2. INTRODUCTION
Le krigeage est une méthode d’estimation linéaire utilisée en géostatistique qui vise à
minimiser la variance de l’estimation. Cette technique réalise l’interpolation spatiale
d’une variable régionalisée, c’est-à-dire une variable qui varie dans l’espace, en
calculant l’espérance mathématique d’une variable aléatoire. Cette espérance est
obtenue en utilisant l’interprétation et la modélisation du variogramme expérimental.
Le krigeage est considéré comme le meilleur estimateur linéaire non biaisé car il
prend en compte non seulement la distance entre les données et le point
d’estimation, mais aussi les distances entre les données elles-mêmes. Le nom de cette
méthode provient de l’ingénieur minier sud-africain Danie G. Krige, et elle a été
formalisée pour la prospection minière par Georges Matheron.
3. EXEMPLE NUMERIQUE DE KRIGEAGE
LIEN ENTRE KRIGEAGE SIMPLE ET KRIGEAGE ORDINAIRE
TYPE DE KRIGEAGE
PLA
N
PROPRIETES
INFLUENCE DU CHOIX DU MODELE
VALIDATION CROISEE
4. Supposons que l'on veuille estimer un bloc v centré au point xo. Notons 𝑍𝑣 la vraie
valeur (inconnue) de ce bloc et 𝑍𝑣
∗
l'estimateur que l'on obtient.
L'estimateur est linéaire d’où on a: 𝑍𝑖 désignent les v.a. correspondant aux points
échantillons.
𝑍𝑣: vrai valeur du bloc
𝑍𝑣
∗
: estimateur du bloc
𝑖: poids aux points d’échantillons
𝑘
2
: variance de krigeage
: multiplicateur de Lagrange.
C(h): Covariance de Zx
γ(h): variogramme
𝑘𝑜
2
: variance de krigeage ordinaire
𝐾𝑜: Krigeage ordinaire
KRIGEAGE ORDINAIRE
5. La variance d'estimation minimale, appelée variance de
krigeage a pour formule:
Système de krigeage en fonction du variogramme. Avec C(h) = σ2 - γ(h) et
que Σλ=1:
Visualisation du système de krigeage ordinaire et la variance de krigeage ordinaire sous forme
matricielle:
6. KRIGEAGE SIMPLE
Parfois on connaît la moyenne "m" du champ à estimer ou du moins on en possède un estimé fiable.
On peut alors former un estimateur sans biais sans imposer la contrainte que la somme des poids soit
égale à 1.
Tout comme pour le krigeage ordinaire, on écrit la variance d'estimation et on substitue
l'expression précédente pour l'estimateur Zv * . On trouve:
7. On peut démontrer que le krigeage ordinaire d'un point ou d'un
bloc à partir de "n" points observations peut se décomposer en 2
étapes:
1-Estimation de la moyenne "m" (inconnue) du processus par
krigeage ordinaire en utilisant les "n" points.
2-Estimation du point ou du bloc par krigeage simple en
prenant la moyenne estimée par krigeage ordinaire comme une
moyenne connue et toujours utilisant les mêmes "n" points.
LIEN ENTRE KRIGEAGE SIMPLE ET
KRIGEAGE ORDINAIRE
8. µ = Ssµm
Avec
*Pour l'estimation de la moyenne
λm,i: poids de krigeage ordinaire
µm: multiplicateur de Lagrange
σko,m
2
: variance de krigeage ordinaire obtenue
*Pour un point ou bloc
λo,i: poids de krigeage ordinaire
µ:multiplicateur de Lagrange
λs,i: 𝑝𝑜𝑖𝑑𝑠 𝑑𝑒 𝑘𝑟𝑖𝑔𝑒𝑎𝑔𝑒 𝑠𝑖𝑚𝑝𝑙𝑒
Ss:poids attribué à la moyenne dans le krigeage
simple
Ss = (1 − 𝑖 λs,i )
σko
2
: variance de krigeage ordinaire
σk𝑠
2
: variance de krigeage simple
λo,i= λs,i + Ssλm,i
σko
2
= σk𝑠
2
+ Ss
2
σko,m
2
9. Linéaire, sans biais,
Interpolateur exact.
Présente un effet d'écran
Tient compte de la taille du champ
PROPRIETES
Par l'utilisation du variogramme
Effectue généralement un lissage
Presque sans biais conditionnel
Transitif.
