Séminaire “Statistique spatiale pour l’industrie et le

marketing”

Concepts et méthodes de la
géostatistique
Bertrand Iooss

CEA Cadarache – DEN/DER/SESI/LCFR

2006
Le CEA
Sciences nucléaires, technologies numériques,
sciences du climat, biomédical
ILE-DE-FRANCE

Matériaux et
nouvelles technologies
de l’énergie Micro/Nanotechnologies,
CENTRE, BOURGOGNE nanobiotechnologies
ET RHÔNE- ALPES RHÔNE- ALPES

Lasers et plasmas
AQUITAINE

Le nucléaire : fusion, fission, déchets

PACA/VALLÉE DU RHÔNE
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 2
 R&D : soutenir l’industrie nucléaire actuelle
Diminuer les coûts du
Fiabiliser et retraitement
pérenniser le
fonctionnement
des centrales

Allongement de la durée de vie

Réduire l’impact
Adapter les des rejets
installations aux
nouveaux
combustibles
( MOX, taux de
combustion,…)

Amélioration des performances des combustibles

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 3
 Proposer des solutions pour la gestion des déchets

! Séparation poussée ! Entreposage

de longue
durée

! Transmutation

! Stockage réversible

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 4

 La simulation en soutien au nucléaire actuel
Des modélisations multi-échelles, multi-domaines
Des plate-formes en co-développement

ECHELLE SYSTEME

ECHELLE
3D-LOCAL
ECHELLE COMPOSANT

ECHELLE
SIMULATION
NUMERIQUE
DIRECTE

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 5

 Energie nucléaire : challenge à long terme

Génération IV

GEN I V

La préparation du futur : définir des filières nucléaires

– plus économiques,
– produisant moins de déchets,
– plus sûres,
– non-proliférantes.
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 6
 Thématique du LCFR : maîtrise des risques
Conduit e des r éact eur s – f act eur humain - sûr et é de f onct ionnement
Appr oches pr obabilist es : modélisat ion des incer t it udes, f iabilit é, …

• Sout ien N ucléaire I ndust riel ( EDF, Framat ome, I RSN )

– Sûr et é : incer t it udes dans les EPS, scénar ios accident s gr aves
– Réact eur s : dur ée de vie des cuves (t énacit é des acier s)
– Combust ibles : validat ion/ calibr at ion des codes de calcul d’ir r adiat ion

• Développement et I nnovat ion N ucléaires

– Maît r ise des Risques : code de calcul d’impact des r adionucléides

– Gest ion des déchet s : compor t ement des combust ibles ir r adiés,
échant illonnage (pr élèvement s) de cont eneur s en ent r eposage

• Simulat ion et Out ils Expériment aux

– Tr ait ement des incer t it udes dans les codes de calcul CEA
– Logiciel pr obabilist e du CEA/ DEN

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 7

 La Géostatistique
Obj ect if s : t r ait ement de données numériques à support spat ial (et / ou
t empor el) et quant if icat ion des incert it udes.

I ndust r ies minièr e, pét r olièr e, envir onnement , halieut ique, mat ér iaux, …

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 8

 La Géostatistique
Obj ect if s : t r ait ement de données numériques à support spat ial (et / ou
t empor el) et quant if icat ion des incert it udes.

I ndust r ies minièr e, pét r olièr e, envir onnement , halieut ique, mat ér iaux, …

Aspect s principaux :
• pr ise en compt e de la st r uct ur e spat iale des données,
• espace de dimension quelconque,
• échant illonnage ir r égulier et incomplet (données f r agment air es),
• pr ise en compt e d’inf or mat ions ext er nes.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 9

 La Géostatistique
Obj ect if s : t r ait ement de données numériques à support spat ial (et / ou
t empor el) et quant if icat ion des incert it udes.

I ndust r ies minièr e, pét r olièr e, envir onnement , halieut ique, mat ér iaux, …

Aspect s principaux :
• pr ise en compt e de la st r uct ur e spat iale des données,
• espace de dimension quelconque,
• échant illonnage ir r égulier et incomplet (données f r agment air es),
• pr ise en compt e d’inf or mat ions ext er nes.

