Documente Academic
Documente Profesional
Documente Cultură
emoire de
G
eostatistique Lin
eaire
presses@ensmp.fr
Avertissement
E & C, p2.
Aide-M
emoire de g
eostatistique lin
eaire :
*
*
Citations
D
efinitions
Expressions g
eostatistiques
pr
ec
edemment d
efinies
III
Paragraphe 6.3.
Chapitre 7,
paragraphe 1.2.
Pour en revenir aux autres textes cites, la plupart seront designes par un
renvoi a` la bibliographie, qui est classee par auteurs, puis par dates de
publication. Mais un petit nombre dentre eux, de reference permanente,
seront designes par une abreviation particuli`ere. Ces documents, au
nombre de trois, constituent une base incontournable pour matriser les
techniques fondamentales utilisees en Geostatistique Lineaire. Ce sont :
lEcole
des Mines de Paris (EMP), existe egalement en anglais. Il
sera designe en marge par labreviation Fasc. 5 , la reference de
pagination etant toujours celle de la version francaise ;
Fasc. 5
Les
Estimer
FAI-k
E & C
Fonctions Al
eatoires Intrins`
eques dordre k ,
Delfiner et Matheron, 1980 (EMP), designe par FAI-k ;
*
*
1993
Seul ajout substantiel :
une d
emonstration, sous
une forme nouvelle, du
th
eor`
eme dadditivit
e.
Avertissement
1994
1998
1999
2006
http://cg.ensmp.fr/chauvet/Tome2/ParisTech/AccueilCoursGeostat.htm
et facetieusement designe sous le nom Tome 2. Les evolutions futures
seront plutot ciblees sur ce recueil, dans le but detoffer au maximum les
exemples dutilisation des methodes exposees ici.
Etant
clairement
entendu que le
pr
esent Aide-M
emoire
constitue le Tome 1 !
Aide-M
emoire de g
eostatistique lin
eaire :
Premi`
ere partie
ements de
El
G
eostatistique Lin
eaire
Aide-M
emoire de g
eostatistique lin
eaire :
Introduction
Mat
ern, 1959 ;
Gandin, 1960.
2. Trois
ages de la g
eostatistique
Pour fixer les idees, nous examinerons ici les grandes lignes de levolution
Aide-M
emoire de g
eostatistique lin
eaire :
Matheron, 1956.
Matheron,
1962 (a), 1965, 1968.
Cours de lEcole
des mines de Paris :
Formery, 1964 ;
Matheron,
1969 (b), 1971 (c).
Etrangement,
une periode si riche ne produit pas douvrages de synth`ese,
sauf en ce qui concerne les Ensembles Aleatoires ; et si les traites de
Geostatistique se multiplient, surtout en anglais, ils restent en retrait
des progr`es theoriques et meme des realisations informatiques. Et cest
finalement par un ouvrage de nature philosophique et methodologique
que lon peut clore ce deuxi`eme age de la Geostatistique : Estimer
et Choisir est publie en 1978 en francais (et demandera dix ans pour
etre traduit et publie en anglais, ce qui en soi est dej`a un interessant
sujet de reflexion). Il ne sagit pas l`a dun ouvrage facile : cest bien
s
ur un tour dhorizon critique des methodes geostatistiques, mais cest
surtout un guide pour les recherches a` venir. Nous avons essaye de nous
e 1989.
en inspirer au cours de lEcole
dEt
Journel, 1974.
Matheron,
1969 (a), 1975 (a).
David,
Journel,
Rendu,
Clark,
1977 ;
1978 ;
1979 ;
1981.
Matheron, 1978.
Matheron &
Kleingeld, 1987.
Mod`
eles
Numeriques .
Introduction
3. Un point de vocabulaire
On a vu que le neologisme Geostatistique , apparu en 1962, sadapte
parfaitement a` la premi`ere phase evoquee ci-dessus (jusquen 1965
environ). De fait, il est significatif que beaucoup darticles anterieurs
a` 1960 aient des titres faisant directement mention des methodes
statistiques. Le prefixe geo ne fait donc quattirer lattention sur
la prise en compte de la repartition spatiale.
` partir des annees 1970, alors meme que le mot connat une fortune
A
croissante et a droit a` des traductions en des langues toujours plus
nombreuses, il nous semble quil se rev`ele moins adequat. Car les
methodes geostatistiques se developpent alors, on la vu, dans des
directions qui leur sont propres, et qui nont plus que de lointains
rapports avec la Statistique usuelle. Il nat alors un probl`eme de
communication, generateur dincomprehension. Vouloir approcher la
Geostatistique dans une optique exclusivement statisticienne est une
erreur de meme nature osons ici une simple analogie que demander
a` un critique musical de parler dun tableau. . . Malheureusement, il nous
semble bien que bon nombre de conflits ou de polemiques apparus dans
les annees 80 ont leur origine dans ce qui au fond naurait d
u rester quun
jeu de mots. En particulier, il est clair que le mot Geostatistics , bien
quetant apparemment une traduction evidente de Geostatistique ,
na pas la meme acception quen francais.
Plutot que segarer dans dinterminables arguties philologiques, on aurait
pu choisir de trancher dans le vif, et proposer une terminologie nouvelle.
Cest du reste ce qui est fait dans Estimer et Choisir , avec
lapparition de lexpression mod`
eles topo-probabilistes. Ce nouveau
vocabulaire a certes le double avantage de prendre ses distances avec
les Sciences de la Terre do`
u labandon du prefixe geo et de
mieux affirmer la genealogie theorique de nos methodes, probabilistes
plutot que statistiques. Mais dans le meme temps, il donne limpression
erronee, rappelons-le que nous rejetons les methodes deterministes.
Et puis, il bouscule un peu les habitudes. . .
Aussi, nous nous en tiendrons a` la tradition, et conserverons le mot
de Geostatistique . Ce mot, presentement, nest pas defini, et cette
introduction nest pas lieu o`
u proposer une telle definition. Nous esperons
au contraire que le texte qui va suivre, dans sa totalite, permettra au
lecteur de se forger sa propre lecon, tant il est vrai que nous ne devons
pas etre esclaves des mots, et que la seule chose importante est de savoir
de quoi il est question, quel que puisse etre son nom.
4. Sommaire
Dans son plan, ce texte suit exactement lenchanement des exposes
De Wijs, 1951 ;
Sichel, 1952 ;
Matheron,
1955, 1956.
Par exemple,
Sibson, 1981.
E & C, p5.
10
Aide-M
emoire de g
eostatistique lin
eaire :
Buts et moyens de la G
eostatistique Lin
eaire.
Nous avons volontairement fixe des limites, parmi le foisonnement
des methodes probabilistes, a` ce qui fait lobjet du present cours.
Nous preciserons donc ces fronti`eres et, dans le meme temps, nous
ferons linventaire des outils mathematiques requis pour la mise en
pratique de cette Geostatistique Lineaire.
IV. Stationnarit
e et Ergodicit
e.
Il sagit l`a dun th`eme recurrent. Pour pouvoir, dans des conditions
realistes, appliquer a` des donnees reelles les methodes elaborees au
plan theorique, il importe de sassurer de bonnes proprietes de
nos mod`eles, et de veiller a` ladequation de ces mod`eles aux donnees
effectivement etudiees. Stationnarite et ergodicite sont deux de ces
bonnes propri
etes , deux concepts-clefs auxquels nous ram`ene en
permanence la Geostatistique appliquee.
V. Estimations.
Les probl`emes destimation sont parmi les plus frequemment
rencontres en pratique. Nous distinguerons lEstimation Globale
et lEstimation Locale qui, plus connue sous le nom de
Krigeage, constitue le plus souvent le but meme dune etude
geostatistique, et connat de nombreux developpements, tant
theoriques quinformatiques. LEstimation Globale, moins souvent
sollicitee, permet de soulever des questions methodologiques
essentielles a` une bonne comprehension de la pratique geostatistique.
` ces cinq th`emes fondamentaux, il faudra prevoir den rajouter deux
A
autres qui ouvrent la porte a` de multiples developpements :
VI. Variographie.
Egalement
nommee Analyse Structurale, cette etape est la phase
essentielle dune etude reelle. Il sagit de jeter un pont entre le
formalisme abstrait elabore au niveau mathematique, et les donnees
reelles que lon souhaite etudier. Un tel sujet se prete evidemment
difficilement a` un expose fige, et rien dans ce domaine ne saurait
prendre le pas sur lexperience. Tout au plus peut-on proposer
ici quelques exemples et illustrations, ainsi que des remarques
empiriques ; mais il ne saurait y avoir de panacee.
VII. D
eveloppements, et techniques sp
ecialis
ees.
Meme dans le cadre strictement lineaire, leventail est large des
extensions que lon peut proposer aux methodes elementaires de la
Geostatistique classique . On pense en particulier aux probl`emes
multivariables, qui correspondent a` des situations frequemment
rencontrees dans la pratique. On peut aussi evoquer les mod`eles
numeriques (les Simulations, conditionnelles ou non) qui sont a` la
charni`ere avec le domaine de la Geostatistique Non Lineaire.
Chapitre 1
Variables R
egionalis
ees
et Fonctions Al
eatoires
Pr
esentation
Ce chapitre a pour but de mettre en place lobjet et les
methodes de la Geostatistique, et singuli`erement de souligner les
probl`emes souleves par lutilisation des mod`eles probabilistes dans
les Sciences Naturelles.
Le premier paragraphe examine le statut des deux niveaux de
mod`eles (deterministe, puis aleatoire) sollicites en Geostatistique.
Le second paragraphe detaille les probl`emes methodologiques
rencontres dans le cadre du choix probabiliste, et precise
larticulation entre les deux niveaux de modelisation.
Au troisi`eme paragraphe, on introduit les concepts de stationnarite
et dergodicite, qui sont a
` larri`ere-plan de toutes nos modelisations
probabilistes.
Enfin, le quatri`eme paragraphe propose quelques rep`eres qui
doivent guider le Geostatisticien aux prises avec un probl`eme reel.
JJJ
12
Aide-M
emoire de g
eostatistique lin
eaire :
despaces plus complexes. Quoi quil en soit, etant donne son objet et
son champ dapplication, la Geostatistique ainsi definie apparat bel et
bien comme une science physique.
La premi`ere colonne de la figure1, en fin de chapitre, illustre cette
situation : cest bien dans le domaine du monde physique (symbolise
par la terre) que se recoltent les donnees qui alimenteront notre
etude. Remarquons au passage que, par la force des choses, le
phenom`ene regionalise est rarement accessible exhaustivement, et passe
la plus souvent par le filtre dun echantillonnage 1 ; le probl`eme de
lechantillonnage nest cependant pas specifiquement geostatistique, et
ne sera pas examine ici. En tout cas, cest bien egalement dans le
domaine du monde physique que sexpriment et doivent se resoudre les
probl`emes poses. Ce ne sont pas des vues de lesprit, mais des teneurs
bien reelles qui seront envoyees en laverie, des debits bien reels qui
alimenteront les fleuves, des temperatures bien reelles qui gacheront
ou agrementeront vos vacances, des cours bien reels qui enrichiront ou
ruineront les speculateurs. . .
Et pourtant, la connaissance meme exhaustive du Phenom`ene
Regionalise ne suffirait en general pas a` resoudre les probl`emes,
parce que les valeurs num
eriques ne sont pas le reel, mais une
premi`ere image (analytiquement tr`es riche, structuralement tr`es pauvre)
de celui-ci . Lamoncellement des donnees brutes ne permet a` lui
seul la comprehension dun phenom`ene ni vers lamont (gen`ese des
donnees initialement obtenues), ni vers laval (anticipation ou explication
de levolution du phenom`ene). Aussi doit-on, dans le processus
dexploitation des donnees, savoir prendre un temps ses distances davec
le domaine de la realite physique, afin de construire des mod`eles
intellectuels qui permettront de depasser le stade dune interminable
et sterile trituration des donnees brutes. De facon un peu provocante, il
sagit dadjoindre une information supplementaire a` ces donnees brutes.
E & C, p2.
1.2. Premi`
ere
etape : la Variable R
egionalis
ee
Nous supposerons desormais que le Phenom`ene Regionalise est connu
(ou interessant, ou defini. . . ) sur un domaine borne S . Cette precision
est importante : elle souligne en particulier que les methodes que nous
allons proposer ne pretendent nullement a` un caract`ere duniversalite,
mais sont au contraire assujetties a` un domaine de validite. Cette
limitation sapparente tr`es etroitement aux conditions de laboratoire
dune experience en Physique a` ceci pr`es que, contrairement aux
Physiciens, nous ne sommes que tr`es rarement matres du choix de notre
domaine de validite.
Il est capital en tout cas de garder a` lesprit que toutes les manipulations
que nous ferons desormais sont donc relatives a` un certain champ
S , et que toute extrapolation au-del`a des limites de ce Champ devra
etre evitee, ou en tout cas faite en connaissance de cause. Ce principe
reviendra a` mainte reprise tout au long de lexpose.
Revenons maintenant au Phenom`ene Regionalise, circonscrit a` son
Champ S . Nous supposons que ce phenom`ene se laisse decrire de
mani`ere satisfaisante par la donnee dune (ou eventuellement plusieurs)
fonction z definie sur S , que nous appellerons, dun terme general,
variable r
egionalis
ee (V.R.) .
E & C, p76.
Cette affirmation merite de plus en plus detre nuancee : il nest plus rare
desormais que la Geostatistique ait a` traiter par exemple des images satellitales,
qui constituent une approche exhaustive du phenom`ene etudie.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
13
Nous supposerons
cette fonction r
eelle.
Le cas dune VR
complexe demeure
assez exceptionnel.
...
E & C, p89
14
Aide-M
emoire de g
eostatistique lin
eaire :
I I I Et tout dabord :
E & C, p30.
E & C, p23.
E & C, p89.
le mod`
ele, jamais, nest identique a` la realite.
Dinnombrables aspects du reel lui echappent toujours, et, inversement,
le mod`ele contient toujours dinnombrables propositions parasites, sans
contrepartie aucune dans la realite . Tout lart ou en tout cas toute
la discipline de la Geostatistique consiste a` menager lequilibre entre
realite et mod`ele, tout en sachant respecter, en cas de desaccord, la
preeminence de la realite sur le mod`ele. Cest la contrainte du seuil
de r
ealisme au-del`a duquel la Geostatistique deviendrait un exercice de
mathematique pure, passionnant certes, mais totalement hors du propos
du present expose.
Fasc. 5, p6-7.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
15
Matheron 1965,
1`
ere partie ;
Fasc 5, chapitre 1.
1.5. Le mod`
ele topo-probabiliste
Ce second niveau dabstraction est designe par le terme tr`es general de
g
eostatistique intrins`
eque, par opposition a` Geostatistique Transitive.
Le mod`ele constitutif est celui de Fonction Aleatoire : nous decidons de
considerer la Variable Regionalisee comme Realisation dune Fonction
Aleatoire. Ce choix car cen est un, et enti`erement libre peut se
reveler a` terme opportun ou non, efficace ou non, mais il nest en tout
cas ni vrai ni faux. Cest une decision totalement arbitraire (et ce mot
na strictement aucune connotation pejorative) dont nous esperons un
regain defficacite. Quant au prix a` payer, nous le connaissons dej`a :
du fait que nous allons vers une abstraction croissante, il est previsible
que le retour vers la realite physique sera plus delicat. Les lecons
degagees au 1.3 ont ici une importance considerablement accrue.
Matheron 1965,
2`
eme partie ;
Fasc 5, p6.
JJJ
1.6. Notations
Nous designerons par x le point courant de lespace de travail cest-`adire de lespace geographique . Nous avons precedemment note z la
Variable Regionalisee etudiee. En notation compl`ete, il sagit donc dune
fonction z(x), pour x Rn .
E & C, p37.
16
Aide-M
emoire de g
eostatistique lin
eaire :
g
eographique
z(x)
Z (x, 0 )
o`
u 0 est un element de A tire selon la loi de probabilite P .
Cette relation a` elle seule resume la methodologie et soul`eve le probl`eme
fondamental de la Geostatistique Intrins`eque.
2. G
eostatistique Intrins`
eque : probl`
emes et m
ethodes
2.1. LE probl`
eme m
ethodologique
Le parall`ele entre la Variable Regionalisee et la Fonction Aleatoire met
en lumi`ere une difference de statut essentielle.
Bien que de nature purement mathematique, la fonction z(x)
demeure assez proche du monde physique. On a limpression quun
echantillonnage de plus en plus fin de cette fonction permettrait
dacceder a` une connaissance exhaustive du phenom`ene quelle
represente. Certes, il est vraisemblable que z(x) se revelerait de
plus en plus compliquee a` mesure que lechelle de travail saffinerait.
Pourtant, il ne sagit l`a que dune simple difficulte technique, certes
risquant daffecter le confort dutilisation du mod`ele, mais ne soulevant
aucun probl`eme methodologique essentiel. En resume, on pourrait
dire que le travail au niveau du mod`ele primaire se reduit a` des
probl`emes dapproximation. Le parall`ele entre realite physique et
Variable Regionalisee reste assez facile a` maintenir.
Au contraire, avec lirruption dun Espace Probabilise sous-jacent, le
mod`ele de Fonction Aleatoire laisse une part considerable a` larbitraire
I I I du Geostatisticien. Il y a dans un mod`ele complet de Fonction Aleatoire
infiniment plus dinformation structurale quil ny en a dans la Variable
Regionalisee associee, et le Geostatisticien doit etre conscient que
cette information supplementaire, cest lui qui la injectee dans son
mod`ele. Il faut imperativement sassurer que ce surcrot dinformation
ne compromet pas la possibilite meme du retour a` la physique du
phenom`ene. En fait, demblee, on devine quil conviendra de limiter
au maximum cet arbitraire dans le choix du mod`ele. Il faut bien voir
que cette incroyable richesse des mod`eles mathematiques nest pas un
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
17
JJJ
ement de solution
2.2. El
De facon encore plus generale, on peut se demander comment un
evenement unique (ici, la Realisation dune Fonction Aleatoire) peut
faire lobjet dune approche scientifique, la condition de repetabilite
qui, seule, fonde lobjectivite de nos disciplines scientifiques faisant ici E & C, p14.
defaut par definition. .
La reponse dans ses grandes lignes est ceci : . . . si nous depouillons par
la pensee levenement unique et singulier de telles ou telles circonstances
anecdotiques qui laccompagnent (. . . ) de mani`ere a` le reduire au
statut doccurrence particuli`ere dune classe plus generale devenements
susceptibles de se repeter, alors, par cette demarche meme, nous le E & C, p14.
constituons en tant quobjet dune connaissance scientifique possible. Et,
par l`a meme, nous devenons capable davancer des mod`eles, ou theories
(. . . ), susceptibles detre corrobores ou refutes selon quils se reveleront
ou non en accord non seulement avec cet evenement-ci mais aussi avec
tous ceux qui rel`event de la meme classe (constituee par nous) et que
nous aurons eu loccasion dobserver. .
Il conviendra d`es lors dadapter cette demarche au cas particulier
des Fonctions Aleatoires. Et lon note tout de suite que cette voie,
lorsquelle peut etre suivie, permet non seulement delaborer des mod`eles
( abstraction croissante sur la figure1), mais egalement de les valider
( controle des hypoth`eses ).
Nous disposons donc dun element de solution au probl`eme methodologique de la Geostatistique Intrins`eque, mais au prix dun engagement
personnel : cest a` nous de decider de ce qui est anecdotique
donc a contrario de ce qui est significatif. Mais il ne faut pas se faire
dillusions : les limites du realisme, voire du simple bon sens, restreignent
notablement cette apparente liberte. Tout lart du Geostatisticien
chevronne consiste a` trouver, avec le moins de tatonnements possibles,
un equilibre harmonieux entre les exigences de realisme et la richesse
du mod`ele. Mais surtout, le Geostatisticien sait (et doit garder en
permanence a` lesprit) quil nexiste pas de vrai mod`ele qui aurait
ete perdu et quil faudrait retrouver, mais que tout mod`ele coherent J J J
en theorie est admissible tant quil est en accord avec les observations
realisees sur le phenom`ene quil est cense representer.
2.3. M
ecanismes de passage
La mise au point des outils de la Geostatistique Intrins`eque demande
un va-et-vient constant entre les mod`eles Variable Regionalisee et
Fonction Al
eatoire .
Dans le sens de lelaboration des outils dabord, il sagit dune
2
randomisation . Dans une expression jug
ee interessante et exprimee
2
18
Aide-M
emoire de g
eostatistique lin
eaire :
z(v)
1
[v]
z(x) dx
v
Z(v)
1
[v]
Z(x) dx
v
Z(x )
z(x )
3.1. Stationnarit
e
Au niveau du mod`ele probabiliste, la stationnarite est une propriete
definie sans ambigute : cest linvariance par translation de la Loi
Spatiale du processus. Autrement exprime, cela signifie que la loi dun
multiplet quelconque de points (de dimensions et orientation fixees) ne
depend pas de limplantation de ce multiplet.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
19
JJJ
3.2. Ergodicit
e
Mais il y a plus. Il faut pouvoir etablir un pont entre la loi du processus et
sa structure spatiale, qui seule sera observable au niveau de la Realisation
disponible. On dira par definition que le processus stationnaire satisfait
a` lhypoth`
ese ergodique si la suite des moyennes despace
Zn
1
[Sn ]
Z(x)dx
Sn
Lantuejoul, 1990 ;
Boulanger, 1990.
Chapitre 4, paragraphe 3.
3.3. R
ecapitulation pr
eliminaire
Nous disposons maintenant de limitations theoriques qui, nous
lesperons, rendront nos mod`eles operatoires. Ces deux proprietes
peuvent se resumer en quelques formules lapidaires :
stationnarit
e : tout se passe de la meme facon dans toutes les
regions de lespace , ou encore : tout se passe comme si on
avait (les realisations de) plusieurs processus de meme loi . Mais
attention : ces processus ne sont pas independants !
3
JJJ
20
Aide-M
emoire de g
eostatistique lin
eaire :
ergodicit
e : lorsquelles sont realisees sur des domaines de plus
en plus grands, les moyennes spatiales convergent vers lesperance
mathematique . Sous reserve que linformation soit suffisamment
abondante, on peut donc approcher les deux premiers moments de
la loi du mod`ele probabiliste.
I I I Remarquons au passage que la stationnarite nimplique pas lergodicite.
Par exemple, il est immediat que le processus Z(x) = A, o`
u A est une
variable aleatoire quelconque, est stationnaire mais pas ergodique.
3.4. Parall`
ele entre les deux niveaux de mod`
eles
E & C, p105.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
21
E & C, p93.
E & C, p93.
3.5. Notion d
echelle
Lapproche physicienne des Variables Regionalisees met en evidence
limportance dun facteur qui est totalement absent du formalisme
probabiliste : lechelle. Il apparat en effet que la reponse a` la question :
la Variable R
egionalisee peut-elle etre consideree comme Realisation
dun processus stationnaire ? depend de l
echelle de travail.
` lexception de phenom`enes
Il ny a rien l`a de mysterieux, au contraire. A
tr`es particuliers (autohomothetiques), un meme objet pourra etre
considere comme regulier ou irregulier, constant ou variable, structure
ou non, stationnaire ou non (tous ces qualificatifs etant pris au sens
empirique), selon lechelle a` laquelle il sera examine : pensons par
exemple aux cartes geographiques. . .
Le mieux est de proposer un exemple. Mais auparavant, denoncons tout
de suite un prejuge malheureusement repandu : il ny a pas de lien
oblige, dune part entre le structure et le deterministe, dautre part entre
lerratique et laleatoire. Nous esperons avoir suffisamment souligne que
d
eterministe ou aleatoire sont des caracteristiques du mod`ele
que nous avons librement choisi dutiliser. Nous venons de voir que
structur
e ou erratique sont des jugements que nous portons sur
un phenom`ene etudie a` une certaine echelle.
Matheron, 1975.
Matheron, 1975.
22
Aide-M
emoire de g
eostatistique lin
eaire :
4. Structure dune
etude en G
eostatistique Intrins`
eque
4.1. Rappel pr
ealable
E & C, p4.
. . . on
Chapitre 3,
paragraphe 1.3.
Nous navons pas parle jusquici des crit`eres de choix : comment, dans
un etude particuli`ere, trancher a priori entre plusieurs possibilites. L`a
encore, la determination dun crit`ere est chose arbitraire, mais il est clair
que ce crit`ere doit etre formule a` laide des param`etres que le mod`ele met
a` notre disposition. Nous verrons ulterieurement quen Geostatistique
Lineaire, cest la variance qui joue le role de crit`ere de choix.
Avant dexaminer les deux phases dune etude geostatistique
specification du mod`ele, puis reconstruction operatoire rappelons
enfin que ces deux etapes nont rien de fige et quil est naturel en cours
de travail de revenir en arri`ere et daffiner ou corriger un mod`ele a` la
lumi`ere des premiers resultats qui ont ete obtenus. Une telle demarche
na rien de choquant si lon se souvient que le but nest pas de trouver
un mod`ele, quil ny a pas de vrai mod`ele dans la nature, mais quun
mod`ele nest quun intermediaire qui doit nous permettre de resoudre un
probl`eme concret pose sur des donnees reelles.
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
23
principe
Henley, 1987.
JJJ
E & C, p85.
d
economie .
E & C, p99.
E & C, p77.
24
Aide-M
emoire de g
eostatistique lin
eaire :
Bibliographie
Ce chapitre est avant tout une lecture rapide et partielle de fait, tr`es
partielle et beaucoup trop rapide ! de
Estimer
Pr
esentation des Variables R
egionalis
ees , Matheron,
1969.
Hasard,
Henley, 1987.
Interpreting
Les Variables R
egionalis
ees et leur estimation ,
Matheron, 1965.
La th
eorie des Variables
applications , Matheron, 1971.
R
egionalis
ees
et
ses
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
Trait
e
de G
eostatistique Appliqu
ee , Matheron, 1962.
25
26
;
Figure 1
'$ )/
)) $##' )/(
#) $#
!,%/' #
$#!*( $#
!/)*
Aide-M
emoire de g
eostatistique lin
eaire :
#) !!$##
,%!$ )) $#
[1] Variables R
egionalis
ees et Fonctions Al
eatoires
27
28
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
G
eostatistique Transitive
Pr
esentation
Ce chapitre nest quune br`eve introduction aux methodes de
travail direct sur la Variable Regionalisee. Il permet cependant
de degager quelques notions qui seront reprises en Geostatistique
Intrins`eque, en particulier limportance du support, et la necessite
de recourir a
` des mod`eles. On mettra en evidence les raisons de
recourir ulterieurement aux methodes probabilistes.
Le premier paragraphe definit le Covariogramme Transitif, et
enum`ere ses proprietes theoriques.
Le second paragraphe examine lutilisation du Covariogramme
Transitif dans un probl`eme simple destimation, et en conclut a
`
la necessite dun mod`ele.
Le troisi`eme paragraphe detaille et interpr`ete la phase de
modelisation.
1. Le Covariogramme Transitif
Nous nous placons ici dans loptique dune etude directe de la Variable
Regionalisee, cest-`a-dire finalement dune fonction definie dans lespace
geographique, hors de tout presuppose probabiliste.
Nous rappelons que la Variable Regionalisee est definie sur un certain
Champ borne (note S ). Nous supposerons que z(x) est identiquement
nulle pour x exterieur a` S .
Chapitre 1,
paragraphe 1.2.
1.1. D
efinition
On appelle covariogramme transitif de z lintegrale despace definie par :
g(h)
z(x) z(x + h) dx
Chapitre 1,
paragraphe 4.3.
1.2. Propri
et
es th
eoriques imm
ediates
De la definition mathematique du Covariogramme Transitif, il decoule un
certain nombre de proprietes theoriques, pour la plupart elementaires,
que nous nous contentons denumerer :
30
Aide-M
emoire de g
eostatistique lin
eaire :
Symetrie :
g(h)
g(h)
g(h) dh
Inegalite de Schwarz :
| g(h) |
g(0)
z(x)
k(x)
=
(x)
si x S
si x
/S
Un probl`
eme de
notations : les Covariances
G
en
eralis
ees, au
Chapitre 8, seront
egalement not
ees K. La
confusion est cependant
difficile, et nous garderons
cette l
eg`
ere ambigu
t
e
de notations, plut
ot que
bouleverser les habitudes.
[K(0)]2
K(h) dh
1.3. Positivit
e
Soit un ensemble quelconque de points xi , . . . , xj de lespace
g
eographique , et soit un syst`eme de ponderateurs i , . . . , j affectes
a` chacun de ces points.
Alors :
i, j
i j g(xi xj )
=
=
i, j
i, j
i j
z(t) z(t + xi xj ) dt
R
j
i z(t + xj ) z(t + xi ) dt
R P i
2
dt
i z(t + xi )
xi , i :
X
i,j
i j g(xi xj ) 0
[2]
G
eostatistique Transitive
31
Cette propriete peut etre etendue au cas continu : on doit alors substituer
au syst`eme de ponderateurs i une mesure (dt). Alors,
Z Z
Une fonction possedant cette propriete est dite de type positif. Cette
propriete caracterise la classe des fonctions de covariance.
Par ailleurs, le tr`es important th
eor`
eme de Bochner enonce quune
fonction continue est de type positif (donc est une covariance) si et
seulement si elle est transformee de Fourier dune mesure positive
sommable. Le lien est ainsi etabli entre le formalisme transitif et le travail
dans lespace de Fourier.
Remarque capitale : une fonction de type positif dans un certain espace
lest egalement dans un sous-espace de dimension inferieure, mais pas
necessairement dans un espace de dimension superieure 1 .
Fasc. 5, p14.
JJJ
1.4. Comportement `
a lorigine
Il existe un lien etroit entre les proprietes de continuite, derivabilite,
etc. de la Variable Regionalisee, et le comportement a` lorigine de son
Covariogramme Transitif. Ce lien resulte de la formule evidente :
g(0) g(h)
1
2
[z(x + h) z(x)]2 dx
Si z(x) est derivable, g(h) est deux fois derivable a` lorigine ; si z(x)
est continue, g(h) est continue a` lorigine. Une discontinuite de g(h) a`
lorigine est appelee effet de p
epite.
Placons-nous maintenant pour simplifier dans le cas isotrope, cesta`-dire supposons que g(h) ne depend que du module r = | h |
du vecteur h, et non de son orientation. On peut alors proposer un
developpement limite de g(r) au voisinage de lorigine. Il convient
de distinguer dans ce developpement les puissances paires de r, qui
composent la partie r
eguli`
ere du developpement et sont indefiniment
derivables, et les autres termes (puissances impaires et non enti`eres ou
composantes logarithmiques) qui en constituent la partie irr
eguli`
ere ;
on montre alors que le degre de regularite spatiale de la Variable
Regionalisee est lie au terme de plus bas degre de la partie irreguli`ere.
1.5. R
egularisations
Soit une certaine fonction de ponderation p(x) ; notons p(x) sa
transpos
ee definie par p(x) = p(x). On appelle r
egularis
ee de z
par p la Variable Regionalisee definie par
zp (x)
z(x + u) p(u) du
zp
z p
gp
1
g p p
Fasc. 5, p12.
Matheron 1965,
chapitre II.
32
Aide-M
emoire de g
eostatistique lin
eaire :
Fasc. 5, p15.
2. Application `
a un probl`
eme destimation
Fasc. 5, p25-26.
z(x) dx
Q (x0 )
z(x0 + pa)
La maille etant supposee fixee, il est clair alors que lestimateur Q (x0 )
depend de x0 , et que plus precisement il est une fonction periodique de
x0 , de periode a. Il en est donc de meme de lerreur destimation :
Q Q (x0 )
[2]
G
eostatistique Transitive
33
(`a cause de Q qui par hypoth`ese nest pas connue). Il nest pas possible
den dire plus sans hypoth`ese supplementaire.
Il nest pas non plus possible den dire plus sur z(x) qui, dans le mod`ele
Variable Regionalisee, est une realite physique unique parfaitement
deterministe, sur laquelle nous ne savons rien a priori . Mais precisement,
une mani`ere dexprimer ce manque dinformation a priori est de dire que
la maille de reconnaissance a ete implantee au hasard . Tout se passe
en fait comme si lorigine x0 avait ete implantee au hasard sur le segment
[0, a], selon une loi de probabilite de densite constante.
En donnant cette definition precise a` la notion jusquici beaucoup trop
vague d implantation au hasard de la maille de reconnaissance , nous
avons ipso facto constitue lestimateur (et par voie de consequence
lErreur dEstimation) en Variable Aleatoire : nous avons defini une
repr
esentation transitive de la Variable Regionalisee.
Fasc. 5, p21.
E & C, p126.
2.3. Propri
et
es de lErreur dEstimation
Il est alors immediat de calculer lesperance mathematique de lErreur
dEstimation :
E [Q Q ]
Q E [Q ]
Fasc. 5, p21.
