4.0
Polygone
Var(e) Mthode
Exemple
h=1
2 3
0
1
Variogr. sphrique a=10, C=1 C
0
=0
h=1
h=2
0.20
l
1
=0.16; l
2
=0.53; l
3
=0.31 Krigeage
l
1
=0; l
2
=2/3; l
3
=1/3
l
1
=0.29; l
2
=0.57; l
3
=0.14
l
1
=0.32; l
2
=0.45; l
3
=0.23
l
1
=0; l
2
=1; l
3
=0
Poids
0.20
0.22
0.21
0.30
Polygone
Var(e) Mthode
Exemple
h=1
2 3
0
1
Effet de ppite pur, C
0
=1
h=1
h=2
1.33
l
1
=1/3; l
2
=1/3; l
3
=1/3 Krigeage
l
1
=0; l
2
=2/3; l
3
=1/3
l
1
=0.29; l
2
=0.57; l
3
=0.14
l
1
=0.32; l
2
=0.45; l
3
=0.23
l
1
=0; l
2
=1; l
3
=0
Poids
1.56
1.43
1.36
2
Polygone
Var(e) Mthode
Exemple
h=1
2 3
0
1
Gaussien a=2, C=1;
h=1
h=2
0.31
l
1
=-0.01; l
2
=0.74; l
3
=0.27 Krigeage
l
1
=0; l
2
=2/3; l
3
=1/3
l
1
=0.29; l
2
=0.57; l
3
=0.14
l
1
=0.32; l
2
=0.45; l
3
=0.23
l
1
=0; l
2
=1; l
3
=0
Poids
0.32
0.37
0.36
0.44
Polygone
Var(e) Mthode
Lexemple montre:
-Le krigeage est toujours la mthode prsentant Var(e) minimale
-Le krigeage est la seule mthode o les poids varient selon le variogramme
-La mthode polygonale prsente toujours Var(e) maximale
-Les autres mthodes ont un rang qui varie selon le variogramme postul
0 10 20 30 40
0
1000
2000
3000
h
(
h
)
M o d . i s o . : t y p e , a , c
4 2 5 . 9 5 2 5 6 8

4 - s p h r i q u e
5
10 20 30 40 50 60 70
10
20
30
40
50
60
70
Var(e) thorique = 601
Var(e) exprimental = 639
10 20 30 40 50 60 70
10
20
30
40
50
60
70
Je me
sens tout
chose
Exemple
Sphrique isotrope, C0=0, C=2568 a=25.95
Utilisation des abaques
Seules des configurations trs simples sont rpertories
Supposent le variogramme ponctuel connu
1D
2D
Variances
dextension
3D
Effet de ppite
Si le support des donnes est quasi-ponctuel :
remplacer C
0
par une composante sphrique de porte epsilon
utiliser labaque avec cette composante
Si le support des donnes nest pas quasi-ponctuel
la contribution Var(e) est C
0
/n o n est le nombre de fois le
support dobservation entre dans le support dextension
Exemple : variogramme sphrique ponctuel C0=20, C=40, a=100
tendre un point un segment (abaque 7, courbe E1)
L=50
Var(e)= 40*E1(0.5)+20*E1()= 40*0.13 + 20*1 = 25.2
tendre un point un carr (abaque 7, courbe E3)
Var(e)= 40*E3(0.5)+20*E3()= 40*0.19 + 20*1 = 27.6
L=50
L=50
L=50
l=25
tendre un segment un rectangle (abaque 8)
Si ponctuel:
Var(e)= 40*E(0.5,0.25)+20*E(, )= 40*0.065 + 20*0 = 2.6
Si carottes de 5m
Var(e)= 40*E(0.5,0.25)+20/5 = 40*0.065 + 4 = 6.6
L=100
tendre un segment un paralllpipde section carre (abaque 10)
l=50
l=50
Si ponctuel:
Var(e)= 40*E(0.5,1)+20*E(, )= 40*0.047 + 20*0 = 1.88
Si carottes de 5m
Var(e)= 40*E(0.5,1)+20/20 = 40*0.047 + 1 = 2.88
l=50
l=50
tendre un carr un paralllpipde (abaque 9)
L=100
Si ponctuel:
Var(e)= 40*E(1,0.5)+20*E(, )= 40*0.1 + 20*0 = 4.0
Si carottes de 5m
Var(e)= 40*E(1,0.5)+20/ = 4.0
- Attention ! Toutes les abaques 2D et 3D sont non-symtriques; il faut entrer les
bonnes valeurs en abscisse et en ordonne.
- Deux cts gaux, => en fait 2 rapports Lx/ax,Ly/ay ou Lz/az gaux.
Principe de combinaison derreurs lmentaires
Z1,Zv1 Z2, Zv2
On estime la teneur pour la zone couverte par les deux
carrs par Zv*=0.5*(Z1+Z2)
La vraie teneur est Zv=0.5*(Zv1+Zv2)
Lerreur est :
e=(Zv-Zv*)=0.5*[(Zv1-Z1)+(Zv2-Z2)]
=0.5*(e1+e2)
et Var(e)= 0.25*(Var(e1)+Var(e2)+2*Cov(e1,e2))
=Var(e1)/2+Cov(e1,e2)/2
Le terme de variance destimation peut tre obtenu dune abaque
Le terme de covariance est en gnral trs faible par rapport au terme de
variance et peut tre nglig => Var(e)Var(e1)/2
Exemple
Z1,Zv1 Z2, Zv2
Blocs 50 x 50
Variogramme sphrique avec a=100, C=40, C0=20
Var(e) [40*E3(0.5)+20*E3()]/2= [40*0.19+20*1]/2 = 13.8
Note : avec labaque on obtient Var(e1)=27.6
avec un programme, on calcule: Cov(e1,e2) 0.02
=> la covariance est ngligeable
On peut gnraliser cette approche autant de cellules que ncessaire
Mme contexte,
Var(e)= Var(e1)/n = 27.6/12 = 2.3
Que faire si les donnes ne sont pas sur une grille rgulire ?
10 20 30 40 50 60 70 80 90 100
10
20
30
40
50
60
70
80
90
100
Prcision globale pour un chantillonnage
alatoire stratifi
Plusieurs patrons dchantillonnage
peuvent tre approchs par celui-ci
) , (
1
) | (
) (
1
) (
1
*
1
2
2
2
v v
n
v D
n
n
e Var
n
e Var
Z
n
Z
Z
n
Z
i
i g
i
i g
i
vi g
=
Physique
La plupart des
estimateurs vont
approcher la moyenne
chantillonnale
En moyenne, la variance de lerreur destimation
dune cellule par un point pris au hasard dans la
cellule est la variance de dispersion dune teneur
ponctuelle dans la cellule
Gnralisation de la rgle de composition des
erreurs lmentaires
S1
Var(e1)
S2
Var(e2)
S3
Var(e3)
S = S1+S2+S3
[ ]
2
2 2 2
) 3 ( 3 ) 2 ( 2 ) 1 ( 1
) (
S
e Var S e Var S e Var S
e Var
S
+ +

Condition dapplication : chaque zone (S1, S2, S3) est estime
uniquement avec les donnes contenues dans la zone
Peut se gnraliser autant de zones que ncessaire
Var(e
i
) peut tre obtenu soit directement soit par composition des
erreurs lmentaires (chantillonnage rgulier ou alatoire stratifi)
On peut toujours recourir au calcul exact de Var(e), mais lapproche
par composition des erreurs lmentaires allge les calculs
Exemple
0 50 100
0
20
40
60
80
100
z1
z2
z3
z4
2
zone`globale: 0.36
2
pour z1 : 1.6
2
pour z2 : 1.4
2
pour z3 : 1.4
2
pour z4 : 1.3
2
combin : 0.35
0 50 100
0
20
40
60
80
100
z1
z2
z3
z4
2
pour z1 : 7.8
2
pour z2 : 1.7
2
pour z3 : 1.9
2
pour z4 : 0.63
2
combin : 0.36
Applications
Comparer la prcision obtenue par diffrentes
mthodes dinterpolation
Dterminer le nombre dobservations requises pour
atteindre une prcision donne
Dterminer un patron dchantillonnage optimal
Exemple
Variogramme sphrique, a=100, C=40, C0=10;
domaine estimer : 300 x 300
0 50 100 150 200 250 300 350 400
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
Nombre d'observations
Variance d'estimation globale
2g
l
o
b
a
l
e
Grille rguliere
Alatoire stratifie
Variogramme sphrique, C0=10, C=40, ax=100 ay=25; zone 300 x 300
100 observations, 3 patrons, lequel procure la plus grande prcision
pour lestimation globale ?
24 . 0
2
=
36 . 0
2
= 19 . 0
2
=
cole Polytechnique - GLQ3401 Krigeage - D. Marcotte 1
Krigeage
Automne 2003
Plan
Dfinition
Krigeage simple et krigeage ordinaire
Interprtation
Exemple numrique
Proprits du krigeage
Aspects pratiques
Validation croise
Lien entre KS et KO
Dfinition
Mthode destimation linaire, sans biais, minimisant la variance
destimation telle que calcule laide du variogramme
Dans le cadre stationnaire, il y a 2 formes particulires de krigeage :
) ( m
Z
m =
Z i i
n
1 = i
*
v

+
- Le krigeage simple :
Z
=
Z
i i
n
1 = i
*
v

- Le krigeage ordinaire :
Le krigeage simple suppose la moyenne du processus (m) connue.
Le krigeage ordinaire est plus frquemment utilis.
Krigeage simple
La variance destimation est:
]
Z
,
Z
Cov[ 2 - ]
Z
,
Z
Cov[ + ]
Z
Var[ =
i v i
n
1 = i
j i j i
n
1 = j
n
1 = i
v
2
e

Lide est de choisir les
i
destimation.
Pour trouver le minimum, on drive par rapport chacun
des
i
et lon pose ces drives partielles gales zro (condition
dun extrmum; cet extrmum est un minimum)

2
e
de faon minimiser la variance

On obtient alors le systme linaire suivant comportant n
quations n inconnues (les n
i
)
1...n = i ]
Z
,
Z
Cov[ = ]
Z
,
Z
Cov[
i v j i j
n
1 = j

loptimum, la variance destimation scrit, tenant compte

des quations prcdentes:
]
Z
,
Z
Cov[ - ]
Z
Var[ =
i v i
n
1 = i
v
2
ks

) ( m
Z
m =
Z i i
n
1 = i
*
v

+
Lestim est obtenu par :
Ces quations scrivent sous forme matricielle :
s s s
k K =
s
1
s s
k K
=
s s
2
v
2
ks
k ' =
(
(
(
(
(
(
) Z , Z ( Cov
) Z , Z ( Cov
) Z , Z ( Cov
v n
v 2
v 1
(
(
(
(
(
(
n
2
1
=
s
K
s
s
k
(
(
(
(
(
(

2
2 n 1 n
n 2
2
1 2
n 1 2 1
2
) Z , Z ( Cov ) Z , Z ( Cov
) Z , Z ( Cov ) Z , Z ( Cov
) Z , Z ( Cov ) Z , Z ( Cov
Krigeage ordinaire
Dans le krigeage ordinaire, m nest pas connue. Lestimateur
prend alors la forme :
Z
=
Z
i i
n
1 = i
*
v

Pour que lestimateur soit sans biais, il faut imposer la

contrainte habituelle :
1
i
n
1 = i
=

On a un problme de minimisation sous contrainte => mthode de
Lagrange, i.e. on forme le lagrangien.
|
|
.
|
\
|
+

|
|
.
|
\
|
1 2 ]
Z
,
Z
Cov[ 2 - ]
Z
,
Z
Cov[ ]
Z
v
Var[ =
1 2 = ) , L(
- +
-
i
n
1 = i
i v i
n
1 = i
j i j i
n
1 = j
n
1 = i
i
n
1 = i
2
e
Poser les drives partielles par rapport et gales zro =>
systme linaire de n+1 quations n+1 inconnues
1...n = i ]
Z
,
Z
Cov[ = + ]
Z
,
Z
Cov[
i v j i j
n
1 = j

1 =
j
n
1 = j

loptimum, la variance destimation est :

- ]
Z
,
Z
Cov[ - ]
Z
Var[ =
i v i
n
1 = i
v
2
ko
Sous forme matricielle :
o o o
k K =
o o
2
v
2
ko
k ' =
(
(
(
(
(
(
n
2
1
o
=
(
(
(
(
(
(
1
) Z , Z ( Cov
) Z , Z ( Cov
) Z , Z ( Cov
v n
v 2
v 1
o
k
(
(
(
(
(
(

0 1 1 1
1 ) Z , Z ( Cov ) Z , Z ( Cov
1 ) Z , Z ( Cov ) Z , Z ( Cov
1 ) Z , Z ( Cov ) Z , Z ( Cov
2
2 n 1 n
n 2
2
1 2
n 1 2 1
2
o
K
Le krigeage permet destimer directement un bloc (Z
v
) ou un point (Z
0
)
Tout ce qui change cest le membre de droite k
0.
Le krigeage dun bloc est gal la moyenne des krigeages ponctuels dans
le bloc.
Exemple
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
k0
ks
Poids
1
P
o
i
d
s

