3.5/ Cas multivarié : calcul des variogrammes
croisés
Nous avons vu qu'un des avantages des méthodes
géostatistique (chap. I § 1.2) était de pouvoir inclure dans
le modèle d'interpolation des variables auxiliaires qui apportent de
l'information sur la variable cible. Pour décrire la structure de
dépendance entre la variable cible et les covariables il convient de
calculer le variogramme croisé.
Soit Zp la variable principale et Zq
la variable secondaire, alors
à
ã
|
( h) 1
2N( h)
|
N(h )
?= [
i 1
|
Z p (s i ) - Z
p ( s +h) ][ Z q (s
i ) - Zq ( s +h)]
i
|
L'analyse du variogramme croisé se fait de la
même façon que celle du variogramme simple. C'est-à-dire
que l'on relève ses propriétés (effet de pépite,
palier, porté, amplitude) et on y ajuste une fonction.
4/ Krigeage
Cette section expose l'une des techniques de
géostatistique d'estimation locale, connue sous le nom de krigeage et
cokrigeage ordinaire.
Nous cherchons à estimer la valeur d'une variable
régionalisée z (profondeur au substratum) en un point
s0 quelconque du champ à partir des mesures observées
z(si), i=1,..,n (n : nombre de points observés). Le
krigeage est un interpolateur exact (la valeur estimée sur un point de
mesure est égale à la valeur du point de mesure) et optimal (il
minimise la variance sur l'erreur d'estimation).
Il existe trois types de krigeage : le krigeage simple, le
krigeage ordinaire et le krigeage universel. Le krigeage ordinaire est le plus
fréquemment utilisé en pratique car les hypothèses de
départ sont moins contraignantes que celle du krigeage simple. Seul le
krigeage ordinaire sera développé ici car il répond aux
besoins de notre problématique.
4.1/ Hypothèses et contraintes
Le krigeage ordinaire ne requiert pas la connaissance de
l'espérance de la variable régionalisée. Autrement dit, on
se place dans l'hypothèse d'une stationnarité intrinsèque.
Il n'en reste pas moins que la moyenne doit rester constante à
l'échelle du voisinage de krigeage.
Définition du voisinage de krigeage : Domaine du champ
qui contient le site à estimer et les données utilisées
dans l'estimation.
Comme pour les méthodes barycentriques (chap. I §
1.1.3), le voisinage de krigeage se résume à un cercle ou
à une ellipse autour du point à estimer.
Le modèle de base de cette méthode s'énonce
comme suit :
Z ( s ) = ì (s) + ä
(s)
avec s D (le champ),
ì(s)=E(Z(s)) quasi-constante inconnue et
ä(s) fonction aléatoire stationnaire intrinsèque
d'espérance nulle (E(ä(s))=0) et de structure de
dépendance connue (ã(|si-sj|) connu). Dans son
mémoire (2005, p.31), S. Baillargeon explique que le caractère
quasi-constant de ì(s) signifie que
l'espérance n'est pas contrainte à demeurer la même partout
dans le champ D. Elle doit par contre rester constante à
l'intérieur de chaque voisinage de krigeage.
En outre, l'estimateur du krigeage ordinaire doit vérifier
les propriétés suivantes :
à
La linéarité : Z (
s0 ) est une combinaison linéaire des données
Z(si) i=1,..,n.
n n
1
Z s a
à ( 0 ) = + ? ù ( ) avec ?
i Z s i ù =
i
i =1 i=1
Le non-biais : Zà (
s0 ) est sans biais : E[ Z à (
s 0 ) - Z(s 0) ] = 0
Démonstration
à
E(Z ( s 0) -Z
(s 0 ))
E(a + ? ùi
Z(s i) -Z(s0))
i
E ( a + ? ùZ(s
i)) -E(Z ( s 0))
i
or E( Z (s i ) ) =
E( Z (s0)) ì
(stationarité)
= a + ? ù iE(Z
( si))-ì i

x 1- a=ì =
n ? ù ?i ? i = 1 ?
Or ì étant inconnue, le seul
moyen de garantir le non-biais de l'erreur est de poser :
n
a= 0 et ?ù= 1
i 1
Optimalité : c'est-à-dire que Var
( Zà ( s0 ) -
Z(s 0)) est minimale.
Var Z(s 0 ) ) = (2( s
0 ) - Z(s0 )) 1 = E(
2( s0 ) 2) - 2E[ 2( s
0 ) Z ( s 0 )] + E( Z
(s0) 2)
ì 2
2
n n n n n
E( Z ( s 0 ) 2)
=E0),Z(si) ? E w
iwiE(Z (si)Z (s
j)) =? ? ùiùj
cov(Z(s i ), Z ( s
j))+
i=1 i= 1 i==
1 1
j
car dans le cas d'une variable aléatoire stationnaire,
E(Z(si))=E(Z(sj))=ì, d'où
E(Z(si))E(Z(sj))=ì2