2 f amilles de mét hodes :

• Est imat ion (pr édict ion, …) en un point avec sa pr écision
Est imat ion en t out point 1 car t e M
Est imat ion d’une moyenne dans un domaine spécif ique

• Simulat ions r epr oduisant la var iabilit é des échant illons

N car t es M i équipr obables N calculs Mont e-Car lo Yi = f (M i )

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 10

Exemple : porosité d’un milieu géologique

Réalit é Échant illonnage

Est imat ion opt imale Simulat ion condit ionnelle

(unique) (inf init é de r éalisat ions possibles)

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 11

Quelques applications en ingénierie nucléaire
• Maît rise des risques :
– car act ér isat ion des sit es pollués (concent r at ions),

– modélisat ion du t r ansf er t des RN (hét ér ogénéit é des milieux) :

• t r ansf er t at mosphér ique (sûr et é nucléair e) : car t ogr aphie de
champs de vent , t empér at ur e, …
• t r ansf er t hydr ogéologique (scénar ios pour le st ockage des
déchet s) : champs de por osit é, per méabilit é, …

– ent r eposage des déchet s : échant illonnage de données spat iales et / ou

t empor elles.

• Démant èlement / Assainissement :

– opt imiser un r éseau d’échant illonnage,
– car t ogr aphie des cont aminat ions (sols, par ois, colis, …),
– calculs de pr obabilit é de dépassement de seuils r églement air es.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 12

PLAN

1. Caract érisat ion des f onct ions et des champs

aléat oires

2. Analyse var iogr aphique

3. Est imat ion spat iale, kr igeage

4. Simulat ion de f onct ions et champs aléat oir es

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 13

Variable régionalisée
N ot ion de variable aléat oire vect orielle :
ω → [ X 1 (ω) , …, X n (ω) ] (n élément s de ℜ)

N ot ion de champ aléat oire :

Var iable aléat oir e vect or ielle à une inf init é de composant s (non
dénombr able) dans un espace à plusieur s dimensions : Z(x,t ), Z(x,y,z), …

Modèle const it ut if de la géost at ist ique :

• Le phénomène ét udié pr end des valeur s dans un domaine D spat ial

et / ou t empor el :
f onct ion z(x) avec x posit ion dans ℜN (N = 1, 2, 3 ou 4).
En génér al, on connaît z(x) en quelques point s x α.

• La f onct ion z(x) est une var iable r égionalisée

= r éalisat ion d’un champ aléat oir e Z(x) implant ée sur D.
On considèr e que les données ont ét é génér ées par Z : Z(x α)=z(x α)
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 14
Inférence statistique

Connaît r e les pr opr iét és st at ist iques de Z à par t ir d’une r éalisat ion
unique z(x α) est impossible dans le cas génér al.

Chaque Z(x i ) est une var iable aléat oir e qui a sa loi de pr obabilit é.

impossible de déf inir la loi de Z

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 15

Inférence statistique

Connaît r e les pr opr iét és st at ist iques de Z à par t ir d’une r éalisat ion
unique z(x α) est impossible dans le cas génér al.

Chaque Z(x i ) est une var iable aléat oir e qui a sa loi de pr obabilit é.

impossible de déf inir la loi de Z

Hypot hèses de st at ionnarit é

Z est st at ionnaire sa loi est invariant e par t ranslat ion.

(les pr opr iét és st at ist iques ne changent pas si on découpe le

domaine en mor ceaux)

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 16

Stationnarité d’ordre deux

Z est st at ionnaire d’ordre 2 si ses moment s d’ordre 2 exist ent

et sont invariant s par t ranslat ion :

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 17

Stationnarité d’ordre deux

Z est st at ionnaire d’ordre 2 si ses moment s d’ordre 2 exist ent

et sont invariant s par t ranslat ion :

Moyenne const ant e : E[Z(x)] = m

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 18

Stationnarité d’ordre deux

Z est st at ionnaire d’ordre 2 si ses moment s d’ordre 2 exist ent

et sont invariant s par t ranslat ion :

Moyenne const ant e : E[Z(x)] = m

Var iance const ant e : Var [Z(x)] = σ2

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 19

Stationnarité d’ordre deux

Z est st at ionnaire d’ordre 2 si ses moment s d’ordre 2 exist ent

et sont invariant s par t ranslat ion :

Moyenne const ant e : E[Z(x)] = m

Var iance const ant e : Var [Z(x)] = σ2

Covar iance ne dépend pas de x : Cov[Z (x i ),Z (x j )] = C(x i - x j )

On dir a que Z est st at ionnair e.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 20

Stationnarité des variables régionalisées
• Si Z est st at ionnair e, t ous les Z(x) ont la même loi, dét er minée en
ut ilisant les n obser vat ions z(x a) ( = n r éalisat ions de Z(x)).