2
Variance d'estimation Sph(C0=0.5,C=0.5,a=5)
h=2
+
x1
h=1
+
x2
x0
On a toujours :
2
ks
2
ko

Interprtation du krigeage
Le krigeage minimise la variance destimation thorique calcule partir
du variogramme.
Le krigeage est-il plus juste que tout autre estimateur linaire ?
Oui, en moyenne (i.e. sur un grand nombre de valeurs estimes),
lorsque:
- hypothse de stationnarit est valide
- on a le bon modle de variogramme
Pour un bloc particulier ou un point, on ne peut rien affirmer.
En pratique, dans la plupart des cas, le krigeage est en moyenne au moins
aussi juste que les autres estimateurs.
Exemple numrique dtaill
h=1
h=1
h=2
1
2 3
0
Variogramme sphrique, C
0
=1, C=10, a=3
Z
1
=9, Z
2
=3, Z
3
=4
0 3 3.2 2 x3
3 0 1 1 X2
3.2 1 0 1.4 X1
2 1 1.4 0 X0
X3 X2 X1 X0
0 11 11 9.52 x3
11 0 5.81 5.81 X2
11 5.81 0 7.55 X1
9.52 5.81 7.55 0 X0
X3 X2 X1 X0
h
(h)
11 0 0 1.48 x3
0 11 5.19 5.19 X2
0 5.19 11 3.45 X1
1.48 5.19 3.45 11 X0
X3 X2 X1 X0
C(h)
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
1
1.48
5.19
45 . 3

0 1 1 1
1 11 0 0
1 0 11 5.19
1 0 5.19 11
3
2
1
=
(
(
(
(
(
(
(
(
(
(
(
(
5 1.5 -
8 .2
.51
1 .2

3
2
1
=
Z
0
* =
i
Z
i
= (.21)*9 + (.51)*3 + (.28)*4 = 4.54
6 8.7 =
k
- 11 =
0
2
ko


Proprits du krigeage
i. Linaire, sans biais, variance minimale, par construction.
ii. Interpolateur exact
iii. Effet d'cran
iv. Tient compte de la taille du champ a estimer et de la position
des points entre eux.
v. Tient compte de la continuit spatiale du phnomne tudi
vi. Effet de lissage
vii. Presque sans biais conditionnel.
viii. Transitif (cohrence des estims)
Interpolateur exact
0 5 10
0
5
10
0 5 10
0
5
10
0 5 10
0
5
10
0 5 10
0
5
10
Ppite + Sphrique(.75, a=10) Ppite pur
Gaussien Linaire
En prsence deffet de
ppite, les valeurs interpoles
sont discontinues => viter
destimer un point observ
Exemple
5 10 15 20 25 30
5
10
15
20
25
30
Points coincidant
5 10 15 20 25 30
5
10
15
20
25
30
Points non-coincidant
En dcalant dun epsilon la grille dinterpolation, on vite les
discontinuits sur la carte interpole
-50 0 50
-50
0
50
l=0.25 l=0.25
l=0.25 l=0.25
Variogramme sphrique; C=100, a=100, C0=0
Var.k.= 29.0
-50 0 50
-50
0
50
l= -0.02 l= -0.01 l= -0.01 l= -0.02
l= -0.01 l= 0.29 l= 0.29 l= -0.01
l= -0.01 l= 0.29 l= 0.29 l= -0.01
l= -0.02 l= -0.01 l= -0.01 l= -0.02
Var.k.= 28.0
Effet dcran
Nb. de points dans le voisinage
Nb. de points dans le voisinage
Tient compte de la taille du champ estimer
-50 0 50
-60
-40
-20
0
20
40
60
-0.02 0 0 -0.02
0 0.27 0.27 0
0 0.27 0.27 0
-0.02 0 0 -0.02
Var. k. = 8.24
-50 0 50
-60
-40
-20
0
20
40
60
02 05 05 02
05 12 12 05
05 12 12 05
02 05 05 02
Var. k. = 1.56
-50 0 50
-60
-40
-20
0
20
40
60
06 06 06 06
06 06 06 06
06 06 06 06
06 06 06 06
Var. k. = 1.06
-100 -50 0 50 100
-100
-50
0
50
100
12 06 06 12
06 01 01 06
06 01 01 06
12 06 06 12
Var. k. = 5.03
Tient compte de la redondance des donnes
-60 -40 -20 0 20 40
-50
0
50
42
16
42
Var. k. = 76.54
-50 0 50
-50
0
50
27
46
27
Var. k. = 25.6
Tient compte de la continuit spatiale
0 10 20 30 40 50 60 70 80 90 100
1
2
3
4
5
6
7
Variance de krigeage vs proportion relative de ppite
Proportion relative de ppite
V
a
r
.

k
.
Modle sphrique, a=100, C0+C=100; bloc de 133 x 133; grille centre de 4x4
0 50 100 150 200 250 300
0
1
2
3
4
5
Variance de krigeage vs porte
Porte (m)
V
a
r
.

k
.
Modle sphrique, C0=0; C=100; bloc de 133 x 133; grille centre de 4x4
Effet de
ppite
Porte
Influence danisotropies
-50 0 50
-50
0
50
-0.01 -0.02 -0.02 -0.01
0.1 0.19 0.19 0.1
0.1 0.19 0.19 0.1
-0.01 -0.02 -0.02 -0.01
var. k. = 26.5
-50 0 50
-50
0
50
0.17
0.17
0.04
0.04
0.04
0.04
0.04
0.04
0.04
0.04
0.17
0.17
var. k. = 87.1
-50 0 50
-50
0
50
-0.02 -0.02
0.01 0.01
0.26 0.26
0.26 0.26
0.01 0.01
-0.02 -0.02
var. k. = 12.1
Influence du modle
1

2
+ + + +
3
+ + + +
+ + + +
+ + + +
0 20 40 60 80 100 120
0
20
40
60
80
100
120
140
160
180
200
Quatre modles de variogrammes
distance
v
a
r
i
o
g
r
a
m
m
e
Sph(100,100)
Sph(150,150)
Exp(150,290)
Lin(1.5)
2
k
100
100
4 ajustements quivalents
h<30
=> mmes poids
=> mme
2
k
27.6 .28 -.01 -.01 Linaire, pente=1
28.2 .28 -.01 -.01 Exp. C=150, a
eff
=290
27.8 .29 -.01 -.01 Sphrique, C=150, a=150
28.0 .29 -.01 -.02 Sphrique, C=100, a=100
1
Effet de lissage
2
ks
*
v v
) Z ( Var ) Z ( Var + =
K. Simple
) Z ( Var ) Z ( Var
v
*
v

Lestimateur KS est toujours moins variable que la ralit quil cherche estimer
+ + = 2 ) Z ( Var ) Z ( Var
2
ko
*
v v
K. Ordinaire
Habituellement < 0 et |2| <
) Z ( Var ) Z ( Var
v
*
v

2
ko
Lestimateur KO est habituellement moins variable que la ralit quil

cherche estimer
Exemple
Ralit isotrope
10 20 30
5
10
15
20
25
30
ralit anisotrope
10 20 30
5
10
15
20
25
30
ralit iso- vario iso
10 20 30
5
10
15
20
25
30
ralit iso- vario aniso
10 20 30
5
10
15
20
25
30
ralit aniso- vario iso
10 20 30
5
10
15
20
25
30
ralit aniso- vario aniso
10 20 30
5
10
15
20
25
30
Biais conditionnel
[ ]
*
v
*
v v
bZ a Z | Z E + =
Si Z
v
et Z
v
*
suivent une loi binormale de moyenne m :
) Z ( Var
) Z , Z ( Cov
b
*
v
*
v v
=
et a=(1-b)m
Krigeage simple, par construction :
0 a 1, b ) Z , Z ( Cov ) Z ( Var
*
v v
*
v
= = =
[ ]
*
v
*
v
*
v v
Z Z * 1 0 Z | Z E = + =
Lestimateur KS est sans biais conditionnel dans le cas normal
Krigeage ordinaire
Par construction :
) Var(Z
a ,
) Var(Z
1 b ) Z , Z ( Cov ) Z ( Var
*
v
*
v
*
v v
*
v

=
+ = = +
quations du KO
[ ] ) m Z (
) Z ( Var
Z Z | Z E
*
v
*
v
*
v
*
v v

+ =
Dans le cas normal, lestimateur KO prsente un biais conditionnel proportionnel
. Habituellement,
< 0 => b < 1, les fortes valeurs de KO surestiment les vraies teneurs des blocs
|| est faible => le KO est presque sans biais conditionnel
Lien entre lissage et biais conditionnel
) Var(Z
) Z , Cov(Z
b
*
v
*
v v
=
*
v
v
*
v
*
v v
) Var(Z

b = =
Absence de biais conditionnel => b=1 =>
v
*
v

Un estimateur sans lissage est ncessairement avec biais conditionnel.
Les valeurs estimes doivent montrer une variance infrieure aux
vraies valeurs.
Le krigeage est transitif
0 5 10
0
2
4
6
8
10
x
Z
(
x
)
Modle gaussien (a=10)
Z(x)*
Donne
1000*
k
0 5 10
0
2
4
6
8
10
x
Z
(
x
)
Modle gaussien (a=10)
Z(x)*
Donne
1000*
k
droite, x=10, on observe une donne gale la valeur krige gauche.
Toutes les valeurs kriges demeurent inchanges. Seules les variances de
krigeage sont rduites.
Aspects pratiques du krigeage
Krigeage ordinaire => syst. dq. linaire (n+1) quations et (n+1) inconnues
=> limite pratique sur n
m est estime implicitement => voisinage glissant (ou local) permet de
relaxer lhypothse de stationnarit ( m peut fluctuer dun voisinage
lautre)
Grille de krigeage: rgulire ou non, points ou blocs.
Voisinage utilis pour le krigeage:
- Habituellement en voisinages glissants.
- Nombre de points suffisant ( >10; peut atteindre jusqu' 50-100).
- Zone de recherche assez grande pour assurer un minimum de
points.
- Recherche par quadrants (2D) ou octants (3D) (min 2 ou 3 points
par quadrant/octant)
1
2 3
4
5
6
7
8
9
10
11
Exemple: Recherche circulaire, maximum de 2 points par quadrant.
3 et 11 sont rejets car en dehors du cercle de recherche.
8 est rejet car deux autres points sont plus proches dans ce quadrant.
Dans certains cas, le choix dun voisinage appropri est crucial !
+ +
Tous les points proviennent dun mme
forage =>
- discontinuit prononce sur la carte
- estimation peu prcise
+
Les points proviennent des 2 forages =>
gauche : qq points dans la zone riche
droite : aucun point dans la zone riche
=>
- discontinuit prononce sur la carte
- estimation peu prcise
+
Zone riche
+ +
- pas de discontinuit
- estimation prcise
+
- pas de discontinuit
- estimation prcise
+
Zone riche
Exemple
Ralit
5 10 15 20 25 30
5
10
15
20
25
30
Circulaire, n=10
5 10 15 20 25 30
5
10
15
20
25
30
Circulaire, quadrant n=3
5 10 15 20 25 30
5
10
15
20
25
30
Globale
5 10 15 20 25 30
5
10
15
20
25
30
Elliptique, quadrant n=3
5 10 15 20 25 30
5
10
15
20
25
30
Validation croise
Valider le modle de variogramme
Valider le voisinage utilis pour le krigeage
rsidu : e
i
=Z
i
-Z
i
*
rsidu normalis
ki
i
i
e
n
=
0 n et 0 e
i i
i i

i i
2
i i
min e ou min | e |
1 n
N
1

0.5
i
2
i
|
.
|
\
|

Aussi :
- histogramme des rsidus et rsidus normaliss
- carte des rsidus et rsidus normaliss
0 20 40 60 80 100 120 140 160 180 200
0
20
40
60
80
100
Rsidus normaliss
positif
ngatif
Rsidus normaliss +
grands droite qu
gauche => considrer
scinder le domaine en 2
0 20 40 60 80 100 120 140 160 180 200
0
20
40
60
80
100
Points d'interpolation
Donnes completes
Donnes dcimes
- important de reproduire dans la validation des situations ralistes
destimation (semblables celles du krigeage final)
Avec grille complte des donnes => valider le variogramme petite chelle seulement
Avec grille dcime => valider le variogramme pour des distances + grandes
Exemple de validation croise
1600 points (40 x 40)
Pas variable
50 voisins
Sphrique a=10, C=1 C0=0
(bon modle)
2 3 4 5 6 7 8
0
0.5
1
1.5
2
Moy e
2
Moy
2
Validation croise, bon modele: e
2
2 3 4 5 6 7 8
0
0.5
1
1.5
2
n
2
(erreurs normalises)
Pas de la grille
2 3 4 5 6 7 8
0
0.5
1
1.5
Effet ppite pur au lieu de sphrique a=10: e
2
Moy e
2
Moy
2
2 3 4 5 6 7 8
0
0.5
1
1.5
2
n
2
Pas de la grille
Idem
Vrai modle : Sphrique a=10, C=1
Modle valid: effet de ppite pur
C0=1
Le modle valid
est pessimiste par
rapport au vrai
modle
2
Pourquoi de larges mailles la validation fournit-elle de bons rsultats ?
2 3 4 5 6 7 8
0
0.5
1
1.5
2
Sphrique a=20 au lieu de a=10: e
2
Moy e
2
2
2 3 4 5 6 7 8
0
2
4
6
8
n
2
Pas de la grille
Idem
Vrai modle : Sphrique a=10, C=1
Modle valid: Sphrique a=20, C=1
Le modle valid
est optimiste par
rapport au vrai
modle
Moy
2 3 4 5 6 7 8
0
0.5
1
1.5
2
Sphrique a=10 au lieu de ppite pur: e
2
Moy e
2
Moy
2
2 3 4 5 6 7 8
0
2
4
6
8
n
2
Pas de la grille
Le modle valid
est optimiste par
rapport au vrai
modle
Idem
Vrai modle : Effet de ppite pur, C0=1
Modle valid: Sphrique a=10, C=1
Pourquoi de larges mailles la validation fournit-elle de bons rsultats ?
Exemple simul
Var(e)
V
a
l
i
d
a
t
i
o
n
Nb. donnes =30
Minimum en a=15, C0/C=0.3; prs des
valeurs utilises pour la simulation
(C0/C=0.33; a=10)
Autres mesures de validation
-Variance exprimentale des observations vs valeur thorique D
2
(|G)
-Variance exprimentale des valeurs kriges vs valeurs thoriques (pour
diffrentes tailles de blocs v )
| Z ( D
2
ko v
2 * 2
v
Z
2 ) G
Variance
exprimentale des
valeurs kriges
Valeur moyenne des
multiplicateurs de Lagrange
Valeur moyenne des
variances de krigeage
Lien entre KS et KO
KO => estimer m par KO suivi de KS avec cette moyenne estime
Estimation de m par KO =>
i , m
m m ko
=
2
,
Estimation de Zv(x) par KO =>
i o,

