La Géostatistique est une discipline relativement récente, née des besoins de la prospection minière dans les années 50. Elle s'intéresse aux variables régionalisées : des variables définies sur un espace géographique donné, qui y présentent une certaine forme d'organisation ou de structure, mais dont la complexité interdit cependant toute description purement analytique (e.g. le relief du terrain, un champ de température, une carte de déformation, le couvert forestier, ...). Grâce à l'analyse statistique de l'autocorrélation, la Géostatistique permet d'estimer des quantités inconnues à partir d'un ensemble réduit d'observations.
Dans ce cours, après un bref rappel de statistiques classiques, nous verrons dans un premier temps comment caractériser une variable régionalisée dans un cadre probabiliste, à l'aide des notions de processus stochastique et de variogramme. Ces nouveaux outils seront alors employés pour construire par interpolation à l'aide de la méthode du krigeage, un modèle numérique de terrain à partir d'un semis de relevés altimétriques. Enfin, nous ferons une excursion dans le domaine des simulations (conditionnelles et non-conditionnelles), qui constituent un outil puissant pour contourner les limites de la Géostatistique linéaire.
Ce document de cours comporte 12 activités pédagogiques, à réaliser à l'aide du langage de programmation R :
Activités I et II : comprendre et manipuler la notion de processus stochastique
Activités III à V : caractériser un processus stochastique à l'aide du variogramme
Activité VI : une première approche de l'interpolation dans un cadre probabiliste
Activités VII et VIII : programmer une interpolation du relief par krigeage
Activité IX : évaluer les performances d'un modèle d'interpolation à l'aide de la validation croisée
Activités X et XI : quelques compléments
Activité XII : TP de synthèse du cours - évaluation du risque de crue
Author(s): Yann Méneroux
Publisher: École nationale des sciences géographiques
Year: 2019
Rappels statistiques
Espace probabilisé
Variable aléatoire réelle
Fonction de répartition
Densité de probabilité
Espérance
Variance
Covariance
Moments statistiques
Exemple de synthèse
Analyse variographique
Processus stochastique
Une première approche informelle
Les hypothèses fondamentales
La Stationnarité
L'ergodicité
Les hypothèses en pratique
Le variogramme
Variogramme expérimental
Interpréter le variogramme
Les modèles de variogramme
L'estimation du variogramme
Pour aller plus loin
Bilan
Interpolation par Krigeage
Introduction
Les contraintes du krigeage
Contrainte de linéarite
Contrainte d'autorisation
Contrainte d'universalité
Contrainte d'optimalité
Formulation du problème
Le krigeage
Le krigeage ordinaire
Le krigeage intrinsèque
Mise en oeuvre du krigeage
Propriété du krigeage
Exactitude
Multiplication du variogramme
Linéarité
Lissage
Formulation duale
Les variantes du krigeage
Krigeage simple
Krigeage de la moyenne
Krigeage par blocs
Krigeage universel
Krigeage avec dérive externe
Autres variantes
Bilan
Compléments
La validation croisée
Application à l'optimisation bayésienne
Introduction
Principe
Pour aller plus loin...
Simulations
Simulation non-conditionnelle
Simulation conditionnelle
Bilan
Régularité d'un processus stochastique
Définitions
Liens avec le variogramme
Régularisée d'un variogramme
Contre-exemples pratiques
Deux variables aléatoires décorrélées mais pas indépendantes
Une variable aléatoire qui ne possède pas d'espérance
Une variable aléatoire qui ne possède pas de variance
Un processus stationnaire mais non-ergodique
Un processus ergodique à l'ordre 1 mais pas à l'ordre 2
Un processus strictement intrinsèque
Un processus continu en m.q. dont toutes les réalisations sont discontinues