2
E( Z (s 0 ) 2) =
Var
(Z( s
+ ì
E[
n n n
2( s 0 ) Z ( s
0 ) ] = i Z(s i ) Z (
s0 ) -?1 = iE( Z
(s )Z ( s 0 ) ) = i cov(
Z(s i), Z ( s 0)) +
ì2
i = 1i=1 i = 1
donc
Var ( 2( s 0 ) -
Z(s 0 )) = Var(
Z(s0 ) ) - ù i
cov(Z(s i ), Z ( s 0
)) + ? ? ùiù j cov(Z(s ),
Z ( s ))
n n n
i= 1 i= 1 j= 1
n
Le but est de trouver le vecteur ù qui minimise
cette variance sous la contrainte ?=ù =
i 1 i 1
Pour y parvenir, on peut utiliser la méthode de Lagrange.
La fonction de Lagrange :

n n n n ?
L = Var Z s
( ) ? (
( ) 2
- ) ? = ? = (
+ ù ù Z s Z s ) ?
? -
( , ,..., )
ë ù ù cov ( ), ( )
ù Z s Z s cov ( ) , ( ) + ë ù 1
1 n 0 i i 0 i j i j ?? i
??
i = 1 i 1 1
j i = 1
ë est le multiplicateur de Lagrange
Minimiser cette fonction revient à trouver la solution du
système :

1
j
1
ù i
ë
0
+
n
Z s Z s
( ), ( ) ) + ? ù ( )
i j cov ( ) , ( )
Z s Z s
0 i j
n
?
1
i
=
n ) = - cov(
? L
(ë , ù1,...,ù
?
ùi
?
Ce système peut se réécrire à l'aide
du variogramme ã(h)=C(0)-C(h)

n
-
-
-
ù
ë
(si
ã
)
)
(si
s0
jã
1
? i = 1, ... , n
1
ù i
?
=
i
?
j
sj
n
?
1
La variance minimum est atteinte au point :
n
ó 2 (ok 0 ) = ?ùiã (
si - s0)- ë
i= 1
Cette fonction est appelée variance de krigeage. C'est la
valeur minimale de la variance de l'erreur de prévision.
4.2/ Estimateur de krigeage
Le krigeage est un interpolateur linéaire sans biais.
Il prend en compte la géométrie des données, les
caractéristiques de la régionalisation et de la variance. Son but
est de lisser les données.
Ayant calculé les poids ùi par la
résolution du système précédent, nous pouvons
écrire l'estimateur de la manière suivante :
n
à
1
?=
i
Z1 ( s0 ) =
ù i Z(s i)
4.3/ Cas multivariable : Cokrigeage
Il est possible d'améliorer les estimations obtenues
par krigeage en ajoutant à la variable à estimer, l'information
fournie par d'autres variables (variables secondaires). La démarche
à suivre est la suivante.
Pour estimer la variable Z1 au point s0, on
utilise une combinaison linéaire pondérée des mesures
concernant toutes les autres variables (Z2, ..., Zp).
p n i
Z( s0 ) = ? ? ù j i i j
i
Z s
( , )
,
i= 1 j=1
Les poids ùj,i sont solution du système
:

j i
,
ù
?
? ? ?
?
?
?
? ?
?
i = =
1 j
?
j
j
p
ni
n1
1
1
ù
ni
1
j
ù ã - - = - =
j i i q i q j q
s s
( ) ë ã
q q i q
( s s q p
) 1 . . .
, , , , , 0
,
1
=
0 i=2...
1
p
Les ëq sont des multiplicateurs de
Lagrange.
Remarques :
- La variance d'estimation (ou de krigeage) obtenue par
cokrigeage est toujours inférieure à celle obtenue par
krigeage.
- En pratique, on observe que le gain est moindre lorsque les
variables sont peu corrélées entre elles (Arnaud et Emery, 2000,
p.195).
- L'estimation ponctuelle par (co)krigeage en un site
d'observation est égale à la
valeur mesurée. D'autre part, la variance d'estimation
associée est nulle.
|