2
ko
Estimation de Zv(x) par KS avec

m estim par KO =>
i s,
2
ks

=
i
i , s s
) 1 ( S
i , m s i , s i , o
S + =
m s
S =
2 2 2 2
m , ko s ks ko
S + =
cole Polytechnique- GML6402 Krigeage - D. Marcotte 1
Krigeage (complments)
Plan
Krigeage avec drive sur la moyenne
Estimation du variogramme des rsidus
Krigeage avec drive externe
Krigeage dual
Estimation dune transformation linaire de Z(x)
Poids ngatifs dans le krigeage
Krigeage avec drive sur la moyenne
Moyenne non stationnaire
E[Z(x)]=m(x) dpend de la localisation
=
=
nc
1 k
k k
) x ( f a ) x ( m
Krigeage
avec drive
1- m(x) fonction des coordonnes
) x ( Y a a ) x ( m
1 0
+ = 2- m(x) fonction dune autre variable
Krigeage avec
drive externe
Exemples
1- m(x) fonction des coordonnes :
- gradient rgional pour la charge hydraulique
- forme logarithmique induite par un pompage sur la charge
hydraulique
- pente le long du talus continental
- gradient gothermique
2- m(x) fonction dune autre variable Y(x)
(Y(x) doit tre connue en tout point)
- types de roches diffrents
- carte de temps sismiques un rflecteur
- variable indicatrice indiquant la position par rapport une
faille connue
- le temps (phnomne ayant une drive dans le temps ou une
composante cyclique)
=
=
nc
1 k
k k
) x ( f a ) x ( m
-Les f
k
(x) sont des fonctions de bases (monmes, fonctions
trigonomtriques, logarithme,)
-Les coefficients a
k
sont inconnus. Ils peuvent tre estims soit
explicitement, soit implicitement (prfrable)
Implicitement :
Il suffit dimposer des contraintes assurant le non-bais
Ex.
[ ] [ ]

= = =
k i
i k i k
i k
i k k i
i
i i
*
0
) x ( f a ) x ( f a Z E ) x ( Z E
=
i
i i
*
0
Z ) x ( Z
Dautre part :
[ ]

=
k
0 k k 0
) x ( f a ) x ( Z E
Si lon pose les conditions suivantes:
1...nc k ) x ( f ) x ( f
0 k
i
i k i
= =
Alors on a lgalit recherche indiquant labsence de biais :

E[Z(x
0
)*]=E[Z(x
0
)]
Contraintes additionnelles de non-biais
lagrangien augment
systme dquations linaires (n+nc) inconnues et (n+nc)
quations, nc: nombre de contraintes de non-biais
Solution unique si
n nc
les f
k
(x
i
) sont linairement indpendantes
Sous forme matricielle:
t t t
k K =
t t
2
v
2
kt
k ' =
avec
(
=
(
f
k
0 ' F
F K
s s
K
t

t
k
t
o F est la matrice n x nc des fonctions de base values aux points x
i
f est le vecteur nc x 1 des fonctions de bases values x
0
est le vecteur nc x 1 des multiplicateurs de Lagrange
Exemple :
i- Le krigeage ordinaire (m(x)= m )
(
(
(
(
=
1
.
1
1
F
1 f =
Exemple :
ii- Drive linaire en 1D : m(x)=a+b*x
iii- Drive linaire en 2D : m(x)=a+b*x+c*y
(
(
(
(
(
=
n
2
1
x 1
. 1
x 1
x 1
F
(
(
=
0
x
1
f

(
(
(
(
=
n n
2 2
1 1
y x 1
. . .
y x 1
y x 1
F
(
(
(
=
0
0
y
x
1
f
iv- Drive quadratique en 2D : m(x)=a+b*x+c*y+d*x
2
+e*x*y+f*y
2
(
(
(
(
(
(
(
(
=
2
0
0 0
2
0
0
0
y
y x
x
y
x
1
f
(
(
(
(
(
=
2
n n n
2
n n n
2
2 2 2
2
2 2 2
2
1 1 1
2
1 1 1
y y x x y x 1
. . . . . .
y y x x y x 1
y y x x y x 1
F
v- coulement rgional (linaire) + coulement radial vers un puits :
m(x)=a+b*x+c*y+d*log((x-x
puits
)
2
+ (y-y
puits
)
2
)= a+b*x+c*y+d*ln(|h
i,puits
|)
o h
i,puits
est la distance entre le point et le puits
(
(
(
(
(
=
|) h ln(| y x 1
. . . .
|) h ln(| y x 1
|) h ln(| y x 1
F
puits , n n n
puits , 2 2 2
puits , 1 1 1
(
(
(
(
(
=
|) h ln(|
y
x
1
f
puits , 0
0
0
-10 -5 0 5 10 15 20 25 30
0
1
2
3
4
5
6
7
8
9
10
K.S.m=4.6
K.S.m=5.6
K.O.
K.U.1
K.U.2
K.U.cos
Covariance sphrique sans effet de ppite avec a=10
Z
(
x
)
x
Influence de la drive
grande distance des donnes, lestimation concide avec la drive
estime
Drive linaire
Drive quadratique
-15 -10 -5 0 5 10 15 20 25
0
1
2
3
4
5
6
7
8
x
Z
(
x
)
Sphrique c0=0 C=1 a=10 k=2
Krigeage
Drive
-15 -10 -5 0 5 10 15 20 25
-20
-15
-10
-5
0
5
x
Z
(
x
)
Sphrique c0=0 C=1 a=10 k=2
Krigeage
Drive
Parfois, linclusion dune drive aide produire des cartes
plus fidles la physique du phnomne
Exemple: carte de charge hydraulique
Diffrents krigeages avec 5 donnes
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
c
o
n
s
t
a
n
t
h
e
a
d
b
o
u
n
d
a
r
y
:
h
=
2
0 c
o
n
s
t a
n
t
h
e
a
d
b
o
u
n
d
a
r
y
:
h
=
2
1
no-flow boundary
no-flow boundary
K. ordinaire
K. Drive ordre 1
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
K. drive ordre 1 + drive puits
K. drive ordre 1 + drive puits +
contrainte gradients aux frontires N et S
19.9
20
20.1
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
500 1000 1500 2000 2500 3000
500
1000
1500
2000
2500
3000
c
o
n
s
t
a
n
t
h
e
a
d
b
o
u
n
d
a
r
y
:
h
=
2
0 c
o
n
s
t
a
n
t
h
e
a
d
b
o
u
n
d
a
r
y
:
h
=
2
1
no-flow boundary
no-flow boundary
Ralit numrique
avec frontires
impermables au
nord et au sud
Krigeage avec drive externe
Lorsque la drive est lie une autre variable
Exemple : variable indicatrice du type de roche
Type 1 Type 2
x
Z(x)
E[Z(x)] varie
selon le type
de roche
On peut crire : m(x)= m + a I(x) (I(x)=0 si type 1, I(x)=1 si type 2)
(
(
(
(
(
(
(
(
=
1 1
1 1
1 1
0 1
0 1
0 1
F
3 points dans roche 1
3 points dans roche 2
(
=
1
1
ou
0
1
f
X
0
dans
roche 2
X
0
dans
roche 1
0 5 10 15 20 25
0
2
4
6
8
Sans drive ext.
Avec drive ext.
Modlisation de la covariance des rsidus
Z(x) = m(x) + Y(x) => Cov(Z(x),Z(x+h)) = Cov(Y(x),Y(x+h))
Pour effectuer le krigeage avec drive, on doit connatre
la covariance des rsidus Y(x)
Mthodes :
i. Estimer la drive, calculer les rsidus puis le
variogramme des rsidus (biais sur le variogramme,
surtout grande distance => sous-estimation des
variances destimation)
ii. Calculer le variogramme selon une direction non affecte
par la drive et supposer lisotropie du modle (ou
imposer une anisotropie ad hoc)
iii. Initier un processus itratif : modle => drive => rsidus =>
modle. Les changements au modle se font par une
mthode de type gradient base sur les rsultats dune
validation croise.
iv. Lorsque la drive est de faible amplitude, on peut utiliser
directement le variogramme de Z(x) faible distance.
Note : krigeage simple => variogramme avec palier
krigeage ordinaire peut tre ralis avec variogramme
avec ou sans palier
krigeage avec drive peut tre ralis avec fonction de
covariance, variogramme (avec ou sans palier) ou
covariance gnralise
Exemple: 1D, drive linaire + bruit blanc
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
Variogramme
Z(x)
Y(x)
e(x)
0 5 10 15
-4
-2
0
2
4
6
8
10
12
14
16
x
Z
(
x
)
Donnes
Vraie droite
Droite estime
Y(x)=Z(x)-m(x)
e(x)=Z(x)-m(x)*
Krigeage dual
(
=
(
f
k
F
F K
s s
0 '
Krigeage primal :
Valeur estime :
[ ]
(
0 ' * Z Z
[ ] [ ]
(
=
(
=
(
0 0 '
avec
' '
0 '
0 ' *
1
1
Z
F
F K
b
a
f
k
b a
f
k
F
F K
Z Z
s
s s s
Forme
duale
Krigeage dual :
(
=
(

0
Z
0 ' F
F K
b
a
1
s
Le membre de droite ne dpend
pas de la localisation =>1seul
systme rsoudre
[ ]

= =
+ =
(
=
n
1 i
nc
1 k
0 k k 0 i i
s
0
) x ( f b ) Z , Z ( Cov a
f
k
' b ' a * Z
Expression
analytique
Fonctions de
base locales
(composante
alatoire)
Fonctions de
base globales
(composante
dterministe)
Remarques
a) Effet ppite => discontinuit aux points chantillons de Cov(Z
i,
Z
0
)
x
i
=x
0
:

= =
+ + + =
n
i j , 1 j
nc
1 k
0 k k 0 j j 0 i 0
) x ( f b ) Z , Z ( Cov a ) C C ( a * Z

= =
+ + =
n
i j , 1 j
nc
1 k
0 k k 0 j j i 0
) x ( f b ) Z , Z ( Cov a C a * Z x
i
=x
0
+ :
La discontinuit aux points chantillons est donc a
i
C
0
b) Dans le cas du K. ordinaire sous forme duale
b
1
= m* que lon obtiendrait par KO de la moyenne
b) Dans le cas dun effet de ppite pur,
les coefficients b
1
, b
nc
sont les mmes que ceux
obtenus par nimporte quel programme de rgression
le produit a*C
0
donne les rsidus de la rgression
c) Pour une covariance gnrale,
les coefficients b
1
, b
nc
sont les mmes que ceux obtenus
par nimporte quel programme de rgression gnralise
les rsidus de la rgression gnralise sont :
=
+ +
n
i j , j
j j i
) Z , Z ( Cov a ) C C ( a
1
0 0
Exemple numrique en 1D
1.1 10
0.2 5
0 0
Valeur Z(x) Coordonne x
Krigeage avec drive linaire, C(h) sphrique, C
0
=0.1, C=0.2, a=5
Solution duale:
b
2
= 0.11 b
1
= -0.12 a
3
= 0.39 a
2
= -0.78 a
1
=0.39
-5 0 5 10 15
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Krigeage avec drive linaire, Sph(a=8),C
0
=0.1,C=0.2
x
Z
(
x
)

o
u

Z
(
x
)
*
-5 0 5 10 15
-0.5
0
0.5
1
1.5
-5 0 5 10 15
-0.5
0
0.5
1
1.5
-5 0 5 10 15
-0.5
0
0.5
1
1.5
-5 0 5 10 15
-0.5
0
0.5
1
1.5
Cov. sphrique
X poids duaux
= KO
Drive
+
KO
e) Toute transformation linaire de Z
0
*
svalue aisment (e.g. drive
directionnelle, intgration, intgration spatiale, gradient, Laplacien,)
f) Facile dimposer des contraintes dgalit (e.g. imposer que 2 points
donns aient la mme valeur estime)
Avantages du k. dual
+ rapide
Expression analytique globale
- Facile dimposer des contraintes
- Transformations
Dsavantage du k. dual
Ne peut calculer la variance de
krigeage
Estimation optimale dune transformation linaire
Soit L(Z
0
) une transf. linaire et lestimation optimale L(Z
0
)
*
=
i
Z
i
Minimisant Var(L(Z
0
)-L(Z
0
)
*
)
Par la linarit de loprateur E et de la transformation L , on
obtient le systme de krigeage suivant :
Sous forme matricielle: K=L(k) => =K
-1
L(k)
L(Z
0
)
*
= [a b] L(k) (forme duale)
L(Z
0
)
*
= L{[a b] k}=L(Z
0
*
)
=> Lestimateur optimal dune transformation linaire est gal la
transformation applique lestimation obtenue par krigeage!
1...n = i } ]
Z
,
Z
Cov[ { L = + ]
Z
,
Z
Cov[
i 0 j i j
n
1 j=

