Vario, supp.

Stratgie de modlisation
Il existe plusieurs stratgies diffrentes et chacun dveloppe probablement ses propres habitudes.
Pour ma part, je recommande la stratgie suivante:
-

Calculer et modliser le variogramme omnidirectionnel en respectant, pour le choix des

classes, les rgles nonces ci-haut.

Si le nombre de donnes le permet (i.e. au moins 50, prfrablement 100) calculer les
variogrammes directionnels selon diffrentes directions (ex. 0, 45, 90, et 135 degrs) en
respectant les rgles ci-haut (i.e. nb. paires >30, demi-longueur du champ comme distance
maximale) et surimposer le modle omnidirectionnel sur les variogrammes exprimentaux
directionnels.
La gologie peut apporter une information prcieuse dans le choix des directions et la
dcision d'adopter ou non un modle anisotrope.

Dterminer s'il y a anisotropie: diffrences de palier, mais surtout de portes qui ne peuvent
raisonnablement tre imputes des fluctuations alatoires du variogramme. Cette
valuation concerne surtout le dbut du variogramme. Des divergences distance plus
grandes sont normales et sans importance. Si ncessaire, procder l'ajustement d'un
modle anisotrope.

Ajustement visuel vs mthodes automatiques

Il y a deux coles de penses concernant l'ajustement des modles de variogramme. Certains
prtendent que l'ajustement visuel demeure la meilleure mthode, alors que d'autres prfrent les
mthodes automatiques.
Personnellement j'utilise les deux mthodes dpendant des contextes et parfois j'utilise les deux
mthodes conjointement. L'ajustement automatique est utile lorsqu'on a une bonne ide du type de
modle utiliser (ex. sphrique isotrope) et qu'on dsire avoir un choix plus objectif des paramtres
du modle (C0, C et a). Il est aussi particulirement utile dans des tudes de simulations ou on
gnre des donnes selon un type de modle connu. La mthode automatique est galement utile
lorsqu'on dispose de trs peu de donnes qui ne permettent pas de calculer efficacement le
variogramme exprimental. On peut alors procder par ajustement automatique utilisant une
technique de validation croise. Dans cette technique, il s'agit d'estimer les points connus en faisant
comme s'ils ne l'taient pas. En effectuant l'estimation avec diffrents modles, on retient celui qui
permet de prdire les points connus avec le plus de prcision.
Les mthodes entirement automatiques sont probablement viter. Un monitoring des
caractristiques essentielles du modle est souhaitable (type de modle, anisotropie, direction
d'anisotropie). Les connaissances de l'utilisateur concernant le phnomne doivent tre mises
contribution. La gostatistique n'est pas une bote noire!

Vario, supp. 2

Note:
Il existe trois catgories de mthodes d'ajustement automatique:
.
Mthodes d'ajustement des moindres carrs partir des valeurs du variogramme
exprimental. Dans ce cas, les guides noncs ci-haut pour le calcul du variogramme
exprimental s'appliquent intgralement. Notons que ces moindres carrs doivent tre
pondrs en fonction de "h" et de "N(h)" tout comme on le fait visuellement. Une part de
subjectivit se glisse ncessairement dans le choix des critres de pondration.
.

La seconde mthode s'applique surtout de petits ensemble de donnes. Il s'agit des

techniques de validation croise (automatise) o les performances pour la restimation des
points connus par diffrents modles de variogrammes sont compares. Ici, il n'est plus
ncessaire de calculer le variogramme exprimental pour obtenir le modle, bien que ceci
soit recommand pour contrler l'ajustement obtenu.

Les mthodes bases sur le maximum de vraisemblance et ncessitant des distributions

multinormales.