10. Le choix du modèle a peu d'influence sur les résultats du krigeage pour autant que
chaque modèle fournisse un ajustement équivalent pour les courtes distances
INFLUENCE DU CHOIX DU MODELE
• Les modèles courants:
• Effet de pépite: 𝛾 ℎ =
0 𝑠𝑖 ℎ = 0
𝐶0 𝑠𝑖 ℎ > 0
• Sphérique: 𝛾 ℎ =
𝐶0 + 𝐶
3
2
ℎ
𝑎
−
1
2
ℎ
𝑎
3
𝑠𝑖 0 < ℎ < 𝑎
𝐶0 + 𝐶 𝑠𝑖 ℎ > 0
• Gaussien: 𝛾 ℎ = 𝐶0 + 𝐶[1 − 𝑒
−3
ℎ
𝑎
2
]
• Exponentiel: 𝛾 ℎ = 𝐶0 + 𝐶[1 − 𝑒−3(
ℎ
𝑎
)
]
11. EXEMPLE NUMÉRIQUE DE KRIGEAGE
Soit les points suivants:
x1
X2 x0 x3
Et on a : x1=(0,1) Z1=9
x2=(0,0) Z2=3
x3=(3,0) Z3=4
BUT: estimer le point x0 situé à
(1,0)
Supposons que l'on a un modèle
sphérique, avec effet de pépite 1,
palier 11 et portée 3.
calcul des distances entre toutes les paires de points
12. Evaluation du variogramme sphérique à chacune de ces distances avec
l'équation:
Calcul de la covariance correspondante:
C(h)=11-γ(h)
Construction du système de krigeage:
K = ko
L’estimation est alors:
L’inverse de K:
14. VALIDATION CROISEE
Objectifs :
-Valider le modèle de variogramme
-Valider le voisinage utilisé pour le krigeage
Principe :
-Eliminer à tour de rôle chaque observation
-Estimer à l'aide de ses voisins
Avec:
e=Zi-Zi* un résidu
𝑛𝑖 =
𝑒𝑖
𝜎𝑘𝑖
un résidu normalisé
Un modèle et un voisinage adéquats devraient fournir:
15. Le krigeage est effectué avec le bon
modèle.
On a fourni un modèle trop optimiste par
rapport à la réalité (sphérique avec a=10
fourni vs réalité : effet de pépite pur)
On a fourni un modèle trop pessimiste
(effet de pépite pur) au lieu du vrai modèle
VALIDATION CROISEE
16. CONCLUSION
Estimateur sans biais qui minimise la variance d’éstimation
Prend on compte la redondance spatiale entre les données
Paramètre d’entrée:
o Voisinage
o modèle de variogramme
o Modèle de moyenne
• Constante et connue (Sk, Krigeage simple)
• Constante par voisinage (OK, Krigeage ordinaire)
• Modèle polynomial par voisinage (UK = Ked)
fournit:
Estimation = espérance conditionnelle de la fonction aléatoire
Variance d’estimation
Notas del editor
Le krigeage est une méthode d’estimation linéaire utilisée en géostatistique qui vise à minimiser la variance de l’estimation. Cette technique réalise l’interpolation spatiale d’une variable régionalisée, c’est-à-dire une variable qui varie dans l’espace, en calculant l’espérance mathématique d’une variable aléatoire. Cette espérance est obtenue en utilisant l’interprétation et la modélisation du variogramme expérimental.
Le krigeage est considéré comme le meilleur estimateur linéaire non biaisé car il prend en compte non seulement la distance entre les données et le point d’estimation, mais aussi les distances entre les données elles-mêmes. Le nom de cette méthode provient de l’ingénieur minier sud-africain Danie G. Krige, et elle a été formalisée pour la prospection minière par Georges Matheron.
Selon les hypothèses sous-jacentes, il existe plusieurs variantes du krigeage, telles que le krigeage simple, ordinaire, et universel. Toutes ces variantes utilisent les mêmes principes fondamentaux mais diffèrent dans leur application spécifique en fonction des données disponibles et des objectifs de l’estimation.
Linéaire, sans biais, à variance minimale, par construction.
Interpolateur exact. : si l’on estime un point connu, on retrouve la valeur connue.
Présente un effet d'écran: les points les plus près reçoivent les poids les plus importants. Cet effet d'écran varie selon la configuration et selon le modèle de variogramme utilisé pour le krigeage. Plus l'effet de pépite est important, moins il y a d'effet d'écran.
Tient compte de la taille du champ a estimer et de la position des points entre eux.
Par l'utilisation du variogramme, tient compte de la continuité du phénomène étudié (effet de pépite, anisotropie, etc.).
Effectue généralement un lissage, i.e. les estimations sont moins variables que les teneurs réelles (point ou bloc) que l'on cherche à estimer.
Presque sans biais conditionnel. Ceci signifie que lorsqu'on applique une teneur de coupure à des valeurs estimées, on récupérera approximativement la teneur prévue. C'est une propriété très importante pour les mines. Cette propriété implique que l'estimateur utilisé soit plus lisse que la valeur qu'il cherche à estimer, ce qui est le cas pour le krigeage.
Transitif. Si l’on observe en un point une valeur coïncidant avec la valeur krigée pour ce point, alors les valeurs krigées en d'autres points ne sont pas modifiées par l'inclusion de ce nouveau point dans les krigeages. Par contre les variances de krigeage, elles, sont diminuées. De même, si l’on krige un certain nombre de points et que l’on utilise les valeurs krigées comme si c’étaient de nouvelles données, alors les krigeages subséquents ne s’en trouvent pas modifiés (sauf pour la variance de krigeage).