1...nc t )) x ( f ( L = ) x ( F
0 t j t
j
n
1 j=
=

Exemple
Estimer dZ(x)/dx en 1D par KO avec Z(x)
+
=

) x ( Z ) x ( Z
lim
dx
) x ( dZ
0
dh / ) h ( dC
) h ( C ) h ( C
lim
)) x ( Z , Z ( Cov )) x ( Z , Z ( Cov
lim
dx
) x ( dZ
, Z Cov
0 i
i 0 i
0 0
i
+
= |
.
|
\
|

0 0 i 0 i 0
= =
dx
) x ( dZ ) x ( Z ) x ( Z
lim
) h ( C a ) h ( C a
lim dh / ) h ( dC a
dx
) x ( dZ
*
0
*
0
*
0
0
0 i
n
1 i
i 0 i
n
1 i
i
0
0 i
n
1 i
i
*
0
=
|
|
.
|
\
|
+
=
|
|
|
|
.
|
\
|
+
= =
|
.
|
\
|

= =

=


0 5 10 15 20 25 30
10
20
30
40
50
60
Krigeage de Z(x)
0 5 10 15 20 25 30
-8
-6
-4
-2
0
2
Krigeage de la drive dZ(x)/dx
x
Poids ngatifs avec le krigeage
Certains des poids du krigeage peuvent tre ngatifs
Des estims de teneur peuvent tre ngatifs !
Ncessaires pour lextrapolation au del des valeurs mesures
Exemple : Z
0
*
= -0.4*Z
1
+ 0.9*Z
2
+ 0.5*Z
3
=> Z
0
*
= 0.9*(Z
2
-Z
1
) + 0.5*Z
1
+ 0.5*Z
3
Z(x)
x
1
x
2
x
3
x
0
Facteurs influenant le nombre et/ou limportance des poids ngatifs
- Effet de ppite important
- Structure linaire lorigine
- Donnes peu regroupes
diminuent loccurrence de
poids ngatifs
cole Polytechnique - GLQ3401 Krigeage d'indicatrices - D. Marcotte 1
Krigeage dindicatrice
Plan
Introduction: contexte et problmatique
Cas dune variable binaire
Cas dune distribution seuille
Interprtation de la valeur estime
quations du krigeage dindicatrices
Corrections dordre
Changements de support
Soft kriging
Exemples
Contexte et problmatique
Krigeage dindicatrices : mthode gostatistique non-linaire =>
cherche estimer la fonction de distribution conditionnelle en tout point;
par contraste, le krigeage ordinaire nestime que la moyenne
conditionnelle (sauf dans le cas gaussien, la variance de krigeage nest
pas une variance conditionnelle).
Exemples:
estimation du volume in-situ de sols contamins; sur un site donn,
quel est le volume de sols excdant le critre C du MENV ? Quelle
quantit totale de contaminants y retrouve-t-on ?
Dans une mine, quel est le tonnage de minerai (in-situ); quelle est la
teneur moyenne ou la quantit de mtal contenue dans le minerai?
Exemples:
Dans une mine, la slection finale des blocs se fait partir destimations qui
seront obtenues une fois les donnes des blocs voisins connues. Peut-on prdire
maintenant la proportion des blocs qui seront identifis plus tard comme du
minerai ? Quelle devrait tre la teneur de ces blocs slectionns sur des
estimations futures ?
Note: il y a 3 grandes catgories de mthodes pour rpondre ce
genre de questions :
le krigeage dindicatrices (et ses variantes multivariables)
les mthodes gaussiennes (multigaussien)
le krigeage disjonctif (loi bivariables isofactorielles)
(note: dans le cours, on ne voit que les 2 premires mthodes)
Variable binaire
a) Variable binaire (0-1) (ex. I(x)=1 si on a le facis A au point x et I(x)=0
si lon a un autre facis)
Quelle interprtation donner au rsultat du krigeage dans ce contexte ?
Soit I(x) la v.a. binaire au point x.
E[I(x)] = P(I(x)=0)*0 +P(I(x)=1)*1 = P(I(x)=1)
Si lon tient compte des observations disponibles:
E[I(x)|I(x
1
),I(x
2
)I(x
n
)] = P(I(x)=1|I(x
1
),I(x
2
)I(x
n
))
Pour une variable continue, le krigeage est un bon estimateur de
lesprance conditionnelle, on suppose que ceci demeure vrai pour une
indicatrice
=
=
n
1 i
i i
) x ( I ) x ( * I
o les poids sont obtenus par krigeage ordinaire de la variable
indicatrice est donc une estimation de P(I(x)=1|I(x
1
),I(x
2
),I(x
n
))
)) x ( I ),... x ( I ), x ( I | ) x ( I ( * P ) x ( * I
n 2 1

Gnralisation: variable continue
Soit Z(x) une v.a. continue dfinie au point x et F(x,c), la fonction de
rpartition de la v.a. au point x pour la valeur c .
Par dfinition: F(x,c) = P(Z(x) c) = E[I(x,c)]
o I(x,c) = 1 si Z(x) c
0 si Z(x) > c
Par krigeage ordinaire dindicatrices, on aura :
=
=
n
1 i
i i
) c , x ( I ) c , x ( * I
Cette valeur devrait tre un bon (?) estimateur de :
)) x ( I ),... x ( I ), x ( I | c , x ( F
)) x ( I ),... x ( I ), x ( I | c ) x ( Z ( P
)) x ( I ),... x ( I ), x ( I | 1 ) x ( I ( P
n 2 1
n 2 1
n 2 1
= <
= =
Si lon choisit une infinit de c diffrents, on aura une estimation
de la fonction de rpartition au point x conditionnelle aux
indicatrices obtenues aux points chantillons.
Exemple
Z1=5
Z2=7
Z3=4 Z4=1
F(x0,c | Z1,Z2,Z3,Z4) ?
Ici, par symtrie, les poids valent tous 1/4
0 1 2 3 4 5 6 7 8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Krigeage d'indicatrice
c
I
*
(
x
0
,
c
)
1.0 7.5
0.75 6.5
0.75 5.5
0.50 4.5
0.25 3.5
0.25 2.5
0.25 1.5
0 0.5
F*(x0,c,|(n)) c
Que gagne-t-on par rapport un krigeage ordinaire ?
quel prix ?
Quels sont les problmes qui se posent ?
Que gagne-t-on par rapport un krigeage ordinaire ?
- Estimer une probabilit dexcder un seuil (e.g. en environnement);
- estimer un quantile (e.g. valeur ayant 5% de chances dtre
dpasse au point x0);
- calculer une variance conditionnelle, i.e. qui dpend des valeurs locales;
- fournir un estimateur qui minimise lesprance dune fonction de
cot.
- + de flexibilit :
- utiliser des informations du type Z(xi)>t, Z(xi)<t, t2>Z(xi)>t1; des
donnes semi-quantitatives fournies par le gologue (e.g. dans
ce type de roche, la teneur nexcde jamais t )
- les variogrammes peuvent varier dune indicatrice lautre
Exemple: les variogrammes peuvent varier dune indicatrice lautre
Fractures tardives ayant permis un
sur-enrichissement en Au
Teneurs riches, indicatrice pour
seuil lev montre une forte
anisotropie
Teneurs faibles et moyennes,
indicatrice pour seuils faibles
et moyens montre une
structure isotrope
Exemple: le krigeage dindicatrices permet de mieux estimer les quantiles,
probabilits, etc. que le krigeage ordinaire
Z(x)
10 20 30 40 50 60 70
10
20
30
40
50
60
70
0
50
100
150
200
250
Z*(x)
10 20 30 40 50 60 70
10
20
30
40
50
60
70
50
100
150
200
250
I*(x,200)
10 20 30 40 50 60 70
10
20
30
40
50
60
70
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Krigeage ordinaire Krigeage indicatrice
Ralit
Nb(Z(x)*>200) = 561
sous-estimation de 61% !
x
I*(x,200) = 1655
sur-estimation de 12%
Nb(Z(x)>200) = 1453
quel prix ?
- Fonction de rpartition reprsente sous forme discrte : combien de
seuils ? (en pratique souvent de 5 10 seuils)
- Chaque seuil => v. indicatrice diffrente => variogramme => krigeage
dindicatrice => effort ++ important; possibilit dincohrences dans la
modlisation.
- Chaque indicatrice doit tre stationnaire => fonction de rpartition
stationnaire, (hypothse + forte que pour le krigeage).
- On a rduit lensemble conditionnant { I(x
1
,c), I(x
2
,c)I(x
n
,c) } au lieu de
{ Z(x
1
), Z(x
2
)Z(x
n
) } => certaine perte dinformation ?
Quels sont les problmes qui se posent ?
- Problme de relation dordre:
-valeurs de I*(x
0
,c
i
) peuvent tre >1 ou <0;
- I*(x
0
,c
i
)>I*(x
0
,c
j
) quand c
i
<c
j
- Variogramme dindicatrices sont souvent + faciles modliser (il ny a
pas de donnes extrmes, que des 0 ou des 1) mais souvent la structure
spatiale est faible => manque de prcision dans les estimations de I*
- Comment interpoler entre les valeurs de I*(x
0
,c
i
) ? Comment extrapoler
au-del de cmin et cmax ?
- Que faire si lestimation doit porter sur des blocs ? Ex.: P*(Zv(x)>c|(n))
Problme de relation dordre
- Problme de relation dordre:
- I**(x0,c
i
) = max(0, I*(x0,c
i
))
- I**(x0,c
i
) = min(1, I*(x0,c
i
))
- Correction avant,
-I*
avant
(x0,c
i+1
) = max(I*(x0,c
i
),I*(x0,c
i+1
))
-Correction arrire,
- I*
arr
(x0,c
i
) = min(I*(x0,c
i
),I*(x0,c
i+1
))
-I*(x0,c
i
) =0.5*[I*
avant
(x0,c
i+1
) +I*
arr
(x0,c
i
) ]
Exemple
seuil c
F
KI
(x
0
,c) F
KI,avant
(x
0
,c) F
KI,arr
(x
0
,c) F
KI,corr
(X
0
,c)
1 -.01 --> 0 0 0 0
2 0.13 0.13 0.13 0.13
3 0.24 0.24 0.234 0.237
4 0.238 0.24 0.234 0.237
5 0.234 0.24 0.234 0.237
6 0.237 0.24 0.237 0.2385
7 0.53 0.53 0.53 0.53
8 0.79 0.79 0.77 0.78
9 0.77 0.79 0.77 0.78
10 1.02 -> 1.0 1 1 1
Structure spatiale plus faible
Exemple : cas gaussien
Si Z(x) est bigaussien, on connat la relation entre
) c , h ( et ) h (
I z

0 20 40 60 80 100 120 140 160 180 200
-0.2
0
0.2
0.4
0.6
0.8
1
0.01
0.1
0.2
0.3
0.4
0.5
Correlogramme des indicatrices
h
(
h
)
Z(x)
Plus le seuil c est loign de
la mdiane moins il y a de
structure (cas gaussien)
10 20 30 40 50 60 70
10
20
30
40
50
60
70
q20
q50 q80
20 40 60
20
40
60
20 40 60
20
40
60
20 40 60
20
40
60
0 5 10 15 20 25 30 35 40
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Corrlogrammes de Z(x) et I(x)
h
r
h
o
(
h
)
Z(x)
I(x,mdiane)
I(x,q20)
I(x,q80)
Interpolation entre les valeurs de I*(x
i
,c
j
)?
Linaire, sauf possiblement la dernire classe
0 1 2 3 4 5 6 7 8 9 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Zmax
c
I
*
(
x
0
,
c
)
Que faire si lestimation doit porter sur des blocs ?
Reconnatre que:
P(Z
v
(x)>c) P(Z(x)>c)
dy ) c ) y ( Z ( P
v
1
) c ) x ( Z ( P
) x ( v
v
> >

Z(x)=1e6 c
Z(x)= 0.9 c
1 ) c ) x ( Z ( P
v
= >
0 dy ) c ) y ( Z ( P
v
1
) x ( v
>

Solutions ?
Plusieurs propositions, dont:
- correction affine
- correction indirecte lognormale
aucune nest entirement convaincante
Tendance actuelle: recourir des simulations!
Exemple: correction affine
|
|
|
.
|
\
|
+
= m
) G | ( D
) G | v ( D
) m Z ( F ) Z ( F
5 . 0
2
2
v v
m est la moyenne de la distribution locale estime par KI
F est la fonction de rpartition locale estime par KI (i.e. I*(x,c) aprs
corrections pour relations dordre)
F
v
est la fonction de rpartition de blocs
Le facteur de contraction est global malgr que la
correction soit applique une distribution locale !
5 . 0
2
2
) G | ( D
) G | v ( D

