SOPHIE BAILLARGEON

Le krigeage :
revue de la théorie et application à l’interpolation spatiale de
données de précipitations

Mémoire présenté
à la Faculté des études supérieures de l’Université Laval
dans le cadre du programme de maı̂trise en statistique
pour l’obtention du grade de Maı̂tre ès sciences (M.Sc.)

Faculté des sciences et de génie

UNIVERSITÉ LAVAL
QUÉBEC

Avril 2005

c
°Sophie Baillargeon, 2005
Résumé

Le krigeage est une méthode stochastique d’interpolation spatiale qui prévoit la

valeur d’un phénomène naturel en des sites non échantillonnés par une combinaison
linéaire sans biais et à variance minimale des observations du phénomène en des sites
voisins. Ce mémoire se consacre à l’étude de cette méthode. Elle y est d’abord comparée
à d’autres méthodes d’interpolation spatiale et ses fondements mathématiques sont exa-
minés. La résolution des équations du krigeage est donc détaillée et commentée. L’ana-
lyse variographique, étape préalable au krigeage, est aussi présentée. En plus d’avoir
pour objectif l’approfondissement de la théorie du krigeage, ce mémoire vise à expli-
citer son utilisation. Ainsi, une méthodologie de mise en oeuvre du krigeage est pro-
posée et illustrée. Les performances du krigeage sont ensuite comparées à celle d’autres
méthodes, et ce, pour résoudre une problématique d’interpolation spatiale multivariable
de données de précipitations dans un cadre de modélisation hydrologique.
Avant-propos

Je tiens tout d’abord à remercier les personnes qui ont contribué, de près ou de loin,
à la réalisation de ce mémoire. Premièrement, merci à mon directeur de recherche, mon-
sieur Louis-Paul Rivest, professeur au Département de mathématiques et statistique de
l’Université Laval. Il s’est toujours montré disponible et intéressé par mon projet. Il
a su me diriger tout en me laissant une grande liberté dans mes travaux, ce que j’ai
beaucoup apprécié. Merci aussi à ma co-directrice de recherche, madame Jacynthe Pou-
liot, professeure au Département des sciences géomatiques de l’Université Laval. Elle
a suscité mon intérêt pour la géostatistique et m’a proposé ce projet. Ses précieux
conseils de rédaction m’ont également permis d’écrire un document qui, je l’espère,
pourrait intéresser autant un géomaticien qu’un statisticien. De plus, je remercie mon-
sieur Vincent Fortin, chercheur à l’Institut de recherche d’Hydro-Québec. C’est grâce à
lui que la problématique d’interpolation de données de précipitations dans un cadre de
modélisation hydrologique a pu être traitée. Il a collaboré activement à mon mémoire
en fournissant temps, conseils, données et en acceptant d’en être un examinateur.

D’autres personnes ont été impliquées dans ce projet, notamment madame Josée
Fitzback, étudiante au doctorat en sciences géomatiques de l’Université Laval. Je la
remercie d’avoir établi les contacts qui ont rendu le projet possible. Travailler avec elle
fut toujours un plaisir. Merci également à messieurs Jean-François Mahfouf et Pierre
Pellerin, météorologues à Environnement Canada, pour l’intérêt qu’ils ont porté envers
le projet. J’exprime de plus ma gratitude envers le CRSNG, qui a financé mes travaux
de recherche en m’octroyant une bourse d’étude supérieure.

En finissant, je désire bien sûr remercier les membres de ma famille, mes parents et
mes soeurs, qui ont toujours encouragé mes études et grâce à qui j’ai grandi dans un
milieu épanouissant. Mes derniers remerciements s’adressent à mon amoureux, Mathieu,
qui est toujours un stimulant à aller de l’avant. Il m’a écouté avec intérêt parler des
hauts et des bas de ma rédaction, m’a aidé à garder le sourire en temps de stress et a
répondu à mes nombreuses questions LATEX. Je le remercie simplement d’avoir été là.
Table des matières