MODLISATION DU VARIOGRAMME
Il faut reconnatre deux problmes distincts:
- Dtermination du type de modle (ex. sphrique ou linaire), du nombre de structures (ex. un effet
de ppite plus un sphrique plus un exponentiel) et de la prsence d'anisotropies ventuelles.
- Estimation proprement dite des paramtres des modles retenus.
La premire partie est trs peu automatise, mme de nos jours. Elle repose souvent en partie sur
des connaissances externes aux donnes elles-mmes (ex. nature de la variable, prsence de
stratifications, prcision analytique connue, rsultats obtenus avec des donnes similaires d'ailleurs,
etc...).
La seconde partie est de plus en plus automatise, surtout avec la venue de nouveaux logiciels et
avec le dveloppement de la gostatistique dans d'autres domaines d'application que les mines. La
modlisation visuelle graphique demeure quand mme largement utilise, surtout en gologie.
Mthodes automatiques d'ajustement.
1. Moindres carrs:
On ajuste les paramtres du modle de faon minimiser la somme des carrs des diffrences entre
valeurs exprimentales et valeurs thoriques du modle. On utilise habituellement une fonction de
pondration proportionnelle au nombre de paires de chaque point du variogramme et de faon
donner plus de poids aux faibles valeurs de h.

Vario, supp. 3

Avantages:
- trs rapide
- reproduit assez bien l'ajustement visuel, tout en liminant une certaine part de subjectivit.
- on peut, sous hypothse de normalit et d'indpendance des points du variogramme
construire des intervalles de confiance pour les paramtres. Toutefois la validit de ces
intervalles de confiance est trs discutable car les valeurs du variogramme exprimental ne
sont ni normales, ni indpendantes les unes des autres. On peut possiblement les considrer
comme une indication relative de la prcision du modle estim.
Inconvnients:
- le critre des moindres carrs est li assez troitement la distribution normale et est assez
sensible la prsence de points aberrants sur le variograme exprimental. On pourrait
songer utiliser un estimateur un peu plus robuste cherchant minimiser la moyenne des
carts en valeur absolue par exemple, mais les proprits de cet estimateur sont moins bien
connues.
- une part certaine de subjectivit demeure dans la dfinition de la fonction de
pondration.
- les rsultats dpendent du choix des classes effectu pour le calcul du variogramme
exprimental. On pourrait considrer chaque paire individuellement, mais le temps de calcul
serait plus long et les rsultats possiblement moins robustes.
- les paramtres estims ne respectent pas ncessairement les conditions pour un modle
positif dfini. Ceci peut tre corrig en incluant des pnalits dans la fonction
objective.
- la solution optimale obtenue n'est pas ncessairement un optimum global, i.e. le rsultat
peut dpendre du point de dpart de l'algorithme.
ex. Cressie propose de minimiser:

( h ) - t ( hi )
f = N( hi ) e i

t ( hi )

i=1
K

Autres mthodes de moindres carrs.

On peut rcrire l'quation prcdente sous la forme:
[ e (h)- t (h)] W -1 [ e (h) - t (h)]
o la matrice W diagonale ayant sur sa diagonale une quantit approximativement proportionnelle
aux variances des valeurs exprimentales du variogramme, i.e. var(e(h)). On peut gnraliser cette
ide en utilisant la matrice de variance-covariance V au lieu de W dans l'quation prcdente. Des
tudes comparatives ont indiqu toutefois que la complexit supplmentaire ne semblait pas
justifie.

Vario, supp. 4

2. Mthodes de maximum de vraisemblances

Ces mthodes reposent toutes sur l'hypothse trs forte de multinormalit, soit des valeurs
observes (vraisemblance maximale), soit des contrastes entre les valeurs (vraisemblance maximale
rduite). Ces estimateurs produisent des estimateurs biaiss des paramtres qu'ils cherchent
estimer, potentiellement de faon importante lorsqu'on s'carte beaucoup de l'hypothse de
multinormalit. Les tudes comparatives menes dans un contexte normal ont montr que le
moindre carr performait aussi bien que le maximum de vraisemblance. Cressie ne recommande
pas leur utilisation.
Rappel: la fonction de vraisemblance de l'chantillon est simplement la valeur de la fonction de
densit conjointe, value aux valeurs prises par l'chantillon, obtenue pour un ensemble de
paramtres donns, vecteur moyenne et matrice de variance-covariance dans le cas de la loi
multinormale. L'objectif est de choisir ce vecteur moyenne et cette matrice de variance-covariance
de faon maximiser la fonction de densit conjointe. Dans le modle de gostatistique
stationnaire, la moyenne est constante, et les variances-covariances sont dtermines partir du
variogramme thorique, donc de quelques paramtres seulement.