• En géost at ist ique linéaire, la moyenne et la covariance suf f isent

pour caract ér iser Z.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 21

 Stationnarité des variables régionalisées
• Si Z est st at ionnair e, t ous les Z(x) ont la même loi, dét er minée en
ut ilisant les n obser vat ions z(x a) ( = n r éalisat ions de Z(x)).

• En géost at ist ique linéaire, la moyenne et la covariance suf f isent

pour caract ér iser Z.

• St at ionnarit é d’ordre 2 : E[Z(x)] = m ne dépend pas de x

Cov[Z ( x), Z ( x + h)] = Ε{ Z ( x + h)Z ( x) − E[Z ( x + h)] E[Z ( x)] } = C(h) ne dépend pas de x

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 22

 Stationnarité des variables régionalisées
• Si Z est st at ionnair e, t ous les Z(x) ont la même loi, dét er minée en
ut ilisant les n obser vat ions z(x a) ( = n r éalisat ions de Z(x)).

• En géost at ist ique linéaire, la moyenne et la covariance suf f isent

pour caract ér iser Z.

• St at ionnarit é d’ordre 2 : E[Z(x)] = m ne dépend pas de x

Cov[Z ( x), Z ( x + h)] = Ε{ Z ( x + h)Z ( x) − E[Z ( x + h)] E[Z ( x)] } = C(h) ne dépend pas de x

+ + + + + Var [Z(x)] = C(0)

+ + + + + + + +

+ + + + + + + + +
+ + + + + + + + + +

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 23

 Stationnarité des variables régionalisées
• Si Z est st at ionnair e, t ous les Z(x) ont la même loi, dét er minée en
ut ilisant les n obser vat ions z(x a) ( = n r éalisat ions de Z(x)).

• En géost at ist ique linéaire, la moyenne et la covariance suf f isent

pour caract ér iser Z.

• St at ionnarit é d’ordre 2 : E[Z(x)] = m ne dépend pas de x

Cov[Z ( x), Z ( x + h)] = Ε{ Z ( x + h)Z ( x) − E[Z ( x + h)] E[Z ( x)] } = C(h) ne dépend pas de x

+ + + + + Var [Z(x)] = C(0)

+ + + + + + + + Z(x) Z(x+h)

+ + + + + + + + +
+ + + + + + + + + +

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 24

 Stationnarité des variables régionalisées
• Si Z est st at ionnair e, t ous les Z(x) ont la même loi, dét er minée en
ut ilisant les n obser vat ions z(x a) ( = n r éalisat ions de Z(x)).

• En géost at ist ique linéaire, la moyenne et la covariance suf f isent

pour caract ér iser Z.

• St at ionnarit é d’ordre 2 : E[Z(x)] = m ne dépend pas de x

Cov[Z ( x), Z ( x + h)] = Ε{ Z ( x + h)Z ( x) − E[Z ( x + h)] E[Z ( x)] } = C(h) ne dépend pas de x

+ + + + + Var [Z(x)] = C(0)

+ + + + + + + + Z(x) Z(x+h)

+ + + + + + + + +
Z(x) Z(x+2h)
+ + + + + + + + + +

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 25

PLAN

1. Car act ér isat ion des f onct ions et des champs

aléat oir es

2. Analyse variographique

3. Est imat ion spat iale, kr igeage

4. Simulat ion de f onct ions et champs aléat oir es

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 26

 Analyse exploratoire des données

St at ist iques élément aires : moyenne, var iance, médiane, hist ogr amme, …

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 27

 Analyse exploratoire des données

St at ist iques élément aires : moyenne, var iance, médiane, hist ogr amme, …

N uée variographique : pour t ous les couples de point (x 1,x 2 ), on calcule

1
[ Z ( x1 ) − Z ( x2 )]2 et on le r epor t e en f onct ion de x 1-x 2
2
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 28
Le variogramme