Z1=5
Z2=7
Z3=4 Z4=1
F(v(x),c | Z1,Z2,Z3,Z4) ?
8 . 0
) G | ( D
) G | v ( D
5 . 0
2
2
=
0 1 2 3 4 5 6 7 8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
c
I
*
(
x
0
,
c
)
Ponctuel
Bloc
m=4.25
Variogramme => D
2
(.|G)
=> D
2
(v|G)
Variantes
1- Krigeage simple dindicatrice :
(c)
F
) - (1 + c) ,
x
I( = c) ,
x
(
I
Z i
n
1 = i
i i
n
1 = i
0
*

(c)
F
Z
: fonction de rpartition (globale)
Permet une gradation plus souple de I*(x,c)
Permet de mieux tenir compte du degr de corrlation locale
Z1=5
Z2=7
Z3=4 Z4=1
F(x0,c | Z1,Z2,Z3,Z4) ?
Sil ny a pas de corrlation entre les points,
la fonction estime sera simplement F
z
(c)
0 1 2 3 4 5 6 7 8 9 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
c
I
*
(
x
0
,
c
)
Z1=5
Z2=7
Z3=4 Z4=1
F(x0,c | Z1,Z2,Z3,Z4) ?
h=1
Fct. de rpartition
N(8,12)
I* par KS, sphrique a=1
I* par KS, sphrique a=10
I* par K0
2- Cokrigeage :
v. principale : I(x,c
j
)
v. secondaires : I(x,c
k
), kj
ou
v. principale : I(x,c
j
)
v. secondaire : Z(x) ou mieux U(x)= rang(Z(x)) / (n+1)
Trs lourd, presque jamais utilis
Soft kriging
-+ de flexibilit :
- utiliser des informations du type Z(xi)>t, Z(xi)<t, t2>Z(xi)>t1;
des donnes semi-quantitatives fournies par le gologue (e.g.
dans ce type de roche, la teneur nexcde jamais t )
Exemple :
3 forages ont intercept le sommet dun rservoir ptrolier
Z(1) = -480, Z(2) = -460, Z(4) = -500
un 4e forage situ en x=3, a d tre arrt au niveau 485 sans
que le sommet nait t intercept !
Solution par KO de Z(x) solution par KO de I(x) avec les 3 forages (1,2,4)
0.5 1 1.5 2 2.5 3 3.5 4 4.5
-520
-510
-500
-490
-480
-470
-460
-450
arret
Krigeage de Z(x) avec les 3 points
x
Z
(
x
)
*
La solution nest pas acceptable ! Elle contredit linformation en x=3.
0.5 1 1.5 2 2.5 3 3.5 4 4.5
-520
-510
-500
-490
-480
-470
-460
-450
arret
Krigeage mou avec -510<Z(x
3
)<-485
x
Z
(
x
)
*
0.5 1 1.5 2 2.5 3 3.5 4 4.5
-520
-510
-500
-490
-480
-470
-460
-450
arret
Krigeage mou avec Z(x
3
)<-485
x
Z
(
x
)
*
0.5 1 1.5 2 2.5 3 3.5 4 4.5
-520
-510
-500
-490
-480
-470
-460
-450
arret
Krigeage mou avec Z(x
3
)<-485 et Prob dcroissante exponentiellement
x
Z
(
x
)
*
-530 -525 -520 -515 -510 -505 -500 -495 -490 -485
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Probabilit que le sommet en x
3
soit infrieure a c
c
P
(
Z
(
x
3
)
<
c
)
Remarques
Soit le seuil c correspondant un quantile p de la distribution de
Z(x)
I(x,c) a les proprits suivantes:
E[I(x,c)]= p
Var(I(x,c))=p(1-p)
Ex.: si lon choisit un seuil pour lequel 20% des observations sont
infrieures, D
2
(I(x,c)|G) 0.2*0.8 = 0.16
normalement, le palier est lgrement suprieur D
2
(I(x,c)|G) (dpendant
de limportance de la structure spatiale).
Les paliers sont presque dtermins
par le seuil du codage de lindicatrice
20 40 60
20
40
60
20 40 60
20
40
60
20 40 60
20
40
60
0 10 20 30
0
0.1
0.2
0.3
0.4
Variog I(x,c),F(c)=0.2
h
(
h
)
0 10 20 30
0
0.1
0.2
0.3
0.4
h
(
h
)
0 10 20 30
0
0.1
0.2
0.3
0.4
h
(
h
)
Les variogrammes dindicatrices ne peuvent montrer un comportement
parabolique lorigine => proscrire le modle gaussien !
Exemple : dterminer le volume dun sol contamin au del
dune norme
20 40 60
20
40
60
0 10 20 30
0
0.1
0.2
0.3
0.4
h
(
h
)
5 10
15 20
20 40 60
20
40
60
20 40 60
20
40
60
20 40 60
20
40
60
20 40 60
20
40
60
16
25
64
256
n
[2057,4343] 572 3200 20
[2174,3676] 376 2925 15
[2673,3527] 214 3100 10
[2954,3296] 86 3125 5
CI (95%) V* Pas
C=130; V=3120
Que se passe-t-il si lchantillon dborde de la zone dintrt ?
20 40 60 80 100 120
20
40
60
80
100
120
0 10 20 30
0
0.1
0.2
0.3
0.4
h
(
h
)
Surface>c cart-type
Pas Sans Avec Sans Avec
5 3020 3096 86 93
10 3023 3110 214 235
15 3002 4115 376 415
20 3089 3267 572 634
Le variogramme des
indicatrices change
Les estims sont semblables et
lordre de grandeur des carts-
types est comparable, mme si
la zone couverte est 2.2 fois +
grande en superficie
Bonne robustesse au choix
initial de la zone dtude
cole Polytechnique: GML6402 Mthodes gaussiennes - D. Marcotte 1
Mthodes non-linaires: approche gaussienne
Principe de la mthode
Cas multigaussien : la variable Z(x) est transforme vers Y(x),
Y(x) est N(0,1), Y(x)=g(Z(x))
Le krigeage simple en x
0
fournit la distribution conditionnelle
de Y
0
|Y
1
Y
n
=> Y
0
~N(Y
0
*,
k
2
)
On applique la transformation inverse f
Y
(Y
0
|Y
1
Y
n
) pour
dduire la distribution de f
Z
(Z
0
|Z
1
Z
n
).
-3 -2 -1 0 1 2 3 4 5 6 7 8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Transformation graphique
Prob.
Z(x) et Y(x)
Z(x)=4.78 => Y(x)=1.13
Z(x)=0.56 => Y(x)=-0.68
10 20 30 40 50
5
10
15
20
25
30
35
40
45
50
0 2 4 6 8 10 12 14 16
0
20
40
60
80
100
120
140
-3 -2 -1 0 1 2 3
0
5
10
15
20
25
30
) h (
2
) h (
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0
0.5
1
1.5
Transformation
graphique
10 20 30 40 50
5
10
15
20
25
30
35
40
45
50
0 0.5 1 1.5 2 2.5
0
10
20
30
40
50
60
70
80
90
-3 -2 -1 0 1 2 3
0
5
10
15
20
25
30
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
) h (
2
) h (
1
Les points sont moins aligns

que dans lexemple prcdent
Transformation
graphique
Cas des blocs
Hypothses supplmentaires
ou
Simulation de points pour reprsenter les blocs. Lensemble des points est
simul selon les distributions conditionnelles des points dans le bloc tant
donne linformation actuelle.
Cas particulier : krigeage lognormal (ponctuel)
e
= m
/2 + m
Z
2
Y Y

/2 - ) (m ln = m
2
Y Z Y

1) -
e
( m =
2
Y
2
Z
2
Z

1 +
m
ln =
2
Z
2
Z 2
Y
Z Y=ln(Z)
Moyenne
Variance
Lien entre covariance de Y(x) et covariance de Z(x)
( ) 1 )) h ( C exp( m ) h ( C
Y
2
Z Z
=
0 5 10 15 20 25 30
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 5 10 15 20 25 30
0
2
4
6
8
10
12
Y Z
Notez comme la forme du variogramme change avec la transformation !
cole Polytechnique - GLQ3401 Simulations - D. Marcotte 1
Simulations
Automne 2003
Plan
Introduction: contexte et problmatique
Simulation vs krigeage
Simulation non-conditionnelle vs simulation conditionnelle
Cas gaussien
Mthode LU
Mthode SGS
Cas non gaussien
Simulation de teneurs de blocs
Recuit simul
Contexte et problmatique : des exemples
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Profil du fonds marin
Coordonne (km)
v
a
t
i
o
n

(
m
)
Vous dposez un cble de fibre optique sur le fonds marin.
Quelle longueur devrait avoir ce cble
1
?
1
Exemple inspir de Chils et Delfiner, 1999 et Alfaro, 1979
La profondeur exacte est connue uniquement aux points observations
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Coordonne (km)
v
a
t
i
o
n

(
m
)
Exagration verticale environ 10
On effectue un krigeage
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Coordonne (km)
v
a
t
i
o
n

(
m
)
La longueur relle est 110 km, le krigeage donne 104.6 km
On va manquer de cble !
Une autre approche : des simulations conditionnelles
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Relle
Simule
Krigeage
106 108 110 112 114 116 118
0
50
100
150
Histogramme des longueurs simules - 1000 km (km)
Longueur du profil
F
r
q
u
e
n
c
e
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Coordonne (km)
v
a
t
i
o
n

(
m
)
Moy. 1000 ralisations: 110
Rel: 110
Lintervalle de confiance 95% obtenu par les simulations est:
[ 108.8, 113.5] =>
la valeur par krigeage 104.2 nest mme pas dans lintervalle !
Longueur de cble = f (profil du fonds marin)
f est appele fonction de transfert et
ici f est non-linaire
Mme exemple, autre fonction de transfert
0 10 20 30 40 50 60 70 80 90 100
0
1000
2000
3000
4000
5000
Coordonne (km)
v
a
t
i
o
n

(
m
)
Vous disposez dun vhicule raclant le fond marin pour rcolter des
nodules de manganse. Le vhicule ne peut saccommoder de pentes
suprieures 6
o
. Allez-vous risquer dutiliser le vhicule ?
Avec les mmes donnes :
Pente maximale avec le krigeage: 5.8
o
Pente maximale relle : 8
o
94% des 1000 ralisations montrent au moins un segment avec pente >6
o
La simulation permet de reconnatre
quil est trs risqu dutiliser le vhicule
sur ce terrain
Quelques exemples dapplication des simulations
1- Rservoir ptrolier
Krigeage,
cokrigeage
Sismique + forage
(gologie, porosit,
permabilit)
Modle de rservoir
Fonction de
transfert Champ de pression
thorique
Simulateur
dcoulement
Correspond lhistorique
de production ?
Non ?
1- Rservoir ptrolier (suite)
Simulations:
plusieurs ralisations
possibles
Sismique + forage
(gologie, porosit,
permabilit)
Plusieurs modles
de rservoirs
possibles
Plusieurs champs de
pression thoriques
Simulateur
dcoulement
Comparer lhistorique
de production
Conserver les modles
compatibles, rejeter les autres
Bonus : ide de lincertitude quant au
vritable modle de rservoir
2- Hydrogologie : changements dchelle
T
bloc
T
m,point
T
point
=> scalaire
T
bloc
=> scalaire ou tenseur
Transmissivit
de bloc ?
10 20 30 40 50 60 70 80 90 100
10
20
30
40
50
60
70
80
90
100
10 20 30 40 50 60 70 80 90 100
10
20
30
40
50
60
70
80
90
100
T
m,point
=0.005
T
bloc
=> moy gom = 10
-4
T
m,point
/ T
bloc
=50
T=10
-6
cm
2
/s
T=10
-2
cm
2
/s
T
m,point
=0.005
T
bloc,horiz.
=> moy arith = 0.005
T
bloc, vertic
=> moy harm = 2x10
-6
Donnes : tests pizomtriques (quasi-ponctuel)
Simulateur dcoulement ncessite des transmissivits de blocs (diffrences finies)
Krigeage de blocs => moyenne des transmissivits des points dans le bloc
Krigeage ponctuel + simulateur dcoulement => les transmissivits kriges
nauront pas le bon variogramme
Simulation des transmissivits ponctuelles + simulateur dcoulement =>
transmissivit de bloc
3- Hydrogologie : aires de protection dun puits
Donnes : tests pizomtriques (quasi-ponctuel)
charges hydrauliques dans des puits dobservation
conditions frontires, recharge estime, dbit du (des) puits.
Simulation: plusieurs ralisations de transmissivits + simulateur dcoulement
=> conserve ralisations qui respectent les charges observes
=> permet de dessiner plusieurs aires de captage du puits possibles
certains points du domaine seront :
- jamais capts
- toujours capts
- capts dans x% des cas
On peut aussi donner la
distribution des temps de parcours
au puits lorsque capts
La mme procdure peut tre suivie pour:
- dterminer des distributions de temps de transport
- dterminer les trajets possibles dune contamination
- etc.
4- Mines : optimisation de fosses ciel ouvert
Modle de blocs krigs => optimisation des contours de la fosse par des
algorithmes doptimisation (flow-max ou Lersch-Grossman)
Lissage du krigeage => fosse optimise peut tre trs loigne de la fosse qui
sera rellement mine
Modle de blocs simuls => 1 fosse simule
n ralisations => n fosses simules
Normalement, les n fosses simules vont encadrer la valeur de la
fosse qui sera mine. Par contre la fosse krige peut ne pas sy
retrouver !
Bloc
extraire
Prdcesseurs
Vue de
section
Vue de plan
Simul. cond. 64 forages essai 1
10 20 30 40 50 60 70
20
40
60
10 20 30 40 50 60 70
20
40
60
10 20 30 40 50 60 70
20
40
60
10 20 30 40 50 60 70
20
40
60
Solution optimale
10 20 30 40 50 60 70
20
40
60
Krigeage 64 forages
10 20 30 40 50 60 70
20
40
60
Exemple : gisement de Cu 20 ralisations + valeurs prvues des fosses optimises
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x 10
9
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
HIstogramme des valeurs des fosses simules
Valeur de la fosse
V
a
l
e
u
r
M
o
y