E (Q Q )
g(ka)
g(h) dh
g(h) dh
g(ka)
2.4. N
ecessit
e dune mod
elisation
Si le Covariogramme Transitif etait connu, cette Variance dEstimation
serait effectivement calculable. Mais si on se place dans loptique
precedente dune estimation, o`
u la Variable Regionalisee nest supposee
connue quaux points (x0 + ka), on ne peut pas connatre le vrai
Covariogramme Transitif :
g(h)
z(x) z(x + h) dx
g (x; ka)
X
p
Fasc. 5, p24 ;
E & C,
p127-131.
34
Aide-M
emoire de g
eostatistique lin
eaire :
Fasc. 5, p24.
E & C, p132.
E & C, p132.
Henley, 1987.
g(ka)
g(h) dh
E & C, p130.
Nous sommes arrives a` une telle expression sans avoir besoin dintroduire
aucune hypoth`ese de stationnarite sur la Variable Regionalisee, ni meme
aucune hypoth`ese probabiliste : la stationnarite qui se manifeste
ici nest pas une propriete du phenom`ene, mais seulement une
caracteristique de notre reseau de prel`evements. Notre Covariogramme
Transitif contient exactement la meme information structurale quune
covariance stationnaire, mais presente sur cette derni`ere un avantage
decisif : il est defini sans ambigute par la relation :
g(h)
z(x) z(x + h) dx
3. Mod
elisation du Covariogramme Transitif
3.1. Contraintes sur le mod`
ele
Chapitre 1,
paragraphe 4.1.
[2]
G
eostatistique Transitive
35
Paragraphe 1.2.
Sujet de r
eflexion,
h
elas aussi source
de pol
emique.
Var [Q ]
X
k
g(ka)
g(h) dh
2 (a)
E & C, p133-135.
Fasc. 5, p27-41.
T (a) + Z(a)
dans laquelle
Fasc. 5, p29.
36
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p133.
Fasc. 5, p38.
L/a
(modulo 1)
o`
u L est la portee du Covariogramme et a la maille de reconnaissance.
Le probl`eme, cest que dans les applications, cest-`a-dire au niveau du
Covariogramme Experimental, la portee nest justement quencadree
par un intervalle de longueur a. Autrement dit, la quantite est
totalement indeterminee sur [0, 1]. Comme on peut montrer que Z()
est de moyenne nulle sur [0, 1], on choisit par la force des choses
de negliger le terme fluctuant, tout en sachant quil peut avoir une
amplitude considerable.
E & C, p24.
La situation o`
u nous nous trouvons est finalement inattendue. Le
phenom`ene du Zitterbewegung rev`ele que de petites modifications des
conditions initiales (ici : le rapport de la maille de reconnaissance a` la
portee) conduisent a` dimportantes variations des resultats ici de la
Variance dEstimation 2 (a). Il sagit l`a dune situation pr
eal
eatoire :
des conditions initiales ins
eparables entranent ulterieurement une
separation des phenom`enes observes .
Notons au passage la dialectique theoriepratique. Dans le formalisme
theorique, fonde sur un mod`ele de Covariogramme, la portee est une
donnee de lenonce, et la taille de la maille est la variable en fonction
de laquelle on exprime la Variance dEstimation. Dans la pratique au
contraire, cest la maille de reconnaissance qui sera un param`etre (plus
precisement, ce que lon definit comme un param`
etre m
ethodologique)
et la portee du Covariogramme Modelise devient linconnue du probl`eme
de lAnalyse Variographique.
Quoi quil en soit, en negligeant (par la force des choses) le terme
fluctuant Z(a) dans lexpression compl`ete :
2 (a)
T (a) + Z(a)
tout
E & C, p134.
Fasc. 5, p39.
Fasc. 5, p39.
[2]
G
eostatistique Transitive
37
Fasc. 5, p40.
E & C, p135.
Chapitre 1, paragraphe 3.
Fasc. 5, p97-102.
Chapitre 1,
paragraphe 3.5.
g(h)
z(x) z(x + h) dx
g (x0 ; ka)
Voir aussi
Matheron, 1965, p96-102.
Paragraphe 2.4.
38
Aide-M
emoire de g
eostatistique lin
eaire :
Bibliographie
Les Variables R
egionalis
ees et leur estimation ,
Matheron, 1965.
Chapitre 3
Buts et moyens de la
G
eostatistique Lin
eaire (1)
Pr
esentation
Ce chapitre precise les limites que nous fixons aux mod`eles
probabilistes dans le cadre de cet expose. Nous nous placons
ici au niveau theorique, plus precisement dans le cadre dune
hypoth`ese stationnaire dordre 2 (les probl`emes de reconstruction
operatoire ne sont pas abordes). Cette premi`ere partie sach`eve
par lexplicitation du calcul des variances.
Le premier paragraphe donne la liste des outils que sautorise la
Geostatistique Lineaire, et en precise les limites dapplication.
Dans le cadre du mod`ele stationnaire, le second paragraphe definit
le r
ole de la variance en Geostatistique Lineaire, et en donne le
mode de calcul.
Le troisi`eme paragraphe introduit la notion de Variance
dExtension, qui en particulier aura une importance decisive au
niveau des estimations.
Le quatri`eme paragraphe definit la Variance de Dispersion, qui
generalise la variance des statistiques classiques, et qui sert
egalement dintroduction aux mod`eles non stationnaires.
1. Limites de la g
eostatistique lin
eaire
1.1. Cadre de travail
G
eostatistique
f (x1 , . . . , xn ; z1 , . . . , zn )
P (Z(x1 ) z1 , . . . , Z(xn ) zn )
E & C,
chapitres VI et VII.
En abr
eg
e : FASt-2
40
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p170.
Chapitre 1,
paragraphe 3.1.
mx
E [Z(x)]
Cxy
une esperance ne
une covariance est par nature symetrique, et ne voit donc pas les
phenom`enes de diffusion ni de mani`ere generale les comportements
lies a` des equations devolution ; pire, elle ne voit pas les relations
dinegalites entre variables, la forme des lois conditionnelles, etc.
En ce qui concerne le champ dapplication de ces outils, on voit
tr`es vite quil faut sastreindre a` ne manipuler que des combinaisons
lineaires de la Fonction Aleatoire etudiee : dans le mod`ele, ce nest
que pour de telles expressions que lon saura fournir une esperance et
une variance. Comme consequence, cela implique quil faudra travailler
sur des Variables Regionalisees additives, cest-`a-dire telles que toute
combinaison lineaire de cette variable ait le meme sens physique que
la variable ponctuelle, si lon veut garder une signification physique a`
nos operations mathematiques. Cette r`egle pourra cependant subir des
entorses dans le cas de probl`eme de type purement cartographique.
Autrement dit, meme le choix de la variable etudiee peut poser des
probl`emes dans le formalisme lineaire. Lexemple classique est fourni
en estimation mini`ere, o`
u le triplet teneurpuissanceaccumulation est
redondant au niveau des donnees. Mais les deux derni`eres variables
sont additives alors que la premi`ere ne lest pas, de sorte que pour une
estimation, il nest pas indifferent de savoir sur quelle paire de variables
on choisit de travailler.
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
41
Voir en particulier
les d
eveloppements
de G
eostatistique
Non Lin
eaire.
JJJ
1.4. Commentaire
Pour en terminer avec ce tour dhorizon preliminaire du domaine de
la Geostatistique Lineaire, il est peut-etre bon de mentionner des
interrogations que lon rencontre parfois dans la litterature, comme
par exemple : la Geostatistique Lineaire est-elle ou nest-elle pas non
parametrique ? . Ces questions saccompagnent souvent de promotion
de telle ou telle methode non parametrique . . .
Il ne nous semble pas que de telles questions soient les bonnes.
Comme tout le monde, nous aimerions pouvoir construire lestimateur
de lesperance conditionnelle, mais nous savons dans le meme temps que,
dans le monde physique, cet estimateur est definitivement inaccessible.
Comme tout le monde, nous savons que la mediane est un estimateur plus
robuste et souvent bien plus robuste que lesperance, mais nous
savons aussi (comme tout le monde esperons-le) que cet estimateur est
inadapte pour estimer des valeurs moyennes, et a fortiori pour realiser
des changements de support.
Ainsi, si les critiques envers la Geostatistique Lineaire sont de nature
purement mathematique, elles sont inutiles parce quevidentes. Il est
trivial que, dans un mod`ele theorique fixe quelconque, on puisse trouver
mieux quun estimateur lineaire, et meilleur crit`ere que la variance.
Mais nous nous placons dans un contexte pratique. Nous ne sommes
pas libres de choisir tout mod`ele qui nous plairait, et nous devons pardessus tout respecter les donnees. La marge de manuvre existe
et elle nous est dailleurs parfois reprochee mais elle a ses limites.
Aussi, lattitude qui nous semble raisonnable est dagir en connaissance
de cause, sans se dissimuler les limites et les risques de la methode,
mais sans non plus faire preuve de trop de purisme. Nous savons que
la Geostatistique Lineaire est dautant mieux adaptee a` une etude que
la Fonction Aleatoire traitee est proche dune Fonction Aleatoire
gaussienne. Dans des cas fortement non-gaussiens , la Geostatistique
Lineaire peut se reveler insuffisante, y compris pour de simples probl`emes
destimation. Encore faudrait-il pouvoir definir une distance entre une
Fonction Aleatoire et une loi gaussienne, distance qui soit dans le meme
temps un indicateur de la degradation de la qualite de lestimation
lineaire . Un sujet de recherche passionnant, mais bien difficile !
Quoi quil en soit, les Geostatisticiens nont pas attendu pour mettre
en evidence les limites des methodes lineaires, et pour proposer des
alternatives. La Geostatistique Non Lineaire qui sort des limites de
cet expose est une des reponses possibles a` ces probl`emes.
Henley, 1981.
E & C, p168.
E & C, p98.
Voir un cours de
G
eostatistique
Non Lin
eaire.
Notion a
` d
efinir !...
E & C, p168.
42
Aide-M
emoire de g
eostatistique lin
eaire :
2. M
ecanismes de calcul des variances
Dans toute la suite de ce chapitre, nous nous placerons dans
le cadre de lhypoth`ese de stationnarite dordre 2.
i
Notations : les combinaisons lineaires
i Z(xi ) construites sur la
Fonction Aleatoire seront desormais notees : i Zi . Le cas echeant, il
nous faudra aussi manipuler des mesures, soit :
(dt) Z(t)
Var i Zi
ou
III
III
i
Un syst`eme de poids i affectes a` des points xi et tels que
R Zi soit
une CLA, ou plus generalement une mesure (dt) telle que Z(t) (dt)
soit une CLA, sera appele mesure autoris
ee.
Soit i Zi une CLA. Ses deux premiers moments existent par hypoth`ese
et, en gardant les notations precedentes :
E i Z i
Var i Zi
i mi
i Cij j
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
43
La formule fondamentale :
Var i Zi
i Cij j
2.3. Propri
et
es de la covariance stationnaire
Rappelons que nous nous sommes places pour le moment en hypoth`ese
stationnaire dordre 2. En ce qui concerne le premier moment, on en
deduit :
m(x + x0 )
m(x0 )
m(x)
C(x, y)
donc :
(constant dans lespace)
C(x + a, y + a)
x, y
donc :
C(x, y)
avec h = (x y)
C(h)
Chapitre 2,
paragraphe 1.2.
Symetrie :
C(h)
C(h)
Inegalite de Schwarz :
| C(h) |
Positivite :
C(0)
Fasc. 5, p57.
C(h) dh
Chapitre 4,
paragraphe 3.3.
44
Aide-M
emoire de g
eostatistique lin
eaire :
3. Variance dextension
3.1. Notations
Z(v)
1
[v]
Z(x) dx
v
o`
u la notation [v] designe la mesure (longueur, aire, volume, etc. ) du
domaine v .
Remarque : nous ne distinguerons pas le cas o`
u v serait un ensemble fini
de N points xi , ce qui donnerait alors :
Z(v)
Fasc. 5, p60.
1 X
Z(xi )
N i
Paragraphe 2.2.
Var Z(v)
[v]
Z Z
v
C(x y) dx dy
v
0 ), soit :
dextension de v a` v 0 , la variance de la difference Z(v)
Z(v
2
E
(v, v 0 )
0)
Var Z(v)
Z(v
0 ), en
On peut proposer une interpretation de la difference Z(v)
Z(v
0)
considerant par exemple Z(v) comme une moyenne a` estimer, et Z(v
0) .
destimation de Z(v)
par Z(v
Paragraphe 2.3.
0)
E Z(v)
Z(v
Clairement, cette
propri
et
e de non-biais est
eminemment souhaitable
lors de la construction
dun estimateur
...
mm
0 ) constitue un estimateur
Cette propriete sexprime en disant que Z(v
.
sans biais de Z(v)
Quant a` la Variance dExtension, elle se developpe en :
2
E
1
[v]
Z Z
v
C(x y) dx dy +
v
1
[v 0 ]
Z Z
[v] [v 0 ]
v0
C(x y) dx dy
v0
Z Z
v
C(xy) dx dy
v0
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
45
ou plus synthetiquement :
2
E
v0 )
v) + C(v
0 , v 0 ) 2C(v,
C(v,
0 ) ,
Si on conserve le point de vue : estimation de Z(v)
par Z(v
2
0
E (v, v ) est donc une mesure de la qualite de cette estimation, puisque
lon a convenu de dire quune estimation est dautant moins bonne que
la variance de lerreur est plus forte.
Comme il a ete dit precedemment, on peut legitimement juger ce crit`ere
trop fruste. Il ne constitue effectivement quune r`egle du jeu que lon
peut a priori accepter ou rejeter. Mais, une fois quelle est acceptee
en connaissance de cause, cette r`egle peut se reveler bien utile, par
exemple pour classer des estimateurs. Linterpretation de cette operation
ne pose pas de probl`eme majeur, et a` la Variance dExtension peut etre
appliquee la procedure de Reconstruction Operatoire. Le formalisme
des repr
esentations glissantes pour lequel nous renvoyons a` la
bibliographie permet alors de donner un sens objectif a` la Variance
dExtension ; cest l`a un exemple de contrecoup positif, et essentiel, de
la simplicite du mod`ele.
Paragraphe 1.4.
Matheron &
Formery, 1962.
E & C, p147-151.
Bien s
ur, les limites dun tel crit`ere sont evidentes. Nous en rel`everons
deux seulement, mais dimportance :
2
E
nest pas une variance conditionnelle. En particulier, cette
JJJ
46
Aide-M
emoire de g
eostatistique lin
eaire :
2
E
(h v, h v 0 )
Premi`
ere apparition du
concept de variogramme.
2C(0) 2C(h)
Fasc. 5, p66.
1 X
Z(xi )
N i
1
[v]
Z Z
v
C(x y) dx dy +
v
1 XX
C(xi xj )
N2 i j
N [v]
Chapitre 2,
paragraphe 2.2.
Chapitre 2,
paragraphe 3.33.4.
Z X
v
C(xi y) dy
4. Variance de dispersion
La notion que nous voulons definir maintenant nous semble occuper une
place tout a` fait singuli`ere en Geostatistique :
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
47
Chapitre 4.
E & C, p108.
E & C, p107.
v1
vi
vj
v
vN
N
[
i=1
vi
et
v i vj
si i 6= j
Probl`
eme de notations :
nous conserverons dans
tout ce paragraphe lusage
de d
esigner par V ou
W le domaine. Lemploi
dune majuscule ne d
esigne
bien s
ur pas dans ce cas
une quantit
e al
eatoire !
48
Aide-M
emoire de g
eostatistique lin
eaire :
s2 (v | V )
1 X
(
zi z)2
N i
4.2. Passage `
a la version probabiliste
Chapitre 1,
paragraphe 2.3.
S 2 (v | V )
2
1 X
Zi Z
N i
2 (v | V )
Fasc. 5, p67-68.
Voir compl
ement
en fin de chapitre.
E S 2 (v | V )
2 (v | V )
v) C(V,
C(v,
V)
2 (v, v 0 | V )
...
Un sujet de r
eflexion
v 0 ) C(V,
C(v,
V)
2 (v | V ) + 2 (v 0 | V ) 2 2 (v, v 0 | V )
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
49
4.4. R
esultats compl
ementaires
Lorsque v est reduit a` un point, le mod`ele de partition de V par v est
toujours possible, quelle que soit la forme de V . La formule generale se
simplifie en :
2 (0 | V )
C(0) C(V,
V)
2 (v | W )
2 (v | V ) + 2 (V | W )
Il est prudent de
pr
ef
erer lexpression
de Krige ,
lexpression relation
dadditivit
e ayant
une signification tout
autre en G
eostatistique
Non Stationnaire (voir
Annexe au Chapitre 7.).
formule
2 (v | V )
2 (0 | V ) 2 (0 | v)
Commentaires
Les Variables R
egionalis
ees et leur estimation ,
Matheron, 1965.
Bibliographie
50
Aide-M
emoire de g
eostatistique lin
eaire :
Trait
e
de G
eostatistique Appliqu
ee , Matheron, 1962.
Compl
ement
(v | V )
E S 2 (v | V )
"
N
2
1 X
Zi Z
E
N i=1
On obtient successivement :
(v | V )
"
N
2
1 X
E
Zi Z
N i=1
N
1 X
i Z
Var Z
N i=1
(1)
N
i
1 Xh
i + Var Z 2Cov Zi , Z
Var Z
N i=1
(2)
Z Z
N
1 X 1
C(x y) dx dy
N i=1 [vi ]2 vi vi
Z Z
1
C(x y) dx dy
+
2
[V ] V V
2
[vi ] [V ]
Z Z
vi
N C(v, v) + C(V,
V)
N
(3)
(4)
C(x y) dx dy
V
X
2
(N [v]) [V ] i=1
Z Z
vi
C(x y) dx dy
V
v) + C(V,
C(v,
V ) 2C(V,
V)
=
v) C(V,
C(v,
V)
[3]
Buts et moyens de la G
eostatistique Lin
eaire (1)
Zi Z
2 i
= Var
Zi Z
Z
Z(u) (du)
Z Z
(3) : parce que tous les domaines vi ont meme mesure que v (donc,
[vi ] = [v], et ceci i), et par definition de la covariance
moyenne sur un domaine.
(4) : parce que les vi constituent une partition de V , et que la
somme en i des integrales sur les vi equivaut a` lintegrale sur
V . Par ailleurs, N [v] = [V ] .
51
52
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 4
Stationnarit
e et ergodicit
e
Pr
esentation
Les outils elabores jusquici ne requi`erent en realite, au niveau du
mod`ele probabiliste, que lexistence des deux premiers moments ;
leur stationnarite napparat pas indispensable. Peut-on alors
echapper a
` toute hypoth`ese de stationnarite ? Quelles sont les
hypoth`eses minimales requises ?
Le premier paragraphe revient sur le sens meme de lhypoth`ese de
stationnarite, en distinguant les mod`eles globaux et les mod`eles
locaux.
Le second paragraphe rappelle en quoi des mod`eles stationnaires
peuvent se reveler insuffisants au cours dune etude reelle, et
esquisse la demarche generale daffaiblissement des hypoth`eses de
stationnarite.
Au troisi`eme paragraphe, on revient sur la signification objective
de lesperance mathematique, et sur les contr
oles possibles de
lergodicite.
Cxy
Chapitre 1,
paragraphe 1.1.
C(x y)
Chapitre 1.
Chapitre 1,
paragraphe 4.3.
54
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2,
paragraphe 2.2.
E & C, p135.
E & C, p135.
Chapitre 2.
E & C, p137.
[4]
Stationnarit
e et ergodicit
e
55
1.3.2. Un exemple
Pour simplifier, examinons le probl`eme de lestimation ponctuelle de
la Variable Regionalisee sur un domaine S0 . On notera quil ny a
actuellement aucune hypoth`ese, ni probabiliste, ni de stationnarite. Soit
donc S0 la zone dinteret, supposee homog`ene. Soit V le voisinage
glissant. Pour tout u S0 , on forme alors :
z (u)
z(u + x) (dx)
V
o`
u (dx) ne depend pas de u.
On adoptera classiquement, comme crit`ere de qualite de cette estimation,
la valeur quadratique moyenne sur S0 de lerreur z (u) z(u), soit :
S0
E & C, p148.
2
z (u) z(u) du
C(x, y)
1
[S0 ]
z(u + x) z(u + y) du
S0
Z(x)
z(u + x)
xV
o`
u u est le point aleatoire uniforme sur S0 . Z(x) est appele
repr
esentation glissante de z(u) dans S0 . Il est alors immediat que :
C(x, y)
E [Z(x).Z(y)]
E & C, p149.
56
Aide-M
emoire de g
eostatistique lin
eaire :
Lintegrale despace C(x, y), qui est une Grandeur Regionale, est la
covariance de la Fonction Aleatoire que nous venons de definir.
E & C, p149.
1
[S0 ]
z(u + x) z(u + y) du
S0
I I I Au contraire,
Enfin, bien quayant une validite locale, le mod`ele a ete obtenu par une
construction globale ou plus precisement par une integrale sur S0 .
2 (v | V )
v) C(V,
C(v,
V)
[4]
Stationnarit
e et ergodicit
e
57
Fasc. 5, p53.
Chapitre 3,
paragraphe 2.1.
dun cote, une limitation, puisque ce nest plus que pour une famille
reduite de combinaisons lineaires que nos operations theoriques
auront une signification objective ;
On supposera toujours ces mesures a` support borne pour eliminer les probl`emes
de convergence.
JJJ
58
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8,
paragraphes 1.21.3.
(dt)
telles que
(dt) = 0
3. Lergodicit
e
3.1. Permanence dune hypoth`
ese de stationnarit
e
Paragraphe 1.2.
1
[S]
Z(x) dx m
lorsque S
1
[S]
z(x) dx
S
1
[S]
Z(x) dx
S
m
1
[S]
(h) K(h) dh
o`
u K(h) est le Covariogramme Geometrique de S et (h) est la
covariance centree de Z .
Le probl`eme est quil nest jamais possible en pratique de rendre S aussi
grand que possible : nous sommes irremediablement limites par la taille
du Champ. Do`
u la question : S est-il assez grand pour assurer une
bonne estimation de m ? Ou plus correctement : S est-il assez grand
pour assurer a` m une signification objective ?
La reponse se fait en deux temps :
au niveau du mod`ele probabiliste dabord,
puis au niveau operatoire.
[4]
Stationnarit
e et ergodicit
e
59
3.3. La port
ee int
egrale
On pourrait dire que plus faible est la variance Var [M ] et meilleur est
M comme estimateur de m. Mais m est un Param`etre Conventionnel
du mod`ele, et il est plus precis de dire : plus Var [M ] est faible, plus
m presente de signification objective. On peut alors montrer que, pour
S assez grand, cette varianceest asymptotiquement egale a` :
1
[S]
E & C, p106.
(h) dh
Terminologie usuelle.
1
(0)
Chapitre 2,
paragraphe 1.2.
(h) dh
A
(0)
S
(0)
N
E & C, p105.
3.4. Reconstruction op
eratoire
Le probl`eme de lergodicite nest encore resolu quen theorie. Car la
definition de A fait intervenir le comportement de (h) a` linfini ce qui,
on le sait, ne correspond a` aucune propriete objective du phenom`ene
reel. Il faut donc reconstruire la Portee Integrale en termes operatoires.
Un exercice classique etablit que, pour tout support v suffisamment
grand, la valeur moyenne sur v de la fonction de covariance vaut :
(v, v)
Fasc. 5, pp107112.
Chapitre 3,
paragraphe 3.1.
A
v
s2 (s | S)
E & C, p107.
1
1
s S
Chapitre 3,
paragraphe 3.4.
60
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p108.
Commentaires
Compl
ement
Var [M ]
1
Var
[S]
[S]
Z Z
S
Z(x) dx
S
(x y) dx dy
S
K(h)
Chapitre 2,
paragraphe 1.2.
(x)
S
(x + h) dx
o`
u la notation S (x) designe la Fonction Indicatrice de S . Linteret
de lutilisation des Fonctions Indicatrices est de pouvoir remplacer les
integrales sur le domaine S par des integrales sur tout lespace, et faciliter
de la sorte les changements dordre des sommations. Ainsi,
Var [M ]
=
(1)
=
(2)
1
[S]
Z Z
Z Z
(h) dh
(h) K(h) dh
1
[S]
1
[S]
1
[S]
(y) (x y) dx dy
(x)
(y + h)
Z
S
(y) (h) dh dy
(y + h)
(y) dy
Chapitre 5
Buts et moyens de la
G
eostatistique Lin
eaire (2)
Pr
esentation
Ce chapitre poursuit la presentation des formules fondamentales de
Geostatistique Lineaire, en incluant cette fois dans ses hypoth`eses
le mod`ele intrins`eque.
Au premier paragraphe, on definit lhypoth`ese intrins`eque,
elargissement de lhypoth`ese stationnaire, et on etablit les
mecanismes de calcul dans le cadre de cette hypoth`ese.
Le second paragraphe est une simple transcription en mod`ele
intrins`eque des formules de Variances dExtension et de
Dispersion.
Au troisi`eme paragraphe, toutes hypoth`eses confondues, on evoque
bri`evement le probl`eme du changement de support, si important
en Geostatistique Non Lineaire.
1. M
ecanismes de calcul en hypoth`
ese intrins`
eque
1.1. Le mod`
ele intrins`
eque
On a vu precedemment quune methode, pour elargir la notion de
stationnarite, consiste a` formuler la propriete de stationnarite dordre 2
au niveau non pas de la Fonction Aleatoire elle-meme, mais dun sousensemble de lensemble des combinaisons lineaires formees sur cette
Fonction Aleatoire.
Chapitre 3,
paragraphe 2.2.
En abr
eg
e : FAI.
E [Z(x) Z(y)]
E [Z(x + x0 ) Z(y + x0 )]
m(h)
E [Z(u + h) Z(u)]
et, pour x = u + h :
m(h0 )
Fasc. 5, p53.
62
Aide-M
emoire de g
eostatistique lin
eaire :
do`
u, par sommation et linearite de lesperance :
m(h) + m(h0 )
E [Z(u + h + h0 ) Z(u)]
m(h + h0 )
m(h + h0 )
Chapitre 4,
paragraphe 3.2.
m(h) + m(h0 )
(h)
Concernant le facteur 2,
il ny a pour ainsi dire
jamais risque de confusion.
1
Var [Z(x + h) Z(x)]
2
(h)
i
1 h
2
E (Z(x + h) Z(x))
2
R
soit une combinaison lineaire de poids total nul :
Peciproquement,
i
=
0
.
Alors,
la somme i Zi peut aussi secrire : i (Zi Z0 ) o`
u
i
Z0 est la valeur Z(x0 ) en un point fixe arbitrairement. La combinaison
lineaire peut secrire comme combinaison daccroissements : elle est donc
une CLA.
[5]
Buts et moyens de la G
eostatistique Lin
eaire (2)
63
JJJ
1.3. M
ecanismes de calcul
Le probl`eme est maintenant de donner explicitement les expressions des
deux premiers moments des CLA.
En ce qui concerne le moment dordre 1, rappelons que toute CLA est
combinaison daccroissements, et que, dans le mod`ele dune Fonction
Aleatoire intrins`eque sans derive, un accroissement est desperance nulle.
Finalement :
Lesperance mathematique de toute CLA
dune Fonction Aleatoire Intrins`eque sans
derive est nulle.
JJJ
xy
Chapitre 3,
paragraphe 2.2.
1
Var [Z(x) Z(y)]
2
Y (x)
Z(x) Z(x0 )
Etant
une CLA, Y (x) admet une covariance (qui dailleurs se trouve ne
pas etre stationnaire) :
Cxy
xy
1
Var [Z(x) Z(y)]
2
1
Var [Z(x) Z(x0 ) Z(y) + Z(x0 )]
2
1
Var [Y (x) Y (y)]
2
Rappelons que la
stationnarit
e est
importante pour
linf
erence statistique
et la Reconstruction
Op
eratoire, mais que
les d
eveloppements
th
eoriques comme ici me
requi`
erent que lexistence
de la covariance.
64
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 3,
paragraphe 2.2.
xy
1
[Cxx + Cyy 2Cxy ]
2
ou encore :
Cxy
1
1
Cxx +
Cyy xy
2
2
avec
i = 0
Var i Yi
i Cij j
1X i j
1X i j
Cii +
Cjj i ij j
2 i,j
2 i,j
i ij j
On peut ainsi fixer une fois pour toutes une r`egle de calcul :
III
Cette r`
egle de substitution est extremement utile. Elle permet un calcul
tr`es rapide des variances de CLA :
[5]
Buts et moyens de la G
eostatistique Lin
eaire (2)
Par ailleurs, notons ici encore que lhypoth`ese de stationnarite des CLA
nest pas sollicitee dans letablissement de cette r`egle de calcul : cest
seulement lexistence dun moment dordre 2 qui doit etre garantie.
Autrement dit, lexpression :
Var i Zi
i ij j
(avec
65
Chapitre 3,
paragraphe 2.1.
i = 0)
1.4. Propri
et
es du variogramme stationnaire
Nous enumerons simplement ici quelques proprietes classiques du
variogramme stationnaire (h) :
Naturellement, la question
de lajustement dun
mod`
ele de variogramme
non stationnaire
demeure enti`
ere !
Fasc. 5, p54.
(h) 0 et (0) = 0
Symetrie : (h) = (h)
La fonction est de type positif conditionnel, cest-`a-dire que pour
R
toute mesure verifiant (dt) = 0,
Z
lim
(h)
| h |2
C(0) C(h)
C(h)
() (h)
Paragraphe 1.3.
0 ). Chacune
Revenons a` la definition des moyennes spatiales Z(v)
et Z(v
de ces expressions est une combinaison lineaire de Z , de poids total egal
Chapitre 3,
paragraphe 3.2.
66
Aide-M
emoire de g
eostatistique lin
eaire :
2
(v, v 0 ) (v, v) (v 0 , v 0 )
2(v, v 0 )
2C(0) 2C(h)
Chapitre 3,
paragraphe 3.3.
Reprenons
la construction effectuee dans le cas stationnaire. Les
Zi Z sont des CLA ; la version probabilisee S 2 (v | V ) de la
Dispersion Statistique de v dans V :
S 2 (v | V )
2
1 X
Zi Z
N i
est ainsi une somme de carres de CLA. Elle admet donc une esperance.
Il suffit alors, dans lexpression de 2 (v | V ) correspondant au cas
stationnaire, dappliquer la r`egle de calcul (remplacer C par ) pour
obtenir :
2 (v | V )
(V, V ) (v, v)
2 ({o} | V )
(V, V )
2.3. Autre pr
esentation du variogramme
Un sujet de r
eflexion
pour linstant de peu de
cons
equence, mais qui
prendra tout son sens
dans le cadre des FAI-k.
III
i ij j
i = 0 :
[5]
Buts et moyens de la G
eostatistique Lin
eaire (2)
67
Bien s
ur, avec une telle definition, il faudrait dabord sassurer de
lexistence dune telle fonction : de fait, il y a un theor`eme dexistence,
qui sera presente (sans demonstration) ulterieurement dans le cadre
dhypoth`eses plus larges.
Mais ce qui est interessant ici, cest de remarquer que cette definition
nest pas univoque : elle ne caracterise pas le variogramme. Si en
effet on rajoute une constante a` la fonction figurant dans la formule,
cette constante sera filtree par la condition dautorisation : pour toute
constante A,
i ij j
i (ij + A) j
et donc + A est
encore
un mod`ele admissible
P i de variogramme pour
le calcul de Var i Zi (avec toujours :
i = 0). Cette nouvelle
definition ne fournit le variogramme qu`a une constante additive pr`es.
Un theor`eme etablit quil sagit l`a de lindetermination maximum : si
deux fonctions et 0 , de type negatif conditionnel, sont telles que :
i ij j
Cas particulier du
th
eor`
eme dexistence et
dunicit
e des Covariances
G
en
eralis
ees, voir
annexe du Chapitre 8.
i 0 ij j
(h)
1
Var [Z(x + h) Z(x)]
2
3. R
egularisations
3.1. R
esultats g
en
eraux
Nous voulons ici seulement evoquer, en parall`ele avec ce qui a ete fait
en Geostatistique Transitive, le probl`eme de la regularisation.
Ce probl`eme a dej`a ete implicitement aborde lors de la presentation de
la Variance dExtension puisque, en toute generalite, la valeur moyenne :
Z(v)
1
[v]
Z(x) dx
v
est dej`a une regularisee de Z sur v . Sous sa forme la plus generale, une
regularisee pourra secrire :
Zp (x)
Z(x + t) p(dt)
o`
u p(dt) est une mesure que lon supposera de masse totale unite1 :
Z
1
p(dt)
Cette contrainte nest en rien restrictive sur la signification des resultats. Elle vise
simplement a` eviter dans les formules la presence de coefficients de normation.