Résumé ii

Avant-Propos iii

Table des matières iv

Liste des tableaux vii

Table des figures viii

1 Introduction 1
1.1 Objectifs du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Structure du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Interpolation spatiale 3
2.1 Définition et notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Revue des méthodes d’interpolation spatiale . . . . . . . . . . . . . . . 5
2.2.1 Méthodes barycentriques . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2 Méthodes d’interpolation par partitionnement de l’espace . . . . 6
2.2.3 Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.4 Régression classique . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.5 Régression locale . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.6 Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.7 Autres méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Analyse variographique 16
3.1 Hypothèse de stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Décomposition de la variation spatiale . . . . . . . . . . . . . . . . . . 18
3.3 Propriétés du semi-variogramme . . . . . . . . . . . . . . . . . . . . . . 19
3.4 Estimation du semi-variogramme . . . . . . . . . . . . . . . . . . . . . 21
3.5 Modélisation du semi-variogramme . . . . . . . . . . . . . . . . . . . . 23
3.6 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
 v

4 Théorie du krigeage 27
4.1 Démarche générale de résolution des équations du krigeage . . . . . . . 27
4.2 Krigeage simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Krigeage ordinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4 Krigeage avec modèle de tendance . . . . . . . . . . . . . . . . . . . . . 36
4.4.1 Lien entre le krigeage avec modèle de tendance et le krigeage sur
les résidus d’une régression . . . . . . . . . . . . . . . . . . . . . 39
4.4.2 Problème de l’analyse variographique en krigeage avec modèle de
tendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5.1 Normalité des données . . . . . . . . . . . . . . . . . . . . . . . 41
4.5.2 Transformation de données . . . . . . . . . . . . . . . . . . . . . 43
4.5.3 Géostatistique multivariable . . . . . . . . . . . . . . . . . . . . 45
4.5.4 Autres types de krigeage . . . . . . . . . . . . . . . . . . . . . . 48
4.6 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5 Mise en oeuvre du krigeage 51

5.1 Méthodologie géostatistique . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1.1 Analyse exploratoire . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1.2 Formulation du modèle . . . . . . . . . . . . . . . . . . . . . . . 54
5.1.3 Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.2 Logiciels informatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3 Application de l’interpolation spatiale : présentation des données . . . . 59
5.3.1 Stations météorologiques . . . . . . . . . . . . . . . . . . . . . . 60
5.3.2 Modèle atmosphérique GEM . . . . . . . . . . . . . . . . . . . . 62
5.4 Illustration de la méthodologie géostatistique . . . . . . . . . . . . . . . 64
5.4.1 Analyse exploratoire . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4.2 Formulation du modèle . . . . . . . . . . . . . . . . . . . . . . . 68
5.4.3 Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

6 Interpolation statistique multivariable de données de précipitations

dans un cadre de modélisation hydrologique 75
6.1 Introduction de l’article . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.2 Méthodes statistiques d’interpolation spatiale . . . . . . . . . . . . . . 78
6.2.1 Régression locale . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.2.2 Krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.3 Données de test et site d’étude . . . . . . . . . . . . . . . . . . . . . . . 80
6.4 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.5 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.6 Conclusion de l’article . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
 vi

7 Conclusion 89
7.1 Littérature en interpolation de données de précipitations . . . . . . . . 89
7.2 Synthèse du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.3 Travaux futurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

Bibliographie 94

A Complément d’analyse des résultats du chapitre 6 103

B Programme S-Plus 107

Liste des tableaux

5.1 Statistiques descriptives sur les données . . . . . . . . . . . . . . . . . . 65

5.2 Statistiques descriptives sur les valeurs interpolées . . . . . . . . . . . . 72

6.1 Description des méthodes d’interpolation employées . . . . . . . . . . . 82

A.1 Fréquences de sélection des fractions de voisinage en régression locale . 103

A.2 Fréquences de sélection des modèles variographiques en krigeage ordi-
naire, universel et avec modèle de tendance . . . . . . . . . . . . . . . . 104
A.3 Fréquences de sélection des modèles variographiques en krigeage ordi-
naire en fonction de l’intensité des précipitations . . . . . . . . . . . . . 104
A.4 Tests des rangs signés de Wilcoxon pour comparer les EQM de validation
croisée par station en fonction de l’intensité des précipitations . . . . . 106

B.1 Extrait du fichier nommé Donnees . . . . . . . . . . . . . . . . . . . . . 107

B.2 Extrait du fichier nommé Grille . . . . . . . . . . . . . . . . . . . . . . 108
Table des figures