L(m, ) =

n
1
1
log(2 ) + log| ( )| + (Z - m) ( )-1 (Z - m)
2
2
2

3. Estimation par validation croise

Le principe de la mthode est d'enlever tour tour chaque point chantillon et de l'estimer (par
krigeage) l'aide de ses voisins. On obtient ainsi chaque point une erreur d'estimation et on
cherche les paramtres du variogramme qui, lorsqu'utiliss dans le systme de krigeage, fourniront
les estims les plus prcis. La prcision des estims peut tre mesure de diverses faons; ex.
somme des carrs des erreurs, somme des carrs des erreurs normaliss par la variance de krigeage.
Le principal problme est son temps de calcul extrmement long, puisque l'on doit effectuer "n"
krigeages pour chaque ensemble de paramtres tests. On l'utilise donc surtout comme mthode de
vrification, une fois les paramtres estims par une autre mthode.
La technique de validation croise peut galement tre utilise pour dterminer le voisinage optimal
devant tre utilis pour le krigeage, pour choisir entre deux modles fournissant des ajustements
quivalents, pour comparer des mthodes d'estimation entre elles (ex. krigeage vs cokrigeage, vs
inverse de la distance, vs spline), etc...

Vario, supp. 5

CONDITIONS D'ADMISSIBILIT DES MODLES DE COVARIOGRAMME ET DE

VARIOGRAMME
Soit
n

*
0

Z =

i=1

La variance d'estimation de Z0* est donne par:

n

Var( Z *0 ) =

i j Cov( Z i , Z j ) =

i=1 j=1

i=1 j=1

C( hij )

Puisqu'il s'agit d'une variance, cette quantit doit tre positive ou nulle, peu importe l'ensemble des
n points choisis. C(h) doit donc tre une fonction positive dfinie.
De mme,
n

C( hij ) = i j [ 2 - ( hij )]

i=1 j=1

fournit une condition quivalente exprime en termes du variogramme.

Thorme de Bochner:
Une fonction continue est positive dfinie ssi sa transforme de Fourier est une fonction positive et
intgrable. Note dans C(h), h est un vecteur dans 1, 2 ou 3 dimensions, de sorte que la transforme
de Fourier est une transforme de Fourier en 1, 2 ou 3 dimensions. (Note: ce thorme ne
sapplique pas leffet de ppite qui est une fonction discontinue).
Le problme de ce critre est qu'il est difficile de vrification car les fonctions candidates n'ont pas
ncessairement des formes analytiques simples. Christakos (1984, 1992) a donc dvelopp
une srie de conditions ncessaires et suffisantes plus simples vrifier. (Voir plus loin)

Vario, supp. 6

Rpertoire de modles
Le tableau suivant donne une liste, certainement non-exhaustive de modles rencontrs dans la littrature. Plusieurs de
ces modles sont en fait des familles de modle pouvant prendre des formes varies selon les valeurs prcises de leurs
paramtres.
Nom

quation

Ppite

C0

Exponentiel

C [1 - exp(-h/a)]

Porte effective: 3a; Modle markovien

en 1-D

Sphrique

C [1.5h/a - 0.5(h/a )3 ]

Drive de l'intersection de deux sphres

Circulaire

Source / remarques

h >0

C [1 -

(acos(h/a) - (h/ a 2 ) a 2 - h 2 )]
C

h<a

Srivastava et Parker, Avignon 1989.

Drive de l'intersection de deux cercles.

ha

Gravimtrique

a
C 1
1/2
( h 2 + a 2 )

Chils et Guillen, 1984, Sc. de la Terre

#20. modle de Spector

Magntique

a
C 1 2
2 3/ 2
(a +h )

Chils et Guillen, 1984.

Cubique

C [7(h / a )2 - 8.75(h / a )3 + 3.5(h / a )5 -.75(h / a )7 ]

C ha

Penta-Sphrique

C[

15
5
3
(h / a) - (h / a )3 + (h / a )5 ]
8
4
8
C ha

h<a

hGalli et al. 1984, Lake Tahoe.