Chapitre 2,
paragraphe 1.5.
68
Aide-M
emoire de g
eostatistique lin
eaire :
Zp (x) ou Z(v)
sont des Fonctions Aleatoires, dont il faut controler
lexistence. Un theor`eme enonce, (dans le cas stationnaire dordre 2)
que Zp (x) existe si et seulement si :
Z Z
Fasc. 5, p61-62.
<
Cp (h)
Fasc. 5, p63-64.
Z Z
x)
Z(v
1
[v]
Z(x + t) dt
v
v (h)
1
x+h ) Z(v
x)
Var Z(v
2
x+h ) a` Z(v
x ).
nest autre que la demi-Variance dExtension de Z(v
Ainsi, etant le variogramme stationnaire de Z :
2v (h)
2
(vx , vx+h ) (vx , vx ) (vx+h , vx+h )
Dapr`es la stationnarite de ,
[5]
Buts et moyens de la G
eostatistique Lin
eaire (2)
69
Ainsi :
v (h)
(v0 , vh ) (v0 , v0 )
Paragraphe 6.3.
Fasc. 5, pp6364
Cv (h)
0 , vh )
C(v
Commentaires
70
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 6
Estimations
Pr
esentation
Le premier propos de ce chapitre est de definir ce que nous
entendons par estimation , puis par la suite den mettre en
place les mecanismes.
Au premier paragraphe donc, on rappelle la definition adoptee
pour estimation , et on examine en quoi divergent alors les
approches globale et locale.
Consacre a
` lestimation globale, le second paragraphe est
extremement succinct, et cherche surtout a
` orienter le lecteur vers
la bibliographie.
Le troisi`eme paragraphe presente lestimation locale, plus
couramment appelee krigeage. Lidee directrice est quil nexiste
pas une panoplie de krigeages epars, mais une seule optique qui, en
fonction des hypoth`eses de travail, peut conduire a
` des formalismes
mathematiques quelque peu differents, mais homog`enes quant a
`
leur signification.
Chapitre 1,
paragraphe 4.1.
Voir notion de
non biais ,
paragraphe 3.2.4.
72
Aide-M
emoire de g
eostatistique lin
eaire :
2. Lestimation globale
Nous nexaminerons bri`evement dans ce paragraphe que
lestimation de la valeur moyenne de la Variable Regionalisee par la
moyenne arithmetique simple de la totalite des echantillons disponibles.
Les differences dapproches que nous proposons ici tiennent aux
hypoth`eses faites sur le mode dechantillonnage. Autrement dit, la
contribution de la Geostatistique consiste ici a` prendre en compte
la structure spatiale de linformation afin dattribuer une Variance
dEstimation a` la plus simple des statistiques qui soit. Dans le meme
temps naturellement, on supposera modelisee la structure spatiale de la
Variable Regionalisee : on suppose que lAnalyse Variographique a ete
realisee dans les r`egles de lart, et que lon dispose dun mod`ele structural
(covariance ou variogramme).
Fasc. 5, p70-96.
Matheron, 1962.
Matheron, 1965,
pp195-214.
[6] Estimations
2
E
[v]
73
Z Z
v
1 XX
C(xi xj )
N2 i j
Z X
2
C(xi y) dy
N [v] v i
C(x y) dx dy +
v
Chapitre 3,
paragraphe 3.2.
v) + C(v
0 , v 0 ) 2C(v,
v0 )
C(v,
ou bien s
ur par les formules equivalentes exprimees en termes de
variogrammes. Les commentaires du Chapitre 3, 3.3 demeurent
evidemment valides.
2.1. Echantillonnage
al
eatoire pur
Dans ce mod`ele, nous supposons que les donnees sont implantees au
hasard, independamment les unes des autres, et uniformement dans le
champ V a` estimer. On cherche donc a` estimer :
ZV
par la moyenne :
1
V
Z(x) dx
V
1 X
Z(xi )
N i
o`
u les xi sont eux-memes consideres comme Realisations de variables
aleatoires Xi , independantes et uniformes dans V . La Variance
dEstimation se deduit donc immediatement de la formule generale (ou
de son equivalent en variogramme) :
2
E
1
E 2
[v]
Z Z
v
Z X
2
1 X
C(Xi Xj )
C(Xi y) dy
C(x y) dx dy + 2
N i,j
N [v] v i
v
o`
u lesperance est prise sur lensemble des Xi .
Il ne sagit l`a que de calcul peu difficile, et peu instructif. On peut aussi
revenir a` la definition de la Variance dEstimation, a` savoir
2
E
"
1 X
(Z(Xi ) ZV )
Var
N i
JJJ
o`
u, dans le present mod`ele, a` la fois la fonction Z et les implantations
Xi sont aleatoires. Cette formule peut encore se mettre sous la forme
un peu plus pratique :
2
E
"
#
X
1
Var
(Z(Xi ) ZV )
N2
i
o`
u les expressions sous le signe de sommation sont des erreurs partielles.
Calculons maintenant cette expression, par le moyen de la formule
de lesperance totale. Et dabord, observons que, dans lhypoth`ese
stationnaire comme dans lhypoth`ese intrins`eque sans derive, les erreurs
74
Aide-M
emoire de g
eostatistique lin
eaire :
Un des int
er
ets de
travailler sans d
erive.
2
E
!2
X
1
E
(Z(Xi ) ZV )
N2
i
2
E
1
E E
N2
X
i
!2
(Z(Xi ) ZV ) | Z
2
E
( | Z = z)
!2
X
1
(z(Xi ) zV )
E
N2
i
i
1 X h
2
E
(z(X
)
z
)
i
V
N2 i
Chapitre 3,
paragraphe 4.1.
1
V
(z(x) zV ) dx
v
s2 (o | V )
Donc :
2
E
( | Z = z)
1 X 2
s (o | V )
N2 i
1 2
s (o | V )
N
2
Il ne reste plus, pour avoir E
, qu`a deconditionner cette expression par
rapport a` Z (cest-`a-dire par rapport a` la Realisation) do`
u, avec les
notations du Chapitre 3, 4.24.3 :
2
E
1 2
E S (o | V )
N
1 2
(o | V )
N
Telle est lexpression, tr`es simple, que lon aurait pu obtenir en partant
directement de la formule generale de la Variance dEstimation.
[6] Estimations
75
2.2. Echantillonnage
al
eatoire stratifi
e
Dans ce nouveau mod`ele dechantillonnage, on suppose cette fois que
le domaine V a` estimer est compose de N sous-domaines vi , tous
` linterieur
identiques a` un volume v , et constituant une partition de V . A
de chaque sous-domaine vi , on prel`eve un echantillon et un seul,
uniformement dans vi , et independamment des autres prel`evements.
La demarche est la meme que precedemment : on commence le calcul
de la Variance dEstimation globale a` Realisation fixee (cest-`a-dire : au
niveau de la Variable Regionalisee), puis on deconditionne par rapport
a` la Realisation : on passe au niveau de la Fonction Aleatoire.
Fasc. 5, p70-71.
Fasc. 5, p71.
2
E
1 2
(0 | v)
N
1 2
1 2
(0 | v)
(0 | V )
N
N
1 2
(v | V )
N
JJJ
Chapitre 3,
paragraphe 4.5.
JJJ
76
Aide-M
emoire de g
eostatistique lin
eaire :
2.4. Maille r
eguli`
ere `
a implantation pr
ef
erentielle
Nous supposerons maintenant que le volume V a` estimer est constitue
par la reunion de volumes vi tous egaux, constituant une partition de
V . Au centre de chacun de ces volumes vi , on dispose dun echantillon
ponctuel. On se trouve donc de nouveau pour linstant dans un probl`eme
a` geometrie fixee.
Chapitre 3,
paragraphe 3.4.
Matheron, 1965,
pp196-199.
Fasc. 5, p107-112.
2.5. Maille r
eguli`
ere `
a implantation flottante
Meme si les calculs ont ete menes a` bien dans les r`egles de lart, il reste
a` donner une signification objective a` la variance globale ainsi obtenue.
Nous rejoignons ici une reflexion dej`a abordee lors de lintroduction de
[6] Estimations
77
Chapitre 4,
paragraphe 1.1.
Matheron, 1965,
pp208-210.
` la limite,
dautant meilleur que les echantillons seront nombreux. A
pour une fonction totalement destructuree (effet de pepite pur, cas
de la Statistique classique), la qualite de lestimateur ne depend que
du nombre des echantillons.
3. Lestimation locale
3.1. Introduction
Nous avons precedemment donne un sens precis a` la notion de probl`eme
local. Lestimation locale, comme cas particulier dun tel probl`eme,
concerne donc lestimation dune portion bien circonscrite du Champ
de la Variable Regionalisee etudiee, a` laide dun jeu egalement bien
delimite de donnees disponibles.
Comme de surcrot nous nous placons ici dans le cadre de la
Geostatistique Lineaire, la quantite a` estimer sera une fonctionnelle
lineaire appliquee a` la Variable Regionalisee, tandis que lestimateur
sera une combinaison lineaire des donnees disponibles. Par suite,
lErreur dEstimation difference entre valeur a` estimer et estimateur
sera egalement une fonctionnelle lineaire construite sur Variable
Regionalisee (ou sur la Fonction Aleatoire associee dans le mod`ele
probabiliste correspondant). Pour la simplicite de lexpression, nous
dirons simplement de facon elliptique : lerreur destimation est une
combinaison lineaire .
Chapitre 4,
paragraphe 1.2.
78
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 0, paragraphe 1.
3.2. Les
etapes du krigeage
Par exemple, KI
signifie-t-il comme en 1975
Krigeage Intrins`eque ,
ou comme en
1985 Krigeage
dIndicatrices ?
[6] Estimations
79
Chapitre 1,
paragraphe 2.3.
3.2.2. Etape
1 : contrainte de lin
earit
e
Nous avons choisi de ne travailler que sur des formes lineaires de la
Fonction Aleatoire etudiee. Cette contrainte nous est dailleurs imposee
par nos choix anterieurs, puisque les outils probabilistes dont nous
disposons (esperance et variance) ne sauront operer que sur de telles
formes compte-tenu de nos hypoth`eses de travail (stationnarite dordre 2
ou intrins`eque).
Dun point de vue mathematique, il ne faut pas se limiter a` une vue trop
etroite de la linearite. On peut legitimement envisager lestimation de
toute fonctionnelle lineaire (moyenne ponderee bien s
ur, donc convoluee ;
mais aussi deconvoluee, derivee, integrale, etc. ) de la Fonction Aleatoire.
Dans chaque cas, il peut surgir des difficultes techniques specifiques,
et il faut en permanence prendre garde au seuil de realisme ; mais
fondamentalement, la voie est ouverte.
Quant a` lestimateur, nous le presenterons toujours, par souci de
simplicite, comme une combinaison finie de donnees la plupart du
temps ponctuelles. Cette fois encore, il ne sagit pas dune contrainte
imposee par la theorie, mais simplement dun souci de realisme. Pour
une presentation mathematique dans toute sa generalite, on se reportera
a` la bibliographie.
Chapitre 1,
paragraphe 3.4.
Matheron, 1965,
pp214-216.
Z(x) p(dx)
3.2.3. Etape
2 : contrainte dautorisation
` lissue de la premi`ere etape, nous savons maintenant que lerreur
A
destimation est, au sens large, une combinaison lineaire construite sur
la Fonction Aleatoire.
Il faut maintenant nous assurer que les manipulations a` lordre 2
(esperance et variance), que nous envisageons sur cette erreur, sont bien
licites. Autrement dit, il nous faut contraindre lErreur dEstimation a`
etre autorisee.
A
Paragraphe 3.1.
Chapitre 3,
paragraphe 2.1.
80
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 5,
paragraphe 1.2.
3.2.4. Etape
3 : contrainte duniversalit
e
U
Voir tout cours
de Statistiques.
Voir au chapitre 7 le
Krigeage Universel.
[6] Estimations
81
Paragraphe 2.1.
Chapitre 4,
paragraphe 1.1.
Paragraphe 3.2.1.
Cest pourquoi, bien que nous nen ayons pas besoin mathematiquement,
nous invoquerons nos hypoth`eses de stationnarite pour des raisons
physiques. De fait, que nous soyons en mod`ele stationnaire ou en
mod`ele intrins`eque, la loi dune combinaison lineaire autorisee est par
hypoth`ese stationnaire dordre 2. Appliquee a` lErreur dEstimation (qui
est par hypoth`ese une Combinaison Lineaire Autorisee), cette propriete
signifie que les deux premiers moments de Q Q sont invariants par J J J
translation, cest-`a-dire quils ne dependent pas de limplantation de la
Configuration de Krigeage.
Naturellement, transcrire cette propriete au niveau physique cesta`-dire en termes de Variable Regionalisee necessite quelques
amenagements. Lidee directrice est bien s
ur dassocier lesperance :
E [Q Q]
a` une moyenne spatiale. Cest, a` peine compliquee, une demarche dej`a
rencontree. La difficulte supplementaire tient a` la notion de translation
de la Configuration de Krigeage : sauf cas particulier de donnees
parfaitement reguli`eres, on ne pourra pas reproduire strictement la
Configuration de Krigeage dans les differentes zones du Champ total
de la Variable Regionalisee. Il faut donc introduire des tolerances sur
la description des Configurations de Krigeage, avec tous les risques que
cela represente et toute lexperience que cela requiert. Mais enfin, grosso
modo, la contrainte mathematique
E [Q Q]
Chapitre 4,
paragraphe 3.13.2.
Voir : Les
repr
esentations
glissantes , dans Estimer
et Choisir, chapitre VII.
3.2.6. Etape
4 : contrainte doptimalit
e
` lissue des trois etapes precedentes, nous disposons dun estimateur,
A
non encore totalement specifie, et sujet eventuellement a` un certain
nombre de contraintes.
La derni`ere etape consiste a` imposer a` lErreur dEstimation detre de
variance minimale. La variance est, rappelons-le, le crit`ere de qualite
dont nous avons convenu pour la Geostatistique.
82
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 3, paragraphe 3.
3.2.7. L. A. U. O.
Revenons une nouvelle fois sur les quatre contraintes du krigeage.
L
A
U
O
inearite
utorisation
niversalite
ptimalite
[6] Estimations
83
Au sujet de la notation K,
voir remarque Chapitre2,
paragraphe1.2. Voir
aussi commentaires
en fin de chapitre.
Z (x)
o`
u les sont les inconnues du probl`eme.
Remarque : on notera au passage que ces ponderateurs, pour des Z
donnes, dependent a priori du point x a` estimer. Il conviendrait donc
de les noter (x). Il est rare cependant que cette ecriture compl`ete
soit indispensable, et les risques de confusion sont limites. Afin de ne
pas alourdir les notations, on conservera donc lecriture simplifiee .
JJJ
Var [ Z Zx ]
Cette expression se calcule suivant le formalisme classique, et vaut :
K 2 Kx + Kxx
En loccurrence, il ny a pas de contrainte active, et le minimum de
cette forme quadratique est obtenu en annulant sa derivee partielle par
rapport a` chacune des inconnues , soit :
2 K 2 Kx
()
Chapitre 3,
paragraphe 2,2.
84
Aide-M
emoire de g
eostatistique lin
eaire :
()
Kx
S2
K S 2
Kx + Kxx
S
S
S K
Kx
S2
Kxx
Kx
S
Linearite :
Z (x)
Universalite :
E [ Z Zx ]
Krigeage
[6] Estimations
85
K 2 Kx + Kxx
l ()
Q() + 2 l l ()
doit voir sannuler ses derivees partielles par rapport aux et par
rapport aux l . Ce sont ces l , inconnues auxiliaires du probl`eme, qui
sont appeles Multiplicateurs de Lagrange, chacun deux correspondant a`
une contrainte. Notons dailleurs que lannulation de la derivee partielle
par rapport a` l (l fixe) ne fait que restituer la l-`eme contrainte.
Explicitons pour cette fois le calcul. Il ny a quune contrainte, donc
quun seul multiplicateur, que lon notera . Il faut donc ecrire que les
derivees partielles de :
2 Kx + Kxx + 2
K +
Kx
P
K +
P
Kx
()
O2
K O 2
Kx + Kxx
O
O
La pr
esence du facteur 2
devant le multiplicateur
na
evidemment rien
dessentiel : nous avons
choisi cette d
efinition a
`
seule fin de permettre des
simplifications dans le
d
eroulement des calculs.
86
Aide-M
emoire de g
eostatistique lin
eaire :
O2
Kxx
Kx O
O
Linearite :
A
Chapitre 5,
paragraphe 1.2.
Z (x)
1 do`u la contrainte
dautorisation :
X
1 = 0
Chapitre 5,
paragraphe 1.3.
O
Chapitre 5,
paragraphe 1.3.
FAI sans d
erive ,
toute CLA est desperance nulle. La contrainte duniversalite est
automatiquement satisfaite
+ 2 x
P
+
()
O2
x O
O
Un sujet
de r
eflexion.
[6] Estimations
87
effet que, dans les deux cas, la contrainte qui apparat a exactement
la meme expression, il nen demeure pas moins que sa signification est
tout a` fait differente : contrainte dUniversalite dans un cas, contrainte
dAutorisation dans lautre.
Cette difference reapparatra ulterieurement et eclairera sans doute la
double approche des phenom`enes non stationnaires. Pour le moment,
contentons-nous de remarquer que si la structure des deux syst`emes de
Krigeage Ordinaire est la m
eme, ce nest pas le cas en ce qui concerne
leur contenu : la fili`ere Krigeage Stationnaire a` moyenne inconnue ,
fondee sur un mod`ele aleatoire stationnaire, naccepte comme fonctions
structurales que des covariances ; au contraire, le Krigeage Intrins`eque
sans derive ouvre la porte aux variogrammes, cest-`a-dire a` une gamme
plus vaste de mod`eles structuraux. Naturellement, si dans ce dernier cas
le mod`ele de variogramme poss`ede un palier, on peut alors interpreter le
Krigeage Intrins`
eque sans derive comme un Krigeage Stationnaire
a` moyenne inconnue : en quelque sorte, qui peut le plus peut le
moins , et lapproche intrins`eque semble plus riche et prometteuse que
lapproche stationnaire + derive .
Ces remarques prendront toute leur importance lors de la double
approche Krigeage Universel, Krigeage Intrins`eque de la
Geostatistique Non-Stationnaire. Pour linstant, contentons-nous de
reaffirmer avec force linteret de bien poser la hierarchie des contraintes
L.A.U.O. , m
ethode qui garantit de toute erreur lors de la
construction dun syst`eme de Krigeage quel quil soit.
Chapitres 7 et 8.
3.4. Propri
et
es du syst`
eme de Krigeage
Nous ninsisterons pas sur les proprietes algebriques du syst`eme de
Krigeage, en particulier sur les conditions necessaires et suffisantes
dunicite de la solution. Du reste, ce probl`eme mathematique devrait
etre formule en toute generalite dans le cas continu, cest-`a-dire que
les inconnues du probl`eme ne seraient desormais plus un jeu fini de
ponderateurs, mais des mesures. Le Krigeage nest plus alors un syst`eme
de Cramer, mais un syst`eme dequations fonctionnelles, qui requiert
de raisonner en termes despaces de Hilbert. Le Krigeage peut ainsi
sexprimer en termes de projections. Nous renvoyons a` la bibliographie
pour cette approche mathematique.
Matheron 1969.
Journel, 1977.
JJJ
88
Aide-M
emoire de g
eostatistique lin
eaire :
(a Q + b R)
a Q + b R
o`
u:
Q et R sont des fonctionnelles lineaires quelconques de la Fonction
Aleatoire etudiee ;
a et b sont des coefficients quelconques ;
le signe
la teneur moyenne krigee sur un bloc nest autre que la moyenne des
Krigeages ponctuels sur ce bloc ;
Z
p(dx) Z(X)
2
p(dx) Z (x)
On peut encore aller plus loin et, par exemple (sous reserve de donner
un sens aux derivations) :
Z (x)
avec
ou encore
S (x) K
(x) Z
S
=
=
S (x) K Kx
Kx
()
0
()
[6] Estimations
89
()
Var [Z (x)]
Mais alors,
S2 (x)
K(0)
K(0)
K(0) S2 (x)
3.5. Evaluation
optimale de lesp
erance math
ematique
Nous avons envisage au 3.3.2. le cas dun mod`ele a` esperance
mathematique inconnue. On peut se demander si la demarche
L.A.U.O. peut servir a
` une evaluation optimale de lesperance
mathematique m, dans le cadre de ce mod`ele.
Nous utilisons a` dessein le mot neutre et mal defini d evaluation .
En toute rigueur en effet, nous ne sommes pas fondes a` parler
d estimation de m, puisque lesperance mathematique nest pas une
Grandeur Regionale, mais seulement un param`
etre conventionnel du
mod`ele. Cela dit, un tel purisme nest sans doute pas indispensable, et
le lecteur ne sera pas surpris de voir ecrit, dans la plupart des ouvrages
90
Aide-M
emoire de g
eostatistique lin
eaire :
E & C, p78
= Z . LErreur
Z m
K + 2
P
K +
Voir ci-dessous quelques
remarques sur les
notations, et en
particulier la d
efinition
du Multiplicateur
de Lagrange.
()
[6] Estimations
91
P
K
P
Notations
Fasc. 5.
Fasc. 5.
()
Les Variables R
egionalis
ees et leur estimation ,
Matheron, 1965.
Commentaires
Chapitre 8.
92
Aide-M
emoire de g
eostatistique lin
eaire :
Annexe
Formalisme
de lesp
erance conditionnelle .
Compl
ements
sur le th
eor`
eme daddivit
e .
Chapitre 7
1. Introduction `
a la non-stationnarit
e
1.1. Rappel sur le r
ole dune hypoth`
ese stationnaire
Remarque prealable : Nous avons dej`a souligne quil fallait distinguer
les mod`eles locaux et globaux de la stationnarite. Pour des raisons de
simplicite, et aussi parce que les probl`emes globaux peuvent egalement
trouver une voie de solution par les methodes transitives, nous nous
bornerons ici a` reflechir sur les mod`eles locaux de non-stationnarite.
Le lecteur soucieux dexaminer les mod`
eles globaux non stationnaires
pourra se reporter a` la bibliographie.
Revenons donc aux probl`emes locaux. Le matre-mot de ce cadre de
travail est voisinage glissant : le mod`ele que nous allons elaborer naura
de validite physique qu`a lechelle de ce voisinage. Cest l`a une restriction
que nous devons garder a` lesprit, car une expression mathematique ne
presente en general pas de garde-fou : rien ninterdit mathematiquement
de calculer la valeur dun mod`ele de covariance pour des distances
bien superieures a` lechelle de travail. Mais quelle signification objective
accorder au resultat ? Nous retrouvons donc une premi`ere distinction de
fond entre les deux points de vue : Fonction Aleatoire (mathematique)
et Variable Regionalisee (physique).
E & C, p140-146.
Chapitre 1,
paragraphe 1.2.
94
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 1,
paragraphes 3.4-3.6.
1.2. Id
ee directrice de la G
eostatistique Non Stationnaire
Chapitre 8.
[7]
precis, que telle Variable Regionalisee, pour un domaine fixe, pour une
echelle de travail donnee, peut raisonnablement etre ou ne pas etre
modelisee par une Fonction Aleatoire stationnaire. Et, encore une
fois, soulignons que le mot raisonnablement , qui peut choquer par
exemple les Statisticiens, pourrait sans doute etre pris comme la pierre
angulaire de la demarche du Geostatisticien. Ainsi, dans le cas precis
qui nous interesse, il ny a pas de vraie reponse a` la question
stationnaire ou non stationnaire , mais plut
ot un engagement pris
par le Geostatisticien, en connaissance de cause, en meilleur accord
possible avec les donnees, en suivant toujours le Principe dEconomie, et
en sachant que de toute facon in fine, il subsistera toujours un risque.
Le present expose ne peut en aucun cas fournir de r`egle immuable
permettant de resoudre a` coup s
ur le probl`eme de la stationnarite
du mod`ele. Mentionnons cependant que deux types danalyse peuvent
etre envisagees :
2. Le Krigeage Universel
2.1. La dichotomie
Dans le mod`ele probabiliste qui nous interesse ici, on suppose que
la Fonction Aleatoire Z(x) etudiee peut etre consideree comme la
superposition de deux composantes :
Z(x)
Y (x) + m(x)
95
Beaucoup de r
ep
etitions,
certes. Mais ces id
ees
sont fondamentales
en g
eostatistique, et
m
eritent cette insistance.
Chapitre 1,
paragraphes 4.2.
96
Aide-M
emoire de g
eostatistique lin
eaire :
basses
tendance ,
frequences du phenom`ene
et
correspondant aux
hautes
frequences .
Z(x)
Y (x) + m(x)
est dune nature totalement differente. On souhaite avant tout que Y (x),
le residu vrai, poss`ede les bonnes proprietes de stationnarite dordre 2
qui permettront de le traiter par les methodes dej`a connues de la
Geostatistique Stationnaire. Cette exigence proc`ede elle-meme dailleurs
de deux raisons distinctes :
2.1.4. Structure de la D
erive
Un hasard heureux,
voire miraculeux. Ou
alors, suspect
...
Observons dabord que les deux exigences que lon vient de formuler, aux
niveaux de la Variable Regionalisee puis de la Fonction Aleatoire, nont
pas de raison en general de concider. Et comme il nous faut bien faire
tourner le mod`ele, cest dabord a` la recherche dune stationnarite
sous-jacente cest-`a-dire relative au Residu Vrai que nous nous
attacherons. Mais alors, ce ne sera quun hasard heureux si la dichotomie
ainsi etablie peut en meme temps etre interpretee physiquement au
niveau de la Variable Regionalisee.
Notons au passage que si le Praticien souhaite a` toute force donner
une signification naturaliste a` la Derive, il incombe au Geostatisticien
dexiger une definition operatoire de celle-ci, comme par exemple :
moyenne pond
eree par telle fonction, calculee sur tel support, etc. .
[7]
97
m(x)
al f l (x)
o`
u:
fx0
2.1.5. Hypoth`
eses communes aux diff
erents mod`
eles de KU
Nous nous proposons maintenant dexaminer les developpements de la
technique du KU , dans le cadre dun petit nombre dhypoth`eses de
stationnarite. Nous partons pour cela de quelques hypoth`eses communes,
qui se resument en la formule suivante :
Z(x)
Y (x) + al fxl
o`
u:
JJJ
98
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 6,
paragraphe 3.2.7.
2.2. KU `
a mod`
ele sous-jacent stationnaire dordre 2
2.2.1. Signification du mod`
ele
Dans la decomposition :
Z(x)
Y (x) + al fxl
Nous supposerons enfin que Y (x) est desperance nulle. Si tel nest pas le
cas, ou bien cette esperance est connue et il suffit de la soustraire a` Y (x),
ou bien elle est inconnue et on linclut dans la Derive (elle contribue au
terme a0 puisque f 0 1). Alors :
E [Y (x)]
E [Z(x)]
al fxl
Kxy
2.2.2. Estimation
Zx
[7]
99
La contrainte duniversalite :
E [ Z Zx ]
al fl fxl
fl fxl
Il sagit l`a dun jeu de plusieurs contraintes sur les les inconnues
du probl`emes en nombre egal au nombre de fonctions de base f l .
Il reste maintenant a` minimiser, sous les contraintes precedentes, la
variance de lerreur :
Var [ Z Zx ]
K 2 Kx + Kxx
2 Kx + Kxx + 2l
fl
fxl
Bien entendu, les derivees par rapport aux l restituent les conditions
duniversalite. Les equations supplementaires, appelees par commodite
conditions doptimalit
e, secrivent :
K + l fl
Kx
U2
Kxx
Kx U l fxl
U
2.2.3. Pr
esentation matricielle
Le syst`eme de Krigeage Universel se resume sous la forme matricielle :
K fl
fl
Kx
fxl
100
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8,
paragraphes 3.3.
2.3. KU `
a mod`
ele sous-jacent intrins`
eque strict
2.3.1. Particularit
e de ce mod`
ele
Chapitre 5,
paragraphes 1.2.
E [Y (x + h) Y (x)]
0
2(h)
Z(x)
Chapitre 5,
paragraphe 1.2.
Y (x) + al fxl
mais cette fois, seules sont autorisees dans le formalisme probabiliste les
combinaisons daccroissements de la forme :
Z(x) Z(y)
2.3.2. Estimation
L
A
Linearite :
Z (x)
[7]
101
E [ Z Zx ]
Cette ecriture est licite puisque, lorsquon est arrive a` cette etape, on
travaille desormais conditionnellement a` la contrainte dautorisation.
Dapr`es la decomposition de Z , on peut aussi ecrire :
E Y Yx + al fl fxl
al fl fxl
al fl fxl
l6=0
fl fxl
(l 6= 0)
+ 2 x
P
+ o
P l
f
l6=0
l fl
x ()
fxl (l 6= 0)
U2
x U 0 U l fxl
(l 6= 0)
2.3.3. Pr
esentation matricielle
Le syst`eme de Krigeage se resume en :
o`
u l 6= 0.
1 fl
1
fl
0 0
0
x
1
fxl
102
Aide-M
emoire de g
eostatistique lin
eaire :
Evidemment,
dans les ecritures precedentes, il peut paratre superflu
dintroduire cette distinction entre le cas l = 0 et les autres. Il est clair
en particulier que la condition :
fl fxl
I I I Il y a peut-etre plus
Puisque la contrainte
eme ouvert la voie a`
1 = 0 a par elle-m
un elargissement des mod`eles structuraux theoriquement licites (passage
de K a` ), les autres contraintes fl fxl = 0 nautoriseraientI I I elles pas a` leur tour une extension des mod`eles structuraux a` une famille
encore plus riche ? Et que signifieraient ces nouveaux mod`eles ?
2.4. Propri
et
es du Krigeage Universel
2.4.1. Propri
et
es g
en
erales
Nous retrouvons pour le Krigeage Universel, que le mod`ele Sous-Jacent
soit stationnaire ou intrins`eque, les memes proprietes que pour le KS ou
le KO en ce qui concerne :
Chapitre 6,
paragraphe 3.4.1.
Chapitre 6,
paragraphe 3.4.2.
2.4.2. Ind
ependance lin
eaire des fonctions de base
Nous netudierons pas encore en detail les conditions de regularite du
syst`eme de Krigeage. Cependant, si nous examinons la structure generale
de ce syst`eme (ecrit en incorporant la fonction f 0 a` lensemble des
fonctions de base) :
K fl
fl
ou
fl
fl
[7]
103
0
f10 f20 . . . fN
1
1
f1 f21 . . . fN
.
..
..
.
.
.
.
k
f1k f2k . . . fN
0 ... 0
0 ... 0
..
..
.
.
0 ... 0
cl fl
( = 1, . . . , N )
pour qualors existe une combinaison lineaire a` coefficients non tous nuls
des (k+1) derni`eres lignes du syst`eme qui soit identiquement nulle. Cela
signifie que les k + 1 vecteurs a` N + k + 1 dimensions :
f10
f11
f1k
0 1 k
f2 f2 f2
. . .
. . .
. . .
0 1 k
fN fN . . . fN
0 0 0
. . .
. . .
. . .
0
(cl fl
0 )
l :
cl
K fl
fl
Kx
fxl
Ce paragraphe est
pr
esent
e avec des
notations en termes
de covariance. Il est
imm
ediat de v
erifier que la
conclusion serait identique
avec un variogramme.
K fl
fl
Kx
fxl
Kx
fxl
K fl
fl
(
l /)
K fl
fl
l /
104
Aide-M
emoire de g
eostatistique lin
eaire :
K fl
fl
l /
Kx
fxl
l /
Un exercice
el
ementaire.
2.4.4. Propri
et
es dorthogonalit
e
Multiplions les premi`eres equations du syst`eme de KU 1 par un coefficient
a priori quelconque , et sommons en . On peut ecrire le resultat
sous la forme :
K Kx
Mais, par ailleurs,
K Kx
l fl
Cov Z Zx , Z
Cov Z Zx , Z
et, finalement :
l fl
f
= 0.
verifiant (l) :
Cette fois encore, par commodite, le syst`eme est exprime en covariance. Cela
naffecte en rien la conclusion, qui setablirait de facon similaire pour un mod`ele
Sous-Jacent intrins`eque en appliquant la R`egle de Substitution habituelle.
[7]
105
Krigeage
Simple
,
3. Le statut de la D
erive
3.1. Introduction
Dans le formalisme du paragraphe precedent, la Derive a ete en grande
partie escamotee : on lui a attribue un statut deterministe, et on a de
plus admis que le mod`ele Sous-Jacent etait connu.
Cette situation est evidemment utopique. Nous devons bien s
ur supposer
la Derive inconnue sinon, il ny aurait plus de probl`eme ; ce qui
entrane que le residu non plus nest pas connu. Mais alors, comment
acceder experimentalement a` la fonction structurale de ce residu ?