2.1 Les deux niveaux d’abstraction en interpolation spatiale . . . . . . . . 4

2.2 Polygones de Thiessen (lignes pleines) accompagnés de la triangulation
de Delaunay associée (lignes pointillées) . . . . . . . . . . . . . . . . . 7
2.3 Exemple de partitionnement à l’origine d’une interpolation par voisinage
naturel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Exemple de partitionnement à l’origine d’une interpolation linéaire . . 8

3.1 Exemple de variable régionalisée illustrant un emboı̂tement de variations

à différentes échelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Exemple de semi-variogrammes . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Modèles de semi-variogrammes les plus communs . . . . . . . . . . . . 26

5.1 Méthodologie géostatistique . . . . . . . . . . . . . . . . . . . . . . . . 52

5.2 Carte des bassins versants prioritaires du Québec . . . . . . . . . . . . 61
5.3 Localisation des 16 stations météorologiques par rapport aux limites du
bassin versant de la rivière Gatineau . . . . . . . . . . . . . . . . . . . 62
5.4 Schéma temporel de l’émission de prévisions par le modèle atmosphérique
GEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5 Histogrammes des données . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.6 Diagrammes de dispersion 3D des données . . . . . . . . . . . . . . . . 67
5.7 Courbes de niveaux des données . . . . . . . . . . . . . . . . . . . . . . 68
5.8 Graphiques de comportement directionnel des données . . . . . . . . . 68
5.9 Semi-variogrammes expérimentaux estimés en vue du krigeage ordinaire,
du krigeage universel et du krigeage avec dérive externe . . . . . . . . . 69
5.10 Semi-variogrammes simples et croisé estimés en vue du cokrigeage ordi-
naire accompagnés des droites les modélisant . . . . . . . . . . . . . . 69
5.11 Modélisation du semi-variogramme estimé en vue du krigeage ordinaire 70
5.12 Comparaison des surfaces d’interpolation obtenues avec les différents
modèles variographiques . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.13 Comparaison des surfaces d’interpolation obtenues des différents types
de krigeage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
 ix

6.1 Emplacement des stations météorologiques ainsi que des points de la

grille du modèle GEM sur le bassin versant de la rivière Gatineau et
champs moyens de précipitations observées et prévues pour une période
de 6 heures en août 2003 (coordonnées spatiales UTM sur la zone 18T
en km) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2 Diagrammes en boı̂te des erreurs de validation croisée pour les techniques
d’interpolation spatiale examinées . . . . . . . . . . . . . . . . . . . . . 84
6.3 Débit de la rivière Gatineau aux Rapides Ceizur en août 2003 . . . . . 85
6.4 Fréquences de sélection des méthodes par l’approche Sélection pour les
92 périodes de pluie d’août 2003 catégorisées selon l’intensité des préci-
pitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

A.1 Diagrammes en boı̂te des erreurs de validation croisée catégorisées selon

l’intensité des précipitations pour la méthode de l’inverse de la distance
et la méthode Sélection . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Chapitre 1

Introduction

Des données à référence spatiale sont de plus en plus exploitées, et ce, dans di-
vers domaines de recherche. Qu’il s’agisse de précipitations mesurées à des stations
météorologiques, de la densité d’un minerai dans des échantillons de sol ou de la concen-
tration de gaz carbonique dans l’air en certains sites, ces données possèdent toutes un
point en commun : elles sont localisées dans l’espace géographique. Le traitement statis-
tique de ce type de données demande une attention particulière car l’hypothèse classique
selon laquelle les observations sont indépendantes et identiquement distribuées est ra-
rement vérifiée. Des méthodes statistiques adaptées à l’analyse de données à référence
spatiale ont été développées (Ripley, 1981; Cressie, 1993). Ce mémoire porte sur l’une
de ces méthodes, le krigeage, développée par Matheron (1962, 1963a,b). Le krigeage sert
à effectuer de l’interpolation spatiale, c’est-à dire qu’il permet de prévoir la valeur prise
par un phénomène naturel un site à partir d’observations ponctuelles de ce phénomène
en des sites voisins.