Drive de l'intersection de deux sphres

5D. Webster et Oliver, Avignon 1989.
Matern, 1960.

Gaussien

C [1 - exp(-(h / a )2 )]

Porte effective:31/2a; trs grande

continuit (parabolique l'origine);
infiniment drivable

Linaire

Pas de palier

Linaire avec
palier

Ch
Ch
Ca

Modle fractal

C hb

Reli la dimension fractale; Dfract = D+1

- 0.5 b (D:nb de coord.) b [0,2[

De Wijsien
(logarithmique)

C ln(h)

Modle ponctuel qui, une fois rgularis

sur un support non-nul donne un modle
admissible.

Effet de trou
(cos)

C [1 - cos(2 h / a)]

a reprsente ici la priode d'un cycle. La

covariance prend des valeurs ngatives.
Admissible en 1D seulement

h<a
ha

Admissible en 1-D seulement

Vario, supp. 7
Effet de trou (sin)

sin(2 h / a)

C 1 2 h / a

Admissible en 3D. La fonction samortie

en fonction de h. Lamplitude maximale
est atteinte en 0.7151*a. La valaeur
maximale du variogramme vaut alors
1.217*C.

Effet de trou 2D

C( 1 exp( h / a )J 0 ( 2h / b )

Armstrong, 1998, p. 38.

Exponentiel
gnralis

C exp( a x h x

(aussi sin
cardinal)

2 bx

) exp( a y h y

2 b y

Abt et al., Math. Geol, 1999,#1.

ax et ay>0 bx et by [0,2)
Flexible, le modle gaussien est un cas
particulier)

Stein

C [1 - exp(-h / a)

Stein, Avignon, 1989. Comportement

quadratique l'origine.

(a + h)
]
a

Whittle

C [1 - h / a K 1 (h / a) ]

K1 est la fonction modifie de Bessel de

la 2e sorte; Matern, 1960; Markovien en
R2.

Matern, p.30, 2e

n+1
C 1- (1 + h2 / a 2 )- 2

n=0 donne le modle gravimtrique de

Chils, n=2 donne le modle magntique.
n est entier; Matern, 1960.

Matern, p.30, 3e

2
C 1 - k!
J k (h/a)
h/a

Jk est la fonction de Bessel de la 1 re

sorte. Matern, 1960.

Bessel

Mantoglou et Wilson, 1982; b et a des

paramtres ajuster

C 1 - exp(h 2 / b 2 ) J 0 (h/a)

Admissible en R2 seulement
Quadratique

C [ 2 (h/a ) (h/a) 2 ]

Stable

C 1 - exp h / a

Hyperbolique

1
C 1
( 1 + h/a)

Christakos, 1984,
p.264, 74

C 2.5(h/a )-2.5(h/a) 3 + (h/a) 5

Spline sous
tension 1D

exp(-|h|/a)+|h|/a-1

1-D, ref [1], p.81

Spline sous
tension 2D

K0(a|h|)+log(a|h|)

2-D, ref. [1], p.81

Spline sous
tension 3D

1/(a|h|)(exp(-a|h|-1)+1

3D, ref [1], p.85

Puissance

(1-|h|2) h<=1 , 0 h>1

2D, covariance, ref.[2]

Matern, p.30, 4e

h
C [1 - cte K s (h/a) ]
a

)]

Alfaro, 1984

ha

Lantujoul, 1994
Lantujoul, 1994

ha

Cas particuliers: s=1, Whittle;s=1/2,

exponentiel. Matern, 1960. La constante
est ajuste de sorte que le terme entre
crochets vaut 0 lorsque h->0

Vario, supp. 8
Matern, gnral

21v v
h Kv ( h )
(v)

Cauchy

1
C 1

2 b

1 +
a

Kv : fonction de Bessel d'ordre v>0 (ref

[2]) ; Covariance

Wackernagel, 1995, p. 219

aussi ref [2]

b>0

Rfrences pour les modles du tableau :