Dautre part, nous avons pleinement utilise la propriete de la Derive
detre deterministe (dans le mod`ele) : le developpement al fxl peut etre
extrait de lexpression des esperances, et disparat des variances. Mais
ne sommes-nous pas alles trop loin ? De quel droit associons-nous quasiinstinctivement la notion de regularite spatiale qui fonde la Derive et
celle de determinisme ? En realite, il est parfaitement possible delaborer
un mod`ele mathematique de Derive aleatoire et rien meme ninterdit que
cette Derive soit correlee avec le residu.
Mais cette demarche est purement mathematique ; si nous avons travaille
avec une Derive deterministe, cest parce que nous y sommes contraints
par la pratique. Comment en effet, sur un phenom`ene donne, pourrionsnous decider ce qui, dans son comportement basse frequence, doit etre
considere comme deterministe et ce qui doit etre considere comme
Realisation dune fonction aleatoire ? Puisque de toute facon la Derive
demeurera un Param`etre Conventionnel, attachons-nous au moins a`
respecter au mieux le principe deconomie.
Les deux questions :
3.2. Evaluation
optimale de la D
erive : id
ee directrice
Une evaluation de la Derive peut repondre a` deux buts bien distincts.
Dune part, tout simplement, se faire une representation plausible de la
106
Aide-M
emoire de g
eostatistique lin
eaire :
Attention a
` ne
pas franchir le
seuil de r
ealisme !
M (x)
Chapitre 6,
paragraphe 3.5.
3.3. Mod`
ele sous-jacent stationnaire
Pas de contrainte dautorisation. La contrainte dUniversalite :
E [ Z mx ]
LAU
al fl fxl
soit finalement :
fl fxl
(l)
Var [ Z ]
K + l fl
P
K + l fl
P
fl
()
fxl
(l)
[7]
107
secrit matriciellement :
K fl
fl
fxl
et, en notant
et D l les solutions de ce syst`eme, la variance
D
destimation est :
2
D
D l fxl
Paragraphe 2.4.
k
d
esigne le
degr
e de la D
erive
3.5. Mod`
ele sous-jacent intrins`
eque strict
Revenons a` lexpression de lestimateur, cette fois pour un mod`ele
intrins`eque strict. Il existe donc dans ce cas une condition dautorisation :
lexpression
Z m
doit avoir un poids total nul. Rappelons que mx nest quun param`etre
deterministe du mod`ele : lautorisation se traduit donc par :
LA
E [ Z mx ]
Mais :
comme
= 0, et comme f0 = 1 :
X
X
+
al fl
al fl
=
a0
l1
al fl
l1
108
Aide-M
emoire de g
eostatistique lin
eaire :
al fl al fxl
X
l1
al fl fxl a0
Paragraphe 2.3.1.
Chapitre 5,
paragraphe 1.2.
Chapitre 5,
paragraphe 1.3.
Fasc. 5, p149-151 ;
Chauvet, 1982,
paragraphe 3.3.
4. Les coefficients de la D
erive
Techniquement, le passage aux accroissements est la reponse adequate
aux difficultes rencontrees dans le mod`ele intrins`eque strict. Cette
operation, dailleurs, nous guidera bientot pour une generalisation des
notions de stationnarite.
Fasc. 5, p151-155 ;
Chauvet, 1982, chapitre 4.
[7]
109
4.1. Evaluation
des coefficients : mod`
ele stationnaire
De meme que nous avons pose le syst`eme destimation de la Derive
dans son ensemble, nous pouvons de la meme facon ecrire les equations
L.A.U.O. exprimant lestimation de chacun des coefficients al .
Il ny a, en mod`ele Sous-Jacent stationnaire dordre 2, aucune difficulte
a` construire cette estimation. Toutefois, il est peut-etre plus elegant de
proceder par identification en remarquant que les ponderateurs
sont
D
des combinaisons lineaires des fl , de sorte quil en est de meme de :
Mx
En guise d exercice...
Paragraphe 3.3.
Z
D
Mx
o`
u:
Al
Al fl
Fasc. 5, p151 ;
Chauvet, 1982, Chapitre
2, paragraphe 2.4.
le coefficient
etant solution dun syst`eme analogue a` celui de
lestimation de la Derive globale :
(l)
P
P
s
l K +
s l s f
P
l fs
()
ls
(s)
=
=
Cov
t Z ,
t l K
l Z
(1)
(2)
ls fs
ls ts
Cov [At , Al ]
tl
4.2. Evaluation
des coefficients : mod`
ele intrins`
eque
Par une approche directe, cest-`a-dire en suivant pour chaque coefficient
pris separement les etapes L.A.U.O. , ce probl`eme ne reserve
aucune surprise : lestimation des coefficients al (l 6= 0) se realise
sans encombres, et celle de a0 est impossible, parce quil y a alors
incompatibilite entre autorisation et universalite. Rien que de tr`es
110
Aide-M
emoire de g
eostatistique lin
eaire :
previsible donc : nous savions que toutes les difficultes seraient focalisees
sur le coefficient a0 .
Il se presente pourtant une circonstance troublante. Si nous procedons a`
cette estimation par identification, comme dans le paragraphe precedent,
nous aboutissons a` un formalisme unique pour lestimation de tous les
al (l 6= 0) : seuls changent les seconds membres, qui dependent seuls
de lindice l du coefficient a` estimer.
Fasc. 5, p152.
Chauvet, 1982,
paragraphes 3.4.2 & 3.4.3.
Al
l Z
(l 6= 0)
avec :
(l 6= 0)
et
P
P
s
l +
s l s f
l fs
Cov [At , Al ] = tl
0 ()
ls (s)
pour t 6= 0 et l 6= 0
A0
0 Z
4.3. Le probl`
eme du terme constant
Fasc. 5, p176-186.
Chauvet, 1982,
paragraphe 4.2.
4.3.1. Mod`
ele de D
erive al
eatoire
Jusqu`a present, nous avons astreint la Derive a` etre deterministe dans
le mod`ele, pour anticiper les conditions dune etude reelle.
Rien cependant dans la theorie nimpose un tel choix. Nous pouvons
donc adopter un mod`ele de dichotomie :
Z(x)
Y (x) + M (x)
o`
u, cette fois, M (x) soit une fonction aleatoire a` qui nous nimposons
meme pas detre independante de Y (x). En revanche, nous exigeons
toujours de M (x) un certain caract`ere de regularite, suffisant meme
pour que la covariance croisee de Y et de M accepte un developpement
limite selon une famille de fonctions de base f l . On se place donc ici
dans le cadre dun mod`ele Sous-Jacent stationnaire.
[7]
111
fl
fxl
qui a` elles-seules filtrent tout ce qui ne rel`eve pas du seul mod`ele SousJacent, cest-`a-dire tout ce qui dans le mod`ele depend dautre chose que
de la Fonction Aleatoire Y .
Conclusion : sous reserve seulement de certaines conditions de regularite,
nous savons estimer une Derive aleatoire pour un mod`ele Sous-Jacent
admettant une covariance.
4.3.3. Premi`
ere estimation dune moyenne mobile
Soit maintenant une fonction aleatoire Z , strictement intrins`eque sans
Derive. Soit par ailleurs une fonction de ponderation p, de poids total
1, ayant les proprietes de regularite requises. Posons :
M (x)
Y (x)
Z p
Z(x) M (x)
ement de r
4.3.5. El
eflexion
Nous renvoyons a` la bibliographie pour une critique parall`ele des deux
syst`emes obtenus aux deux paragraphes precedent.
Soulignons seulement que nous nous trouvons dans une situation
exemplaire, o`
u un meme etre mathematique peut conduire a` des
estimations fondamentalement differentes, selon la perspective adoptee.
Or, il faut bien se garder de voir l`a un pi`ege, ou une devinette du type
quel est le bon point de vue ? . Cest une situation normale, qui
nappelle pas une reponse toute faite, mais qui requiert dabord le sens
critique et la responsabilite du Geostatisticien.
Z(x)
Y1 (x) + m1 (x)
112
Aide-M
emoire de g
eostatistique lin
eaire :
o`
u Y1 (x) est intrins`eque strict et m1 (x) deterministe. Cette seconde
condition nest pas indispensable, mais on retrouve ainsi les conditions
exactes des 3.5 et 4.2.
Soit encore une fonction de ponderation p, de poids total 1, et ayant de
bonnes propri
etes de regularite . On peut ecrire :
Z(x)
avec :
Y (x) + M (x)
Y1 Y1 p
m1 + Y1 p
et :
M (x)
Al fxl
Paragraphe 4.2.
bonnes
proprietes de p).
Alors, Y a une covariance, parce que cest une CLA. On peut construire
lestimateur optimal de tous les coefficients de la Derive Al , et constater
que ces estimateurs ne dependent pas de la fonction de ponderation
p. Bien plus, ces syst`emes destimation sont tr`es exactement ceux que
lon aurait obtenus en estimant les coefficients de la Derive m1 , apr`es
addition du syst`eme correspondant au terme constant ao .
Exprimons ce resultat a` lenvers. Nous avons reussi a` donner un sens a`
loperation purement algebrique et a priori scabreuse consistant
a` etendre a` lindice l = 0 les syst`emes destimation des al en mod`ele
intrins`eque strict. Le A0 ainsi construit a donc le sens dune moyenne
ponderee, de structure reguli`ere, mais sans que lon connaisse exactement
la forme de la ponderation : ce qui nest dailleurs pas tr`es important,
puisque le resultat ne depend pas de cette ponderation, et que seule sa
variance en est affectee. Lestimateur non autorise A0 peut donc etre
interprete et, dans une etude reelle, on est desormais fonde a` le calculer.
5. Compl
ement sur les syst`
emes du Krigeage Universel
5.1. Hypoth`
ese et notations
Dans toute la suite du chapitre, nous supposerons la matrice du Krigeage
Universel reguli`ere. Par ailleurs, nous nous placerons ici dans le cadre
[7]
113
P
K + s fs
P
fl
()
Rl
(l)
o`
u ( Rl ) est un vecteur libre quelconque. Ce syst`eme, dont le syst`eme
est identique au syst`eme de KU, est regulier par hypoth`ese.
K fs
fl
ct
cs
st
0
Rl
on peut deduire
ou encore :
0
Rt
ct Rt
st Rt
=
=
, [
o`
u les matrices [B]
c] et [
] sont caracterisees par le syst`eme
K fs
fl
ct
cs
st
soit explicitement :
B K + cs fs
+ st fs
ct K
f l
B
l
ct f
(, )
[1]
(t, )
[2]
(, l)
[3]
tl
(l, t)
[4]
On remarque alors que le jeu des equations [2] et [4], qui peut secrire
matriciellement (t)
K fs
fl
ct
st
0
tl
ct
st
=
=
t
st
K fs
fl
!1
st
114
Aide-M
emoire de g
eostatistique lin
eaire :
5.3. Cons
equence : additivit
e des estimations
Appliquons cette expression de la matrice inverse au Krigeage Universel
proprement dit :
ZU (x)
avec
K fs
ft
On a donc
U (x)
U (x) Z
=
U (x)
U s (x)
Kx
fxt
Kx + t fxt
B
et
ZU (x)
=
=
Kx
B
Kx
B
+ Z t fxt
+ At fxt
ZU (x) At fxt
Kx
Z B
(1)
(x) K
Z B
S
(2)
(x)
Z
s
S
(x) fs As
(x) Z
S
S
s
(x)
Z
A
f
Chapitre 6,
paragraphe 3.3.1.
Krigeage
Simple ;
ZU (x) Mx
(x)
Z
[5]
ZU (x)
ZS (x) +
X
l
X
l
Al fxl
(x)f
[7]
115
5.4. Correction de D
erive
Posons
Z (x)
ZU (x) ZS (x)
[6]
Comme ZS (x) =
(x) Z , on deduit de [5]
S
Z (x)
M (x)
(x) M
S
Z (x)
(x)
(x)
Z
U
S
Si alors on pose
=
, il est immediat de verifier que les
U
S
satisfont le syst`eme
K fs
fl
0
fxl S (x) fl
Un exercice
el
ementaire,
qui sapparente a
` la
superposition des figures
de Krigeage,
Chapitre 6,
paragraphe 3.4.2.
(x)
X
l
l fxl
(x)f
s (x)
Paragraphe 4.1.
ls fxl
(x)fl
S
et on retrouve ainsi
Z (x) =
(x) Z =
X
l
X
Al fxl
(x)fl
S
[7]
5.5. Additivit
e des variances
De [6], qui secrit aussi
immediatement
Var ZU (x) Zx
Var ZS (x) Zx + Z
on tire
Var ZS (x) Zx
+ Var [Z ]
Paragraphe 2.4.4.
116
Aide-M
emoire de g
eostatistique lin
eaire :
U2 (x)
S2 (x) + Var [Z ]
U2 (x)
S2 (x)
Var
"
X
l
Al
fxl
S (x)fl
la somme double
!
X
X
l
l
S (x)f
Cov [Al , As ]
fx
l,s
Paragraphe 4.1.
fxs
S (x)fs
!
X
X
X
l
s
s
fxl
(x)f
(x)f
ls
S
S
l,s
et donc finalement
U2
S2
X
l,s
fxl
X
S (x)fs
(x)fl ls fxs
S
5.6. Commentaires
Voir annexe en seconde
partie de document.
6. Etapes
et probl`
emes de lAnalyse Variographique
Nous avons jusqu`a present admis que le mod`ele structural etait connu.
Nous savons que cest l`a une situation utopique, puisquil nest pas
[7]
117
Vraie
dans le
mod`
ele, et encore !...
M (x)
al fxl
z al fl
2
al
fs
fl
fs z
T sl
fs fl
al
Ssl
fs z
ou encore :
al
z (Ssl fs )
avec :
Al
l Z
Sls fs
Alors :
t
l f
Sls fs ft
Sls T st
lt
Fasc. 5, p62-167.
118
Aide-M
emoire de g
eostatistique lin
eaire :
R (x)
Z(x) Al fxl
Al
l Z
et
l f
lt
6.3. Probl`
emes de biais
Placons-nous dans le cas le moins restrictif du mod`ele Sous-Jacent
intrins`eque. Nous renvoyons a` la bibliographie pour le calcul detaille du
Variogramme des Residus. Ce calcul est sans difficulte, mais necessite
cependant une remarque.
Fasc. 5, p155-157 ;
Matheron 1970.
On demontre cependant quil est optimal dans le cas particulier dun phenom`ene
Sous-Jacent pepitique pur (bruit blanc).
[7]
119
JJJ
JJJ
6.4. Probl`
emes dind
etermination
Le biais est si considerable que, du mod`ele Sous-Jacent, seul subsiste le
comportement a` lorigine au niveau du Variogramme des Residus.
Cela pourrait netre pas trop grave si au moins on connaissait la
r`egle de transformation permettant de passer de lun a` lautre de ces
variogrammes. Du reste, cette r`egle existe en partie : il est, en effet,
facile dexprimer le Variogramme des Residus a` laide du Variogramme
Sous-Jacent ; la relation figure dans la formule du biais.
Malheureusement, cette relation nest pas une bijection : il existe toute
une classe de mod`eles Sous-Jacents admissibles differents correspondant
a` un Variogramme des Residus donne. Or, bien s
ur, cest dans ce sens-l`a
que la relation nous aurait interesses en pratique ; nous aurions voulu
pouvoir associer, par un algorithme direct, un et un seul Variogramme
Sous-Jacent a` un Variogramme des Residus donne, mais cela est donc
sans espoir : nous nous heurtons a` une indetermination fondamentale.
Nous renverrons une nouvelle fois a` la bibliographie pour une analyse
theorique fine de cette indetermination.
Matheron 1970.
Matheron 1970.
120
Aide-M
emoire de g
eostatistique lin
eaire :
Commentaires
Fasc. 5, p153-155.
Ce th
eor`
eme nest
Conclusion
seulement partielle !
Bibliographie
e en 1982) :
Ecole
dEt
Universal
[7]
121
Le
Compl
ements
Aspect
sur le th
eor`
eme dadditivit
e .
Annexe
122
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
G
eostatistique Intrins`
eque
Pr
esentation
Nous allons maintenant elargir lacception du mot intrins`eque ,
de facon a
` regrouper les differents mod`eles rencontres jusquici en
un formalisme unique.
Au premier paragraphe, on explicite la seconde approche possible
des phenom`enes non stationnaires. Cest la notion fondamentale
de Representation qui permet de faire le lien entre le mod`ele
probabiliste et le mod`ele primaire.
Le second paragraphe, tr`es bref parce que sans demonstration,
enonce le theor`eme fondamental de la Geostatistique Intrins`eque.
Au troisi`eme paragraphe, le Krigeage Intrins`eque se presente tout
naturellement, selon la demarche desormais habituelle. Cest ici
loccasion dexprimer en toute generalite les conditions necessaires
et suffisantes de regularite du syst`eme.
La presentation duale du krigeage autorise au quatri`eme
paragraphe une approche non probabiliste des formulations
precedentes et permet detablir lequivalence splineskrigeage.
Chapitre 7,
paragraphe 1.2.
Pour la suite de
cet expos
e, voir
Matheron, 1971.
124
Aide-M
emoire de g
eostatistique lin
eaire :
i Kij j
Kij
Cov [Zi , Zj ]
i ij j
o`
u par ailleurs est defini par :
ij
1
Var [Zi Zj ]
2
Loutil ainsi caracterise permet bien le calcul des variances des CLA.
Mais a` linverse, on a vu quil serait possible de prendre pour definition
du variogramme toute fonction qui assurerait legalite :
Var i Zi
i ij j
1 ) existe,
Kij
K(| xi xj |)
En resume :
III
1.3. D
efinition des CLAk
Ainsi, non seulement on exige que ces (futures) CLA aient une variance,
mais on veut de plus quelles soient stationnaires dordre 2.
Cette contrainte est lourde de consequences. Car la stationnarite
dordre 2 implique que les deux premiers moments soient invariants
par translation, ce qui suppose dej`a que le translate dune CLA soit
[8] G
eostatistique Intrins`
eque
125
Z()
i Z(xi )
La simplification tient
au nombre fini de points
dappui. Le passage au
continu ne poserait pas
de probl`
eme particulier
de compr
ehension.
Z()
h )
Z(
(h)
fil
(dt) f l (t)
JJJ
0)
o`
u lensemble des f l constitue une famille compl`ete dexponentiellespolyn
omes, cest-`a-dire :
JJJ
k
1
Equivalence
def.
(dt) f l (t) = 0
Une v
erification facile,
propos
ee a
` titre dexercice
126
Aide-M
emoire de g
eostatistique lin
eaire :
i fil = 0
Z()
i Zi
i Z(xi )
1.4.3. Deuxi`
eme d
efinition
dun espace k
On peut aussi appeler FAI-k une application lineaire Z
de CLA-k dans un espace de Hilbert de Variables Aleatoires desperance
h ) stationnaire en h.
nulle, avec Z(
1.4.4. Repr
esentation dune FAI-k : d
efinition
k :
Nous ne sommes pas
encore s
urs que cette
construction soit possible.
Z()
(dx) Z(x)
Si une telle relation peut etre etablie, linteret pratique en sera grand,
, objet
puisque le pont sera etabli entre letre mathematique abstrait Z
des etudes theoriques futures, et la Fonction Aleatoire non stationnaire
Z(x) censee modeliser la Variable Regionalisee. Il nous faut donc etablir
lequivalence entre les deux definitions.
1.4.5. Equivalence
entre les deux d
efinitions de FAI-k
Il est immediat que la premi`ere entrane la seconde. En effet, si pour
toute k la combinaison i Z(xi +h) est par hypoth`ese stationnaire
, la Fonction
dordre 2 en h, on peut constater immediatement que Z
Aleatoire definie par :
h )
Z(
i Z(xi + h)
une
La reciproque consisterait a` savoir comment associer a` toute FAI-k Z
Fonction Aleatoire non stationnaire satisfaisant a` la premi`ere definition
[8] G
eostatistique Intrins`
eque
127
Z(x) + Al f l (x)
o`
u les Al sont des Variables Aleatoires quelconques.
Voir deuxi`
eme
partie du document.
128
Aide-M
emoire de g
eostatistique lin
eaire :
1.4.8. Un exemple
Nous sommes maintenant en mesure dinterpreter la demarche du
` titre
Krigeage Universel en termes de Geostatistique Intrins`eque. A
`
dillustration, examinons la figure ci-apr`es en fin de chapitre. A
1 dimension, nous disposons de quatre Variables Regionalisees, que nous
pouvons interpreter comme Realisations de quatre Fonctions Aleatoires
differentes. Les courbes (1) et (2) diff`erent dune constante : elles sont
indiscernables en termes de Fonctions Aleatoires Intrins`eques Strictes,
puisque le travail sur les accroissements filtre les constantes.
Cest ici le moment dobserver que lapproche intrins`eque stricte a
sa place toute trouvee dans loptique de la Geostatistique Intrins`eque :
une FA intrins`eque stricte nest autre quune Representation
P de FAI-0,
et les CLA rencontrees dans le mod`ele intrins`eque strict ( i i = 0)
sont des CLA-0.
Voir peut-
etre
Chauvet, 1987 (b).
2. Covariances G
en
eralis
ees : th
eor`
eme fondamental
Remarquons dabord quune Combinaison Lineaire Autorisee dordre
(k + 1) satisfait a fortiori les conditions dune Combinaison Lineaire
Autorisee dordre k. On a donc linclusion :
k+1 k
stationnaire sur k sera a fortiori
Ainsi, une fonction aleatoire Z
stationnaire sur k+1 :
[8] G
eostatistique Intrins`
eque
129
et bien s
ur, par recurrence, elle est egalement une Fonction Aleatoire
Intrins`eque de tous ordres superieurs.
2.1. D
erive dune FAI-k
Par definition des FAI-k, toute CLA-k a ses deux premiers moments
stationnaires. Dans la definition, nous avons meme suppose que
lesperance etait nulle : nous travaillons sur des FAI-k sans d
erive.
Affranchissons-nous pour un instant de cette contrainte. On demontre
, sa projection sur lespace
alors que pour toute Representation de Z
des invariants par translation est un polynome de degre au plus egal a`
k + 1. De plus, les termes de degre au plus egal a` k dependent de la
Representation : ce ne sont pas des Caracteristiques Intrins`eques. En
revanche, le polynome homog`ene de degre (k + 1) est commun a` toutes
les Representations : cest donc une Caracterisqique Intrins`eque, appelee
par definition d
erive de la FAI-k, et cest lui seul qui determine la valeur
de lesperance de toute Combinaison Lineaire Autorisee dordre k. Mais
egalement, du fait quil est de degre (k + 1), il sera filtre par toute
Combinaison Lineaire Autorisee dordre (k + 1). Do`
u le resultat :
Paragraphe 1.4.3.
ce qui justifie que nous ne travaillions que sur des FAI-k sans derive.
2.2. Covariance G
en
eralis
ee : d
efinition
Designons par Rn lespace de definition de la Variable Regionalisee z(x)
:
associee a` la Fonction Aleatoire Intrins`eque dordre k Z
Une fonction K(h) definie sur Rn est UNE Covariance Generalisee
, si
pour la Fonction Aleatoire Intrins`eque dordre k notee Z
k :
K(h)
Var Z()
Z Z
K(h)
Si une telle fonction existe, elle compl`ete larsenal dont nous avons besoin
pour travailler a` lordre 2 sur les FAI-k. Comme nous avons en effet
suppose que nous nous ramenons a` des FAI-k sans derive, toutes les
esperances de CLA-k sont nulles ; et la definition ci-dessus permet le
calcul de toutes les covariances, puisquon peut en deduire aisement :
, k
Cov Z(),
Z()
Z Z
E Z().
Z()
Z Z
130
Aide-M
emoire de g
eostatistique lin
eaire :
2.3. Th
eor`
eme dexistence et dunicit
e
Le theor`eme fondamental de la Geostatistique Intrins`eque senonce alors
comme suit :
Theor`eme :
Matheron, 1971
(b), p20-35.
Matheron, 1971
(b), p32-33.
K(h)
h | h |2k+2
lim
Chapitre 5,
paragraphe 1.4.
Justification de la notation
K adoptee dans les
chapitres pr
ec
edents.
Z Z
Une fonction symetrique verifiant cette propriete est dite de type positif
conditionnel. Ladjectif conditionnel se ref`ere au fait que cette
relation nest vraie que pour une gamme restreinte de mesures . Et
comme k+1 k , il sensuit quune fonction de type positif a` lordre
k lest a fortiori a` lordre k + 1 : on retrouve tout simplement la
generalisation du passage de la Covariance stationnaire K a` .
Remarque : notons au passage le caract`ere un peu hybride du
variogramme puisque, en loccurrence, cest (et non lui-meme)
qui sins`ere dans la famille des fonctions de type positif conditionnel.
Matheron, 1971
(b), p19-20
[8] G
eostatistique Intrins`
eque
131
Z Z
=0
Z Z
` titre dexercice...
A
(dx) P (x y) (dy) = 0
Matheron, 1971
(b), p20-23.
Matheron, 1971
(b), p38-43.
3. Le Krigeage Intrins`
eque
Tout est en place desormais pour exprimer le Krigeage dans le cadre
du mod`ele FAI-k : le krigeage intrins`
eque. Il sagira cette fois dune
expression synthetique dans laquelle le polynome pair dindetermination
est enti`erement transparent . Quant a` la demarche de construction
du syst`eme de Krigeage, elle est immuable. Nous nous bornerons, ici
encore, au cas du Krigeage ponctuel.
Chapitre 6,
paragraphe 3.2.7.
3.1. L.A.U.O.
Linearite : lErreur dEstimation Z (x) Z(x) doit etre une
Z (x)
le poids
aux points
au point
fl fxl
(l k)
x
La condition dautorisation peut secrire, de facon un peu plus abstraite :
x k
132
Aide-M
emoire de g
eostatistique lin
eaire :
Z [ x ]
Var [ Z Zx ]
[ x ]
Var Z
et donc :
2 =
Z Z
(dt) x (dt) K(t u) (du) x (du)
R`
egle de substitution,
analogue a
` celle
du Chapitre 5,
paragraphe 1.3.
K 2 Kx + Kxx
Mais il est encore beaucoup plus simple de remarquer que, pour toute
Combinaison Lineaire Autorisee, la variance se calcule COMME SI il
y avait une Covariance Stationnaire, mais en remplacant formellement
celle-ci par la Covariance Generalisee.
Loptimisation sous contrainte conduit alors sans difficulte aux
conditions doptimalite :
K + l fl
Kx
3.2. Le syst`
eme de Krigeage Intrins`
eque
On obtient finalement le syst`eme :
P
K + l fl
P
fl
Kx
()
fxl
(l)
et la variance :
I2
Kxx
Kx I l fxl
I
o`
u lindice I rappelle quil sagit du Krigeage Intrins`eque, et que les
ponderateurs I et multiplicateurs de LagrangeI sont les solutions
de ce syst`eme de Krigeage Intrins`eque.
Sous forme matricielle :
K fl
fl
Kx
fxl
[8] G
eostatistique Intrins`
eque
133
3.3. Propri
et
es du syst`
eme de Krigeage Intrins`
eque
Lensemble des proprietes (superposition des figures de Krigeage,
orthogonalite et lissage) rencontrees dans le cadre stationnaire strict
peuvent trouver leur expression la plus generale dans le formalisme de
la Geostatistique Intrins`eque :
Chapitre 6,
paragraphe 3.4.3.
P
(x) K + l (x) fl
P
(x) fl
Kx
()
fxl
(l)
(Z)
Z(x) (dx)
(Z)
[Z ]
(Z)
avec
I (x) (dx)
3.3.2. Orthogonalit
e
Soit par ailleurs une Combinaison Lineaire Autorisee quelconque :
Z , avec
Cov Z(x)
Z , Z
I
(1)
Kx I K
(2)
I l (x) fl
(3)
JJJ
134
Aide-M
emoire de g
eostatistique lin
eaire :
3.3.3. Lissage
Pour generaliser enfin la propriete de lissage, il faut dabord noter quen
mod`ele intrins`eque, on na plus le droit de parler de la variance de Z (x)
non plus bien s
ur que de la variance de Z(x) parce que lerreur de
I I I krigeage Z(x) Z (x) etant une CLA, Z (x) ne peut letre. On doit
donc se limiter a` lexamen
de formes lineaires (Z), selon les notations
Z
f l (t)(dt) = 0.
ci-dessus, o`
u de plus
2
Notons alors
la variance destimation de (Z), soit :
2
Var [ (Z)]
2
et, en reportant cette egalite dans lexpression de
, on obtient la
simplification
2
ce qui implique
Var [ (Z)]
Var [(Z)]
[8] G
eostatistique Intrins`
eque
135
3.4. Conditions de r
egularit
e du syst`
eme de Krigeage
Exprimons maintenant le theor`eme relatif a` la regularite du syst`eme
de Krigeage Intrins`eque. Il est bien s
ur clair que cet enonce pourra se
transposer sans peine au cas du Krigeage Universel.
Theor`eme :
Le syst`eme de Krigeage Intrins`eque est regulier si et
seulement si :
= 0
=0
4. Pr
esentation duale du Krigeage
Dans tout ce paragraphe, nous supposerons essentiellement le syst`eme
de Krigeage Intrins`eque regulier, et le jeu de donnees fixe.
P
K + l fl
P
fl
Kx
()
fxl
(l)
z (x)
(x) z
z (x)
b Kx + cl fxl
136
Aide-M
emoire de g
eostatistique lin
eaire :
4.2. Syst`
eme de Krigeage dual
Remplacons, dans lexpression duale, les fonctions K et f par leurs
formulations issues du syst`eme direct. On obtient ainsi une identite entre
des fonctions de x :
(x) z
z (x)
b (x) K + l (x) fl + cl (x) fl
et par identification :
P
b K + cl fl
P
b fl
( )
(l)
z (x)
b Kx + cl fxl
o`
u les b et cl sont caracterises par le syst`eme dual. On perd toute
interpretation probabiliste, en particulier la notion de variance.
Linteret de cette formulation apparat en cartographie. Pour un jeu fixe
de donnees, il y a un seul syst`eme a` resoudre, et donc peu de coefficients
a` garder en memoire, et ceci pour le calcul dautant de z (x) que lon
veut. On dispose de plus dune equation implicite des courbes de niveau.
Les caract`eres (analytiques) de regularite des courbes de niveau sont des
consequences immediates de lexpression des fonctions Kx .
4.3. Interpr
etation des
equations duales
4.3.1. Recherche dun nouvel interpolateur
Cherchons a` construire un interpolateur z (x) satisfaisant aux trois
conditions suivantes :
b Kx + cl fxl
z (x )
x :
b K + cl fl
[8] G
eostatistique Intrins`
eque
137
4.3.2. R
ole des contraintes b fl = 0
On remarque que, compte-tenu des deux premi`eres conditions, cette
propriete de compatibilite de linterpolateur avec les derives est assuree
par la condition b fl = 0. En effet, pour s fixe, si z = fs et
b fs = 0, la condition dinterpolation exacte donne :
b K b + cl fl b
z b
fs b
z (x) = fxs
Ainsi, la condition b fs = 0 est une condition suffisante pour quun
interpolateur exact de la forme {b Kx + cl fxl } soit Compatible avec
les Derives fxl .
4.3.3. Caract
erisation du syst`
eme dual
Rien nassure que la condition b fs = 0 soit necessaire pour garantir
la propriete de compatibilite avec les derives. Autrement dit, il nest
pas certain que les trois conditions ci-dessus permettent de definir un
interpolateur unique.
En revanche, un interpolateur z (x)
P
b K + cl fl
P
b fl
( )
fxl
(l)
4.4. Equivalence
splineskrigeage
La presentation du Krigeage Intrins`eque comme un interpolateur,
hors de toute interpretation probabiliste, soul`eve la question de la
comparaison du Krigeage a` dautres techniques dinterpolation.
Une methode classique dinterpolation est le formalisme des Splines :
sous sa forme la plus generale, on peut dire que linterpolation par Splines
consiste a` minimiser lintegrale despace du carre dun certain operateur
lineaire (differentiel par exemple), tout en respectant les valeurs aux
points de donnees.
Un theor`eme, dont la conclusion pourrait sans doute paratre inattendue,
etablit alors quil y a stricte equivalence entre Spline et Krigeage : tout
probl`eme de Spline peut etre exprime en terme de Krigeage (ce qui ne
signifie nullement quil soit facile de trouver la Covariance Generalisee
correspondante !), et a` tout Krigeage correspond une Spline et trouver
loperateur correspondant est encore plus difficile.
La demonstration de ce theor`eme nest pas aisee. Nous ne proposons
en annexe que lexamen du cas fini. Ce resultat en tout cas est assez
etonnant dans la mesure o`
u il traduit lequivalence theorique entre
une demarche qui privilegie les contraintes amont (cest-`a-dire le
Matheron, 1980.