1.1 Objectifs du mémoire

L’objectif principal de ce mémoire est l’étude du krigeage. La première question

de recherche qui a motivé ce travail est donc simplement : qu’est-ce que le krigeage ?
La réponse à une question en amenant une autre, il faut d’abord se demander en
quoi consiste l’interpolation spatiale. Évidemment, ces travaux de recherche ne visent
pas seulement à définir le krigeage. Ils ont pour but de comprendre la méthode et
d’apprendre comment l’utiliser. Ainsi, des sous-objectifs du mémoire sont d’approfondir
les fondements mathématiques du krigeage et d’examiner la méthodologie générale de
Chapitre 1. Introduction 2

mise en oeuvre du krigeage. Les fondements du krigeage se basent sur une connaissance
de la structure de dépendance spatiale des données. Cependant, en pratique, cette
structure n’est pas connue. Elle est estimée lors de l’analyse variographique. Cette
étape préalable au krigeage se doit donc aussi d’être exposée. Pour compléter cette
étude du krigeage, nous nous sommes demandé si le krigeage permettait de répondre
efficacement à une problématique d’interpolation spatiale. La problématique traitée ici
concerne l’interpolation de données de précipitations dans le but de fournir ces données
en entrée à un modèle de simulation hydrologique.

1.2 Structure du mémoire

Ce mémoire est divisé en fonction des objectifs énoncés ci-dessus. Le chapitre 2

donne une première idée générale de ce qu’est le krigeage. L’interpolation spatiale y est
d’abord définie, puis les principales méthodes d’interpolation spatiale, dont le krigeage,
sont décrites sommairement. Ce chapitre présente donc le krigeage en le situant par
rapport à ses méthodes rivales. Ensuite, les chapitres 3 et 4 approfondissent les fon-
dements théoriques de l’analyse variographique et du krigeage respectivement. Ainsi,
les trois chapitres suivant l’introduction permettent de connaı̂tre et comprendre le kri-
geage. Ensuite, le chapitre 5 jette les ponts entre la théorie et la pratique en proposant
une démarche d’utilisation du krigeage. Cette démarche y est illustrée avec des données
de précipitations. Ces données sont en fait une tranche d’un plus gros jeu de données
exploité dans un article rédigé pour les actes du colloque Géomatique 2004 par Baillar-
geon et al. (2004). Cet article est inséré dans ce mémoire ; il constitue le chapitre 6. Le
but de l’article est de comparer la performance de certaines méthodes d’interpolation
pour répondre à la problématique de préparation d’intrants pour un modèle hydrolo-
gique. Les méthodes comparées sont quatres techniques de krigeage, soit le krigeage
ordinaire, le krigeage universel, le krigeage avec dérive externe et le cokrigeage ordi-
naire, deux techniques de régression locale et une méthode témoin déterministe. Dans
la conclusion, des parallèles sont établis entre les travaux du chapitre 6 et d’autres
études semblables dans la littérature.
Chapitre 2

Interpolation spatiale

Ce chapitre présente une revue des principales méthodes d’interpolation spatiale afin
de comprendre leurs principes de base et de comparer le krigeage aux autres méthodes.
Il ressort alors que malgré les nombreux points communs entre les méthodes, le krigeage
se distingue par sa prise en compte de la structure de dépendance spatiale des données.

2.1 Définition et notation

L’interpolation spatiale est un traitement mathématique parfois utile lors de l’étude

d’un phénomène naturel qui se déploie continûment sur le territoire. La région de l’es-
pace géographique concernée par cette étude est ici appelée « champ » et notée D. Le
phénomène naturel examiné est représenté par une certaine mesure localisée sur le ter-
ritoire. Par exemple, pour étudier un gisement d’or, on peut utiliser la mesure de la
densité du minerai dans le sol. Tel que l’a initié Matheron (1962), une telle mesure est
nommée « variable régionalisée » et elle est vue comme une fonction numérique définie
sur le champ D. Elle sera notée {z(s), s ∈ D} où s = (x, y) représente un point du
champ identifié par ses coordonnées géographiques. La valeur de cette fonction en un
point particulier si , notée z(si ), porte le nom de « valeur régionalisée » (Wackernagel,
2003, p.41).