s
i
m
.
V
r
a
i
e
K
r
i
On peut aussi tudier lextension en surface des diffrentes fosses simules
et dlimiter les zones ayant une faible probabilit de faire partie de la fosse
mine => localisations propices linstallation dquipements permanents.
5- Mines : prcision sur les ressources et le profit conventionnel
Chaque ralisation
=> ressources estimes diffrentes compatibles avec les observations actuelles
=> distribution des ressources, intervalle de confiance
Approche valide pour toute situation ou lon applique un seuil de slection
e.g. Environnement : volume excaver parce que contamin
Biologie : aires avec une biomasse suffisante pour nourrir un prdateur
6- Ciment : calibration dun logiciel de contrle de procd
Les cimenteries utilisent des logiciels de contrle sophistiqus pour atteindre des
cibles fixes de composition du ciment.
- Plusieurs sources dalimentation (carrire, bauxite, boues industrielles ou
municipales, sable)
- Le logiciel contrle la vitesse dalimentation de chaque source
- Chaque source est multivariable (8 lments majeurs + CO
2
)
- La cible est multicritre (C3S, C2S, Al
2
O
3
)
- Comment rgler les paramtres du logiciel de contrle (tolrance en cart (pour
quelle dure) vis vis le critre; vitesse de correction adopter; ) de faon
optimale ?
=> Gnrer par simulation multivariable un signal dentre pour chaque
source et tudier la performance du logiciel de contrle en fonction des
paramtres du logiciel.
Simulation non-conditionnelle et conditionnelle
Oui, mais pas
directement
Oui, mais pas
directement
Fonctions de transfert
non-linaires
oui non Donnes
oui
(mlange thorique-
exprimental)
oui
(thorique)
Variogramme
oui oui Histogramme
Conditionnelle
Non-
conditionnelle
Reproduit ?
0 5 10 15 20 25 30 35 40 4
1
2
3
4
5
3 simulations non-conditionnelles en 1d
coordonne
v
a
l
e
u
r

s
i
m
u
l
e
0 5 10 15 20 25 30 35 40 4
1
2
3
4
5
6
3 simulations conditionnelles en 1d
coordonne
v
a
l
e
u
r

s
i
m
u
l
e
Mthodes de simulation
Trs grand nombre; ce qui les distingue :
- objets vs pixels
- gaussien vs distribution quelconque
- simulation conditionnelle possible ou non (directement)
- limit 1D ou non
- grille rgulire ou quelconque
Mthode LU (Cholesky)
1- Simulation non-conditionnelle :
Soit Z(x) gaussien de moyenne 0 et de covariance C(h)
n points simuler des emplacements x
i
, i=1n;
i. Construire K (matrice nxn des covariances entre les n points)
K est positive dfinie
ii. Effectuer la dcomposition K=LL L est triangulaire infrieure (nxn)
iii. Gnrer Y
nx1
tir dune N(0,1) (les Y
i
sont i.i.d.)
iv. Calculer Z=LY
On vrifie que E[ZZ]=E[LYYL]=LE[YY]L=LIL=LL=K
2- Simulation conditionnelle :
Soit Z
1
(x) gaussien de moyenne 0 et de covariance C(h)
Z
1
(x) a t observ et vaut z
i
1
, i=1N
n points simuler en x
j
, j=1n; conditionnellement z
i
1
, i=1N
i. Construire K (matrice (N+n) x (N+n) des covariances entre les (N+n) points)
K est positive dfinie
ii. Effectuer la dcomposition K=LL L est triangulaire infrieure
iii. Partager K et L en 4 blocs :
=
22 21
12 11
K K
K K
K

=
22 21
11
L L
0 L
L
K
11
et L
11
sont N x N
K
22
et L
22
sont n x n
On a toujours Z=LY mais ici z
1
est observ =>
z
1
=L
11
y
1
=> y
1
=L
11
-1
z
1
Les N premires valeurs du vecteur Y sont y
1
,
les n valeurs suivantes
sont tires indpendamment dune N(0,1).
On peut crire :
z
2
=L
21
y
1
+ L
22
y
2
= (L
21
L
11
-1
) z
1
+ L
22
y
2
Qui fait apparatre la dpendance de z
2
sur z
1
. z
2
est le vecteur des valeurs
simules conditionnellement z
1
Cette matrice na tre calcule
quune fois peu importe le
nombre de ralisations
Exemple
Simuler 2 variables Z1 et Z2 de variances 9 et 4 et de corrlation 0.8
Cov(Z1,Z2)=0.8 (9*4)
0.5
= 4.8
=
4 8 . 4
8 . 4 9
K
=
2 . 1 6 . 1
0 3
L
-8 -6 -4 -2 0 2 4 6 8
-4
-2
0
2
4
6
Simulation
Z
1
Z
2
Si lon tire les valeurs :
Y=[-0.12 0.5] => Z=[-0.36 0.79]
Y=[1.47 1] => Z=[4.41 3.55]
.
Avantages de la mthode LU
- Facile comprendre et programmer
-Trs rapide pour de petits champs
- Se gnralise immdiatement au cas
multivariable
- Cas conditionnel pose aucun
problme.
Dsavantages de la mthode LU
- Limite la simulation de petits champs
car K doit tre stocke en mmoire (n+N)
< 2000
- K grand : K peut ntre pas positive
dfinie numriquement (K lest thoriq.)
=> empche deffectuer la dcomposition
de Cholesky.
Digression : comment tirer dune N(0,1) ?
Plusieurs mthodes; la + courante
Tirer p dune Uniforme(0,1); p est une probabilit.
Z=F(p) o F est la fonction de rpartition de la N(0,1).
Comment tirer dune U(0,1) ?
Plusieurs mthodes; une trs courante
Mthode congruentielle : a et m deux entiers
x
n+1
= {a x
n
mod(m)}
u
n+1
= x
n+1
/m
x
0
= germe entier compris entre 1 et m-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
x 10
4
Histogramme,
n=100,000
Exemple : m=2001179, a=1000, x
1
=915
545082
1285302
925830
461197
915000
x
n+1=
mod(a X
n
,m)
545802 6
0.27238 1285302e03 1285302 5
0.64227 925830e03 925830 4
0.46264 461197e03 461197 3
0.23046 915e06 915e03 2
0.45723 915e03 915 1
u
n+1=
X
n+1
/m a x
n
x
n
n
Mthode squentielle gaussienne (SGS)
Soit Z
i
, i=1n, des observations dune loi gaussienne de moyenne 0 et de
covariance C(h)
Algorithme:
i. Choisir un point simuler au hasard
ii. Effectuer le krigeage simple ce point en utilisant les observations Z
i
,
i=1n
iii. On tire une valeur dune N(Z
KS
*
,
KS
2
) (le KS, dans le cas gaussien,
correspond aux paramtres de la loi de distribution conditionnelle)
iv. Ajouter cette valeur aux valeurs observes et retourner i.
Note: quand n=0, on amorce lalgorithme en tirant dune N(0,
2
)
SGS (dmonstration par induction)
Supposons que lalgorithme permet de simuler n valeurs normales de
moyenne 0 et de covariance C(h).
On a :
nn n n
s
n
s
n
K ) ' Z , Z ( Cov ) ' Z , Z ( Cov = =
) Z , Z ( Cov k
k K
1 n n
nn
+
=
=
1
quations du KS
=
+
' Z Z
s
n
s
1 n
*
e tir dune
N(0,
KS
2
)
e Z Z
*
s
1 n
s
1 n
+ =
+ +
k k K ) ' Z , Z ( Cov ) Z , Z ( Cov ) Z , Z ( Cov
1
nn
s
n
s
n
* s
1 n
s
n
s
1 n
s
n
= = =

+ +
K
nn

e nest pas corrl Z
n
s
Bonne
covariance
2 2
ks
* s
1 n
s
1 n
) Z ( Var ) Z ( Var = + =
+ +
Relation de lissage du
KS (voir chap. 5)
Bonne variance
Note:
Au fur et mesure que lalgorithme progresse, le nombre de points
disponible pour le krigeage augmente; pour N grand, devient prohibitif.
Effectuer les krigeages en voisinages glissants (effet dcran)
- assure approximativement la reproduction de K, dautant mieux que leffet
dcran est important
- certaines covariances sont difficiles reproduire par cet algorithme (ex.
modle gaussien) car dans ce cas leffet dcran est faible.
Avantages de la mthode SGS
- Facile comprendre et
programmer
-Se gnralise au cas multivariable
(CoKS au lieu de KS)
- Cas conditionnel immdiat
Dsavantages de la mthode SGS
- certaines covariances difficiles bien
simuler
- assez lent pour de grands champs
Question
Le SGS consiste tirer une valeur de la distribution conditionnelle
obtenue par krigeage simple dans le cas gaussien
Le krigeage dindicatrice permet destimer une distribution
conditionnelle dans le cas o la variable nest pas gaussienne
Comment pourrait-on combiner ces 2 algorithmes pour dvelopper
une mthode squentielle pour le cas non-gaussien ?
Cas non-gaussien
-LU et SGS ncessitent un processus Z(x) gaussien
Que faire si ce nest pas gaussien ?
i. Transformer Y(x)=f
-1
(Z(x))
ii. Calculer et modliser le variogramme de Y(x)
iii. Simuler (conditionnel ou non) Y(x)
iv. Effectuer la transformation inverse Z(x)=f(Y(x))
Cette procdure assure la reproduction du variogramme de Y(x). Celui
de Z(x) est approximativement reproduit seulement car Y gaussien
nimplique pas que Y(x) soit (multi)gaussien,
En gnral les
variogrammes de la
variable transforme sont
plus faciles modliser
Exemple : donnes de contamination au plomb de Dallas
3 4 5 6 7 8 9
0
2
4
6
8
10
12
14
16
18
20
Histogramme de ln(plomb)
-4 -2 0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Fct. rpartition ln(plomb) et N(0,1)
ln(plomb)
N(0,1)
-5 0 5
0
5
10
15
20
25
Histogramme de Y(x)
0 2000 4000 6000
0
2
4
6
8
x 10
5
Variogramme du plomb
P
b