138
Aide-M
emoire de g
eostatistique lin
eaire :
Bibliographie
La th
eorie des Fonctions Al
eatoires G
en
eralis
ees ,
Matheron, 1971.
Cest pourquoi, dans lesprit de cet expose, nous ne pouvons que suggerer
une presentation simplifiee, en particulier celle de :
Les Fonctions Al
eatoires Intrins`
eques dordre k ,
Delfiner & Matheron, 1980.
Estimation g
eostatistique de ph
enom`
enes r
egis par des
equations aux d
eriv
ees partielles , Dong, 1990.
[8] G
eostatistique Intrins`
eque
139
Krigeage Trigonometrique :
G
eostatistique des ph
enom`
enes a
` tendance p
eriodique ,
Seguret, 1991.
D
emonstration
Equivalence
Etude
du th
eor`
eme des Repr
esentations .
Spline-Krigeage .
de la bathym
etrie sur le site du Titanic .
Annexe
140
Aide-M
emoire de g
eostatistique lin
eaire :
Figure 1
Chapitre 9
Introduction
`
a la G
eostatistique
Multivariable
Pr
esentation
Dans loptique dune simple revision des principes generaux de la
Geostatistique Lineaire, nous conclurons cette partie du document par
quelques elements de Geostatistique Multivariable. Conformement a
`
lesprit de cet Aide-Memoire, il sagit surtout de poser des jalons,
et dindiquer au cas par cas les references indispensables a
` un
approfondissement du sujet.
Au premier paragraphe, on examine la necessite du recours a
`
une technique qui sannonce plus compliquee que la Geostatistique
monovariable, et on en definit les principales hypoth`eses et notations.
Le second paragraphe est consacre au mod`ele structural multivariable :
on presente les principales proprietes des covariances croisees, en en
soulignant certaines nouveautes par rapport au cas monovariable, et
on justifie labandon, dans la suite du chapitre, du mod`ele intrins`eque.
Dans le cas le plus simple de FASt-2 desperances nulles, on
pose au troisi`eme paragraphe les premi`eres equations destimation
multivariable. Les proprietes essentielles du cokrigeage, ainsi que
quelques reflexions generales, sont exposees une fois pour toutes.
Le quatri`eme paragraphe generalise le precedent, lorsquil existe des
derives (cokrigeage universel et coestimation optimale des coefficients
des derives). Sans innovation theorique, ce paragraphe qui met en
evidence la complexite des notations est plut
ot un recueil de formules,
mais souligne aussi combien la pratique du cokrigeage peut etre lourde.
Il faut donc envisager des simplifications au syst`eme de cokrigeage.
Au paragraphe cinq, le mod`ele lineaire de coregionalisation nest
quun exemple (restrictif) de telles simplifications, mais est loccasion
dexpliciter quelques r`egles de transformations des donnees. La notion
dautokrigeabilite est introduite en conclusion, comme generalisation
de ce mod`ele trop particulier.
Lanalyse krigeante, seulement evoquee au paragraphe six, est un
cas dapplication du mod`ele lineaire de coregionalisation. On met
surtout en evidence les risques, dans une approche qui comporte des
indeterminations mathematiques, de trop solliciter le mod`ele et de
franchir le seuil de realisme.
Au septi`eme paragraphe enfin, la technique de la derive externe est
sommairement presentee comme alternative possible au cokrigeage.
1. Position du probl`
eme et notations
1.1. Remarque pr
eliminaire
Etrangement,
il nest peut-etre pas aussi facile que lon pourrait
croire de definir la fronti`ere entre etudes mono- et multivariable. Ainsi
142
Aide-M
emoire de g
eostatistique lin
eaire :
(h)
i (h)
o`
u en general ces mod`eles elementaires i rev`elent des structures
dechelles differentes : (h) est ce que lon appelle classiquement un
mod`
ele gigogne.
La decomposition du variogramme modelise est un simple choix cense
pertinent au cours de lAnalyse Variographique, et lon pourrait en rester
l`a. Mais il est possible de chercher a` interpreter une telle decomposition :
on peut par exemple envisager que la Fonction Aleatoire Z dont z est
realisation soit la somme de Fonctions Aleatoires Zi independantes, de
variogrammes respectifs i . Do`
u le mod`ele
Z(x)
Zi (x)
avec
i (h)
1
Var [Zi (x + h) Zi (x)]
2
et Zi et Zj independantes si i 6= j .
Notons tout dabord, ce qui est essentiel, que ce mod`ele nest pas le
Chapitre 1,
paragraphe 4.3.
Chapitre 7,
paragraphe 6.2.
R (x)
Chapitre 5,
paragraphe 3.2.
)
Z(x) Z(v
x
[9] Introduction a
` la G
eostatistique Multivariable
143
Bien s
ur, ces deux exemples qui peut-etre ne viennent pas
immediatement a` lesprit, mais nont pourtant rien dartificiel ne
sauraient faire oublier le cas multivariable le plus simple : celui o`
u
lon dispose de donnees sur differentes variables. Et cette fois, il y
a plethore dexemples : environnement (sites a` pollutions multiples),
gisements polymetalliques, donnees mini`eres etudiees par le triplet
teneurpuissanceaccumulation, recherche petroli`ere (donnees aux puits
et campagnes geophysiques), meteorologie (vent, pression, temperature,
etc. ). Selon les cas, ces differentes variables sont simplement correlees
(par exemple, les teneurs PbZnAg. . . dans un gisement), ou
couplees par des relations physiques simples (puissances partielles
et totale dans une structure sedimentaire. . . ) ou moins simples
(radioactivite et teneur dans un gisement duranium. . . ) , ou reliees
par des equations aux derivees partielles (debitchargepermeabilite en
hydrogeologie. . . ) : la combinatoire est immense, ce qui laisse presager
les difficultes (au moins pratiques) du traitement multivariable, et la tr`es
grand variete de probl`emes a` resoudre.
Mais dans cet incroyable fouillis de cas de figures possibles, deux
exigences permanentes apparaissent, communes a` la quasi-totalite des
situations envisageables :
et, dans tous les cas, nous devons pouvoir proposer un mod`ele
structural multivariable decrivant non seulement lorganisation
spatiale de chacune des variables considerees separement, mais
encore leur organisation conjointe en dautres termes leur
cor
egionalisation. On devine que cette etape sera decisive pour
toute etude multivariable, et que cest a` ce niveau que se
presenteront a` la fois les nouveautes theoriques, et les principales
difficultes dapplication.
Comme il sagit dun prerequis a` tout traitement multivariable, nous
examinerons dabord le probl`eme de la modelisation. Et parce quil est
previsible que nous rencontrerons des difficultes nouvelles, dinference
statistique comme de formalisation theorique, nous devons plus que
jamais nous preoccuper du Seuil de Realisme de nos manipulations, et
Chapitre 1,
paragraphe 1.3.
Chapitre 1,
paragraphe 4.2.
1.2. N
ecessit
e dun mod`
ele multivariable : un exemple simpliste
Le matre mot qui doit nous guider dans notre reflexion est celui de
coherence 1 . Ladequation de nos mod`eles a` la realite physique est affaire
1
JJJ
144
Aide-M
emoire de g
eostatistique lin
eaire :
KA+B
En loccurrence, dans ce
cas simpliste, il sagit
de trois
equations a
`
une seule inconnue
Voir Chapitre 6,
paragraphe 3.3.1.
...
KA + KB
A (x+h)
KA (h)
KA (0)
A(x)
B (x+h)
KB (h)
KB (0)
B (x)
(A + B) (x+h)
KA+B (h)
KA+B (0)
(A + B)(x)
(A + B) (x+h)
[9] Introduction a
` la G
eostatistique Multivariable
145
Matheron, 1982.
146
Aide-M
emoire de g
eostatistique lin
eaire :
1.4. Notations
On conserve naturellement lecriture Z pour designer la Fonction
Aleatoire etudiee (et z pour la Variable Regionalisee associee). Mais
cette fois se pose le probl`eme du domaine de definition de cette FA.
Dans une premi`ere optique, on peut considerer que lon travaille sur un
ensemble de d Fonctions Aleatoires, en general non independantes,
definies sur un meme espace geographique . On dispose donc dune
famille de fonctions
Zi (x)
o`
u
x Rn
i D
[1]
Z(x, i)
o`
u
(x, i) R n
[2]
Si
x Rn :
[3]
et bien s
ur, Si R n . Sauf dans le cas Isotopique, les Si (qui sont
donc au nombre de d) sont distincts ;
(x, i) R n D :
[4]
[9] Introduction a
` la G
eostatistique Multivariable
147
mi (x)
E [Zi (x)]
[5]
m(x, i)
E [Z(x, i)]
[6]
ou
nous aurons dans le cas general tout avantage a` la developper selon un
seul indice l, cest-`a-dire a` ecrire
mi (x)
m(x, i)
al f l (x, i)
[7]
Kij (x, y) = Cov Zi (x), Zj (y) = Cov [Z(x, i), Z(y, j)]
[8]
XZ
i
i (dx) Z(x, i)
Rn
respectivement :
XZ
i
i (dx) Zi (x)
Rn
m(x, i)
E [Z(x, i)]
( i D, x R n )
[9]
Kij (x, x + h)
3
Kij (y, y + h)
Fasc. 5, p187.
148
Aide-M
emoire de g
eostatistique lin
eaire :
Kij (h)
[10]
en rappelant que dans cette ecriture Kij (h), cest bien la variable
dindice i qui se trouve a` l origine du vecteur h et la variable dindice
I I I j a` son extremite .
2.2. Propri
et
es
el
ementaires des covariances crois
ees
Pour simplifier, on supposera toujours que nous travaillons sur des
FA reelles, ce qui est dailleurs le cas dans la tr`es grande majorite
des etudes. En particulier, la notation | | representera une valeur
absolue, plutot quun module. Les proprietes des Covariances Croisees
stationnaires se presentent alors comme une generalisation de celles de
covariances monovariables, et cest surtout aux nouveautes quil faudra
preter attention :
Chapitre 3,
paragraphe 2.3.
Paragraphe 6.
en general,
III
III
Kij (h)
Kij (h)
pour
i 6= j
Paragraphe 2.1.
...
Kij (h)
4
Kji (h)
[9] Introduction a
` la G
eostatistique Multivariable
149
JJJ
Kij (0)
ij
Kij (0)
[11]
ii jj
monovariable
Var
"
XZ
i
(dx) Z(x, i)
R
XZ
i, j
JJJ
150
Aide-M
emoire de g
eostatistique lin
eaire :
ij (h) =
1
Cov [Z(x + h, i) Z(x, i) , Z(x + h, j) Z(x, j)]
2
ou encore
ij (h) =
[12]
1
Cov i (x; h) , j (x; h)
2
Il sagit de notations
usuelles en calcul
aux diff
erences finies.
i (x; h)
Z(x + h, i) Z(x, i)
Zi (x + h) Zi (x)
ij (x, a; y, b) =
1
Cov i (x; a) , j (y; b)
2
ij (h)
ij (x, h; x, h)
cest-`a-dire si la fonction
ij permet de connatre la fonction ij ,
en revanche, la connaissance de ij nentrane pas celle de
ij .
Plus precisement, a` laide des fonctions ij (h), on peut seulement
exprimer des quantites de la forme 6
III
n
o
ij (x, a; y, b) + ji (x, a; y, b)
mais pas les
ij (x, a; y, b) consideres separement.
6
[9] Introduction a
` la G
eostatistique Multivariable
151
ij (h)
Kij (0)
JJJ
z(x + h, i) z(x, i) . z(x + h, j) z(x, j)
ij (h) =
1
Var [Z(x + h, i) Z(x, j)]
2
Cit
e dans Wackernagel,
1992, p49.
M
eme dans le cas
isotopique, le calcul
exp
erimental de telles
fonctions est tr`
es d
elicat.
152
Aide-M
emoire de g
eostatistique lin
eaire :
LAUO
Fasc. 5, p187.
Chapitre 6,
paragraphe 3.3.1.
Paragraphe 1.4.
Z (x0 , i0 )
X Z
jD
j (dy) Z(y, j)
S
[13]
o`
u la mesure qui sera notee S , avec un indice S comme
pour la distinguer dautres solutions est caracterisee par
le syst`eme dequations
Naturellement, la mesure
solution des
equations
est fonction de la
variable cible et du
point g
eographique cible.
simple ,
X Z
j
Sj
(x, i) S
Kii0 (x, x0 )
[14]
Lestimateur de
Cokrigeage
ZS (x0 , i0 )
X Z
jD
S (dy) Z(y, j)
S
S2 (x0 , i0 )
Ki
0 0
(x0 , x0 )
X Z
jD
8
[9] Introduction a
` la G
eostatistique Multivariable
153
Paragraphe 1.4.
3.2. Propri
et
es du syst`
eme
De facon generale, les proprietes du syst`eme de Cokrigeage simple
ne representent rien de nouveau au plan theorique : le point de
vue multivariable = monovariable sur un espace produit permet
de transposer sans difficulte les resultats acquis dans les chapitres
precedents. Mais comme les notations sont parfois un peu embrouillees,
on profite de la grande simplicite du mod`ele FASt-2 desperances
nulles pour recapituler une fois pour toutes ces proprietes qui nous
accompagneront dans tous les mod`eles ulterieurs, a` des modifications de
detail pr`es qui seules seront alors mentionnees au coup par coup.
( K )
o`
u les indices , , . . . designent des elements (x, i) de S est en
general presentee sous la forme :
..
..
..
.
.
.
Paragraphe 1.4.
3.2.2. Conditions de r
egularit
e
Dans le cas particulier du cokrigeage en FASt-2 desperances nulles,
labsence de Fonctions de Base dans le syst`eme rend la condition de
regularite peu instructive. Il faut et il suffit, en effet, que la matrice de
covariances K soit de type positif strict.
Mais, meme si cela est probablement tr`es dangereux au plan pratique,
rien ninterdit theoriquement denvisager quil ny ait aucune donnee
relative a` la variable a` estimer. Autrement dit, avec les notations
adoptees pour construire le syst`eme, on pourrait supposer que Si est
0
vide sans pour autant que cela implique necessairement la singularite
Paragraphe 3.1.
154
Aide-M
emoire de g
eostatistique lin
eaire :
` titre de tr`
A
es
facile exercice.
Z (x0 , i0 )
j (dy) Z(y, j)
S
3.2.3. S
eparation des variables
Dans le cas particulier o`
u les differentes variables sont independantes,
les Covariances Croisees sont toutes identiquement nulles, et la matrice
de Cokrigeage se simplifie en
K22 (2 ,2 )
K11 (1 ,1 )
0
..
.
..
.
..
.
Kdd (d ,d )
Il y a s
eparation des variables, et il est immediat de voir que pour
construire Z (x0 , i0 ), il suffit de realiser un Krigeage Simple
(monovariable) sur la variable i0 , les donnees relatives aux autres
variables etant affectees dun poids nul. Ce resultat est naturellement
parfaitement intuitif, une variable non correlee avec la variable dinteret
ne pouvant apporter aucune information. Incidemment, cette Separation
des Variables ninterdit pourtant pas de realiser lestimation meme
si aucune donnee nest disponible sur la variable dinteret : mais
lestimateur optimal sera alors egal a` 0. . . situation mathematiquement
acceptable certes, mais bien peu realiste 10 .
De facon plus nuancee, cela depend de la confiance que lon peut accorder a`
la determination des moyennes (mais cest un probl`eme general du KS) et a` la
correlation entre variables . [Note dun relecteur].
10
[9] Introduction a
` la G
eostatistique Multivariable
155
Paragraphe 5.
(A + B)Cok (x)
ements de r
3.3. El
eflexion g
en
erale sur le cokrigeage
Bien que nous ne soyons encore actuellement que dans le cadre le plus
restrictif des FASt-2 sans derive, il est bon dindiquer d`es a` present
quelques remarques qui ne feront que prendre plus dacuite a` mesure
que les hypoth`eses de travail seront moins exigeantes donc que les
mod`eles seront plus generaux.
Ainsi, il a dej`a ete mentionne que plus que le Krigeage monovariable,
le Cokrigeage risquait de se heurter au Seuil de Realisme. Dans la
mesure meme o`
u le mod`ele structural est considerablement enrichi
Chapitre 7,
paragraphe 2.4.4.
156
Aide-M
emoire de g
eostatistique lin
eaire :
du Principe dEconomie.
Savoir renoncer a` une information dont on ne
saurait pas faire un usage raisonnable, peut se reveler beaucoup plus
sage et plus efficace que jongler avec des notions mal matrisees ou mal
adaptees a` la situation concr`ete.
Chapitre 3,
paragraphe 3.3.
Terminologie un peu
provocante, emprunt
ee a
`
la physique contemporaine.
[9] Introduction a
` la G
eostatistique Multivariable
157
Une fois de plus, on donne volontairement a` cet enonce une formulation intuitive.
Plus encore que dans la Geostatistique monovariable, le doigte (pour ne pas dire le
flair ) du praticien est ici d
ecisif, plus sans doute que ne le serait une definition
rigoureuse de ce que peut etre la proximite de lIsotopie.
Chapitre 7,
7.
paragraphe 4.3.
Une r
ep
etition, certes,
une fois de plus ; mais
probablement utile ! (cf.
Chapitre 1, paragraphe 1.)
158
Aide-M
emoire de g
eostatistique lin
eaire :
4. Le cokrigeage universel
4.1. Dernier retour sur le mod`
ele intrins`
eque
Paragraphe 2.3.2.4.
Z (x0 , i0 ) Z(x0 , i0 )
X Z
jD
Paragraphe 1.4.
i0 (dy)
j (dy)
Si 0
Les fonctions
de base sont en
loccurrence les constantes.
Sj
(j 6= i0 )
Sj
12
[9] Introduction a
` la G
eostatistique Multivariable
159
4.2. Les
equations du cokrigeage universel
On se place donc desormais definitivement dans le cadre dun mod`ele
Sous-Jacent stationnaire dordre 2.
4.2.1. Description de la d
erive
Il ne serait pas difficile, sinon peut-etre au niveau des notations,
de construire le syst`eme de cokrigeage en presence de Derives
(eventuellement de degres differents) pour un mod`ele Sous-Jacent
stationnaire dordre 2, en decrivant separement chacune des Derives
mi (x) par un developpement ad hoc (on adopterait donc le point de
vue de la formule [5]). Cest du reste ce que lon fait en pratique lorsquil
sagit de traiter un probl`eme particulier : il nest pas rare alors que
lon puisse introduire des simplifications decriture, ce qui nest pas
negligeable pour la lisibilite des calculs et des resultats.
Paragraphe 1.4.
Cest aussi le point
de vue d
evelopp
e
au paragraphe 5,
pour introduire la
corr
elation intrins`
eque.
Z(x, i)
[15]
o`
u Y (x, i) est une FASt-2 desperance nulle et de covariance Kij , et
m(x, i) admet le developpement [7] :
m(x, i)
al f l (x, i)
Paragraphe 1.4.
[7]
R1 {1, 2}
JJJ
...
160
Aide-M
emoire de g
eostatistique lin
eaire :
f 0 (x, 2) = 0
f 1 (x, 1) = x
f 1 (x, 2) = 0
..
.
..
.
f k1 (x, 1) = xk1
f k1 (x, 2) = 0
f k1 +1 (x, 1) = 0
f k1 +1 (x, 2) = 1
f k1 +2 (x, 1) = 0
f k1 +2 (x, 2) = x
..
.
..
.
f k1 +k2 +1 (x, 1) = 0
cas o`u les deux derives m(x, 1) et m(x, 2) sont egales, de degre k .
Cette fois, on pourra prendre la famille
f 0 (x, 1) = 1
f 0 (x, 2) = 1
f 1 (x, 1) = x
f 1 (x, 2) = x
..
.
..
.
f k (x, 1) = xk
f k (x, 2) = xk
d
m(x, 1)
dx
f 0 (x, 1) = 1
f 0 (x, 2) = 0
f 1 (x, 1) = x
f 1 (x, 2) = 1
f 2 (x, 1) = x2
f 2 (x, 2) = 2x
..
.
..
.
f k (x, 1) = xk
f k (x, 2) = k xk1
On peut bien s
ur envisager des couplages encore plus exotiques.
Mais le formalisme adopte rend inutiles des developpements particuliers,
et lexpression de la Derive sous la forme [7] permet de decrire toutes
les situations, pourvu naturellement quen pratique la famille f l ait ete
choisie judicieusement.
LAUO
Chapitre 7,
paragraphe 3.3.
Avec les choix de notations qui ont ete faits, il est inutile de developper
les quatre etapes de construction du syst`eme : on sait par avance que le
resultat se transcrit exactement du syst`eme de Krigeage Universel, soit :
Z (x0 , i0 )
X Z
jD
U (dy) Z(y, j)
S
[16]
[9] Introduction a
` la G
eostatistique Multivariable
161
o`
u la mesure U est caracterisee par le syst`eme dequations
((x, i) S , l {1, 2, , k})
X Z
X
j
U s f s (x, i)
(dy)
K
(x,
y)
+
ij
U
jD Sj
s
Z
X
U (dy) f l (y, j)
jD
Kii (x, x0 )
f l (x0 , i0 )
Sj
[17]
U (x0 , i0 )
Ki0 i0 (x0 , x0 )
X Z
jD
U s f s (x0 , i0 )
[18]
Si lon autorise lensemble des variables a` se reduire a` un seul element,
et lensemble des fonctions de base a` etre vide, les deux expressions [17]
et [18] resument la totalite des krigeages que nous avons rencontres dans
le present document. . .
4.3. Compl
ements sur le cokrigeage universel
4.3.1. Propri
et
es alg
ebriques du cokrigeage universel
Le syst`eme de Cokrigeage etant classiquement suppose regulier 14 , les
proprietes qui en decoulent sont immediates :
l {1, 2, , k} :
XZ
j
j (dy) f l (y, j)
[19]
Sj
lerreur de Cokrigeage
est orthogonale a` la combinaison lineaire
Z
dintegrales
X
j
Sj
XZ
j
Sj
j (dy) Z(y, j)
162
Aide-M
emoire de g
eostatistique lin
eaire :
4.3.2. R
egularit
e du syst`
eme
Annexe 5.
l {1, 2, , k} :
XZ
j
j (dy) f l (y, j)
[19]
Sj
on a limplication :
XZ
Paragraphe 4.2.1.
i,j
Si
{ = 0}
Paragraphe 1.4.
m(x, i)
al f l (x, i)
Al
X Z
jD
l (dy) Z(y, j)
S
o`
u l (dy) est solution du syst`eme
X Z
X
j
jD Sj
s
Z
X
l (dy) f s (y, j)
jD
Sj
ls
[20]
[9] Introduction a
` la G
eostatistique Multivariable
163
= tl
Ces resultats sont valables quel que puisse etre le couplage eventuel
(ou au contraire lindependance algebrique) entre les derives de chacune
des variables.
4.3.4. Pr
esentation duale du cokrigeage universel
Enfin, grace a` la modelisation [7] adoptee pour la Derive, on etablit
immediatement pour la forme duale du Cokrigeage Universel une
expression du type
z (x0 , i0 )
X Z
jD
Simple transcription
des
ecritures du
cas monovariable,
etablies en annexe 3.
as f s (x0 , i0 )
en adoptant ici encore une notation par des mesures. Cette expression
est valable (x0 , i0 ) S , les mesures et les coefficients a etant
solutions du syt`eme ((x, i) S , l {1, 2, , k})
X Z
X
j
as f s (x, i)
(dy)
K
(x,
y)
+
ij
jD Sj
s
X Z
j (dy) f l (y, j)
jD
z(x, i)
Sj
[21]
{Card(S) + k}
un nombre qui peut tr`es vite devenir excessif. Cest pourquoi il est
judicieux de chercher a` simplifier les calculs, soit en sautorisant
des simplifications au niveau du mod`ele, soit en recourant a` des
manipulations algorithmiques qui faciliteront les calculs.
On examinera ici a` titre dexemple un cas particuli`erement favorable :
164
Aide-M
emoire de g
eostatistique lin
eaire :
Paragraphe 3.2.3.
Fasc. 5, p207-208.
Paragraphe 1.4.
mi (x)
ail f l (x)
[22]
5.2. Principal r
esultat
La suite de ce paragraphe nest rien dautre que la resolution de lexercice
dej`a cite du Fascicule 5 , et lon a choisi den expliciter ci-apr`es
tous les developpements de calcul. Mais les notations sont forcement
rebarbatives, et peuvent masquer le cheminement de la construction et
le sens des formules obtenues.
Annoncons donc d`es a` present le principal resultat (on se place dans les
conditions definies au paragraphe precedent, isotopie et independance
algebrique des fonctions de base) :
si dune part on dispose dune famille de fonctions aleatoires Zu (y)
u D et si on designe par les ponderateurs du Cokrigeage
de cette famille
Zi (x0 )
X Z
uD
i (dy; x0 ) Zu (y)
X Z u
(dy; x ) Z (y)
Zi (x0 ) =
0
u
i
uD
j (dy; x )
0
i
u B j v (dy; x )
B
0
i
v
u
u,v
o`
u i, j, u et v D. Des relations similaires peuvent etre
etablies pour les multiplicateurs de Lagrange, ainsi que pour les
ponderateurs destimation optimale de la derive.
Naturellement, comme la matrice B est essentiellement supposee
reguli`ere, on dispose aussi de lexpression inverse, cest-`a-dire les
.
en fonction des
[9] Introduction a
` la G
eostatistique Multivariable
165
Paragraphe 3.2.3.
...
Zi (x0 )
X Z
uD
i (dy; x0 ) Zu (y)
V
avec
k
X Z u
X
(dy;
x
)
K
(x,
y)
+
s;ji (x0 ) f s (x)
0
ju
i
Kji (x, x0 )
f l (x0 ) ij
s=1
uD
i (dy; x0 ) f l (y)
[23]
etant entendu que
JJJ
166
Aide-M
emoire de g
eostatistique lin
eaire :
On note incidemment sur ce syst`eme [23] que, pour les variables autres
que la variable i a` estimer, la somme des poids de Cokrigeage est nulle.
En revanche, sur les donnees de Zi , les poids satisfont aux conditions
habituelles duniversalite du KU monovariable.
ail f l (x0 )
[24]
LAUO
Ail
X Z
uD
il (dy) Zu (y)
[25]
il (dy) f s (y)
ij ls
[26]
requises s {1, 2, , k} et j D.
Quant aux equations doptimalite, elles se deduisent classiquement de
loptimisation, sous les contraintes [26], de la variance
Var Ail
X X Z Z
uD vD
et prennent la forme
X Z
uD
ij;ls f s (x)
[28]
ij;ls
[29]
[9] Introduction a
` la G
eostatistique Multivariable
167
u Z (x)
u
Zi (x)
u Bi
Zi (x)
u Bi
[30]
Zu (x)
verifient
o`
u les matrices B et B
X
j Bu
B
i
u
j
u
Bu B
i
ij
[31]
Dune part, comme toutes les FASt-2 Z admettent les memes fonctions
de base f l , il en sera de meme de toutes leurs combinaisons lineaires, et
.
en particulier de la famille des Z
Dautre part, dans le cadre dun mod`ele Sous-Jacent stationnaire
dordre 2, toutes les combinaisons lineaires admettent une variance, et
admet un syst`eme de fonctions de
par suite, la famille de FASt-2 Z
:
covariances K
(x, y)
K
ij
(x) , Z (y)
Cov Z
i
j
Cov
"
Z (x) ,
B
u
i
Z (y)
B
v
j
v K (x, y);
u B
B
uv
j
i
u,v
Kij (x, y)
u
v
uv (x, y)
Bi Bj K
[32]
u,v
j (y) de deux
ou encore, par exemple en explicitant Cov Zi (x) , Z
facons differentes, une identite en x et y plus symetrique (i, j D) :
X
u
u K (x, y)
B
iu
j
v
(x, y)
Bi K
vj
En utilisant les
expressions [30].
[33]
(On prendra bien garde dans cette formule a` lordre des indices de la
fonction de covariance K ).
JJJ
168
Aide-M
emoire de g
eostatistique lin
eaire :
Zi (x0 )
X Z
uD
u (dy; x ) Z (y)
0
u
i
V
solution du syst`eme
avec
X Z u
X
(dy; x ) K
(x, y) +
0
ju
i
uD V
s
j (dy; x ) f l (y)
0
i
(x, x )
K
ji
0
f l (x0 ) ij
[34]
Zi (x0 )
uD
X
X
uD
vD
i (dy; x0 ) Zu (y)
V
Z
Z
i (dy; x0 )
V
Bu Zv (y)
vD
uD
i (dy; x0 ) Bu
Zv (y)
[9] Introduction a
` la G
eostatistique Multivariable
Zi (x0 )
Zi (x0 )
X
v
Bi Zv (x0 )
169
v
Bi Zv (x0 )
Bi Zv (x0 )
X Z
vD
Bu i (dy; x0 ) Zv (y)
uD
Ensuite,
i
, et
multiplions les deux membres de cette egalite par B
j
est linverse de la matrice
sommons en i. Comme la matrice B
B ([31]), on obtient
Zj (x0 )
X Z
vD
(dy; x ) Z (y)
Bu B
0
v
j
i
X
u
Zj (x0 )
X Z
vD
v (dy; x ) Z (y)
0
v
j
V
v (dy; x )
0
j
X
u,i
i B v u (dy; x )
B
0
j
u
i
JJJ
170
Aide-M
emoire de g
eostatistique lin
eaire :
j (dy; x )
0
i
u B j v (dy; x )
B
0
i
v
u
[35]
u,v
i (dy; x0 )
u
v (dy; x )
j
Bi B
0
u
v
u,v
Ces
etapes peuvent
etre d
etaill
ees a
` tire
dexercice (dailleurs
peu instructif
).
...
s;ij (x0 )
Bi Bj
s;uv (x0 )
[36]
u,vD
Ail
X Z
uD
il (dy) Zu (y)
j (dy)
il
v (dy)
u Bj
B
v
i
ul
[37]
v,u
[9] Introduction a
` la G
eostatistique Multivariable
171
signe pr`es, les covariances des estimateurs des coefficients des derives,
et injecter dans cette relation les formules de transformation [37]. Les
etant linverse de B ) conduisent a` :
simplifications habituelles (B
ls;ij
v B
u
B
ls;vu
i
j
[38]
v,uD
Kij (x, y)
ij (x, y)
[39]
Kij (h)
ij (h)
()
(B) (B)
ou encore, i, j D,
ij
Bi Bj
[40]
uD
15
JJJ
172
Aide-M
emoire de g
eostatistique lin
eaire :
independantes, admettant
Soit maintenant une famille de FASt-2 Z
toutes la meme fonction de covariance (monovariable) soit
ij (x, y)
K
i (x) , Zj (y)
Cov Z
Zi (x)
(x, y) ij
[41]
j
Bi Zj (x)
u
v
(x, y)
Bi Bj K
uv
u,v
Kij (x, y)
variables independantes ;
Isotopie ;
Fonctions de Base algebriquement independantes et communes a`
toutes les variables ;
Zi (x0 )
(dy; x ) Z (y)
U
0
i
V
[42]
[9] Introduction a
` la G
eostatistique Multivariable
173
U s f s (x)
U
0
V
s
Z
(dy; x ) f l (y)
U
0
(x, x0 )
f l (x0 )
[43]
j (dy; x )
0
i
(dy; x ) j
U
0
i
[44]
i (dy; x0 )
u
v (dy; x )
j
Bi B
0
u
v
u,v
i (dy; x0 )
u
(dy; x ) u
j
Bi B
U
0
v
v
(dy; x ) j
U
0
i
u,v
5.8.4. Conclusion
Ainsi, dans le cadre de la Correlation Intrins`eque, les variables initiales
se separent au meme titre que les variables transformees. De plus, les
ponderateurs de (co)krigeage sont independants de la variable a` estimer,
ce qui constitue une consequence immediate dune propriete dinvariance
vue precedemment (chapitre 7, paragraphe 2.4.3).
En resume, dans le cadre isotopique, si lon pose N = Card{S} d
etant le nombre de variables et k le nombre de fonctions de base , un
Cokrigeage demande de resoudre :
JJJ
174
Aide-M
emoire de g
eostatistique lin
eaire :
Un tel mod`
ele revient
par exemple a
` supposer
que toutes les variables,
sauf la premi`
ere, sont
entach
ees derreurs de
mesure ind
ependantes.
Paragraphe 5.6.
Wackernagel, 1985 ;
Sandjivy, 1987 ;
Grzebyk, 1993.
Wackernagel, 1992.
Paragraphe 5.5-5.6.
[9] Introduction a
` la G
eostatistique Multivariable
175
6.2. Le mod`
ele lin
eaire de cor
egionalisation
Fondamentalement, lAnalyse Krigeante repose sur lidee dune decomposition (lineaire) des variables a` etudier.