Alfaro M., 1984,Statistical inference of..., in Geostatistics for natural resources characterization, G. Verly et al (eds),
Reidel, 45-54.
Chils J.P. et Guillen, 1984, Sciences de la Terre #20.
Christakos G., 1984, Permissible covariance and variogram models, Water Resources Research, 20, 2, 251-265.
Galli A. , Gerdil-Neuillet F. et Dadou C., 1984, Factorial kriging analysis :..., in Geostatistics for natural resources
characterization, G. Verly et al (eds), Reidel, 543-558.
Journel A. et Huijbregts, 1978, Mining Geostatistics, Academic press, 600p.
Lantujoul C., 1994, Non conditional simulations of...., in Geostatistical simulations, M. Armstrong (ed), Kluwer,
147-177.
Mantoglou A., et Wilson J., 1982, The turning band methods...., Water Resources Research, 18, 5, 1379-1394.
Matern B., 1960, Spatial variation, Springer-Verlag, 2e ed., 1980, 151p.
Srivastava R.M., et Parker H.M., 1989, Robust measures of spatial continuity, in Geostatistics, M. Armstrong (ed),
Kluwer, 295-308.
Stein M., 1989, The loss of efficeincy ..., in Geostatistics, M. Armstrong (ed), Kluwer, 273-282.
[1]: Wessel, P. et Bercovici D., 1998, Interpolation with splines in tension: a green's function approach, Math. Geol.,
v. 30 #1, 77-94.
[2]: Gneiting, T. 1998, Closed form solutions of the two-dimensional turning bands equation. Math. Geol., 1998, v.
30, # 4, 379-390.

Vario, supp. 9

Critres dadmissibilit des modles

Critres d'admissibilit des modles de covariances, de variogramme et de covariances
gnralises.
A. Considrations gnrales
Soit n la dimension de l'espace (1D,2D,3D...)
Soit k, l'ordre de la drive (0, 1,...)
Un modle admissible en Rp l'est aussi en Rp-1. L'inverse n'est pas toujours vrai.
Un modle admissible l'ordre k l'est aussi l'ordre k+1. L'inverse n'est pas toujours vrai.

B. Covariance
Dans tous les cas, si on considre une combinaison linaire de v.a. Zi, il faut que la variance de cette
combinaison linaire soit positive:
Soit:
n

*
Z =

i Zi

i=1

Var( Z * ) =

i j Cov( Z i , Z j ) 0

i=1 j=1

Note: Une combinaison linaire positive de modles admissibles est un modle admissible.
p

i.e. C(h) =

bi2 Ci (h) est admissible bi

i=1

Un produit de modles admissible est un modle admissible.

B.1 Condition ncessaire et suffisante pour une covariance

C(h) est une fonction continue de covariance admissible ssi:
. la transforme de Fourier de C(h) existe et est note c(w)
. c(w) 0 w

c(w) dw <

(thorme de Bochner)

Vario, supp. 10

B.2 Condition suffisante pour une covariance

i. Une fonction C(h) est admissible en Rn si:

lim (h 0+ )

dC(h)
< 0
dh

et
lim (h infinity)

C(h)
(1-n)/ 2

= 0

et
2
d C(h)
0
2
dh

d 3 C(h)

u
( u2 - h2 )

dh3

en R1

dh 0 en R 2

2
3
d C(h)
d C(h)
h
0
2
3
dh
dh

en R3

ii. Une fonction C(h) est admissible en R3 si: h C(h) est non-croissant.

B.3 Conditions ncessaires pour une covariance

Pour qu'une fonction soit admissible, il faut que:
i.
lim

C(h)
h(1-n)/ 2

o n est la dimension de l'espace (1D, 2D, 3D)

ii.

en R1 C(h) <= C(0)

en R2 C(h) >= -.403 C(0)
en R3 C(h) >= -.218 C(0)

= 0 h

Vario, supp. 11

B.4 Cas multivariable

Ncessaire et suffisant, cas gnral:
Les matrices pxp K(w) dont chaque lment Kij(w) est le spectre de puissance crois obtenu
par TF de la fonction de covariance Cij(h) o i et j dsignent les variables, doivent tre
positives dfinies. De plus, les intgrales des TF existent.
Ncessaire: Condition de Cauchy-Schwartz.
La condition s'exprime en termes des variogrammes (avec paliers). On peut convertir cette relation
en termes de covariances par la relation (h)=2 - C(h).

| ij (h)|

ii (h) jj (h)

i, j

Ncessaire et suffisant, cas de deux variables

Si Cii(h), Cjj(h) et Cij(h) sont, individuellement, des fonctions admissibles, alors la condition de
Cauchy-Schwartz est aussi suffisante.