Hypot hèse localement st at ionnaire (ou int rinsèque) :

les incrément s de Z(x) sont st at ionnaires

Variogramme : γ (h) = 0. 5 Var[ Z(x+h) – Z(x) ]

E[Z(x+h) – Z(x)] et γ (h) caract érisent ent ièrement Z

St at ionnar it é, C(h) γ (h) = C(0) – C(h) St at ionnar it é locale, γ (h)

Moyenne et var iance Moyenne et var iance
const ant es linéair es

Exemple : le mouvement br ownien n’est pas st at ionnair e mais

localement st at ionnair e (var iogr amme linéair e car Bt +h-Bt ~ N(0,h))

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 29

Le variogramme
var iogr amme expér iment al
var iance

h
0

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 30

Le variogramme
var iogr amme expér iment al
var iance
var iogr amme (modèle)

h
0

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 31

 Le variogramme
var iogr amme expér iment al
var iance
var iogr amme (modèle)

ef f et de pépit e
(er r eur de mesur e,
micr ost r uct ur e) h
0

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 32

 Le variogramme
var iogr amme expér iment al
var iance
var iogr amme (modèle)

ef f et de pépit e
(er r eur de mesur e,
micr ost r uct ur e) h
0 por t ée = échelle de l’hét ér ogénéit é

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 33

 Le variogramme
var iogr amme expér iment al
var iance
var iogr amme (modèle)

pent e (cont inuit é spat iale du phénomène)

ef f et de pépit e
(er r eur de mesur e,
micr ost r uct ur e) h
0 por t ée = échelle de l’hét ér ogénéit é

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 34

 Le variogramme
var iogr amme expér iment al
var iance
var iogr amme (modèle)

pent e (cont inuit é spat iale du phénomène)

ef f et de pépit e
(er r eur de mesur e,
micr ost r uct ur e) h
0 por t ée = échelle de l’hét ér ogénéit é

var iance

pépit e

por t ée

covar iance C(h)

0 h
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 35
 Exemple : profil purement aléatoire (bruit blanc)

Moyenne = 0
Var iance = 1

Remar que :
la dist r ibut ion
des point s du
pr ocessus est
gaussienne

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 36

 Caractérisation de milieux aléatoires
Exemples : t ur bulences t her miques dans un f luide
20

Niveaux de
couleur s
=
10
t empér at ur es

0 10 cm 20 0 10 cm 20

Variogrammes
Exponent iel : γ (h) = σ² [ 1 - exp(-h) ] Gaussien : γ (h) = σ² [ 1 - exp(-h² ) ]

var iance var iance

Por t ée=1 cm Por t ée=1 cm

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 37

Anisotropies (différences suivant les directions spatiales)
Exemples : milieux sédiment air es (champs de por osit é)
2000

1000

0 1000 m 2000 0 1000 m 2000

Variogrammes
exponent iel sphérique
γ(h) = σ² [ 1 - exp(-h/ a) ] γ (h) = σ² [ 1.5 h/ a – 0.5 h3 / a3 ] si h < a

Port ées horizont ales : ax =400 m

Port ées vert icales : ay=100 m

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 38

 Analyse structurale sur un gisement d’Uranium
Teneur Radioact ivit é
Sondages vert icaux

• Teneur U (car ot t es) :

peu de données,
mal localisées.

• Radioact ivit é R (sonde) :

beaucoup, bien localisées,
mesur e indir ect e. Covar iances nor mées

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 39

 Analyse structurale sur un gisement d’Uranium
Teneur Radioact ivit é
Sondages vert icaux

• Teneur U (car ot t es) :

peu de données,
mal localisées.

• Radioact ivit é R (sonde) :

beaucoup, bien localisées,
mesur e indir ect e. Covar iances nor mées
Covar iance cr oisée : CUR(h) = E [ U(x) R(x+h) ]
Conclusions

Radioact ivit é :
zone d’inf luence + gr ande,
r égular isat ion.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 40

 Analyse structurale sur un gisement d’Uranium
Teneur Radioact ivit é
Sondages vert icaux

• Teneur U (car ot t es) :

peu de données,
mal localisées.