Ce point de vue nest pas depourvu demb
uches, au moins au niveau
de la signification physique de ce que lon entreprend. Car la seule
realite dont on dispose, ce sont des Variables Regionalisees zi (x), et
leurs eventuelles composantes nont aucune signification objective. A
priori donc, il faut sattendre a` des impasses en ce qui concerne la
Reconstruction Operatoire des futures estimations.
E & C, p74.
6.2.1. Le mod`
ele structural
Cela dit, on naborde pas un travail en Analyse Krigeante compl`etement
demuni. On dispose en effet dune information qui garde une signification
objective importante, a` savoir le faisceau des covariances experimentales
(monovariables et croisees). Supposons alors que la famille de covariances
modelisees apparaisse sous la forme :
Kij (h)
Cij K (h)
[45]
o`
u les fonctions K (h) representent des mod`
eles
el
ementaires de
covariances ne dependant pas des variables : chacune des covariances
Kij (h) apparat comme une Structure Gigogne, ce qui constitue
simplement une generalisation de ce qui a ete presente en introduction
de ce chapitre. Comme on a choisi de se limiter au cas stationnaire,
on pourra sans nuire a` la geneuralite du mod`ele supposer que ces
composantes structurales 16 K (h) sont de palier unite ; enfin, on
designera par NC leur nombre, cest-`a-dire le nombre de valeurs prises
par lindice u.
Paragraphe 1.1.
17
Il ne sagit pas dune terminologie consacree, mais elle semble preferable, parce
ementaire . Par ailleurs, le mot composantes
que plus precise, a` Mod`ele El
seul a dej`a ete utilise pour designer les variables definies sur lespace geographique.
Rappelons une fois encore que cette attitude critique envers les mod`eles utilises est
essentielle dans toute etude geostatistique bien comprise. Dans le cas de lAnalyse
Krigeante, elle peut devenir cruciale.
E & C, p33-34.
176
Aide-M
emoire de g
eostatistique lin
eaire :
6.2.2. D
ecomposition des variables
Paragraphe 1.4.
Z(x, i)
Y (x, i) +
k
X
al f l (x, i)
[46]
l=1
o`
u la fonction aleatoire Y est stationnaire dordre 2 sur R n D, et
desperance nulle.
Parfois not
e en
abr
eg
e : MLC .
Yi (x)
Y (x, i)
XX
u
aiu Yp (x)
[47]
o`
u les Fonctions Aleatoires Yp sont supposees desperances nulles
et mutuellement orthogonales, cest-`a-dire de covariances croisees
identiquement nulles.
Chapitre 1,
paragraphe 4.3 ;
chapitre 6, paragraphe 3.5.
E [Z(x, i)]
k
X
al f l (x, i)
l=1
6.2.3. Commentaires
Ce mod`ele appelle dej`a plusieurs remarques :
u
Matheron, 1982,
paragraphe IV.
[9] Introduction a
` la G
eostatistique Multivariable
177
on a donc, (p, q ),
h
K (x y) uv pq
[48]
en resume,
Kij (h)
NC
X
Cij K (h)
[45]
u=1
u
Yi (x)
Y (x, i)
NC X
d
X
aiu Yp (x)
[47]
u=1 p=1
Cij
d
X
aiu aju
[49]
p=1
lindice u, quelconque,
etant suppose fixe. On rappelle que, a` u fixe, le
u
jeu de coefficients Cij nest autre quune matrice de correlations donc
symetrique definie positive.
Cette relation [49] est evidemment decisive en pratique, puisquelle
etablit le lien entre un jeu de valeurs issues de lexperience (cestu
p
a`-dire les coefficients Cij ), et des param`etres aiu conventionnels,
mais indispensables pour les developpements ulterieurs. Une fois
lAnalyse Variographique achevee, le calage du Mod`ele Lineaire de
Matheron, 1982, p 1.
178
Aide-M
emoire de g
eostatistique lin
eaire :
Paragraphe 4.3.3.
Matheron, 1982.
Annexe 2,
paragraphe 2.1.3.
Yp (x0 )
X Z
jD
(dy) Z(y, j)
S
[50]
X Z
jD
O
X Z
i,jD
(dy) f s (y, j)
[51]
Sj
X Z
iD
[52]
expression dans laquelle on rappelle que les indices p et u sont fixes.
Loptimisation de [52] sous les contraintes [51] conduit aux equations
doptimalite (x, i) S
[9] Introduction a
` la G
eostatistique Multivariable
X Z
jD
s f s (x, i)
179
aiu K (x, x0 )
[53]
X Z
X
j
(dy)
K
(x,
y)
+
s f s (x, i)
ij
jD Sj
s
X Z
j
(dy) f l (y, j)
jD
aiu K (x, x0 )
Sj
[54]
JJJ
, a` i fixe
180
Aide-M
emoire de g
eostatistique lin
eaire :
Grzebyk, 1993.
7. Notion de d
erive externe
7.1. Justification, et mod`
ele
Paragraphe 3.3.
tendance
19
[9] Introduction a
` la G
eostatistique Multivariable
181
k
X
al sl (x)
[55]
l=0
o`
u classiquement les coefficients al sont des param`etres inconnus du
mod`ele. Cest ce developpement qui est appele d
erive externe.
Remarques :
on a suppose que Z etait une FASt-2, afin deviter les probl`emes
habituels inherents au terme constant de la Derive. On peut
dailleurs sinterroger sur le sens que lon pourrait attribuer a` une
Fonction de Forme par rapport a` laquelle les fluctuations seraient
de variance infinie. . .
on retrouve tout naturellement la structure de la Derive telle quelle
a ete introduite dans le cadre du Krigeage Universel ;
dans cette ecriture [55], lindice l represente bien un exposant. Dans
la pratique, on se limitera presque toujours a` k = 1 : cela signifie que
localement, on consid`erera que la Derive de Z est une fonction affine
de s, ce qui effectivement peut assez souvent avoir une signification
physique ;
Chapitre 7,
paragraphe 2.1.4.
Chapitre 1,
paragraphe 4.2.
7.2. Variographie
Dans la mesure o`
u la forme de la Derive Externe proc`ede dun choix
du Geostatisticien, il ny a pas de nouveaute a` ce niveau, dont la
difficulte est analogue a` celle que lon pourrait rencontrer pour caler
(experimentalement) le degre k dune FAI-k. Dans le cadre de la Derive
Externe, le param`etre k est donne par lutilisateur.
Il en va tout autrement en ce qui concerne lidentification de la fonction
de covariance de Z . On retrouve toutes les difficultes dej`a rencontrees
dans le cadre du Krigeage Universel, et en particulier les biais ; car le
fait davoir remplace les Fonctions de Base f l par des sl ne change
absolument rien a` la demarche.
En revanche, le recours aux FAI-k nest plus cette fois une reponse
satisfaisante a` ce probl`eme de biais, parce que lon a perdu les proprietes
dinvariance par translation : si la famille des sl (x) etait globalement
invariante par translation, les sl seraient des monomes (et on serait alors
ramene a` une analyse classique en FAI-k) ; mais ce nest pas le cas, s(x)
etant une Variable Regionalisee a priori quelconque.
On est donc vraisemblablement contraint deffectuer la recherche du
mod`ele de covariance de Z par des methodes qui cherchent a` saffranchir
de la presence de s(x) plutot que lintegrer, et cest en ce sens que lon
peut qualifier la derive d externe , puisque sa presence est sans impact
sur la famille des covariances Sous-Jacentes autorisees pour Z . Mais pour
ce faire, il faut evidemment disposer dune information qui nest pas
presente dans les seuls echantillons z : soit des a priori sur lexpression
de la covariance, soit des echantillons de la meme variable sur des
domaines depourvus de derive, soit des resultats detudes similaires. . .
Z (x)
Chapitre 7, paragraphe 6.
JJJ
Chapitre 8,
paragraphe 1.3.
182
Aide-M
emoire de g
eostatistique lin
eaire :
Z(x)
Y (x) +
k
X
al sl (x)
l=0
o`
u Y (x) est une FASt-2 desperance nulle et de covariance K . Par
minimisation sous contraintes [55] de la variance destimation, on
construit ainsi le syst`eme de Krigeage en Derive Externe :
P
K + l sl
P
sl
Kx
()
slx
(l)
Chapitre 8,
paragraphe 2.4.
Discussion
[9] Introduction a
` la G
eostatistique Multivariable
183
` titre dexemples, on
sensiblement diverger sur un resultat donne. A
propose donc pour conclure une amorce de discussion sur deux phrases
qui dans ce chapitre ont appele des objections dun relecteur.
avec
Paragraphe 2.4.
le
Paragraphe 4.1.
Z2 (x)
Z1 (x + a)
o`
u Z1 admet un variogramme lineaire (h) =| h |. On peut
immediatement verifier que le variogramme croise est de la forme :
12 (h)
si | h | | a |
|h| |a|
si | h | | a |
Bibliographie
184
Aide-M
emoire de g
eostatistique lin
eaire :
Cours de G
eostatistique Multivariable ,H. Wackernagel,
1992.
propose un tour dhorizon exhaustif des methodes multivariables en
Geostatistique.
tandis que la Derive Externe est mentionnee pour la premi`ere fois dans
En complement, la th`ese
Annexe
Compl
ement
Paragraphe 2.1.
Introduction
au filtrage derreurs .
KY Z (x, x + h)
K((a1)x + ah + b)
KY Z (x, x + h)
[9] Introduction a
` la G
eostatistique Multivariable
Fij (h)
185
Compl
ement
Paragraphe 2.3.
ij (x, a; y, b) + ji (x, a; y, b)
2
186
Aide-M
emoire de g
eostatistique lin
eaire :
Deuxi`
eme partie
Annexes
188
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 1
Esp
erance conditionnelle :
m
ecanismes dutilisation
Pr
esentation
On veut presenter ici, dun point de vue purement operatoire,
la puissance du theor`eme de lEsperance Totale et quelquesunes de ses applications possibles en Geostatistique. Une de ces
applications a dej`
a ete vue au Chapitre 4 en Estimation Globale,
pour le calcul a
` maille aleatoire pure ou stratifiee.
Le premier paragraphe rappelle le theor`eme et en degage le
mecanisme de mise en uvre. Cette presentation est faite sans
aucune demonstration.
Un exemple simpliste dapplication, en loccurrence deux calculs
de variogrammes, est donne au second paragraphe.
Au troisi`eme paragraphe enfin, on utilise ce mecanisme pour
introduire le krigeage aleatoire.
1. Th
eor`
eme et mise en uvre
1.1. Rappel du th
eor`
eme
Soient deux Variables Aleatoires Z et X . On supposera que Z admet une
esperance mathematique. Si on designe par E [ ] loperateur esperance
mathematique , le th
eor`
eme de lesp
erance totale sexprime ainsi :
E [Z]
E EZ [Z | X]
o`
u EZ designe lesperance de la loi de Z conditionnellement a` X . On
rappelle que cette esp
erance conditionnelle EZ [Z | X] a le statut
mathematique de Variable Aleatoire, du fait de la presence de X .
Plus laconiquement, le theor`eme peut sexprimer : lesperance (totale)
est egale a` lesperance de lesperance conditionnelle .
EZ [Z | x]
z F (dz)
z Fx (dz)
Z hZ
i
z Fx (dz) P (dx)
Pour un
enonc
e rigoureux,
se reporter a
` tout
cours de Probabilit
es.
190
Aide-M
emoire de g
eostatistique lin
eaire :
pi
z Fi (dz)
1.3. Les
etapes de la mise en uvre
Concr`etement, lutilisation pratique du theor`eme comporte trois etapes,
dont lenchanement est immuable :
(x)
(X)
E [(X)]
h
i
h
i
E VarZ [Z | X] + Var EZ [Z | X]
(h)
pi [(h) | i ]
o`
u pi designe (ici en notation discr`ete) la loi dun evenement
conditionnant, et [(h) | i] le variogramme conditionnel pour letat i
de levenement conditionnant.
1.5. G
en
eralisation `
a plusieurs variables conditionnantes
La formule donnee pour une variable conditionnante unique setend sans
` simple titre dexemple, pour deux variables
difficulte a` plusieurs. A
conditionnantes X et Y , on trouve :
E [Z]
EY EX EZ [Z | X, Y ]
i
[1] Esp
erance conditionnelle : m
ecanismes dutilisation
191
h
i
EX EY EZ [Z | X, Y ]
h
i
EY EX EZ [Z | X, Y ]
Var [Zk ]
Rappelons quil
sagit toujours de
covariance centr
ee.
h
i
E EZ [Z(x) Z(x + h) | U ]
192
Aide-M
emoire de g
eostatistique lin
eaire :
pour h < a,
ah
h
+ m2
a
a
h
= 2 1
a
m2 + C(x, x + h) = m2 + 2
C(h)
|h|
2 1
a
pour | h | < a
pour | h | > a
2.2. G
en
eration dun mod`
ele exponentiel
Reprenons une construction similaire : des Variables Aleatoires
independantes de moments m et 2 sont affectees a` des segments, mais
en choisissant cette fois comme extremites de ces segments un processus
de Poisson de param`etre a` la place de la maille reguli`ere.
La demarche demeure la meme. En particulier le moment dordre 1 de
Z(x) est egalement stationnaire : E [Z(x)] = m.
La probabilite que x et x + h (on suppose h > 0) appartiennent au
meme intervalle est egale a` la probabilite quil ny ait pas de point du
processus dans lintervalle [x, x + h] ; et on sait que cette probabilite
vaut eh . Alors :
m2 + C(x, x + h)
m2 + 2 eh + m2 1 eh
do`
u C(x, x + h) = 2 eh , expression qui ne depend pas de x. On a
ainsi obtenu la covariance exponentielle :
C(h)
2 e|h|
3. Introduction au krigeage al
eatoire
3.1. Pr
esentation
Le recours a` un mod`ele a` implantation aleatoire des donnees a dej`a ete
rencontre en Estimation Globale. Dans le cas du Krigeage, il peut servir
a` decrire une situation o`
u les voisinages de krigeage sont similaires, a`
quelques irregularites de geometrie pr`es : plutot que resoudre autant de
[1] Esp
erance conditionnelle : m
ecanismes dutilisation
193
3.2. Lin
earit
e, autorisation et universalit
e
Soit a` estimer la valeur inconnue Z(x) a` laide des Z :
Z (x)
Z(X )
LAU
3.3. Optimalit
e
3.3.1. D
emarche g
en
erale
On doit minimiser la Variance dEstimation Var [Z(x) Z (x)],
conditionnellement a`
A2
E Z(x)
Z(X )
Chapitre 6,
paragraphe 1.3.
a` X = x fixes,
A2 | X = x , X = x , . . .
(x x )
X
,
(x x )
194
Aide-M
emoire de g
eostatistique lin
eaire :
(x X )
(X X )
Notons que cette formule est vraie en toute generalite, quelle que
soit la loi du multiplet de points (X , X , . . .).
P (dx , dx , . . .)
dx dx
[v ] [v ]
A2
dx dx
2
[v ] [v ]
(x x )
X
,
(x x )
dx dx
(x x )
[v ] [v ]
1
[v ]
Chapitre 3,
paragraphe 3.1.
dx (x x )
{x}, v
dx dx
(x x )
[v ] [v ]
se simplifie en
1 1
[v ] [v ]
Z
(x x ) dx dx
v , v
si 6=
si =
A2
X
v , v
{x}, v
6=
[1] Esp
erance conditionnelle : m
ecanismes dutilisation
195
A2
X
X
2
{x}, v
v , v +
( ) v , v
3.4. Syst`
eme du Krigeage Al
eatoire
La minimisation sous contrainte se fait d`es lors de facon classique, et on
obtient
P
6= A [v , v ] + A
=
=
[{x}, v ]
()
A2
, {x} v ; A
A
P
V [v , v ] + V
[{x}, v ]
()
V2
{x}, v V
V
V
sont differents.
A
A
et
196
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
Compl
ements sur
le th
eor`
eme dadditivit
e
Pr
esentation
On propose ici quelques generalisations au theor`eme dadditivite,
dabord dans le cadre restreint de lestimation dune moyenne
(cest-`
a-dire dune Derive constante dans lespace) vu au
chapitre 6, ensuite dans le mod`ele du Krigeage Universel tel quil
a ete presente au chapitre 7.
Au premier paragraphe, on compare les resultats du Krigeage
stationnaire a
` moyenne connue ( Krigeage Simple ) a
` ceux du
Krigeage des residus en mod`ele stationnaire a
` moyenne inconnue.
La precision respective des estimateurs est examinee en fonction
de la somme des poids du Krigeage Simple.
Dans le second paragraphe, on se place dans le cadre dun mod`ele
Sous-Jacent intrins`eque strict. On se trouve donc dans le cas o`
u
lestimation du terme constant de la derive nest plus autorisee. On
etablit comme precedemment lexpression du theor`eme au niveau
des estimateurs, puis des variances, mais il sagit cette fois dune
relation entre le Krigeage Universel et le Krigeage Ordinaire .
Au troisi`eme paragraphe enfin, on revient sur le cas dun mod`ele
Sous-Jacent stationnaire, pour etablir une generalisation du
theor`eme dans le cas de Krigeages Universels de degres differents.
Cette generalisation est detaillee pour le krigeage ponctuel, et
les resultats sont sommairement mentionnes pour lestimation des
coefficients de la derive.
1. Estimation des r
esidus et Krigeage Simple
1.1. Hypoth`
eses
On se place ici dans le cadre dun mod`ele stationnaire a` moyenne
inconnue :
Z(x)
Chapitre 6,
paragraphe 3.3.2.
Y (x) + m
o`
u Y (x) est une Fonction Aleatoire Stationnaire desperance nulle et de
covariance K .
Le Krigeage de Z dans ces hypoth`eses, pour lequel on gardera par
commodite la terminologie deP Krigeage Ordinaire conduit au
u les ponderateurs
sont
resultat classique ZO (x) =
O Z o`
O
solutions du syst`eme
[O]
P
O K + O
P
Kx
()
JJJ
198
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 7,
paragraphe 2.3.
P
M K + M
[M ]
Z , qui est
M
()
Ce syst`eme est donc par hypoth`ese regulier lui aussi, puisquon a pris
comme hypoth`ese que [O] lest.
[S]
Krigeage
Simple 1
S K
()
Kx
Chapitre 7,
paragraphe 2.4.4.
= 0
Z = 0
Z =
X
sidentifie au Krigeage Simple ou encore ce qui est equivalent comptetenu de la regularite des syst`emes [O] et [S] que
S = 1. Cette
Cov M ,
Z =
X
M
Toujours selon la
r
egularit
e du syst`
eme
de Krigeage Simple.
[2] Compl
ements sur le th
eor`
eme dadditivit
e
199
de poids total nul est donc cette fois une condition necessaire et suffisante
dorthogonalite.
1.2.3. R
ecapitulation
En resume,
P
P
h
Cov ZO Z ,
= 0
Cov M ,
= 0
Cov ZO Z ,
= 0
Z
X
= 0
P
= 0
ou
S = 1
1.3. Estimation du R
esidu
Il est facile, selon le cheminement habituel, de construire directement un
estimateur du Residu Y (x) a` laide des seule donnees Z , cest-`a-dire
une combinaison lineaire ZR (x) =
que les
sont solutions du syst`eme
R
[R]
P
R K + R
P
Kx
()
ZO (x)
le signe
estimer.
[1]
YR (x) + M
Cov YR (x) Y (x) , Z
h
i
K
x
R
X
R
= 0
200
Aide-M
emoire de g
eostatistique lin
eaire :
Un exercice tr`
es simple.
= 0
h
i
X
Cov YR Y ,
Z = 0
i
h
P
Cov YR Y , Z = 0
P
= 0
ou
S = 0
ZO (x) Z(x)
YR (x) Y (x)
M m
o`
u
S = 0. Si en revanche
S = 0, cela entrane R = 0, et
par suite Cov YR Y , M = R = 0. Comme par ailleurs on sait
u a ete estime
que Cov M , YR 0 et ceci quel que soit le point o`
P
le Residu cela implique que, en tout point x tel que
S (x) = 0,
on a Cov [M , Y (x)] = 0.
En resume,
S (x) = 0
h
i
Cov
Y
(x)
Y
(x)
,
M
= 0
h
i
Cov Y (x) , M
= 0
ZO
M +
Z M
S
[2] Compl
ements sur le th
eor`
eme dadditivit
e
201
ou encore
ZO (x)
X
ZS (x) + M 1
(x)
S
[2]
YR (x)
ZS (x) M
X
(x)
S
YR (x) Y (x)
ZS (x) Z(x)
mM
X
S (x)
R2 (x)
2
S2 (x) + M
X
(x)
S
2
[3]
R2 (x)
S2 (x)
O2 (x)
2
X
2
S2 (x) + M
1
(x)
S
O2 (x)
X
2
R2 (x) + M
12
(x)
S
[4]
ce qui met en evidence le role de la valeur 1/2 pour la somme des poids
de Krigeage Simple :
(x) 1/2
S
O2 (x) R2 (x)
Par ailleurs,
2
O2 (x) = R2 (x) + M
(x)
(x) = 0
S
202
Aide-M
emoire de g
eostatistique lin
eaire :
1.6. R
ecapitulation sur les variances et covariances
Dans la suite de ce paragraphe, et afin dalleger les ecritures, nous
designerons par q la somme des poids de Krigeage Simple, autrement
dit q =
Voir en particulier
Rivoirard, 1984.
ZO = ZS + M 1 q
YR = ZS M q
ZO = YR + M
Cov
ZS Z
ZO Z
YR Y
2
M
2
1 q M
2
q M
ZS Z
S2
ZO Z
S2
S2 + 1 q
YR Y
2
S2
2
M
2
S2 q 1 q M
2
S2 + q 2 M
1.7.1. Somme
egale `
a1
Ce cas particulier est classique : on sait en effet, par la formule [2],
que cette egalite est une condition necessaire et suffisante pour quil y
ait identite entre Krigeage Ordinaire et Krigeage Simple . On a
alors le jeu de relations :
ainsi que :
Z
= ZS
(et O = 0)
YR = ZS M = ZO M
2
2
2
R = S2 + M
= O2 + M
[2] Compl
ements sur le th
eor`
eme dadditivit
e
Cov ZO Z , M
Cov ZO Z , YR Y
Cov YR Y , M
1.7.2. Somme
egale `
a0
= 0
2
= M
203
= S2
Dans ce cas,
ZO = ZS + M
YR = ZS
(et R = 0)
2
2
2
O = R2 + M
=
S2 + M
ainsi que
Cov ZO Z , YR Y
= S2
Cov ZO Z , M
= M
Cov YR Y , M
Cov [Y , M ]
= 0
= 0
1.7.3. Somme
egale `
a 1/2
Cest, pour la somme des ponderateurs du Krigeage Simple, la valeur endessous de laquelle lestimation des Residus est meilleure que celle du
Krigeage Ordinaire. En revanche, pour
des Residus est moins bonne que celle du KO. Pour cette valeur fronti`ere,
on a donc
YR = ZS
ZO = ZS +
2
R = O2
1
2
1
2
M
= S2 +
1
4
2
M
2
= R2 ne signifie nullement quil y ait
Naturellement, legalite O
egalite
= 1 tandis que
Par ailleurs,
= 0.
2
Cov ZO Z , YR Y
= S2 41 M
2
= 21 M
Cov ZO Z , M
2
Cov YR Y , M
= 21 M
2. Th
eor`
eme dadditivit
e pour le mod`
ele intrins`
eque
2.1. Expression du th
eor`
eme au niveau des estimateurs
On revient dans ce paragraphe au probl`eme du KU dans le cas o`
u
le mod`ele Sous-Jacent est seulement intrins`eque. On sait que cette
JJJ
204
Aide-M
emoire de g
eostatistique lin
eaire :
al fxl pour la
[U ]
P
P
l
U +
l U l f
U fl
[O]
Chapitre 7, paragraphe 5.
()
fxl
(l)
Krigeage
P
O + O
Ordinaire , cest-`a-dire :
()
Z (x)
ZU (x) ZO (x)
donc
Z (x)
(x) Z
avec
(x)
(x)
(x)
O
U
Si de plus on pose
U 0 0
U l
pour l 6= 0
P
P
l
+
l l f
P l
f
()
fxl
O fl
(l 6= 0)
fxl
O fl
l6=0
Chapitre 7,
paragraphe 4.2.
o`
u, selon les notations usuelles, les l sont les solutions du syst`eme
destimation des coefficients al de la derive :
P
P
s
l +
s l s f
l fs
()
ls
(s)
[2] Compl
ements sur le th
eor`
eme dadditivit
e
205
Alors,
XX
X X
l6=0
O fl
fxl
l6=0
fxl
Al
fxl
O fl
O fl
l6=0
do`
u
ZU (x)
ZO (x) +
Al
fxl
O fl
[1]
fxl
O fl , le coefficient correspondant dans lexpression de ,
sannule. Autrement dit, la contrainte l 6= 0 qui figure dans les
2.2. Expression du th
eor`
eme au niveau des variances
Soit alors lerreur destimation du Krigeage Universel :
ZU (x) Z(x)
ZO (x) Z(x) +
Al
fxl
O fl
ZO (x) Z(x).
Krigeage
Ordinaire
Al fxl
O fl
Chapitre 7,
paragraphe 2.4.4.
est une CLA : elle admet par consequent une variance, et est de plus
orthogonale a` lerreur de Krigeage Ordinaire ZO (x) Z(x). Et
donc par suite,
Var ZU (x) Z(x)
+ Var
"
X
l
Al
fxl
O fl
!#
206
Aide-M
emoire de g
eostatistique lin
eaire :
U2 (x)
O2 (x)
U (x)
O (x) +
XX
l
Chapitre 7,
paragraphe 4.2.
fxl
O fl
Cov [Al , As ]
fxs
O fs
U (x) = O (x)
ls
fxl
O fl
l,s
fxs
O fs
A1
Z(R) Z(R)
2R
ce qui signifie que la derive lineaire a meme pente que la droite joignant
les deux extremites du segment de donnees. On a incidemment :
Var [A1 ]
1
2(2R)
4R2
1
R
On peut bien s
ur proposer un Krigeage Universel direct de Z(R + h),
par
ZU (R + h)
o`
u:
Z R
(dx) | x y | + O
Z R
(dx)
Z R
x (dx)
R
(dx) Z(x)
R
+ 1 y
|R+hy |
|R+h|
[2] Compl
ements sur le th
eor`
eme dadditivit
e
207
les condition doptimalite etant vraies y [R, +R]. Mais cest ici
quil est plus simple dappliquer le Theor`eme dAdditivite :
ZU (R + h)
ZO (R + h) + A1 (R + h R)
Z(R) + A1 h
U2 (R + h)
O2 (R + h) + h2 Var [A1 ]
Mais
O2 (R + h)
Var Z(R + h) ZO (R + h)
2 (h)
U2 (R + h)
2h +
1
. Do`
u:
R
h2
R
3. G
en
eralisation `
a des KU de degr
es diff
erents
3.1. Notations
Revenons maintenant au cas dune Fonction Aleatoire admettant une
covariance Sous-Jacente K . On propose cette fois deux mod`eles de
derives,
Z(x)
Y (x) +
a l fxl
a
l fxl
lk
et
Z(x)
Y (x) +
lk
(x) Z
o`
u les (x) sont solutions de
U
[U ]
P
P
s
U K +
s U s f
P
U fl
Kx
()
fxl
(l k )
tandis que
ZU (x)
(x) Z
208
Aide-M
emoire de g
eostatistique lin
eaire :
o`
u les (x) sont solutions de
U
]
[U
P
P
fs
U K +
s
s U
P
U fl
Kx
()
fxl
)
(l k
AU l
Z
l
U
avec, l k ,
[D]
P
P
s
U l K +
sk U sl f
P
l fs
U
()
ls
(s k )
()
ls
)
(s k
tandis que
AU l
Z
l
U
,
avec, l k
[D]
P
P
s
U l K +
U
sl f
sk
P
Chapitre 7,
paragraphe 2.4..
l fs
U
].
[respectivement : pour tout l k
fl = 0 pour tout l k
3.2. Additivit
e des estimateurs du Krigeage
Cette notation, toute
temporaire, ne risque pas
de pr
eter a
` confusion avec
les d
efinitions pr
ec
edentes.
ZU ZU
U
U
U l U l
(l : l k )
U l
)
(l : k < l k
] :
On obtient par soustraction des syst`emes [U ] et [U
P
P
l
f
P l
f
sk
s fs
()
(l k )
fxl
U fl
(l > k )
[2] Compl
ements sur le th
eor`
eme dadditivit
e
209
, permet decrire :
ce qui, par identification au syst`eme [D]
l>k
X
l
l
f
U
U
U ls
l>k
fxl
U fl
(s k)
Alors,
X
l>k
X
l
l
f
f
l
U
U
ZU (x)
ZU (x) +
l >k
X
AU l fxl
U fl
ZU (x)
ZS (x) + Mx
JJJ
Chapitre 7,
paragraphe 5.3.
S M
Mx +
S Z M
3.3. Additivit
e des variances
Pour l > k , A l est une combinaison lineaire des donnees autorisee a`
U
]. Ainsi,
lordre k en vertu des conditions duniversalite du syst`eme [U
h
(l > k)
On a donc
+ Var
X
l>k
AU l fxl
U fl
Journel, 1977.
210
Aide-M
emoire de g
eostatistique lin
eaire :
U2 (x)
U2 (x)
fxl
fl
U
l >k
s>k
= U ls , on
fxs
U ls
U fs
ls
ls
l l
U ls U ls
(s : s k )
U ls
)
(s : k < s k
et [D]
:
On obtient par soustraction des syst`emes [D]
P
l K
s
l f
P s
l f
sk
ls fs
()
(s k )
et donc, pour l k
s
U
U ts
s>k
U l fs
s>k
lt
X
X
(s > k )
l fs
U
U l fs
(, l k)
l k)
(t k,
A l
U
AU l +
AU l
XX
l Z
t>k
do`
u
U t
U l ft Z
[2] Compl
ements sur le th
eor`
eme dadditivit
e
AU l
AU l
AU t
t>k
X
U l ft
211
(l k)
,
Enfin, pour l k et s k
h
Cov A l , A s
U
, l
K
s
U
(1)
U
s
U tl ft
tk
X
t
U s f
tk U tl
.
(1) : dapr`es les equations doptimalite de [D]
Deux cas sont alors a` distinguer :
Cov A l , A s
Cov A l , A s
Cov A l , A s
U
U ls
s k)
(l k,
U ls
s k)
(l k,
s > k)
(l k,
U ls
s k)
(l k,
212
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 3
Aspect dual
du Krigeage Universel
1. Pr
esentation duale du Krigeage Universel
1.1. Compl
ement sur lestimation du r
esidu
Nous avons precedemment construit le syst`eme de Krigeage du Residu
Y (x) dans le cas dun mod`ele stationnaire a` moyenne inconnue, cesta`-dire a` Derive constante dans lespace. Il est immediat de generaliser
cette construction au cas dun mod`ele de type Krigeage Universel en
supposant toujours le Residu stationnaire pour simplifier la presentation.
De la sorte, si
X
Z(x)
Voir annexe
consacr
ee au
th
eor`
eme dadditivit
e.
al fxl
Y (x) +
o`
u Y (x) est une Fonction Aleatoire Stationnaire dordre 2 de covariance
K , alors
X
YR (x) =
Z
R
avec
[R]
P
P
l
R K +
l R l f
P
R fl
Kx
()
(l)
On suppose bien s
ur par la suite ce syst`eme regulier.
donc lestimateur Y (x) lui-meme sont
Ainsi, les ponderateurs
R
des combinaisons lineaires des Kx . Avec les notations adoptees pour
linverse du syst`eme de Krigeage, nous avons donc
(x)
R l (x)
=
=
c
l
Kx
c
l Kx
o`
u, rappelons-le, les
ne sont autres que les ponderateurs
l de
lestimation du coefficient al de la Derive. Rappelons aussi que, pour
et sont caracterises
un indice quelconque fixe, les coefficients B
l
par le syst`eme
K + f l
B
l
l
B f
( )
(l)
Chapitre 7,
paragraphe 5.2.
214
Aide-M
emoire de g
eostatistique lin
eaire :
Y (x)
XX
Kx Z
B
y (x)
b Kx
z
B
1.2. Estimation de la D
erive et Krigeage Universel
Chapitre 7,
paragraphe 4.1.
m (x)
al fxl
l z
al
zU (x)
Voir annexe consacr
ee au
Th
eor`
eme dAdditivit
e.
zR (x) + m (x)
zU (x)
b Kx +
al fxl
2. Caract
erisation des coefficients du KU
On se propose maintenant de caracteriser les coefficients b et al par
un jeu dequations qui saffranchira de toute interpretation probabiliste.