(
p
p
m
)
h (p)
0 2000 4000 6000
0
0.5
1
1.5
Variogramme de Y
h (p)
Simulation de teneurs de blocs
Lorsque la fonction de transfert porte sur des teneurs de blocs (ex.
optimisation dune fosse ciel ouvert) il faut simuler ces valeurs
conditionnellement aux valeurs ponctuelles.
La mthode consiste simuler des teneurs ponctuelles sur une grille
fine, puis de les regrouper selon les blocs dsirs (les blocs peuvent
tre de tailles et de formes diffrentes).
Recuit simul
Mthode itrative base sur loptimisation dune fonction objectif
Ex. : O = a* |(h) -
s
(h)| + b* |f - f
s
| +
1er objectif: minimiser
lcart entre variogramme
thorique et variogramme
simul
2e objectif: minimiser
lcart entre la distribution
thorique et la distribution
simule
3e objectif:
La formulation est gnrale, elle peut accommoder autant dobjectifs
diffrents que dsirs pourvu que ces objectifs soient compatibles entre
eux.
Algorithme :
- Gnrer un tat initial
- Initialiser la fonction objectif O
0
une itration k donne
i. Slectionner un point au hasard (disons x
i
)
ii. Tirer une valeur candidate dune distribution mre (habituellement la
distribution que lon veut reproduire)
iii. Calculer la valeur de la fonction objectif obtenue en substituant la valeur
candidate la valeur actuelle au point x
i
iv. Si la fonction objectif a dcru => conserver la valeur candidate.
Si la fonction objectif a augment conserver la valeur candidate avec
probabilit p=exp{(O
k
O
candidat
) / t}
et donc conserver la valeur actuelle avec probabilit (1-p)
v. Si la valeur de la fonction objectif est suffisamment faible ou si on a atteint
un nombre maximum ditrations on arrte, sinon, on retourne i.
Algorithme recuit simul (suite)
Note : au point iv, t est une temprature que lon contrle au moyen
dune cdule de refroidissement.
Plus t est lev, plus grande est la probabilit daccepter une
perturbation dfavorable.
On amorce lalgorithme avec t lev puis on labaisse au fur et
mesure que lalgorithme progresse. Vers la fin, seules les perturbations
favorables sont acceptes.
Ex. : O
k
=100; O
candidat
=110
si t=100 => p=exp(-10/100) = 0.90
si t= 2 => p=exp(-10/2) = 0.007
Influence de la cdule de refroidissement
Refroidir trop vite => on risque de se retrouver dans un optimum local
dont on ne peut plus schapper (i.e. les objectifs ne sont pas atteints)
Refroidir trop lentement => le systme oscille beaucoup et la
convergence est trs lente.
On a peu de guides sur le choix de cette cdule, il faut souvent y aller
par essais et erreurs => le recuit simul demande un certain pif!
Avantages du recuit simul
- Facile comprendre et
programmer
- Trs gnral, tout objectif peut tre
trait et donc, thoriquement, toute
fonction de transfert
-Cas conditionnel immdiat : on na
qu ne jamais perturber un point
concidant avec une donne
-Permet de traiter des donnes non-
gaussiennes
Dsavantages du recuit simul
- Difficile de fixer la cdule
- Lent car un seul point est modifi la
fois
- Certains objectifs peuvent tre
incompatibles sans quon le sache
- Si la fonction objectif est longue
calculer, la mthode devient impraticable
-On connat mal les proprits
statistiques de ce qui est simul
Exemple
0 10 20 30 40 50
0
0.5
1
1.5
# 0
0 10 20 30 40 50
0
0.5
1
1.5
# 200
0 10 20 30 40 50
0
0.5
1
1.5
# 400
0 10 20 30 40 50
0
0.5
1
1.5
# 600
Exemple
0 10 20 30 40 50
0
0.5
1
1.5
# 800
0 10 20 30 40 50
0
0.5
1
1.5
# 1000
0 10 20 30 40 50
0
0.5
1
1.5
# 2000
0 10 20 30 40 50
0
0.5
1
1.5
# 27000
Est-ce trop
parfait ?
0 200 400 600 800 1000
0
0.5
1
1.5
2
2.5
volution de la fonction objectif
Itration #
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f
0 0.5 1 1.5 2 2.5 3
x 10
4
0
0.5
1
1.5
2
2.5
volution de la fonction objectif
Itration #
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f
Exemple
Placer des valeurs dans une matrice de faon assurer une somme
constante en lignes et en colonnes
-4 -2 0 2 4
0
5
10
15
20
25
-4 -2 0 2 4
0
5
10
15
20
25
0 1000 2000 3000
0
0.2
0.4
0.6
0.8
Fonction objective vs itration
# itration
F
o
n
t
.

o
b
j
.
0 5 10 15 20
-1
-0.5
0
0.5
1
Moyennes 1-10: colonnes, 11-20:lignes
M
o
y
e
n
n
e
s
Moyennes avant et aprs recuit
2 4 6 8 10
2
4
6
8
10
2 4 6 8 10
2
4
6
8
10
Recuit simul donnes normales, 10x10, moyennes lignes et colonnes gales
-3
-2
-1
0
1
2
3
-3
-2
-1
0
1
2
3
Exemple
Placer des valeurs dans une matrice de faon assurer une moyenne = 2 en
lignes et en colonnes. Tirage dune N(0,25)
Donnes initiales
2 4 6 8 10
2
4
6
8
10
-3
-2
-1
0
1
2
3
Donnes aprs recuit
2 4 6 8 10
2
4
6
8
10
-3
-2
-1
0
1
2
3
-4 -2 0 2 4
0
5
10
15
20
-10 0 10 20
0
5
10
15
20
25
0 0.5 1 1.5 2
x 10
4
0
2
4
6
8
10
Fonction objective vs itration
# itration
F
o
n
t
.

o
b
j
.
0 5 10 15 20
-0.5
0
0.5
1
1.5
2
2.5
Moyennes 1-10: colonnes, 11-20:lignes
M
o
y
e
n
n
e
s
Moyennes avant et aprs recuit
Recuit simul donnes normales, 10x10, moyennes lignes et colonnes = 2
Post-conditionnement
Des algorithmes plus efficaces que LU, SGS et recuit simul existent
pour fournir des simulations non-conditionnelles
n
n log(n)
m
3
n
n
2
Complexit de
ralisations
additionnelles
Trs grand n Bandes
tournantes
n log(n)
m
3
n
n
3
Complexit
(non-cond.)
Grand
Grand trs
grand
Petit
Champ
FFT-ma
SGS
LU
Mthode
n : nombre de points simuler
m : nombre de points utiliss dans le krigeage
On peut conditionner des simulations non-conditionnelles laide dun krigeage
simple :
Z
g
s
: valeur simule non conditionnelle un point de la grille de simulation
Z
i
s
: valeur simule non conditionnelle un point observation
Z
g
sc
: valeur simule un point de grille conditionnellement aux donnes
Z
g
s
* : valeur krige un point de grille utilisant les valeurs simules aux points
observation
Z
g
*: valeur krige un point de grille utilisant les valeurs observes
Z
g
: valeur vraie un point de grille
( )
* s
g
s
g
*
g
sc
g
Z Z Z Z + =
La valeur krige + erreur simule
( )
* s
g
*
g
s
g
sc
g
Z Z Z Z + =
La valeur simule + krigeage de la
diffrence aux points observations
Exemple
10 20 30 40 50 60 70 80 90 100
-3
-2
-1
0
1
2
3
Ralit et krigeage
Ralit
Observation
Krigeage
10 20 30 40 50 60 70 80 90 100
-3
-2
-1
0
1
2
3
Simulation non-conditionnelle et krigeage
Simul. nc
Obs. simul.
Kri. obs. simul.
10 20 30 40 50 60 70 80 90 100
-3
-2
-1
0
1
2
3
Simulation conditionnelle
Simul. nc
Obs.
Krigeage
Simul cond
Proprits
Var(Z
g
Z
g
sc
) = 2
ks
2
Var(Z
g
Z
g
s
) = 2
2
Var(Z
g
sc
) =
ks
2
Var(Z
g
s
) =
2
E[Z
g
sc
] = Z
g
* E[Z
g
s
] = m
Conditionnelle Non-conditionnelle
Pouvez-vous dmontrez ces proprits utilisant
la dfinition du post-conditionnement ?
cole Polytechnique - GLQ3401 Cokrigeage - D. Marcotte 1
Gostatistique multivariable
Automne 2003
Plan
Besoin et exemples
Cokrigeage simple et ordinaire
Covariance croise et variogramme crois
Cas o le cokrigeage peut tre utile
Exemples
Contexte et problmatique
Ide : amliorer les estimations obtenues par krigeage en utilisant
linformation fournie par dautres variables (variables
secondaires) que la variable principale
Exemples :
a) Estimer la position du sommet dun rservoir ptrolier ou gazier
Variable principale : position du sommet observ dans quelques forages
Variables secondaires : - positions interprtes par sismique
- attitude du contact dans les forages
=> Obtenir une estimation qui respecte les donnes de forage, la forme
gnrale de la surface sismique et lattitude observe dans les forages.
Exemples :
b) Produire une carte de charges hydrauliques qui soit raliste
Variable principale : surface pizomtrique dans quelques puits
Variables secondaires : - surface topographique (aquifre nappe libre)
- frontires impermables connues
- vecteurs gradients connus
- mesures goradar
=> Obtenir une estimation qui respecte les donnes de puits et les
frontires et la forme gnrale dcrite par les mesures goradar et la
topographie.
Exemples :
c) Modlisation de la transmissivit dun aquifre
Variable principale : transmissivits dans un modle dlments finis ou
de diffrences finies
Variables secondaires : - transmissivit ou conductivits hydrauliques
obtenues par slug-test , test de pompage, courbes
granulomtriques, capacit spcifique de puits.
- frontires connues
- charges hydrauliques connues (permanent et
transitoire)
=> Obtenir une estimation de la transmissivit qui respecte les donnes
de transmissivit diffrentes chelles, les donnes pizomtriques et
les frontires connues.
Exemples :
d) Inversion de donnes gravimtriques
Variable principale : densit pour un modle de blocs du sous-sol
Variables secondaires : - anomalie gravimtrique mesure au sol
- anomalie gravimtrique aroporte
- quelques mesures de densit en forage
=> Obtenir une estimation de la densit qui respecte les anomalies et les
densits observes
Note : ici, souvent, on na aucune observation directe de la variable principale !
Exemples :
e) Inversion de tomographies radar
Variable principale : modle de lenteurs pour un modle de blocs du
sous-sol dans le plan dfini par 2 forages coplanaires
Variable secondaire : temps de parcours metteur-rcepteur
=> Obtenir une estimation des lenteurs qui respecte les temps de parcours
Note : souvent, on na aucune observation de la variable principale !
Exemples :
f) Cartographie de la temprature de leau en surface
Variable principale : temprature de leau mesure directement (bateau)
Variable secondaire : temprature obtenue par interprtation du signal
spectral dun satellite
g) Cartographie de la bathymtrie
Variable principale : mesures directes (bateau)
Variable secondaire : interprtation dun lev hydro-acoustique
h) Cartographie de la contamination
Variable principale : teneurs dun polluant
Variables secondaires : topographie, surface pizomtrique,
Exemple de cokrigeage
0 5 10 15 20 25 30
15
20
25
30
35
Cokrigeage avec drives
Coord. x
Z
(
x
)
0 5 10 15 20 25 30
15
20
25
30
35
Krigeage sans drives
Coord. x
Z
(
x
)
La drive de la
surface krige nest
pas gale la
drive observe
La drive de la
surface cokrige est
gale la drive
observe
0 50 100 150 200 250 300 350 400 450 500
-15
-10
-5
0
5
10
15
20
Coordonne x
Z
(
x
)
0 50 100 150 200 250 300 350 400 450 500
-15
-10
-5
0
5
10
15
20
0
-15
-10
-5
0
5
10
15
20
50 100 150 200 250 300 350 400 450 500
Ralit Krigeage Cokrigeage avec
drives
MAE : krigeage 4.13
cokrigeage : 1.24
Autre exemple de cokrigeage
On mesure la base (B), le sommet (S) et lpaisseur (E) dune
mme formation en quelques forages.
On modlise 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 rfltent la relation physique E=S-B)
Krigeage
E
S
B
15 20 25 30
0
1
2
3
4
5
6
7
8
9
10
5 10 15 20 25 30
-15
-10
-5
0
5
10
Cokrigeage
S*-B*
E*
5 10 15 20 25 30
-15
-10
-5
0
5
10
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 m
Z
m
y

= =
+ + =
nz
i
ny
i
y i i z i i z
*
) m Y ( ) m Z ( m Z
1 1
0
) Y , Z Cov( 2 ) Z , Z Cov( 2 ) Y , Z Cov( 2 ) Y , Y Cov( ) Z , Z Cov( ) Var(Z ) Z Var(Z
i 0
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
= = +
= = +

= =
= =
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

= =
=
ny
i
i i
nz
i
i i ck
) Y , Z ( Cov ) Z , Z ( Cov ) Z ( Var
1
0
1
0 0
2
Cokrigeage ordinaire
Les moyennes de Z(x) et Y(x) sont inconnues

= =
+ =
nz
i
ny
i
i i i
i
*
Y Z Z
1 1
0

= =
= =
nz
i
ny
i
i i
1 1
0 et 1

=
=
= =
= =
=
=
= = + +
= = + +
ny
i
i
nz
i
i
ny
j
nz
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
1 1
1
0
1
0
1
1...ny i
1...nz i

= =
=
ny
i
z i i
nz
i
i i ck
) Y , Z ( Cov ) Z , Z ( Cov ) Z ( Var
1
0
1
0 0
2
i y j i j j i j 0
Sous forme matricielle, cokrigeage ordinaire et simple scrivent:
k ' ) Z ( Var k K
ck
= =
0
2
et
Avec, pour le Cokrigeage simple
(
=
(
yz
zz
yy yz
zy zz
k
k

K K
K K
pour le Cokrigeage ordinaire
(
(
(
(
=
(
(
(
(
(
(
(
(
(
0
1
k
k

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
zz
est nz x nz ; K
zy
est nz par ny; K
yz
est ny x nz; K
yy
est ny par ny;
k
zz
est nz x 1; k
yz
est ny x 1
Les matrices de cokrigeage sont toujours symtriques => K
zy
= K
yz
Toutefois, les fonctions de covariances croises, elles, ne sont pas
ncessairement symtriques, en effet :
C
zy
(h) = Cov(Z(x),Y(x+h)) = Cov(Y(x+h),Z(x)) = C
yz
(-h)
mais, en gnral
C
zy
(h) = Cov(Z(x),Y(x+h)) Cov(Y(x),Z(x+h)) = C
yz
(h) = C
zy
(-h)