• Radioact ivit é R (sonde) :

beaucoup, bien localisées,
mesur e indir ect e. Covar iances nor mées
Covar iance cr oisée : CUR(h) = E [ U(x) R(x+h) ]
Conclusions

Radioact ivit é :
zone d’inf luence + gr ande,
r égular isat ion.

Localisat ion t eneur :

pas d’er r eur syst émat ique,
incer t it ude aléat oir e ±10 cm
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 41
Quelques utilisations de l’analyse variographique

• Caract érisat ion st at ist ique de variables physiques

ef f et de pépit e, por t ées, anisot r opie,
st at ionnar it é, st r uct ur es mult iples (échelles dif f ér ent es), …

cadr e mult ivar iable : covar iances et var iogr ammes cr oisés
cor r élat ions spat iales ent r e var iables

• Reproduire synt hét iquement des variables physiques

simulat ions à par t ir du var iogr amme.

• Mét hodes d’est imat ion qui prennent en compt e cet t e inf ormat ion
kr igeage.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 42

PLAN

1. Car act ér isat ion des f onct ions et des champs

aléat oir es

2. Analyse var iogr aphique

3. Est imat ion spat iale, krigeage

4. Simulat ion de f onct ions et champs aléat oir es

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 43

Le krigeage
n
Combinaison linéair e des n données : Z (u) =
*
∑ λ i Z( u i )
i=1

Pr ise en compt e de la conf igur at ion des données, de la dist ance ent r e
données et cible, des cor r élat ions spat iales, d’inf or mat ions ext er nes, …
u1
Z * (u) = E [ Z(u) | z(u1) …z(un) ]
u5
u6
u4
u
u2
u7 u3 u8

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 44

Le krigeage
n
Combinaison linéair e des n données : Z (u) =
*
∑ λ i Z( u i )
i=1

Pr ise en compt e de la conf igur at ion des données, de la dist ance ent r e
données et cible, des cor r élat ions spat iales, d’inf or mat ions ext er nes, …
u1
Z * (u) = E [ Z(u) | z(u1) …z(un) ]
u5
u6
u4
u
u2
u7 u3 u8

Est imat eur sans biais : E [ Z * (u) - Z(u) ] = 0

la moyenne des er r eur s est nulle.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 45

Le krigeage
n
Combinaison linéair e des n données : Z (u) =
*
∑ λ i Z( u i )
i=1

Pr ise en compt e de la conf igur at ion des données, de la dist ance ent r e
données et cible, des cor r élat ions spat iales, d’inf or mat ions ext er nes, …
u1
Z * (u) = E [ Z(u) | z(u1) …z(un) ]
u5
u6
u4
u
u2
u7 u3 u8

Est imat eur sans biais : E [ Z * (u) - Z(u) ] = 0

la moyenne des er r eur s est nulle.

Z * (u) est opt imal : Var [ Z * (u) - Z(u) ] est minimale

la disper sion des er r eur s est r éduit e.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 46

Le krigeage simple (moyenne connue)
n
*
Z (u) = ∑ λ i ( u ) [ Z( u i ) − m ] + m
i=1
(m const ant e et connue)
Min { E [ Z * (u) - Z(u) ] 2 }
λi
r égr ession linéair e mult iple (à r ésidus cor r élés)
par moindr es car r és.

Les poids de kr igeage λi (u) associés à Z(ui ) sont dét er minés par :

 n
 ∑ λ j ( u ) C( u i − u j ) = C ( u i − u ) ∀ i = 1K n
 j =1
où C(h) est la covar iance de Z(u)

Syst ème de n équat ions linéair es à n inconnues qui possède une unique
solut ion (si la mat r ice est non singulièr e)

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 47

Variance d’estimation
I nt érêt du krigeage : calcul de l’erreur d’est imat ion

Variance du krigeage :
n
σ 2
K (u ) = C (0 ) − ∑i =1
λ i (u ) C (u i − u )

où C(0) est la var iance de Z et C(h) sa covar iance

• On peut donc visualiser les r égions où l’est imat ion est impr écise et où
il conviendr ait de placer des nouveaux point s de mesur e.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 48

Variance d’estimation
I nt érêt du krigeage : calcul de l’erreur d’est imat ion

Variance du krigeage :
n
σ 2
K (u ) = C (0 ) − ∑i =1
λ i (u ) C (u i − u )

où C(0) est la var iance de Z et C(h) sa covar iance

• On peut donc visualiser les r égions où l’est imat ion est impr écise et où
il conviendr ait de placer des nouveaux point s de mesur e.