On sait pour commencer que le KU est un interpolateur exact. Si le
point a` estimer x est confondu avec un des points de donnees x (et
215
zU (x )
b K +
al fl
( )
Donc,
l :
P l
B f = 0
b fl
(l, ) et que
z f l
B
Paragraphe 1.1.
[B]
P
P l
b K +
l al f
P
b fl
( )
(l)
Mais ce syst`eme nest autre, quant a` son premier membre, que le syst`eme
du Krigeage Universel, que lon a suppose regulier. Ce qui signifie que
ce jeu dequations [B] caracterise les coefficients b et al .
Autrement dit, si cette fois on definit un estimateur z(x) par
z(x)
b Kx +
al fxl
o`
u les b et al verifient le syst`eme [B], on sait que z(x) est en realite
identique a` lestimateur zU (x) du Krigeage Universel.
Mais, dans cette construction de z(x), toute reference probabiliste a
disparu : sous sa forme z(x), lestimateur du KU na donc plus le
sens que dun interpolateur. On sait de plus que dans la decomposition
b Kx +
3. Int
er
et pratique
Dans tout le present paragraphe, on supposera le jeu de donnees fixe J J J
une fois pour toutes. Cette condition est essentielle.
Dans loptique classique, une estimation du Krigeage Universel par
exemple exige de resoudre autant de syst`emes que de points a` estimer.
On peut egalement inverser une seule fois le syst`eme de KU, et stocker
et , qui sont donc en nombre N (N + k). Cette
les coefficients B
l
approche revient a` resoudre (N + k) syst`emes.
En revanche, si on renonce au calcul des variances, on peut se contenter
destimer et stocker les (N +k) coefficients b et al , a` laide dune seule
resolution du syst`eme : gain de memoire et surtout gain de calcul peuvent
etre considerables, puisque ces seuls coefficients permettent de realiser
Le stockage du reste de la
matrice inverse nest pas
utile si on ne sint
eresse
pas aux variances.
216
Aide-M
emoire de g
eostatistique lin
eaire :
4. Perspectives
On notera que la formulation duale du Krigeage fournit une indication
precise sur les proprietes analytiques de lestimateur. Si, comme on le
suppose presque toujours, les fonctions de base fxl sont des monomes, ou
tout au moins des fonctions indefiniment derivables, alors le caract`ere
de regularite de z (x) est uniquement lie au degre de continuite de la
fonction K , cest-`a-dire plus precisement a` sa regularite a` lorigine.
Par ailleurs, on remarque que lequation destimation
z (x)
b Kx +
al fxl
x:
z (x) = z0
Chapitre 4
D
emonstration
du th
eor`
eme des
Repr
esentations
1. Hypoth`
eses
Z est une FAI-k, cest-`a-dire que
Z est une application lineaire sur k ;
k , Z (h ) est stationnaire dordre 2 en h.
2. Enonc
e du th
eor`
eme
Theor`eme :
Z1 (x)
Z(x) + Al f l (x)
o`
u les Al sont des Variables Aleatoires quelconques.
l f
ls
Chapitre 7,
paragraphe 4.1.
218
Aide-M
emoire de g
eostatistique lin
eaire :
le poids
les poids
fxl
l
au point
aux points x
x (dt)
x (dt) fxl
l (dt)
f s (t) x (dt)
s
f sx fxl
l f
=
(1)
f sx fxl ls
f sx fxs
Z(x)
Z (dt)
(dx) Z(x)
=
(1)
(dx) Z (x (dt))
Z
(dx) x (dt)
sur k (lintegrale
(1) : etant une consequence de la linearite de Z
est selon dx).
Mais, compte-tenu de la definition de x , cette integrale en dx secrit :
(dx) x (dt)
=
=
=
l
(dx) x (dt)
l fx (dt)
(dt)
l (dt)
(dx) fxl
(dt)
parce
que est par hypoth`ese une CLA-k, et que par suite lintegrale
Z
[4] D
emonstration du th
eor`
eme des Repr
esentations
Z
egalite vraie
Representation de Z .
(dx) Z(x)
Z()
3.4. Conclusion
On sait donc construire au moins une Representation Z(x) pour toute
.
Fonction Aleatoire Intrins`eque dordre k quelconque Z
4. Caract
erisation de lensemble des repr
esentations
4.1. Enonc
e
Deux Fonctions Aleatoires sont Representations dune meme FAI-k si et
seulement si elles diff`erent dun polynome arbitraire Al fxl de degre k .
Z(x) + Al fxl
Alors, k ,
(dx) Z1 (x)
(dx) Z(x) + Al
Z
(1)
(2)
(dx) fxl
(dx) Z(x)
Z()
.
(2) : parce que Z est Representation de Z
.
Donc, par definition, Z1 est Representation de Z
4.3. Condition n
ecessaire
:
Soient Z et Z1 deux Representations de la meme FAI-k Z
k :
(dt) Z(t)
(dt) Z1 (t)
Z()
k :
(dt) Z0 (t)
219
220
Aide-M
emoire de g
eostatistique lin
eaire :
Donc,
=
=
(1)
x (dt) fxl
l (dt) Z0 (t)
Z0 (x) fxl
l Z0 (x )
Z0 (x) Al fxl
(1) : en posant Al =
l Z0 (x ).
Il sagit l`a dune egalite vraie x, donc dune identite en x. Ainsi :
Z0 (x)
Al fxl
Chapitre 5
D
emonstration du
th
eor`
eme de r
egularit
e
du Krigeage Intrins`
eque
1. Enonc
e du th
eor`
eme
Theor`eme :
Le syst`eme de Krigeage Intrins`eque
P
K + l fl
P
fl
Kx
fxl
2. Remarque pr
eliminaire
Un moyen commode de verifier la regularite de la matrice :
K fl
fl
P
b K + cl fl
P
b fl
()
(l)
3. Condition n
ecessaire
3.1. N
ecessit
e de la seconde condition
Supposons une dependance lineaire des Fonctions de Base sur les
donnees, cest-`a-dire la seconde condition non satisfaite. Soit donc Dl
un jeu de coefficients non tous nuls tels que, , Dl fl = 0 .
222
Aide-M
emoire de g
eostatistique lin
eaire :
erifiant :
l v
s
l f
ls
= Z , non
Cov [ Z , X]
Autrement dit :
k :
K(x t) (dt)
3.3. N
ecessit
e de la premi`
ere condition
Voir annexe sur
le th
eor`
eme des
Repr
esentations.
(dt)
x (dt)
x (dt) fxl
l (dt)
o`
u x est un point quelconque. Alors :
Kx l K fxl
Kx el fxl
h
i
K(x t) x (dt) fxl l (dt)
[5] D
emonstration du th
eor`
eme de r
egularit
e du Krigeage Intrins`
eque
P
K + (el ) fl
P
fl
( )
(l)
3.4. R
esultat compl
ementaire
3.4.1. Cons
equence du th
eor`
eme pr
ec
edent
Accessoirement, nous avons demontre que si est une CLA non
identiquement nulle qui verifie K = 0, alors, x,
Kx = el fxl
o`
u les el sont des coefficients numeriques dependant de , de la fonction
structurale K , et des points x .
Donc, K = 0 entrane que lexpression Kx est une
combinaison lineaire des fonctions de base fxl .
3.4.2. R
eciproque
La reciproque est immediate : si , Mesure Autorisee dordre k, est telle
que, x, Kx el fxl , alors :
(el fl )
el fl
3.4.3. Enonc
e
k :
( K = 0)
Kx = el fxl
4. Condition suffisante
Supposons maintenant les deux conditions de regularite satisfaites, et
soit le syst`eme homog`ene :
P
b K + cl fl
P
b fl
()
[a]
(l)
[b]
223
224
Aide-M
emoire de g
eostatistique lin
eaire :
b K b + cl fl b
b K b
Chapitre 6
Equivalence
Spline-Krigeage
Pr
esentation
A laide du formalisme du Krigeage dual, on veut montrer
(dans le cas fini seulement) que les estimateurs rencontres en
Geostatistique Lineaire peuvent sexprimer en terme dintegrales
despace (Splines).
Le point de vue du Krigeage Universel est une premi`ere approche.
On suppose que le mod`ele admet une covariance Sous-Jacente
stationnaire, et on examine successivement les formulations de
lestimation de la Derive et du Krigeage Simple. La synth`ese,
relative au formalisme du Krigeage Universel, est acquise gr
ace
au theor`eme dadditivite.
Le point de vue du Krigeage Intrins`eque exige de formuler
de nouvelles hypoth`eses, et en particulier de prouver que
lindetermination inherente au formalisme des FAI-k est sans
consequence sur linterpretation de nos resultats en termes de
Splines. Le theor`eme dequivalence peut ensuite etre complete par
quelques resultats algebriques sur les proprietes de la matrice de
Krigeage Intrins`eque.
1.1. Syst`
eme destimation
Rappelons le syst`eme destimation des coefficients as de la Derive :
(s)
As =
s Z , avec :
P
s + ls fl
P
s f
( )
[1]
st
(t)
[2]
ls fl Q
Chapitre 7,
paragraphe 4.1.
226
Aide-M
emoire de g
eostatistique lin
eaire :
do`
u, en reportant dans les conditions [2] :
ls fl Q ft
st
(s, t)
[] = [g]1
as
ls fl Q z
[3]
f (z ; al )
(2 Det[])
n
2
e 2 (z al f ) Q
(z as fs )
o`
u:
(z al fl ) Q (z as fs )
(z as fs ) Q (z at ft )
Il existe bien un tel minimum, et unique, puisque Q est strictement
definie positive comme inverse de . On sait donc de plus que, dans
le cas dune Fonction Aleatoire gaussienne, cet estimateur est identique
a` celui du Maximum de Vraisemblance.
Dans le cas general, lestimateur a
annule les derivees partielles de la
forme quadratique, cest-`a-dire quil est solution de
(z as fs ) Q (z at ft )
al
(l)
[6] Equivalence
Spline-Krigeage
227
On a donc, l,
fl Q (z a
s fs )
ou encore :
a
s fs Q fl
fl Q z
a
s
Paragraphe 1.1.
ls fl Q z
Paragraphe 1.1.
1.4. Conclusion
Lestimateur a
s , defini ci-dessus comme minimisation dune integrale
despace, est identique a` lestimateur as de Krigeage, et concide de
plus avec lestimateur du Maximum de Vraisemblance dans le cas dune
Fonction Aleatoire gaussienne.
2. Notations G
en
erales
2.1. Indices et ensembles concern
es
On designe par A lensemble des points de donnees, et par , , . . .
lindice de ces points x , x , . . .
On designe par V lensemble des points a` estimer et par u, v, . . . lindice
de ces points xu , xv , . . ..
Precision essentielle : on suppose A V =
JJJ
iI
uV
(ij )
v
u uv
2.2.1. Propri
et
es dune sous-matrice de covariance
La fonction etant une fonction de covariance, donc etant de type
positif, toute matrice (ij ) ou ( ), ou (uv ) sera egalement
de type positif.
Theor`eme : si de plus (ij ) est strictement positive, il en sera de meme
de toute sous-matrice de covariance, et en particulier de ( ).
En effet, supposons
, A
228
Aide-M
emoire de g
eostatistique lin
eaire :
i ij j
i, jI
A :
= 0
, A
2.2.2. Notations
On designera par [B] linverse de la matrice [] sur I , donc :
ik B kj
ij
kI
6=
fA (z ) . fV (zu | z )
qui exprime que la densite du multiplet zi est egale au produit de la
densite a priori du multiplet z (o`
u A : les z representent les
valeurs conditionnantes) par la densite conditionnelle du multiplet zu ,
u V , conditionnellement aux z .
Dans le cas particulier dune loi gaussienne de covariance , et avec les
f (zi )
ij
f (zi ) = e 2 zi B
depend pas des zi ;
zj
de meme, fA (z ) = e 2 z Q z ;
enfin, comme resultat classique de la loi multigaussienne, on sait
que la loi des Zu conditionnellement aux Z est egalement une
multigaussienne, avec :
E [Zu | Z , Z , . . .] = Ku Z
o`
u Ku Z represente le poids de Z dans le Krigeage Simple de
Zu : lesperance conditionnelle sidentifie en effet au Krigeage
pour une Fonction Aleatoire gaussienne ;
Cov [Zu , Zv , . . . | Z , Z , . . .] = Suv ,
matrice definie positive stricte dinverse note C uv , qui ne
depend pas des z ;
la densite conditionnelle fv (zu , zv , . . . | z , z , . . .) est donc,
a` un coefficient multiplicatif pr`es qui ne depend ni des zu , ni
des z , de la forme :
1
e 2 (zu Ku z ) C
uv
(zv Kv z )
[6] Equivalence
Spline-Krigeage
229
Il ne reste plus qu`a reporter ces expressions dans lidentite initiale, pour
obtenir :
zi B ij zj
z Q z + (zu Ku z ) C uv (zv Kv z )
[4]
zi B ij zj
z B z + 2 z B u zu + zu B uv zv
(Suv )1
B uv
C uv
B u
Kv C vu
(et donc Kv
[5]
Kv B vu
Svu B u )
[6]
Q + Ku B uv Kv
[7]
3. Krigeage Simple
3.1. Syst`
eme destimation
Toujours en designant par Ku les ponderateurs du Krigeage Simple,
lestimateur du KS secrit donc :
zu
Ku z
Ku
(zu Ku z ) C uv (zv Kv z )
puisque lautre partie de lexpression, z Q z , ne fait pas intervenir
les inconnues zu .
Mais C uv etant strictement definie positive, cette expression sera
toujours positive, sauf si zu Ku z = 0 auquel cas elle sera nulle,
donc minimum. Les valeurs zu qui realisent ce minimum nul sont donc :
zu
Ku z
JJJ
230
Aide-M
emoire de g
eostatistique lin
eaire :
4. Krigeage Universel
4.1. Syst`
eme destimation
Lestimateur du Krigeage Universel secrit zU =
z , avec
U
P
U + U l fl
fl
U
( )
fxl
(l)
(z al fl ) Q (z as fs )
+ zu al ful Ku (z al fl ) B uv zv as fvs Kv (z as fs )
par rapport a` la fois aux al et aux zu , les z etant fixes. Cela seffectue
en deux etapes :
soit encore
zu
al ful + Ku (z al fl )
al
a
l
al
zu
a
l ful + Ku (z a
l fl )
al ful + Ku (z al fl )
[6] Equivalence
Spline-Krigeage
231
5. Krigeage Intrins`
eque (FAI-k)
5.1. Position du probl`
eme
Dans les etapes precedentes, on avait suppose que ij etait de type
positif strict. Cette hypoth`ese nest plus adaptee au mod`ele des FAI-k :
la matrice Kij de Covariance Generalisee na aucune raison davoir cette
propriete, et ne la donc pas dans le cas general.
On supposera en revanche toujours par la suite que la matrice Kij est
de type positif conditionnel strict relativement a` un jeu de fonctions de
base fil , et on supposera que ces fonctions de base sont lineairement
independantes sur lensemble des points xi , i I .
On sait que ces conditions sont necessaires et suffisantes pour assurer la
regularite du syst`eme general :
i
b Kij + cl fjl
o`
u en loccurrence
bi fil
j
Rl
(j )
Rl
(l)
Chapitre 8,
paragraphe 3.3.
bi
B ij j
Cli Rl
cl
Clj j
ls Rs
ou encore :
Kij fjl
fjs
!1
B ij
Cli
Clj
ls
ou explicitement :
ki
B Kij
Cli Kij
+ Clk fjl
jk
(k, j )
[8]
+ ls fjs
(l, j )
[9]
(l, i)
[10]
ls
(l, s)
[11]
B ji fjl
j s
Cl fj
232
Aide-M
emoire de g
eostatistique lin
eaire :
j
Rl
par
i
b ij
+ cl fjl
i l
b fi
(j )
Rl
(l)
o`
u bien s
ur les coefficients
bi et cl sont distincts des bi et cl du
paragraphe precedent.
De ce nouveau syst`eme, on en deduit dabord que ces
bi et cl sont des
combinaisons lineaires des j et Rl :
bi
ij j
B
Cli Rl
cl
Cli i
ls Rs
i
b Kij
i l
b fi
+ (
cl bi ali ) fjl
(j )
Rl
(l)
o`
u lon fait apparatre dans le terme de gauche le syst`eme general
exprime en terme de Covariance Generalisee syst`eme qui, par
hypoth`ese, est regulier. Par suite,
bi
et,
j
Rl
+ Cli Rl
ij
B
B ij
Csi
ls
i
b Kij + cl fjl
bi fil
(j )
(l)
[6] Equivalence
Spline-Krigeage
233
bi
cl
et le vecteur
j
0
bi
cl
5.4. Propri
et
es de la matrice B i j
B ij est definie positive.
Soit en effet le syst`eme :
i
b Kij + cl fjl
bi fil
(j )
(l)
o`
u, selon le mecanisme vu au paragraphe precedent, j est un
vecteur quelconque.
Alors, en appliquant au cas Rl = 0 les formules generales du 5.1,
(
do`
u:
bi
B ij j
cl
Cli i
i B ij j
b j j
bj Kij bi + bj cl fjl
bi Kij bj
i B ij j = 0
i B ij j = 0
i = cl fil
j = cl fjl
Paragraphe 5.1.
234
Aide-M
emoire de g
eostatistique lin
eaire :
B ii Ki0 j 0 B j
B ii Ki0 j 0 B j
et puisque fjl0 B j
j
0
+ Cli fjl0 B j
ji 0
ji 0 B j
= 0,
B ii Ki0 j 0 B j
Cov Y i , Y j
B ij
Finalement :
B ij
i B ij j
Cov Y i , Y
B ij j
i B ij j = 0
i = cl fil
5.5. Equivalence
SplineKrigeage
5.5.1. Annonce de la m
ethode et du r
esultat
On examine le minimum de la forme quadratique gi B ij gj sous la
contrainte g = z donnes. On proc`ede en deux etapes :
5.5.2. D
efinition de la matrice B ij
Soit une matrice B ij definie par :
Kij
fjl
fjs
!1
B ij
Cli
Clj
ls
o`
u:
[6] Equivalence
Spline-Krigeage
235
Voir le th
eor`
eme
sur la r
egularit
e du
syst`
eme de Krigeage.
gi B ij gj
gu
ou encore :
B uj gj
(u V )
B uv gv + B u g
(u V )
ou encore
B uv gv
B u g
B u z
gv
Svu B u z
(v V )
5.5.4. Cons
equence de la singularit
e de B uv
Cherchons a` caracteriser les solutions de B uv v = 0. Soit une telle
solution, et posons Y u = B uj Zj et Y = v Y v . Toutes les Variables
Aleatoires Y u et toutes leurs combinaisons lineaires, parmi lesquelles
en particulier Y sont bien des Combinaisons Lineaires Autorisees
dordre k grace a` lequation [10].
Alors, par hypoth`ese sur v ,
Var [Y ]
u B uv v
Yi
B ij Zj
Cov Y i , Y
Cov Y i , v Y v
B iv v
Paragraphe 5.3.
B uv v = 0
B iv v = 0
236
Aide-M
emoire de g
eostatistique lin
eaire :
5.5.5. Condition n
ecessaire de singularit
e du syst`
eme de Splines
Soit donc un vecteur u non nul solution de B vu u = 0. Dapr`es le
resultat precedent, on aura biu u = 0 (i I).
On definit un vecteur i en completant u par des nuls :
u
= 0
B ij j
B iu u + B i
B iu u
(i I)
et donc i B ij j = 0.
On a etabli precedemment que cela implique, i I , i = cl fil , et en
particulier = cl fl . Mais = 0 par construction.
On a donc construit une combinaison lineaire des fonctions de base,
non identiquement nulle, et qui sannule sur les donnees. Le syst`eme de
Krigeage Intrins`eque sera donc singulier. Do`
u le resultat :
Si le syst`eme des Splines est singulier, le syst`eme de
Krigeage Intrins`eque est singulier.
5.5.6. R
eciproque
Supposons maintenant le syst`eme de Krigeage Intrins`eque singulier. La
matrice K ij etant positive conditionnelle stricte sur I lest a fortiori sur
A. Si le syst`eme de Krigeage Intrins`eque est singulier, cest donc que les
fonctions de base ne sont pas lineairement independantes sur A.
Soient donc cl 6= 0 tels que cl fl = 0. On pose, i I , i = cl fil ; on
a ainsi = 0.
Comme B ij fjl = 0, on a B ij j = 0 ou encore, comme = 0,
B iv v = 0. En particulier, en limitant lindice i a` lensemble A :
B uv v = 0
(u V )
5.5.7. R
ecapitulatif
En conclusion des deux implications precedentes,
Les syst`emes des Splines et du Krigeage Intrins`eque ont
les memes conditions de regularite.
Paragraphe 5.4.
[6] Equivalence
Spline-Krigeage
237
gu
Suv B v z
zj
b Kj + cl fjl
avec :
P
b K + cl fl
P
b fl
()
(l)
b
b =0
u
Alors,
zj
bi Kij + cl fjl
et
bi fil
Mais cet ensemble dequations nest autre que le syst`eme dej`a rencontre,
ce qui permet decrire :
bi
B ij zj
cl
Clj zj
zu
u z
Suv B v
Paragraphe 5.1.
238
Aide-M
emoire de g
eostatistique lin
eaire :
5.5.11. R
esultat compl
ementaire
En se placant ici au niveau de la Fonction Aleatoire, on a par
construction B uj Zj = 0. Posons
Yi
B ij Zj
En particulier,
Yu
B uj Zj
B uj Zj Zj
Yu
B uv (Zv Zv )
Posons enfin :
Rv
Alors,
Rv 0
Zv Zv
Zv0 Zv0
et comme Cov Y u , Y u
Svu Y u
=
=
S v 0 u0 Y u
h
i
0
Svu Cov Y u , Y u Su0 v0
= B uu et (B uv ) = (Suv )1 , alors:
Svv0
Chapitre 7
Etude
de la bathym
etrie
sur le site du Titanic
Pr
esentation
Ce texte, dont le but est dillustrer par un exemple reel la mise en
uvre de lAnalyse Variographique en Geostatistique Intrins`eque,
est extrait de la publication Traitement des donnees a
` support
spatial : la Geostatistique et ses usages document realise a
`
linitiative et avec le soutien dEdF.
Les donnees relatives au site du Titanic sont presentees
avec lautorisation de TAURUS INTERNATIONAL / TITANIC
VENTURES. Pour raison de confidentialite, les coordonnees et les
profondeurs ne seront pas mentionnees, non plus que les details sur
la strategie de la campagne de reconnaissance.
1. Pr
esentation des donn
ees
Lobjet de cette etude etait de fournir une image du fond sous-marin a`
proximite immediate de lepave du Titanic. Les planches proposees ici
veulent attirer lattention sur les etapes dune Analyse Variographique
reelle, ainsi que sur limportance du choix du voisinage de Krigeage.
Comme presque toujours pour des donnees a` la mer, les informations
disponibles sont reparties sur des profils (planche 1). Les donnees sont
tr`es denses sur les profils (ici, une information tous les 50 m`etres
en general), tandis que les profils sont beaucoup plus espaces. On se
trouve demblee confronte a` une anisotropie, non pas de la Variable
Regionalisee on ne dispose actuellement daucune information a` ce
` chaque etape donc, il faudra sassurer
sujet mais de linformation. A
que cette situation ne provoque pas dartefact. En particulier, il faut
evidemment a` reception des donnees demander la raison de la maille
de reconnaissance : pourquoi cette orientation precisement, pourquoi
navoir pas fait de quadrillage. Une des conditions essentielles a` la
bonne marche dune Analyse Variographique est en effet de disposer
dune information non preferentielle : les donnees doivent pouvoir avoir
une signification statistique non biaisee. Cela ne signifie naturellement
pas que la Geostatistique ne peut travailler que sur des donnees
aveugles, mais que les informations qualitatives a priori doivent etre
soigneusement prises en compte avant tout traitement statistique, soit en
delimitant des sous-zones homog`enes, soit en incorporant explicitement
ces informations au mod`ele.
En loccurrence, le choix de la campagne obeissait a` des contraintes
etrang`eres a` la variable bathymetrique a` etudier : il ny avait donc
pas de biais a` redouter a priori . Cela dit, a` reception des donnees,
force est de constater que les donnees privilegient une direction. En
fait, a` lechelle de travail demandee (200 ou 300 m`etres), il nest pas
possible davoir une information sur la structure de la bathymetrie dans
240
Aide-M
emoire de g
eostatistique lin
eaire :
[7] Etude
de la bathym
etrie sur le site du Titanic
241
242
Aide-M
emoire de g
eostatistique lin
eaire :
ements de conclusion
4. El
La lecon a` tirer de cet exemple pourtant simple, est la grande difficulte
quil y aurait a` elaborer une procedure purement automatique dAnalyse
Variographique et destimation. Le dialogue entre le geostatisticien et les
donnees (et celui qui les a fournies. . . ) est bien un element essentiel dune
etude reelle.
Par ailleurs, le recours a` des crit`eres de qualite purement statistiques
risquerait de causer bien des desillusions. Ainsi, dans letude proposee
ici, cest de la planche 5 que le programme saccommoderait le mieux :
cest l`a quil a eu le plus de liberte pour ajuster les param`etres au mieux
de ses tests statistiques. Et effectivement, la restitution des valeurs a`
proximite immediate des donnees est excellente. Malheureusement, ce
qui interesse lutilisateur est precisement ce qui se passe ailleurs que
pr`es des donnees ; pour conduire a` un resultat interessant, le mod`ele
doit donc apporter plus dinformation quil nen est contenu dans les
donnees. Ce surcrot dinformation (ici : choix de la taille du voisinage
et degre impose de la derive) mesure la necessaire responsabilite que le
geostatisticien doit engager dans la conduite dune etude pratique.
[7] Etude
de la bathym
etrie sur le site du Titanic
243
244
Aide-M
emoire de g
eostatistique lin
eaire :
INFORMATION DISPONIBLE
Planche 1.
[7] Etude
de la bathym
etrie sur le site du Titanic
Planche 2.
245
246
Aide-M
emoire de g
eostatistique lin
eaire :
Planche 3.
[7] Etude
de la bathym
etrie sur le site du Titanic
Planche 4.
247
248
Aide-M
emoire de g
eostatistique lin
eaire :
Planche 5.
[7] Etude
de la bathym
etrie sur le site du Titanic
Planche 6.
249
250
Aide-M
emoire de g
eostatistique lin
eaire :
Planche 7.
[7] Etude
de la bathym
etrie sur le site du Titanic
ECART-TYPE
DE KRIGEAGE
Voisinage : 8 points, code [5]
Structure : k = 1 (force)
Lineaire -0.2047 101
Cubique 0.1869 107
Planche 8.
251
252
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
Introduction
au filtrage derreurs
Pr
esentation
Ce bref chapitre est une evocation, dailleurs simplifiee, de deux
exercices proposes dans le Fascicule 5 . Il vise principalement a
`
demystifier les notations du Cokrigeage, par la presentation dun
exemple elementaire.
Au premier paragraphe, on traite le cas du filtrage dune erreur
non systematique : comment estimer un signal lorsque les donnees
sont entachees dune erreur desperance nulle.
Le probl`eme du filtrage dune erreur systematique, examine au
second paragraphe, est en fait presque identique au probl`eme de
lestimation dun Residu presente en annexe 2.
Z(x)
Y (x) + (x)
o`
u:
Dans lexercice de
r
ef
erence (Fascicule 5,
p205), on se place
dans le cadre du
Krigeage Universel :
cette d
erive est non
constante dans lespace.
254
Aide-M
emoire de g
eostatistique lin
eaire :
Kx,y
Kx,y
Kx,y + Kx,y
Kx,y
1.2. Syst`
eme de filtrage
Y (x)
A
U
active
(mod`ele FASt-2).
K + K
Kx + Kxx
[F ]
P
+ F
F K + K
P
Kx
F2
Kxx
Kx F
F
[1]
valeur y
estimee en un point de donnee concide avec la valeur z de
la donnee en ce point.
255
regulier. Notons que cette situation ne serait pas modifiee dans une
optique Krigeage Universel.
Cela signifie que, dans le cadre de nos hypoth`eses, il a ete possible
destimer une VR y pour laquelle on ne disposait daucune donnee.
Pour reprendre les notations du chapitre 9, cela signifie que lon est en
mesure destimer une VR zi , alors que Si = . Cette situation est
evidemment confortable mathematiquement, mais fait en contrepartie
courir des risques (classiques. . . ) au niveau du realisme des estimations.
P
Y K + Y
[Y ]
Y2
Kx
Kxx
Kx Y
Y
[2]
Notons quils sagit bien cette fois dune interpolation, et que bien s
ur ce
krigeage est un Interpolateur Exact. Malheureusement, par hypoth`ese,
on ne peut realiser cette estimation faute de donnees.
Meme si cela ne presente pas un interet pratique evident, ce que lon peut
faire en revanche compte-tenu des donnees disponibles est le krigeage de
Z(x). Il sagit encore une fois dune estimation classique un Krigeage
monovariable , et lon obtient le syst`eme
[Z]
P
+ Z
Z K + K
P
Kx + Kx
Z2
Kxx + Kxx
Kx + Kx
Z
[3]
Kxy
K (0)
pour x = y
pour x 6= y
JJJ
256
Aide-M
emoire de g
eostatistique lin
eaire :
Z2
F2 + 2
[4]
bruit ;
F2
Var
Var
"
"
Z Y (x)
Y Y (x)
+ Var
"
La comparaison entre
les syst`
emes [F] et [Y]
est plus compliqu
ee.
Var
"
2
>
1.6. Estimation de la d
erive
(Remarque : par souci de simplification, on a suppose que la derive
de Y etait constante, mais rien ne changerait fondamentalement si elle
admettait le developpement habituel du KU).
Apr`es (co)krigeage de Y , on souhaite maintenant estimer sa Derive. Le
calcul est tr`es simple, mais il est encore plus rapide de remarquer que
les hypoth`eses impliquent
E [Z(x)]
Chapitre 6,
paragraphe 3.5.
[M ]
P
+ M
M K + K
P
257
Comme on le verra au
paragraphe suivant,
cest cette d
ecision
qui a pour effet de
permettre destimer le
signal alors m
eme quon
ne dispose daucune
donn
ee le concernant.
JJJ
Chapitre 9,
paragraphe 1.4.
On essaie de garder le
choix dindices adopt
e
dans lexercice initial,
fascicule 5, p206.
signal/signal
n
K00 (x, y)
Kx,y
K11 (x, y)
Kx,y + Kx,y
K10 (x, y)
Kx,y
et bien s
ur, dans le cas present, K10 (x, y) = K01 (x, y).
Au niveau de la Derive, on a la modelisation globale
E [Z(x, i)]
al f l (x, i)
f 0 (x, 0) = 1
f 0 (x, 1) = 0
f 1 (x, 0) = 0
f 1 (x, 1) = 1
Chapitre 9,
paragraphe 4.2.1.
[5]
a0 = m
a1 = m + m
Cette presentation peut-etre un peu inhabituelle est en fait, ainsi que
cela a ete vu au chapitre 9, le syst`eme de notation le plus commode
258
Aide-M
emoire de g
eostatistique lin
eaire :
E [Z(x, 0)]
1
X
al f l (x, 0)
al f l (x, 1)
m + m
l=0
E [Z]
E [Z(x, 1)]
1
X
l=0
2.2. R
egularit
e du syst`
eme de cokrigeage
Le probl`eme est maintenant de cokriger Z(x) et Y (x), avec larri`erepensee que si Y a effectivement le sens dun signal , il risque darriver
que cette composante ne soit pas informee (donc que S0 = ).
Une premi`ere remarque, de nature intuitive, concerne les hypoth`eses de
ce paragraphe. On note que, contrairement au paragraphe 1, les deux
composantes Y et y jouent des roles parfaitement symetriques 1 .
On sait quil nest pas possible en general, dans un phenom`ene global,
de separer des composantes qui ont approximativement les memes
proprietes. Dans le cas present, si lon ne dispose de donnees que sur
Z (cest-`a-dire la somme Y + ), on imagine mal comment on pourrait
discerner dans la Derive globale ce qui revient au signal et ce qui
revient au bruit .
Cette intuition peut etre confortee immediatement. Dune mani`ere un
peu abstraite dabord, on peut invoquer la condition dIndependance
Lineaire des Fonctions de Base. On sait que si lon peut trouver un jeu
de coefficients non tous nuls tels que
1
X
cl f l (x, i)
[6]
l=0
c0 = c ; c 1 = 0
satisfait aux conditions [6]. Le Cokrigeage est donc impossible si on ne
dispose daucune donnee sur Y .
De facon un peu plus classique, on peut tout simplement essayer de
construire les equations de lestimation de Y (x) a` laide de donnees Z
seulement :
X
Y (x)
X
1 + m
eP
gale a` 0. Ce qui implique dans le meme temps
= 1 et
Cette symetrie nexistait pas dans le cas dune erreur non systematique, dans la
mesure o`
u la derive du signal etait inconnue, mais la derive du bruit etait nulle.