Exemple
Cas 1D dune variable et de sa drive
-100 -50 0 50 100
0
5
10
15
20
25
30
35
40
45
50
Covariance ZZ
h
-100 -50 0 50 100
-1.5
-1
-0.5
0
0.5
1
1.5
Covariance croise Z=variable, Y=drive
h
-100 -50 0 50 100
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
Covariance YY
h
Notes:
a) krigeage => + souvent krigeage ordinaire
cokrigeage => cokrigeage simple est souvent plus indiqu (e.g. cas
o la variable principale nest pas observe)
b) krigeage => variogramme est loutil de base
cokrigeage => covariance est loutil de base
Covariance croise et variogramme crois
Covariance croise
C
zy
(h) = Cov(Z(x),Y(x+h))
Variogramme crois
( )( ) [ ]
( ) ( ) ( ) h) Y(x Y(x) , h) Z(x Z(x) Cov * 0.5
h) Y(x Y(x) h) Z(x Z(x) E * 0.5 (h)
zy
+ + =
+ + =
=> Le variogramme crois est toujours symtrique
Lien
( ) h) ( C (h) C * 0.5 (0) C (h)
zy zy zy zy
+ =
La covariance croise ne peut tre dduite du variogramme crois
que si elle est symtrique !
La covariance croise est + gnrale que le variogramme crois
Exemple
Y est rien dautre quune copie
dcale 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
)

o
u

Y
(
x
)
Z
Y
Le variogramme crois => pas de structure!
La covariance croise => trs forte structure
- asymtrique
- reconnat le dcalage
-100 -80 -60 -40 -20 0 20 40 60 80 100
-8
-6
-4
-2
0
2
4
6
8
10
h
z
y
(
h
)

o
u

C
z
y
(
h
)
Variog. crois ZY
Covariance croise ZY
Comparaison
La covariance doit tre
symtrique
La covariance peut tre
asymtrique
Seuls les points ou les 2
variables sont connues
peuvent tre utiliss dans le
calcul du variogramme
crois
Tous les points ou lune ou
lautre variable est connue
peuvent tre utiliss dans le
calcul de la covariance
Pas besoin m
Z
et m
y
connus
Variogramme croise Covariance croise
Modles admissibles
But : assurer que toute combinaison linaire de Z et Y prsente
une variance thorique positive.
Vrification dlicate, on se limite des cas certains
a) Modle dcoulant de relations physiques ou mathmatiques
entre Z et Y. Si lon connat C
zz
alors on peut dduire C
zy
et
C
yy.
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)) = - d
2
[Cov(Z(x),Z(x+h))]/dh
2
b) Modle de corgionalisation linaire
... (h) C B (h) C B
... (h) C
B B
B B
(h) C
B 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 croises peuvent sexprimer

comme une combinaison linaire 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 ppite + 1 sphrique, a=30
C
1
(h) reprsente leffet de ppite => C
1
(0) = 1; C
1
(h>0) = 0
C
2
(h) reprsente la partie sphrique => C
2
(h) = 1-(1.5 h/a-0.5 (h/a)
3
)
Si chaque matrice B est positive semi-dfinie (i.e.avec 2 variables det(B)
0) alors le modle est admissible.
Si lune des matrices nest pas positive semi-dfinie, alors on ne peut
rien dire sur ladmissibilit du modle.
Note : lorsque toutes les matrices B sont gales, on peut rcrire le
modle linaire de corgionalisation comme:
C(h) B C(h)
B B
B B
(h) C (h) C
(h) C (h) C
yy yz
zy zz
yy yz
zy zz
=
(
=
(
Ce modle indique que toutes les covariances sont proportionnelles

un modle de base unique de palier arbitraire 1 et pouvant comprendre
plusieurs composantes lmentaires (e.g. effet ppite+sphrique avec
a=30). Ce modle est admissible ssi B est positive semi-dfinie.
Exemples de modle linaire de corgionalisation
-20 -15 -10 -5 0 5 10 15 20
-2
0
2
4
6
8
C
zz
h
C
z
z
-20 -15 -10 -5 0 5 10 15 20
-10
-8
-6
-4
-2
0
2
C
zy
h
C
z
y
-20 -15 -10 -5 0 5 10 15 20
-10
-8
-6
-4
-2
0
2
C
yz
h
C
y
z
-20 -15 -10 -5 0 5 10 15 20
-2
0
2
4
6
8
10
12
C
yy
h
C
y
y
(

=
10 7
7 5
B
Det(B)=1 =>
modle admissible
Modle sphrique
a=15
-20 -15 -10 -5 0 5 10 15 20
0
2
4
6
8
10
C
zz
h
C
z
z
-20 -15 -10 -5 0 5 10 15 20
0
2
4
6
8
10
12
C
zy
h
C
z
y
-20 -15 -10 -5 0 5 10 15 20
0
2
4
6
8
10
12
C
yz
h
C
y
z
-20 -15 -10 -5 0 5 10 15 20
0
5
10
15
20
25
30
C
yy
h
C
y
y
Effet ppite+
Modle sphrique
a=15
Det(B1)=11
Det(B2)=25
=> modle
admissible
(

=
5 2
2 3
B
1
(
=
25 10
10 5
B
2
Det(B1)= -1
Det(B2)=25
=> modle non
admissible
Effet ppite+
Modle sphrique
a=15
(

=
5 4
4 3
B
1
(
=
25 10
10 5
B
2
-20 -15 -10 -5 0 5 10 15 20
-2
0
2
4
6
8
10
C
zz
h
C
z
z
-20 -15 -10 -5 0 5 10 15 20
-6
-4
-2
0
2
4
6
8
10
12
C
zy
C
z
y
-20 -15 -10 -5 0 5 10 15 20
-6
-4
-2
0
2
4
6
8
10
12
C
yz
h
C
y
z
-20 -15 -10 -5 0 5 10 15 20
0
5
10
15
20
25
30
C
yy
h
C
y
y
h
Condition de Cauchy-Schwartz
Variogramme crois : covariance des incrments (Z(x)-Z(x+h))
et (Y(x)-Y(x+h))
Variogrammes simples: variance des incrments
Donc il faut que :
Malheureusement, cette condition est ncessaire mais non suffisante!
) h ( ) h ( ) h (
YY ZZ ZY

0 10 20 30 40 50 60 70 80 90 100
-25
-20
-15
-10
-5
0
5
10
15
20
25
distance h (m)
( s
q
r
t
(
1
( h
) *
2
( h
)
)
Condition C-S dfinit une enveloppe o doit
se retrouver entirement le modle de
variogramme crois.
Exemple numrique dtaill
) C , m a ( Sphrique
.
.
) h (
) h ( C ) h ( C
) h ( C ) h ( C
yy yz
zy zz
1 30
4 4 2
4 2 2
1 0
0 1
= =
(
+
(
=
(
) h (
=1 si h=0, 0 si |h|>0.
Z
1
et Y
1
en x
1
=0 , Z
2
en x
2
=10 et Y
0
en x
0
=5
5
5
Z1
Y1
Z2
Y0
Z0 ?
Note: h=0, corr. (Z,Y)= 2.4/(3*5)
0.5
= 0.62
h=5, corr(Z(x),Z(x+h))= 1.50/3 = 0.50
Par cokrigeage simple
0 1 2 1
Y Y Z Z
0
1
2
1
Y
Y
Z
Z
(
(
(
(
=
(
(
(
(
(
(
(
(
(
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
0
Z
5500 1 et 3085 0 0072 0 2336 0 2294 0
2
ck 0 1 2 1
. . , . , . , .
y , y , z , z ,
= = = = =
Poids important donn la
variable secondaire
Variance de cokrigeage < variance
de krigeage simple (1.88)
Par cokrigeage ordinaire
0 1 2 1
Y Y Z Z
1
2
1
Y
Z
Z
0
Z
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
0
8056 . 1
5046 . 1
5046 . 1

0 0 1 1 0 0
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
, 1
, 2
, 1
y
y
z
z
0
Y
(
(
(
(
(
(
1
4 . 2
0 0 0 0 1 1
1 0 5 0093 . 3 8056 . 1 8056 . 1
, 0
z
y
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
= = =
= = = =
Variance de cokrigeage variance
de krigeage ordinaire (2.01)
Cokrigeage simple (CoS) vs cokrigeage ordinaire (CoO)
Souvent le CoS est prfrable
- CoS => ne ncessite pas dobservations de Z
- CoO => dans certaines configurations symtriques, la
contrainte sur les poids empche de tenir compte de linformation de
la variable secondaire
Ex.
Y1 Y2
Y3 Y4
Z0 ?
Dans cette configuration, tous les poids sur Y
sont 0, peu importe la corrlation entre Z et Y !
Exemple
Exemple
10 20 30 40 50 60
10
20
30
40
50
60
10 20 30 40 50 60
10
20
30
40
50
60
10 20 30 40 50 60
10
20
30
40
50
60
V.P.
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 donnes gravimtriques
( ) ( )
(
(
|
|
.
|
\
|
+ + + =

= = =
pqs s
q p
s pqs p q pqs q p
2
1 p
2
1 q
2
1 r
pqs
j
i
r ' z
' y ' x
arctan ' z r ' x ln ' y r ' y ln ' x
g
Sous forme matricielle :
G g =
o
g est le vecteur des anomalies gravimtriques (n x 1)
G est la matrice gomtrique (n x m)
est le vecteur des contrastes de densit de blocs (m x 1)
Les covariances scrivent alors :
T
gg
G GC C

=

GC C
g
=
o
C
gg
matrice des covariances gravit-gravit (n x n)
C
matrice des covariances densit-densit (m x m)

C
g
matrice des covariances gravit-densit (n x m)
G matrice gomtrique (n x m)
Le cokrigeage scrit :

g
1
gg
C C
g *
=
= '
o est la matrice contenant les poids de cokrigeage
(n x m)
Lestimation par cokrigeage des densits reproduit
exactement lanomalie gravimtrique observe i.e:
g g ) ' G GC ( ' G GC g ' G * G * g
1
= = = =

Exemple en hydrogologie
Utilisation de points doublons :
forcer localement une direction
dcoulement
1.1e-03
4
.
5
e
-
0
5
A)
2
0
.
0
1
2
0
.
0
0
2
0
.
0
2
2
0
.
0
1
2
0
.
0
0
2
0
.
0
2
2
0
.
0
1
2
0
.
0
5
2
0
.
1
0
2
0
.
5
0
2
0
.
9
0 B)
2
0
.
1
2
0
.
2
2
0
.
3
2
0
.
4
2
0
.
5
2
0
.
6
C)
2
0
.
0
1
2
0
.
0
0
2
0
.
0
2
2
0
.
0
1
2
0
.
0
0
2
0
.
0
2
2
0
.
0
1
2
0
.
0
5
2
0
.
1
0
2
0
.
5
0
2
0
.
9
0 D)
Cokrigeage 1
Cokrigeage 2
Solution
lments
finis
cole Polytechnique - GLQ3401 Cokrigeage - D. Marcotte 49 0 200 400 600 800
0
200
400
600
800
1000
572.9
572.9
573.1
573.1
573.3
573.5
573.7
573.9
574.1
A)
0 200 400 600 800
0
200
400
600
800
1000 571.5
571.7
571.7
571.9
572.1
572.5
572.9
573.3
573.7
574.1
B)
0 200 400 600 800
0
200
400
600
800
1000
5
7
1
.5
5
7
1
.
7
5
7
1
.
9
5
7
2
.1
572.3
572.5
572.7
5
7
2
.9
57
3.1
573.3
573.5
573.7
57
3.9
574.1
574.3
571.7
5
7
1
.5
5
7
1
.
3
5
7
2
.1
5
7
1
.1
5
7
4
.5
0 200 400 600 800
0
200
400
600
800
1000
5
7
1
.
3
5
7
1
.
5
5
7
1
.
7
5
7
1
.
9
5
7
2
.
1
5
7
2
.
3
5
7
2
.
5
572.7
572.9
573.1
573.3
573.5
573.7
5
7
3
.9
574.1
5
7
2
.1
5
7
3
.1
57
4.3
5
7
3
.
3
Dizy, repos
Sans
doublons
Dizy,
pompage
Sans
doublons
Dizy, repos
Avec
doublons
Dizy,
pompage
Avec
doublons

Geostat Ppoint Final

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Geostat Ppoint Final

Enviado por

Direitos autorais:

Formatos disponíveis

GLQ3401 Intro stat + variogrammes- D.

Rapport apparent en fonction de la direction (: angle avec a

Physiquement, la teneur dun

GLQ3401 Var. bloc et disp. - D. Marcotte 18

cole Polytechnique - GLQ3401 Var. d'estimation - D. Marcotte 26

de faon minimiser la variance

loptimum, la variance destimation scrit, tenant compte

Pour que lestimateur soit sans biais, il faut imposer la

cole Polytechnique - GLQ3401 Krigeage - D. Marcotte 8

loptimum, la variance destimation est :

cole Polytechnique - GLQ3401 Krigeage - D. Marcotte 16

Lestimateur KO est habituellement moins variable que la ralit quil

cole Polytechnique - GLQ3401 Krigeage - D. Marcotte 38

Estimation de Zv(x) par KS avec

Alors on a lgalit recherche indiquant labsence de biais :

cole Polytechnique- GML6402 Krigeage - D. Marcotte 29

cole Polytechnique- GML6402 Krigeage - D. Marcotte 30

cole Polytechnique - GLQ3401 Krigeage d'indicatrices - D. Marcotte 7

cole Polytechnique - GLQ3401 Krigeage d'indicatrices - D. Marcotte 22

cole Polytechnique - GLQ3401 Krigeage d'indicatrices - D. Marcotte 24

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Les points sont moins aligns

cole Polytechnique - GLQ3401 Cokrigeage - D. Marcotte 19

toutes les covariances et covariances croises peuvent sexprimer

Ce modle indique que toutes les covariances sont proportionnelles

matrice des covariances densit-densit (m x m)

Você também pode gostar