• La var iance du kr igeage ne dépend pas de la valeur des données mais

uniquement de la covar iance et du schéma d’échant illonnage.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 49

Variance d’estimation
I nt érêt du krigeage : calcul de l’erreur d’est imat ion

Variance du krigeage :
n
σ 2
K (u ) = C (0 ) − ∑i =1
λ i (u ) C (u i − u )

où C(0) est la var iance de Z et C(h) sa covar iance

• On peut donc visualiser les r égions où l’est imat ion est impr écise et où
il conviendr ait de placer des nouveaux point s de mesur e.

• La var iance du kr igeage ne dépend pas de la valeur des données mais

uniquement de la covar iance et du schéma d’échant illonnage.

• Avant d’ef f ect uer les mesur es, on peut donc ét udier la qualit é des
dif f ér ent s schémas d’échant illonnage possibles.

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 50

Exemple : cartographie de polluants atmosphériques
(AI R NORMAND - AI R PARI F - GEOVARI ANCES)
73 données de concent r at ion en benzène sur l’agglomér at ion de Rouen.
Mét hodes classiques : moyenne pondér ée des valeur s aux st at ions voisines
L’est imat ion dépend de la localisat ion des st at ions / nœud où on est ime.

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 51
Ajustement du variogramme
Krigeage

Pr ise en compt e des car act ér ist iques

spat iales du polluant (par l’int er médiair e
du var iogr amme ou de la covar iance).

I nf luence du modèle de variogramme

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 52
Ajustement du variogramme
Krigeage

Pr ise en compt e des car act ér ist iques

spat iales du polluant (par l’int er médiair e
du var iogr amme ou de la covar iance).

I nf luence du modèle de variogramme

• Por t ée voisinage du kr igeage

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 53
Ajustement du variogramme
Krigeage

Pr ise en compt e des car act ér ist iques

spat iales du polluant (par l’int er médiair e
du var iogr amme ou de la covar iance).

I nf luence du modèle de variogramme

• Por t ée voisinage du kr igeage

• Krigeage = int erpolat eur exact .

Pr ésence d’un ef f et de pépit e
(br uit , micr ost r uct ur e < t aille suppor t ,
micr ost r uct ur e < dist ance minimale)

car t e plus lisse

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 54
Ajustement du variogramme
Krigeage

Pr ise en compt e des car act ér ist iques

spat iales du polluant (par l’int er médiair e
du var iogr amme ou de la covar iance).

I nf luence du modèle de variogramme

• Por t ée voisinage du kr igeage

• Krigeage = int erpolat eur exact .

Pr ésence d’un ef f et de pépit e
(br uit , micr ost r uct ur e < t aille suppor t ,
micr ost r uct ur e < dist ance minimale)

car t e plus lisse

I nt r oduct ion de dér ive linéair e à l’aide

de var iables ext er nes.
D’après Bobbia, Mietlicki, Roth, INRETS 2000
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 55
Exemples de krigeage
Le kr igeage or dinair e se f ait à moyenne const ant e mais inconnue.

La dér ive ext er ne est une f onct ion de la densit é de populat ion et
du r elief (liés à la pollut ion aut omobile).

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 56
Erreurs de krigeage
Deux mét hodes quant it at ives pour j uger la qualit é de l’est imat ion :

• Écar t t ype du kr igeage (! f or t es incer t it udes en ext r apolat ion)

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 57
Erreurs de krigeage
Deux mét hodes quant it at ives pour j uger la qualit é de l’est imat ion :

• Écar t t ype du kr igeage (! f or t es incer t it udes en ext r apolat ion)

• Validat ion cr oisée (! la dér ive ext er ne amélior e les r ésult at s).