En pratique, on n’a pas une valeur régionalisée en tout point s du champ D. Par
exemple, pour un gisement d’or, la densité du minerai dans le sol n’est mesurée qu’en
quelques sites où une carotte de sol est prélevée. Peu importe l’application en question,
notons ces sites d’observation si avec i = 1, ..., n. L’interpolation spatiale répond au be-
Chapitre 2. Interpolation spatiale 4

soin de connaı̂tre la valeur d’une variable régionalisée en un site s0 du champ D autre

qu’un des sites d’observation. Elle se définit par la prévision de la valeur d’une variable
régionalisée en un site où elle n’a pas été mesurée à partir des valeurs régionalisées
observées z(s1 ) à z(sn ) (Arnaud et Emery, 2000, p.20 ; Cressie, 1993, p.105). La valeur
prédite en s0 sera notée ẑ(s0 ). La définition énoncée ci-dessus est en fait celle de l’inter-
polation spatiale « point à point » : elle se base sur des données associées à des points
de l’espace géographique pour effectuer une prévision elle aussi ponctuelle. Les autres
types d’interpolation spatiale, tel que « point à surface » ou « point à ligne » (e.g. le
tracé de courbes de niveaux), ne seront pas étudiés dans ce mémoire.

La variable régionalisée est l’outil de base en interpolation spatiale. Les méthodes

d’interpolation s’appuyant uniquement sur cette entité mathématique sont dites déter-
ministes car aucune notion probabiliste n’intervient dans la définition de variable régi-
onalisée. L’interpolation spatiale peut aussi s’effectuer par une méthode stochastique.
Dans ce cas, un deuxième niveau d’abstraction est effectué dans la modélisation du
phénomène naturel. La variable régionalisée est vue comme une réalisation d’une fonc-
tion aléatoire {Z(s), s ∈ D}, aussi appelée processus stochastique, et toute valeur
régionalisée z(si ) est considérée comme une réalisation d’une variable aléatoire Z(si ).

La figure 2.1 résume la notation présentée dans cette section. Elle représente du
même coup la modélisation d’un phénomène naturel selon les deux niveaux d’abstraction
décrits précédemment.

RÉALITÉ MODÈLE MODÈLE

PHYSIQUE DÉTERMINISTE PROBABILISTE

Phénomène naturel Variable régionalisée Fonction aléatoire

Valeurs régionalisées Variables aléatoires

Interpolation spatiale Interpolation spatiale

déterministe stochastique

Fig. 2.1 – Les deux niveaux d’abstraction en interpolation spatiale

Chapitre 2. Interpolation spatiale 5

2.2 Revue des méthodes d’interpolation spatiale

Dans cette section, les principales méthodes d’interpolation spatiale sont recensées.
Le livre de Arnaud et Emery (2000) a été le point de départ de cet inventaire. La ter-
minologie proposée dans ce livre est employée ici. Trois grandes classes de méthodes
déterministes ont été dénombrées : les méthodes barycentriques, les méthodes d’inter-
polation par partitionnement de l’espace et les splines. Du côté des méthodes stochas-
tiques, les techniques de régression classique, de régression locale et de krigeage ont
été listées. Contrairement aux méthodes déterministes, les méthodes stochastiques in-
corporent le concept de hasard. Elles proposent toutes un modèle probabiliste incluant
un ou des termes d’erreurs aléatoires pour formaliser le comportement du phénomène
naturel à l’étude. Grâce à cette modélisation, des erreurs de prévision peuvent être cal-
culées. Les paragraphes suivants proposent une brève introduction à chacune de ces six
classes de méthodes.

2.2.1 Méthodes barycentriques

Les méthodes d’interpolation déterministes de type barycentrique (Arnaud et Emery,

2000, p.67), aussi appelées « moyennes mobiles » (Ripley, 1981, p.36) ou « approxima-
tion de Kernel » (Myers, 1994), sont très intuitives. Elles prévoient la valeur d’une
variable régionalisée en un point non échantillonné s0 par une moyenne pondérée des
valeurs régionalisées observées :
n
X n
X
ẑ(s0 ) = λi z(si ) avec λi = 1.
i=1 i=1

Les poids λi sont contraints de sommer à la valeur 1 afin que la prévision ne présente
pas de distorsion par rapport à la valeur réelle. Ces poids sont fonction de la distance
euclidienne |si − s0 | entre le site d’observation si et le site de prévision s0 de façon à
ce que les sites les plus proches aient plus d’influence dans l’interpolation. Souvent, un
poids nul est accordé aux observations les plus éloignées. Ainsi, seules les observations
localisées dans un certain voisinage de s0 , noté V (s0 ), sont prises en compte. La façon la
plus simple de déterminer un voisinage est de prendre les n0 sites d’observation les plus
proches ou les sites tombant à l’intérieur d’un cercle centré en s0 de rayon prédéterminé.
Le champ peut aussi être divisé en quadrants ou en octants dont l’origine est s0 . Le
voisinage peut alors comprendre les n∗0 sites d’observation le plus proche de s0 pour
chaque secteur.