C. Variogramme
Une combinaison linaire positive de modles admissibles est un modle admissible.
p

i.e. (h) =

bi2 i (h) est admissible bi

i=1

C.1 Condition ncessaire et suffisante pour un variogramme

Si le variogramme possde un palier, il suffit de vrifier si la covariance correspondante est
admissible. Les rsultats ci-haut s'appliquent intgralement.
Si le variogramme ne possde pas de palier, alors seuls les incrments sont stationnaires. De la
mme faon, la drive (si elle existe) est galement stationnaire. La covariance des drives doit
donc tre une fonction positive dfinie. Cette covariance est donne en fonction du Laplacien du
variogramme par:

C d (h) = h2 (h)
La transforme de Fourier doit tre positive, i.e.
2
cd (w) = TF [ C d (h)] = (iw ) TF [ (h)] 0

(note: la TF de (h) existe au sens des fonctions gnralises)

Vario, supp. 12

Il faut de plus que:

lim

(h)
h2

= 0 h

C.2 Conditions suffisantes pour un variogramme

Voir B.2, en remplaant C(h) par C(0)-(h).

C.3 Conditions ncessaires pour un variogramme

i.

( 2m h) 4m (h) m entier positif

ii.
lim

(h)
h2

= 0 h

iii.

| (h+ h ) - (h)|

2 (h)

iv. Dans le cas d'une fonction stationnaire (i.e. avec palier),

en R1,
(h)<= 2 C(0)
2
en R
(h)<= 1.403 C(0)
3
en R
(h)<= 1.218 C(0)

C.4 Cas multivariable

Ncessaire et suffisant, cas gnral:
Les matrices pxp K(w) dont chaque lment Kij(w) est le spectre de puissance crois donn
par -w2 TF[ij(h)] o i et j dsignent les variables, doivent tre positives semi-dfinies. De
plus, les variogrammes croissent (ou dcroissent) moins rapidement que h2 l'infini.
Ncessaire: Condition de Cauchy-Schwartz

Vario, supp. 13

| ij (h)|

ii (h) jj (h)

i, j

Ncessaire et suffisant, cas de deux variables

Si ii(h), jj(h) et ij(h) sont individuellement des fonctions admissibles, alors la condition de
Cauchy-Schwartz est aussi suffisante.

D. Covariances gnralises
D.1 Condition ncessaire et suffisante
Soit K(h), une covariance gnralise d'ordre k. En drivant k+1 fois le processus Z on obtient un
processus stationnaire. En drivant 2(k+1) fois la covariance gnralise, on obtient une covariance
stationnaire dont la TF doit tre positive.
Il faut, pour que K(h) soit admissible que:
d 2k+2 K(h)
2k+2
TF
TF [K(h)] 0
= (iw )
2k+2
dh

et
lim

K(h)
h2k+2

= 0

Note: Ces conditions sont analogues celles dduites pour le variogramme, en posant k=0 et
K(h)=-(h)

D.2 Condition suffisante pour une covariance gnralise

D.3 Condition ncessaire pour une covariance gnralise

lim

D.4 Cas multivariable

K(h)
h

2k+2

= 0

h Infinity

Vario, supp. 14

Ncessaire et suffisant
Analogue au cas des variogrammes, les matrices des spectres de puissance doivent tre
positives semi-dfinies. Chaque fonction de covariance gnralise, individuellement, est
admissible.