D’après Bobbia, Mietlicki, Roth, INRETS 2000

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 58
PLAN

1. Car act ér isat ion des f onct ions et des champs

aléat oir es

2. Analyse var iogr aphique

3. Est imat ion spat iale, kr igeage

4. Simulat ion de f onct ions et champs aléat oires

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 59

Simulations
• Le krigeage cherche l’est imat ion opt imale (sans biais, var iance d’er r eur
minimale) de la var iable en t out point , à par t ir de données expér iment ales.

• Une simulat ion représent e une réalisat ion possible du phénomène r éel.
Elle cher che à r epr oduir e sa variabilit é (dist r ibut ion, var iogr amme), t out
en r espect ant les données expér iment ales (simulat ion condit ionnelle).

té
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 60
Exemple de simulations : profil du fond marin

Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 61

 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 62

 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 63

 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 64

 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 65

 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

Longueur de câble = f (pr of ondeur du f onds mar in)

avec f la f onct ion de t r ansf er t

I ci f est non linéaire.

Problème : le krigeage est un est imat eur linéaire (qui gomme

les variabilit és locales)

Pour l’est imat ion d’une moyenne, on peut ut iliser le kr igeage

car la f onct ion de t r ansf er t est linéair e
B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 66
 Présentation de Denis Marcotte, Ecole Polytechnique de Montréal

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 67

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 68
 Comment calculer la probabilit é de dépasser un seuil ou un quant ile ?

• kr igeage pas accept able car il gomme les var iabilit és locales,

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 69

 Comment calculer la probabilit é de dépasser un seuil ou un quant ile ?

• kr igeage pas accept able car il gomme les var iabilit és locales,

• à part ir des simulat ions (hypot hèse gaussienne et calculs lour ds),

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 70

 Comment calculer la probabilit é de dépasser un seuil ou un quant ile ?

• kr igeage pas accept able car il gomme les var iabilit és locales,

• à part ir des simulat ions (hypot hèse gaussienne et calculs lour ds),

• krigeage d’indicat rices : est imat ion d’indicat r ices 1Z ( x ) ≥ s

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 71
Conclusions
• La géost at ist ique est un ensemble de t echniques pour t r ait er les
données à suppor t spat io-t empor el (1D, 2D, 3D, 4D, …).

• Lien avec les st at ist iques, l’analyse de données, les pr ocessus

st ochast iques, le t r ait ement du signal, …

• Valeur aj out ée de la géost at ist ique :

– Ut ilisat ion de la st r uct ur e spat iale int r insèque du phénomène,
– I nt égr at ion r igour euse de var iables auxiliair es,
– Quant if icat ion de l’er r eur .

• At t ent ion : pas d’ut ilisat ion en « boît e noire ».

Tout r epose sur un modèle et le r isque d’er r eur est impor t ant .
Super vision et exper t ise sont nécessair es.

• Champ de r echer che act uel sur l’ut ilisat ion des mét hodes de la géost at .
pour l’analyse des r ésult at s de modèles numér iques (dimension élevée).

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 72

Remerciements
• Mer ci de vot r e at t ent ion !!!

• Quelques r éf ér ences bibliogr aphiques :

– Cour s de D. Mar cot t e, (ht t p:/ / geo.polymt l.ca/ ~mar cot t e)
– Nombr eux cour s du Cent r e de Géost at ist ique (ENSMP)
– H. Wacker nagel, Mult ivar iat e geost at ist ics, Spr inger , 1998
– J -P. Chilès & P. Delf iner , Geost at ist ics, Wiley, 1999

• Sour ces de cet t e pr ésent at ion :

– Cour s de Géovar iances : int r oduct ion à la géost at ist ique
– Cour s de D. Mar cot t e
– H. Wacker nagel, I nt r oduct ion t o geost at ist ics, Conf . Climat e and
St at ist ics, Car gèse, 2004
– J -P. Chilès, Geost at ist ics, Conf . Flow and t r anspor t in por ous and
f r act ur ed media, Car gèse, 2004

B. Iooss (CEA Cadarache) - Séminaire « Statistique spatiale » – 09/02/2006 73