Un exemple populaire de méthode barycentrique est la méthode de l’inverse de la

Chapitre 2. Interpolation spatiale 6

distance à une certaine puissance d. Par cette méthode, la prévision en un point s0

prend la forme :
X 1/|si − s0 |d
ẑ(s0 ) = P d
z(si ) , d > 0.
i∈V (s0 ) i∈V (s0 ) 1/|si − s0 |

2.2.2 Méthodes d’interpolation par partitionnement de l’es-

pace

Les méthodes d’interpolation par partitionnement de l’espace (Arnaud et Emery,

2000, sections 2.1 et 2.2 ; Ripley, 1981, p.38) forment en fait un sous-ensemble des
méthodes barycentriques. Ces méthodes se distinguent par l’utilisation d’un partition-
nement du champ d’étude (Okabe et al., 1992) afin de déterminer les poids des obser-
vations et le voisinage du point de prévision. Cette section présente donc d’abord des
techniques de partitionnement de l’espace, puis des méthodes d’interpolation se basant
sur ces techniques.

Il existe deux principaux types de partitionnement d’un champ D en régions dis-

jointes à partir des sites d’observation : par polygones et par triangles. Le partitionne-
ment par polygones porte plusieurs noms. Les principaux sont : « polygones de Thies-
sen » , « diagramme de Voronoi » , et « mosaı̈que ou tesselation de Dirichlet ». Ce
partitionnement est formé en définissant, pour chaque site d’observation si , un poly-
gone d’influence de sorte que chaque point du polygone soit plus proche de si que de
tout autre site d’observation. Ce partitionnement est illustré par les lignes pleines de la
figure 2.2. De son côté, le partitionnement par triangles, nommé triangulation, découpe
le champ en triangles disjoints dont les sommets sont les sites d’observation. Différents
critères existent pour sélectionner les sommets appartenant à un même triangle. Le
plus connu de ces critères est celui de Delaunay . Il se base sur un partitionnement
par polygones de Thiessen. Les sites d’observation ayant un côté de leurs polygones
de Thiessen en commun sont reliés par une droite, formant ainsi la triangulation. La
figure 2.2 illustre en lignes pointillées la triangulation de Delaunay correspondant aux
polygones de Thiessen des sept sites d’observation présentés en exemple.

Plusieurs méthodes d’interpolation se basent sur un partitionnement de l’espace. La

plus simple de ces méthodes est celle du plus proche voisin. La valeur régionalisée
mesurée en un site d’observation est attribuée à tous les points localisés dans le po-
lygone de ce site. Les polygones de Thiessen sont aussi à la base de l’interpolation
par voisinage naturel, une méthode due à Sibson (1981). Par cette méthode, la
prévision de la valeur régionalisée en s0 prend la forme d’une moyenne pondérée des
Chapitre 2. Interpolation spatiale 7

Fig. 2.2 – Polygones de Thiessen (lignes pleines) accompagnés de la triangulation de

Delaunay associée (lignes pointillées)

valeurs régionalisées observées. La figure 2.3 illustre comment le poids de chacune des
observations est déterminé. Préalablement, les polygones de Thiessen associés aux sites
d’observation sont tracés (e.g. mosaı̈que de droite de la figure 2.3). Ensuite, les polygones
de Thiessen sont reformés en ajoutant au champ le site s0 pour lequel une prévision est
voulue (e.g. mosaı̈que centrale de la figure 2.3). Cette nouvelle mosaı̈que est finalement
superposée aux polygones de Thiessen initiaux sans le site s0 (e.g. mosaı̈que de gauche
de la figure 2.3). Le poids de l’observation en si est alors l’aire Ai de l’intersection entre
le polygone de s0 et le polygone initial de si divisée par l’aire totale du polygone de
P P
s0 . Dans l’exemple de la figure 2.3, la prévision est donc ẑ(s0 ) = 7i=1 Ai z(si )/ 7i=1 Ai
avec A3 , A4 = 0.