E. Autres rsultats
Christakos (1984), propose deux mthodes pour construire de nouvelles fonctions de covariance ou
de variogramme. La premire mthode utilise la fonction de densit spectrale. On gnre une
fonction positive dont l'intgrale existe. Sa TF est une fonction de covariance admissible par
construction. Christakos tablit de plus le lien entre fonctions de densit spectrale dans Rn et Rn-k.
La seconde mthode tablit le lien entre variogrammes en Rn et variogrammes en Rn-2. Connaissant
un modle admissible en Rn, on peut construire un nouveau modle admissible en Rn-2 par la
relation suivante:

n-2 (h) = n (h) +

h
d (h)
(n - 2) dh

F. EXEMPLES
1. Effet de ppite: (Christakos, 1992, p. 65)
C(h) = a (h) o (h) est la fonction de Dirac et a>0.
La transforme de Fourier est:

a o n est la dimension de l'espace.

(2 )n
Cette valeur est positive pour tout w. Christakos conclut quelle est admissible
(bien que le thorme de Bochner ne sapplique pas dans ce cas)

On peut intuitivement accepter quelle est admissible en tenant le raisonnement suivant: on

peut toujours remplacer leffet de ppite par un modle admissible transitif de trs faible
porte.
2. Modle gaussien en R1 (Christakos, 1992, p.65)
C(h)= C(exp(-(h/a)2)
La transforme de Fourier en Rn est:

c(w) =

w2
exp - 0
4

Vario, supp. 15

c(w) est positif et l'intgrale existe. Par B.1, C(h) est donc admissible en R1 (et on peut
dmontrer que c'est le cas en R2, R3....
Un argument simple permet de faire la dmonstration pour Rn. C(h) peut en effet tre
factorise en une srie de covariances gaussiennes en R1. Un produit de covariances
admissible est galement un modle admissible (A).
3. Soit le modle en R1

C(h) =

C
h
cosh
a

Sa transforme de Fourier est:

c(w) =

aC
aw
2 cosh

Qui est positif et dont l'intgrale existe. Par consquent, ce modle est admissible en R1
(B.1)
4. Soit le modle exponentiel en R3
C(h)= exp(-h/a)
a>0
Examinons les conditions suffisantes B.2
La pente l'origine est -1/a < 0 la 1re condition est remplie
La 2e condition est: h exp(-h/a) = 0 quand h tend vers l'infini.
La 3e condition donne: (h+a)/a3 exp(-h/a) >0
Le modle est donc admissible en R3
5. Soit, (h) = h1.5, en R1
Examinons C.1, on a:
Cd(h) = .75 h-0.5
cd(w) = cte w-0.5 > 0
Donc, le modle est admissible
6. h2.1 n'est pas admissible car il croit plus rapidement que h2 (C.1)

Vario, supp. 16

7. Le variogramme suivant:
(h) = .25 h
(h) = .2+ 4(h-.8)
(h) = 1

0<h<=.8
.8<h<=1
1<h

n'est pas admissible en R1 car on a:

(1) = 1 > 4 (.5) = .5
de plus,
(1)-(.8) = .8 > (2 (.2)).5 = .1.5

(condition C.3, i.)

(condition C.3, iii.)

8. Le modle de variogramme
(h) = h
0<h<=1
(h) = 1
1<h
est admissible en R1. En effet, on a:
cd(w) = -w2 TF[(h)] = 1-cos(w) >= 0

(condition C.1)

Par contre, le modle n'est pas admissible en R3 car

cd(w) = -w2 TH[(h)} = sin(w)/w + 2/w2 (1-cos(w)) qui est ngatif pour certaines valeurs de
w (ex. 3/2).
9. Partant du modle sphrique, on peut dfinir un nouveau modle admissible en R1 avec (E).
(h) = C (3 h/a - 2 (h/a)3)
0<h<a
=C
a<=h

G. Rfrences pour les critres dadmissibilit

Christakos G., 1984. On the problem of permissible covariance and variogram model. Water
resources research, 20, 2, 251-265.
Christakos G., 1992. Random field models in earth sciences. Academic Press, New York, 474 p.
Gelfand I.M., Shilov G.E., 1964. Generalized functions 1. Academic Press, New York.
Gelfand I.M., Valenkin N., 1964. Generalized functions 4. Academic Press, New York.
Gradshteyn T.S., Ryzhik I.M., 1965. Tables of integrals series and products. Academic press, New
York.