Ici, toutes deux sont egalement inconnues.
259
Ce qui est instructif au-del`a de ce calcul trivial, cest que lon montre
ainsi quil est impossible, sur la seule base de donnees bruitees , de
separer dans la derive globale ce qui est d
u a` lerreur systematique, et
ce qui provient de la vraie derive du signal. Ce resultat, etabli sur
des derives constantes dans lespace, subsisterait naturellement avec des
mod`eles de type Cokrigeage Universel.
Il est de meme evident, compte-tenu du role parfaitement symetrique
joue par les deux composantes, quil serait tout aussi impossible
destimer le bruit en ne disposant de donnees que sur le signal
bruite .
Al
l (dy) Z(y, 0) +
S
Ces r
esultats peuvent
s
etablir presque
imm
ediatement,
a
` titre dexercice.
l (dy) Z(y, 1)
S
o`
u l (dy) est solution du syst`eme
Z
Z
1
0
+ l0
(dy)
K(x,
y)
+
l (dy) K(x, y)
S1
S0
Z
0
1
l (dy) K(x, y) +
l (dy) K(x, y) + K (x, y) + l1
S0
S1
l (dy)
Sj
(x S0 )
(x S1 )
= lj
(j {0, 1})
Y (x0 )
Z (x0 , 0)
(dy) Z(y, 0) +
S0
(dy) Z(y, 1)
S1
Z
Z
0
1
(dy)
K(x,
y)
+
(dy) K(x, y)
+ 0 = K(x, x0 ) (x S0 )
S0
S1
Z
0
1
(dy) K(x, y) +
(dy) K(x, y) + K (x, y) + 1 = K(x, x0 ) (x S1 )
S0
S1
(dy)
= 0j
(j {0, 1})
Sj
260
Aide-M
emoire de g
eostatistique lin
eaire :
Troisi`
eme partie
Bibliographie,
Notations, Index,
Table
262
Aide-M
emoire de g
eostatistique lin
eaire :
Bibliographie
Bartlett, M. S. (1961)
CUP, Cambridge.
(1942)
48.
de Geostatistique, Ecole
des Mines de Paris.
Chauvet, P. (1987a)
Reflexions sur les ponderateurs negatifs du
krigeage. Sciences de la Terre, Ser. Inf., (1988) 28.
ements danalyse structurale des FAI-k a` 1
Chauvet, P. (1987b) El
dimension. Th`ese de Docteur-Ingenieur en Sciences et Techniques
Mini`eres, Ecole
des Mines de Paris.
Chauvet, P. (1992) Traitement des donnees a` support spatial : la
Geostatistique et ses usages. Rapport technique N-28/92/G, Centre
de Geostatistique, Ecole
des Mines de Paris.
Clark, I.
London.
(1979)
Cram
er, H. (1937)
CUP, Cambrige.
Geostatistique, Ecole
des Mines de Paris.
Doob, J. L.
(1953)
Fortet, R. et A. Blanc-Lapierre
aleatoires. Masson, Paris.
Formery, Ph.
Paris.
(1964)
(1953)
(1962)
264
Aide-M
emoire de g
eostatistique lin
eaire :
(1978)
Ecole
des Mines de Paris.
Langlais, V. (1990) Estimation sous contraintes dinegalites. Th`ese
Geostatistique, Ecole
des Mines de Paris.
Matheron, G. (1957)
Theorie lognormale de lechantillonnage
systematique des gisements. Annales des Mines, Vol.IX, pp566-584.
Matheron, G. (1962a)
Technip, Paris.
Matheron, G.
B.R.G.M..
(1962b)
Matheron, G. (1963a)
Technip, Paris.
Matheron, G. (1963b)
Vol 58, pp1246-1266.
Matheron, G.
Masson, Paris.
(1965)
Matheron, G.
Mir, Moscou.
(1968)
Bibliographie
265
Geostatistique, Ecole
des Mines de Paris.
Matheron, G. (1971b) La theorie des fonctions aleatoires intrins`eques
generalisees. Note geostatistique n 117, Centre de Geostatistique,
Ecole
des Mines de Paris.
Matheron, G. (1971c) La theorie des variables regionalisees et ses
applications. Les Cahiers du Centre de Morphologie Mathematique,
n 5, Ecole
des Mines de Paris.
Matheron, G. (1973) Le krigeage disjonctif . Rapport technique N
360, Centre de Geostatistique, Ecole
des Mines de Paris.
Matheron, G. (1975a) Random sets and integral geometry. Wiley &
Sons, New-York.
Matheron, G. (1975b) Hasard, echelle et structure. Annales des Mines,
Novembre 1975, pp7-10, Paris.
Matheron, G. (1976)
Les concepts de base de la geostatistique
mini`ere. in Advanced Geostatistics in the Mining Industry
(M.Guarascio ed.), pp3-10, Reidel, Dordrecht.
Matheron, G. (1978) Estimer et choisir. Les Cahiers du Centre de
Geostatistique, Ecole
des Mines de Paris.
Matheron, G. (1980) Splines et krigeage : leur equivalence formelle.
Ecole
des Mines de Paris.
Matheron, G.
(1989)
Mini`eres, Ecole
des Mines de Paris.
Sibson, R. (1981)
A brief description of natural neighbour
interpolation. in Interpreting Multivariate Data (V.Barnett ed.),
Wiley & Sons, New-York.
266
Aide-M
emoire de g
eostatistique lin
eaire :
Sichel, H. S. (1949)
Mine valuation and maximum likelihood.
Masters Thesis, University of Witwatersrand.
Sichel, H. S. (1952) New methods in the statistical evaluation of
mine sampling data. Transactions of the Institution of Mining and
metallurgy, Londres.
Wackernagel, H. (1985)
Linference dun mod`ele lineaire en
geostatistique multivariable. Th`ese de Docteur-Ingenieur en Sciences
Notations
Pr
esentation
Cette liste rappelle les notations les plus frequemment utilisees
dans ce document, notations qui sont aussi dans la mesure du
possible celles que lon rencontre dans la bibliographie citee en
reference.
Toutefois, meme si lon a cherche au maximum dans le texte
a
` garder des ecritures coherentes et depourvues dambigute, il
convient de ne pas etre esclave des notations. Cette liste ne saurait
etre ni exhaustive, ni depourvue dexceptions : il ne sagit que
dune indication densemble, qui ne peut dispenser, en cas de
doute, de se reporter aux definitions.
1. Rappel pr
eliminaire
Rappelons une convention dans ce document : les mots ou expressions qui
y font lobjet dune d
efinition figurent par la suite avec des majuscules,
et sont par ailleurs repertories dans lindex. Le lecteur sait ainsi que tout
mot qui apparat avec des majuscules anormales figure dans lIndex,
et quil est donc possible den retrouver aisement la Definition.
2. Conventions g
en
erales
2.1. Abr
eviations
Voici quelques abreviations, courantes dans ce document ainsi que dans
lensemble de la litterature geostatistique francophone.
CG
CLA
FA
FAI
Covariance Generalisee.
Combinaison Lineaire Autorisee.
Fonction Aleatoire.
Fonction Aleatoire Intrins`eque.
FAI-k
FASt
FASt-2
KD
KI
KO
Krigeage Ordinaire.
KS
Krigeage Simple.
KU
Krigeage Universel.
MLC
VA
Variable Aleatoire.
VR
Variable Regionalisee.
...
268
Aide-M
emoire de g
eostatistique lin
eaire :
Z
U
signifie
al fxl
signifie
signifie
Z
U
al fxl
(z al fl ) Q (z as fs )
signifie
X
X
X
z
al fl Q z
as fs )
,
[A]
Krigeage Aleatoire.
[B]
Krigeage Dual.
[D]
Estimation de la Derive.
[I]
[M ]
Krigeage Intrins`eque.
Estimation de la moyenne (cas dune Derive constante
dans lespace).
[O]
Krigeage Ordinaire.
[R]
Estimation du Residu.
[S]
Krigeage Simple.
[U ]
Krigeage Universel.
[]
Notations
269
Cest aussi pour respecter cette convention de notation que lon ecrit
avec une majuscule M lestimateur (probabiliste dans le mod`ele) de
lesperance m , quantite qui quant a` elle est deterministe donc notee
avec une minuscule.
3. Symboles alphanum
eriques
al
m(x)
al fxl
cl
z (x)
b Kx +
cl fxl
Cov []
E []
i
XE [X] Y E [Y ]
Esperance mathematique :
E [X] =
uPX (du)
dx, dy
fl
fx0 = 1
Chapitre 6,
paragraphe 3.5.
270
Aide-M
emoire de g
eostatistique lin
eaire :
Vecteur de lespace
g
eographique .
Chapitre 2.
l, s, t
m, m(x)
m(x) = al fxl
dans le mod`ele du Krigeage Universel.
S, v, V, W
Var []
Domaines de regularisation.
Variance :
Var [X] = E X 2
x, y
Y (x)
2
E [X]
z(x), Z(x)
Z()
, ,
Notations
271
Cov [Z , Z ]
Symbole de Kronecker :
a (dx)
=
=
1
0
=
6=
si
si
(x)a (dx)
(a)
z (x)
(x) z
z (x) =
m
z(t) (dt)
f l (x)(dx)
272
Aide-M
emoire de g
eostatistique lin
eaire :
2 (V | W )
E (A, B)
dans le
4. Symboles divers
(x)
(x)
1 si x S
0 si x 6 S
=
=
[V ]
[V ] =
dx
V
)
Z(V
1
[V ]
Z(x) dx
V
(V, W )
1
[V ] [W ]
Z Z
V
(xy) dx dy
W
Index
Echelle
de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Effet de bord . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Effet de pepite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Ergodicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Erreur destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32, 44
Erreurs partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Esperance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Espace probabilise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Estimateur des moindres carres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Estimateur sans biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
274
Aide-M
emoire de g
eostatistique lin
eaire :
Estimation globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Estimation locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Exponentielles-polynomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Expression duale (du krigeage) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
FAI-k sans derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Fonction Aleatoire Intrins`eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Fonction Aleatoire Intrins`eque dordre k (FAI-k) . . . . . . . . . . . . . 126
Fonction de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
Fonction indicatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Fonctions auxiliaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Fonctions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97, 125
Formulation duale du Krigeage Universel . . . . . . . . . . . . . . . . . . . . 215
Formule de Krige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Geostatistique intrins`eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 94
Geostatistique transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Grandeur regionale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Heterotopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Hypoth`ese anticipatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Hypoth`ese ergodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Independance lineaire des fonctions de base sur les donnees . . . . 103
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Interpolateur exact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Isotopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Isotrope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Krigeage aleatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Krigeage intrins`eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Krigeage Ordinaire (KO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85, 86
Krigeage Simple (KS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Krigeage Universel (KU) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Loi spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Mesure autorisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Mod`ele gigogne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Mod`ele lineaire de coregionalisation . . . . . . . . . . . . . . . . . . . . . . . . . 176
Mod`ele primaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Mod`eles elementaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Mod`eles globaux non stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Mod`eles topo-probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9, 15
Montee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Multiplicateurs de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Param`etre conventionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24, 89
Param`etre methodologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Partie irreguli`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Partie reguli`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Phenom`ene regionalise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Poids de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Portee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Portee integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Principe deconomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Principe de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Principe des grandeurs regionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Probl`eme global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Probl`eme local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Propriete dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Propriete dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
R`egle de substitution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Index
275
Realisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Regularisee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Residu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Randomisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Reconstruction operatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18, 23
Relation dadditivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Representation glissante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45, 55
Representation transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Sans biais (estimateur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Separation des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154, 164
Seuil de realisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Situation prealeatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Sous-jacente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Stationnarite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Stationnarite dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Strictement intrins`eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Syst`eme dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Terme de ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme de section . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme de tranche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Terme dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Terme fluctuant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Terme regulier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Theor`eme dadditivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114, 116
Theor`eme de Bochner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Theor`eme de lesperance totale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Theor`eme des Representations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Theor`eme de superposition des figures de Krigeage . . . . . . . . . . . . 88
Translate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Transposee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Type positif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Type positif conditionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Variable regionalisee (VR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Variance de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Variance destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33, 46
Variance dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Variogramme croise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Variogramme des residus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Variographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20, 23
Voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Voisinage glissant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Zitterbewegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
276
Aide-M
emoire de g
eostatistique lin
eaire :
Sommaire
Avertissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
ements de G
El
eostatistique Lin
eaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. Bref rappel historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2. Trois
ages de la g
eostatistique . . . . . . . . . . . . . . . . . . . . . . . 7
3. Un point de vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4. Sommaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Chapitre 1
Variables R
egionalis
ees et Fonctions Al
eatoires . . . . . . . . . . . . 11
1. Les deux niveaux de mod`
ele . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Point de depart : le phenom`ene regionalise . . . . . . . . . . .
1.2. Premi`ere etape : la Variable Regionalisee . . . . . . . . . . . .
1.3. Les lecons du mod`ele primaire . . . . . . . . . . . . . . . . . . . . .
1.4. Les outils du mod`ele primaire . . . . . . . . . . . . . . . . . . . . . .
1.5. Le mod`ele topo-probabiliste . . . . . . . . . . . . . . . . . . . . . . . .
1.6. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2. G
eostatistique Intrins`
eque : probl`
emes et m
ethodes
2.1. LE probl`eme methodologique . . . . . . . . . . . . . . . . . . . . . .
ement de solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. El
2.3. Mecanismes de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
18
4. Structure dune
etude en G
eostatistique Intrins`
eque
4.1. Rappel prealable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Phase danalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Phase de synth`ese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
11
12
13
14
15
15
16
17
17
18
19
19
20
21
21
22
23
23
278
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 2
G
eostatistique Transitive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1. Le Covariogramme Transitif . . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Proprietes theoriques immediates . . . . . . . . . . . . . . . . . . .
1.3. Positivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Comportement a` lorigine . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5. Regularisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2. Application `
a un probl`
eme destimation . . . . . . . . . . . . .
2.1. Position du probl`eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Implantation de la maille . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Proprietes de lErreur dEstimation . . . . . . . . . . . . . . . . .
2.4. Necessite dune modelisation . . . . . . . . . . . . . . . . . . . . . . .
32
3. Mod
elisation du Covariogramme Transitif . . . . . . . . . . .
3.1. Contraintes sur le mod`ele . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Les formules dapproximation . . . . . . . . . . . . . . . . . . . . . .
3.3. Une situation prealeatoire . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Remarque sur la stationnarite . . . . . . . . . . . . . . . . . . . . . .
3.5. Les trois Covariogrammes . . . . . . . . . . . . . . . . . . . . . . . . .
34
29
29
30
31
31
32
32
33
33
34
35
36
37
37
Chapitre 3
Buts et moyens de la G
eostatistique Lin
eaire (1) . . . . . . . . . . 39
1. Limites de la g
eostatistique lin
eaire . . . . . . . . . . . . . . . . .
1.1. Cadre de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Limites du mod`ele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Utilisation du mod`ele . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Commentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2. M
ecanismes de calcul des variances . . . . . . . . . . . . . . . . .
2.1. Les Combinaisons Lineaires Autorisees . . . . . . . . . . . . . .
2.2. Moments dune CLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Proprietes de la covariance stationnaire . . . . . . . . . . . . .
42
3. Variance dextension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Formule de la Variance dExtension . . . . . . . . . . . . . . . . .
3.3. Analyse de la formule . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Cas particulier dun reseau de prel`evements fini . . . . . .
44
4. Variance de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Dispersion statistique de v dans V . . . . . . . . . . . . . . . . .
4.2. Passage a` la version probabiliste . . . . . . . . . . . . . . . . . . . .
4.3. Variance de dispersion de v dans V . . . . . . . . . . . . . . . . .
4.4. Resultats complementaires . . . . . . . . . . . . . . . . . . . . . . . . .
4.5. Formule de Krige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
39
40
40
41
42
42
43
44
44
45
46
47
48
48
49
49
Chapitre 4
Stationnarit
e et ergodicit
e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1. Les deux niveaux de mod`
ele . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Signification et necessite de lhypoth`ese stationnaire . .
1.2. Les probl`emes globaux . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Les probl`emes locaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53
53
54
Sommaire
279
1.3.1. Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2. Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3. Remarques finales . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
55
56
58
58
58
59
59
Chapitre 5
Buts et moyens de la G
eostatistique Lin
eaire (2) . . . . . . . . . . 61
1. M
ecanismes de calcul en hypoth`
ese intrins`
eque . . . . .
1.1. Le mod`ele intrins`eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Combinaisons lineaires autorisees . . . . . . . . . . . . . . . . . . .
1.3. Mecanismes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Proprietes du variogramme stationnaire . . . . . . . . . . . . .
61
65
61
62
63
65
65
66
66
3. R
egularisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.1. Resultats generaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Formule de changement de support . . . . . . . . . . . . . . . . . 68
Chapitre 6
Estimations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1. Alternative global/local en estimation . . . . . . . . . . . . . . 71
1.1. Quappelons-nous estimation ? . . . . . . . . . . . . . . . . . . . . . 71
1.2. Estimation globale, estimation locale . . . . . . . . . . . . . . . . 72
2. Lestimation globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Echantillonnage
aleatoire pur . . . . . . . . . . . . . . . . . . . . . .
2.2. Echantillonnage
aleatoire stratifie . . . . . . . . . . . . . . . . . . .
2.3. Remarque sur la geometrie . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Maille reguli`ere a` implantation preferentielle . . . . . . . . .
2.5. Maille reguli`ere a` implantation flottante . . . . . . . . . . . . .
2.6. Une remarque instructive . . . . . . . . . . . . . . . . . . . . . . . . . .
72
73
75
75
76
76
77
3. Lestimation locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2. Les etapes du krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.1. Lerreur destimation . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.2. Etape
1 : contrainte de linearite . . . . . . . . . . . . . . . . 79
3.2.3. Etape
2 : contrainte dautorisation . . . . . . . . . . . . . . 79
3.2.4. Etape
3 : contrainte duniversalite . . . . . . . . . . . . . . 80
3.2.5. Sens de la contrainte duniversalite . . . . . . . . . . . . . . 80
3.2.6. Etape
4 : contrainte doptimalite . . . . . . . . . . . . . . . 81
3.2.7. L. A. U. O. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
280
Aide-M
emoire de g
eostatistique lin
eaire :
. . . . . . . . . . . . . 83
83
84
86
86
. . . . . . . . . . . . . . . . . . 87
3.5. Evaluation
optimale de lesperance mathematique
87
87
88
. . . . 89
Chapitre 7
93
93
94
94
2. Le Krigeage Universel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.1. La dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.1.1. Les donnees disponibles . . . . . . . . . . . . . . . . . . . . . . 95
2.1.2. Contrainte au niveau de la Variable Regionalisee . . . 96
2.1.3. Contrainte au niveau de la Fonction Aleatoire . . . . . 96
2.1.4. Structure de la Derive . . . . . . . . . . . . . . . . . . . . . . . . 96
2.1.5. Hypoth`eses communes aux differents mod`eles de KU
97
. . . . . . 98
2.2.1. Signification du mod`ele . . . . . . . . . . . . . . . . . . . . . . . 98
2.2.2. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.2.3. Presentation matricielle . . . . . . . . . . . . . . . . . . . . . . . 99
2.3. KU a` mod`ele sous-jacent intrins`eque strict . . . . . . . . . . 100
2.3.1. Particularite de ce mod`ele . . . . . . . . . . . . . . . . . . . . 100
2.3.2. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.3.3. Presentation matricielle . . . . . . . . . . . . . . . . . . . . . . 101
2.3.4. Plaidoyer pour une demarche rigoureuse . . . . . . . . . 102
2.4. Proprietes du Krigeage Universel . . . . . . . . . . . . . . . . . . 102
2.4.1. Proprietes generales . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.4.2. Independance lineaire des fonctions de base . . . . . . 102
2.4.3. Une invariance des ponderateurs du KU . . . . . . . . . 103
2.4.4. Proprietes dorthogonalite . . . . . . . . . . . . . . . . . . . . 104
3. Le statut de la D
erive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2. Evaluation
optimale de la Derive : idee directrice . . . . 105
3.3. Mod`ele sous-jacent stationnaire . . . . . . . . . . . . . . . . . . . 106
2.2. KU a` mod`ele sous-jacent stationnaire dordre 2
4. Les coefficients de la D
erive . . . . . . . . . . . . . . . . . . . . . . .
4.1. Evaluation
des coefficients : mod`ele stationnaire . . . . .
4.2. Evaluation
des coefficients : mod`ele intrins`eque . . . . . .
4.3. Le probl`eme du terme constant . . . . . . . . . . . . . . . . . . . .
4.3.1. Mod`ele de Derive aleatoire . . . . . . . . . . . . . . . . . . .
4.3.2. Estimation dune Derive aleatoire . . . . . . . . . . . . . .
4.3.3. Premi`ere estimation dune moyenne mobile . . . . . .
4.3.4. Seconde estimation dune moyenne mobile . . . . . . .
ement de reflexion . . . . . . . . . . . . . . . . . . . . . . . .
4.3.5. El
4.3.6. Retour au coefficient a0 . . . . . . . . . . . . . . . . . . . . .
4.3.7. Dernier regard sur la Derive . . . . . . . . . . . . . . . . . .
108
109
109
110
110
110
111
111
111
111
112
Sommaire
281
5. Compl
ement sur les syst`
emes du Krigeage Universel
5.1. Hypoth`ese et notations . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Matrice inverse du Krigeage Universel . . . . . . . . . . . . . .
5.3. Consequence : additivite des estimations . . . . . . . . . . .
5.4. Correction de Derive . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5. Additivite des variances . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6. Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Etapes
et probl`
emes de lAnalyse Variographique . .
6.1. Lestimateur des moindres carres . . . . . . . . . . . . . . . . . .
6.2. Le variogramme des residus . . . . . . . . . . . . . . . . . . . . . . .
6.3. Probl`emes de biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4. Probl`emes dindetermination . . . . . . . . . . . . . . . . . . . . . .
6.5. Conclusion provisoire . . . . . . . . . . . . . . . . . . . . . . . . . . . .
112
112
113
114
115
115
116
116
117
118
118
119
119
Chapitre 8
G
eostatistique Intrins`
eque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
1. Introduction aux FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1. Idee directrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Vers des Combinaisons Lineaires Autorisees . . . . . . . . .
1.3. Definition des CLAk . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. FAI-k et representation . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2. Premi`ere definition . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3. Deuxi`eme definition . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4. Representation dune FAI-k : definition . . . . . . . . .
1.4.5. Equivalence
entre les deux definitions de FAI-k . . .
1.4.6. Theor`eme des representations : enonce . . . . . . . . . .
1.4.7. Application : caracteristiques intrins`eques . . . . . . .
1.4.8. Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.9. Commentaire sur les CLA-k . . . . . . . . . . . . . . . . . .
2. Covariances G
en
eralis
ees : th
eor`
eme fondamental .
2.1. Derive dune FAI-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Covariance Generalisee : definition . . . . . . . . . . . . . . . . .
2.3. Theor`eme dexistence et dunicite . . . . . . . . . . . . . . . . . .
2.4. Fonctions de type positif conditionnel . . . . . . . . . . . . . .
123
123
123
124
125
125
126
126
126
126
127
127
128
128
128
129
129
130
130
3. Le Krigeage Intrins`
eque . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. L.A.U.O. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Le syst`eme de Krigeage Intrins`eque . . . . . . . . . . . . . . . .
3.3. Proprietes du syst`eme de Krigeage Intrins`eque . . . . . .
3.3.1. Superposition des figures de Krigeage . . . . . . . . . . .
3.3.2. Orthogonalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.3. Lissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Conditions de regularite du syst`eme de Krigeage . . . .
131
4. Pr
esentation duale du Krigeage . . . . . . . . . . . . . . . . . . . .
4.1. Le Krigeage comme interpolateur . . . . . . . . . . . . . . . . . .
4.2. Syst`eme de Krigeage dual . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Interpretation des equations duales . . . . . . . . . . . . . . . .
4.3.1. Recherche dun nouvel interpolateur . . . . . . . . . . . .
l
4.3.2. Role des contraintes b f
= 0 ..............
4.3.3. Caracterisation du syst`eme dual . . . . . . . . . . . . . . .
4.4. Equivalence
splineskrigeage . . . . . . . . . . . . . . . . . . . . . .
135
131
132
133
133
133
134
135
135
136
136
136
137
137
137
282
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 9
Introduction `
a la G
eostatistique Multivariable . . . . . . . . . . . . 141
1. Position du probl`
eme et notations . . . . . . . . . . . . . . . . . 141
1.1. Remarque preliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
1.2. Necessite dun mod`ele multivariable :
un exemple simpliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
1.3. Deux considerations generales sur le multivariable . . . 145
1.4. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
147
152
4. Le cokrigeage universel . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Dernier retour sur le mod`ele intrins`eque . . . . . . . . . . . .
4.2. Les equations du cokrigeage universel . . . . . . . . . . . . . .
4.2.1. Description de la derive . . . . . . . . . . . . . . . . . . . . . .
4.2.2. Construction du syst`eme . . . . . . . . . . . . . . . . . . . . .
4.3. Complements sur le cokrigeage universel . . . . . . . . . . .
4.3.1. Proprietes algebriques du cokrigeage universel . . . .
4.3.2. Regularite du syst`eme . . . . . . . . . . . . . . . . . . . . . . .
4.3.3. Coestimation optimale des coefficients de la derive .
4.3.4. Presentation duale du cokrigeage universel . . . . . . .
5. Recherche de simplification du cokrigeage universel
5.1. Position du probl`eme et hypoth`eses simplificatrices . .
5.2. Principal resultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3. Adaptation des notations : cokrigeage . . . . . . . . . . . . . .
5.4. Adaptation des notations : coefficients des derives . . .
5.5. Transformation lineaire reguli`ere des variables . . . . . .
5.6. Cokrigeage des variables transformees . . . . . . . . . . . . . .
5.7. Coefficients des derives des variables transformees . . .
5.8. Application : la correlation intrins`eque . . . . . . . . . . . . .
5.8.1. Definition du mod`ele . . . . . . . . . . . . . . . . . . . . . . . .
5.8.2. Transformation des variables . . . . . . . . . . . . . . . . . .
5.8.3. Simplification du cokrigeage universel . . . . . . . . . . .
5.8.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.9. Perspectives : lautokrigeabilite . . . . . . . . . . . . . . . . . . . .
158
147
148
150
151
152
153
153
153
154
155
155
155
155
158
159
159
160
161
161
162
162
163
163
163
164
165
166
166
168
170
171
171
171
172
173
173
Sommaire
283
7. Notion de d
erive externe . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1. Justification, et mod`ele . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Variographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3. Krigeage avec derive externe . . . . . . . . . . . . . . . . . . . . . .
7.4. Remarques finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
180
180
181
181
182
Annexes
Chapitre 1
Esp
erance conditionnelle : m
ecanismes dutilisation . . . . . 189
1. Th
eor`
eme et mise en uvre . . . . . . . . . . . . . . . . . . . . . . .
1.1. Rappel du theor`eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Quelques formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Les etapes de la mise en uvre . . . . . . . . . . . . . . . . . . . .
1.4. Remarque sur la variance conditionnelle . . . . . . . . . . . .
1.5. Generalisation a` plusieurs variables conditionnantes .
189
189
189
190
190
190
192
192
193
193
193
194
194
Chapitre 2
Compl
ements sur le th
eor`
eme dadditivit
e . . . . . . . . . . . . . . . . 197
1. Estimation des r
esidus et Krigeage Simple . . . . . . . . .
1.1. Hypoth`eses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Conditions dorthogonalite . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1. Krigeage ordinaire . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2. Estimation de la moyenne . . . . . . . . . . . . . . . . . . . .
1.2.3. Recapitulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Estimation du Residu . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Estimation des Residus et Krigeage Simple . . . . . . . . .
1.5. Quelques relations dinegalite entre variances . . . . . . .
1.6. Recapitulation sur les variances et covariances . . . . . .
1.7. Valeurs particuli`eres de la somme des poids de KS . . .
1.7.1. Somme egale a` 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.2. Somme egale a` 0 . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.3. Somme egale a` 1/2 . . . . . . . . . . . . . . . . . . . . . . . . .
2. Th
eor`
eme dadditivit
e pour le mod`
ele intrins`
eque .
2.1. Expression du theor`eme au niveau des estimateurs . .
197
197
198
198
198
199
199
200
201
202
202
202
203
203
203
203
284
Aide-M
emoire de g
eostatistique lin
eaire :
3. G
en
eralisation `
a des KU de degr
es diff
erents . . . . . .
3.1. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Additivite des estimateurs du Krigeage . . . . . . . . . . . . .
3.3. Additivite des variances . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Formulaire des estimateurs de coefficients de la Derive
207
207
208
209
210
Chapitre 3
Chapitre 4
D
emonstration du th
eor`
eme des Repr
esentations . . . . . . . . 217
1. Hypoth`
eses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
2. Enonc
e du th
eor`
eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
3. Construction dune repr
esentation particuli`
ere . . . . . 217
3.1. Choix dun syst`eme de ponderateurs . . . . . . . . . . . . . . . 217
3.2. Construction dune CLA dordre k . . . . . . . . . . . . . . . . . 217
3.3. Construction dune Fonction Aleatoire
non stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
3.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
4. Caract
erisation de lensemble des repr
esentations .
4.1. Enonc
e .........................................
4.2. Condition suffisante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Condition necessaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
219
219
219
219
Chapitre 5
D
emonstration du th
eor`
eme de r
egularit
e du KI . . . . . . . . . 221
1. Enonc
e du th
eor`
eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
2. Remarque pr
eliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
3. Condition n
ecessaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1. Necessite de la seconde condition . . . . . . . . . . . . . . . . . .
3.2. Effet du non-respect de la premi`ere condition . . . . . . .
3.3. Necessite de la premi`ere condition . . . . . . . . . . . . . . . . .
3.4. Resultat complementaire . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1. Consequence du theor`eme precedent . . . . . . . . . . . .
3.4.2. Reciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3. Enonc
e ...................................
4. Condition suffisante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
221
221
222
222
223
223
223
223
223
Sommaire
285
Chapitre 6
Equivalence
Spline-Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
1. Estimation des coefficients de la d
erive . . . . . . . . . . . . 225
1.1. Syst`eme destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
1.2. Estimateur du maximum de vraisemblance
(cas gaussien) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
1.3. Point de vue general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
1.4. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
2. Notations G
en
erales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Indices et ensembles concernes . . . . . . . . . . . . . . . . . . . .
2.2. Matrices de covariances . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1. Proprietes dune sous-matrice de covariance . . . . . .
2.2.2. Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Une identite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Identification des termes . . . . . . . . . . . . . . . . . . . . . . . . . .
227
227
227
227
228
228
229
5.5. Equivalence
SplineKrigeage . . . . . . . . . . . . . . . . . . . . . .
5.5.1. Annonce de la methode et du resultat . . . . . . . . . .
5.5.2. Definition de la matrice B ij . . . . . . . . . . . . . . . . . .
5.5.3. Expression des solutions du syst`eme des Splines . . .
5.5.4. Consequence de la singularite de B uv . . . . . . . . . .
5.5.5. Condition necessaire de singularite
du syst`eme de Splines . . . . . . . . . . . . . . . . . . . . . . .
5.5.6. Reciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.7. Recapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.8. Explicitation de la solution des Splines . . . . . . . . . .
5.5.9. Explicitation de la solution du KI . . . . . . . . . . . . . .
5.5.10. Explicitation des ponderateurs du KI . . . . . . . . . . .
5.5.11. Resultat complementaire . . . . . . . . . . . . . . . . . . . . .
231
231
231
232
233
234
234
234
235
235
236
236
236
236
237
237
238
Chapitre 7
Etude
de la bathym
etrie sur le site du Titanic . . . . . . . . . . . 239
1. Pr
esentation des donn
ees . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Calcul des variogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Analyse Variographique non stationnaire . . . . . . . . . . .
3.1. Approche automatique . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Modification des param`etres par defaut . . . . . . . . . . . .
3.3. Une solution acceptable . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Recherche dall`egement des calculs . . . . . . . . . . . . . . . . .
ements de conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. El
239
240
240
240
240
241
241
242
286
Aide-M
emoire de g
eostatistique lin
eaire :
Chapitre 8
253
257
253
254
254
255
255
256
257
258
259
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
1. Rappel pr
eliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
2. Conventions g
en
erales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1. Abreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Convention de sommation . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Identification des Krigeages . . . . . . . . . . . . . . . . . . . . . . .
2.4. Majuscules, minuscules . . . . . . . . . . . . . . . . . . . . . . . . . . .
267
267
268
268
268
3. Symboles alphanum
eriques . . . . . . . . . . . . . . . . . . . . . . . 269
4. Symboles divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
Table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277