À partir d’une triangulation, une interpolation s’effectue en ajustant une surface,

souvent un polynôme, dans chaque triangle. Par exemple, en interpolation linéaire,
des plans sont ajustés dans les triangles de Delaunay. La façon géométrique d’effectuer
cette interpolation est illustrée par la figure 2.4. Il suffit de tracer le point de prévision
s0 dans le champ et de le relier aux trois sommets du triangle à l’intérieur duquel
il est localisé. Ainsi, ce triangle est divisé en trois petits triangles. Seules les valeurs
régionalisées des sites formant les sommets du grand triangle sont incluses dans l’inter-
polation. De plus, le poids de chacune de ces valeurs est égal à la portion de surface
du grand triangle occupée par le petit triangle opposé au site. Par cette méthode, la
prévision en s0 pour l’exemple de la figure 2.4 est donc ẑ(s0 ) = A1 z(s1 )+A 6 z(s6 )+A7 z(s7 )
A1 +A6 +A7
.

En général, les méthodes d’interpolation par partitionnement de l’espace possèdent

les propriétés d’être locales et exactes. C’est donc dire qu’elles n’utilisent dans l’inter-
polation que les observations localisées assez près du point de prévision selon un certain
Chapitre 2. Interpolation spatiale 8

Fig. 2.3 – Exemple de partitionnement à l’origine d’une interpolation par voisinage

naturel

Fig. 2.4 – Exemple de partitionnement à l’origine d’une interpolation linéaire

critère de voisinage et que les prévisions qu’elles fournissent aux points d’observation
sont égales aux observations. Ces méthodes sont déterministes car elles ne modélisent
pas la variable régionalisée par une fonction aléatoire. Notons que les méthodes d’in-
terpolation par partitionnement fournies en exemple ici sont les plus simplistes. Elles
produisent des surfaces d’interpolation présentant, sauf exception, des changements
abruptes. En outre, l’interpolation linéaire ne permet pas d’extrapoler en dehors de
l’enveloppe convexe des sites. Plusieurs autres méthodes d’interpolation par partition-
nement ne présentent pas ces inconvénients.
Chapitre 2. Interpolation spatiale 9

2.2.3 Splines

Pour clore la présentation des méthodes déterministes, mentionnons l’interpolation

à l’aide de splines. Ce type d’interpolation ne s’effectue pas point par point comme avec
les méthodes barycentriques. L’idée est plutôt d’ajuster une surface sur tout le champ
D. Une spline est en fait une famille de fonctions régulières de courbure minimale. Il
existe deux catégories de splines : les splines d’interpolation contraintes de passer par
les points d’observation et les splines de lissage qui passent seulement à proximité de ces
points. La spline de lissage du type « plaque mince » (Duchon, 1975, 1976), ou « thin
plate spline » en anglais (Wahba, 1990, p.30 ; Cressie, 1993, p.181), est présentée ici
en exemple. Il s’agit de la généralisation dans l’espace à deux dimensions d’une spline
cubique de lissage (Hastie et Tibshirani, 1990, p.9). Cette spline est une fonction ẑ de
la forme : n
X
ẑ(s) = ẑ(x, y) = a0 + a1 x + a2 y + bi e(s, si ), s∈D
i=1

avec e(s, si ) = |s − si |2 ln(|s − si |), qui minimise :

n
X Z Z
2 ∂ 2 ẑ 2 ∂ 2 ẑ 2 ∂ 2 ẑ 2
[ẑ(si ) − z(si )] + ρ {( 2 ) + 2( ) + ( 2 ) }dxdy
i=1
∂x ∂x∂y ∂y

où ρ est un paramètre de lissage fixé à priori. L’intégrale incluse dans ce critère à mi-
nimiser est appelée « énergie de flexion » . Elle réfère au concept physique d’énergie de
flexion d’une mince plaque de métal. Les surfaces générées par ces splines peuvent donc
être comparées à des plaques de métal flexible ajustées de façon à minimiser leurs degrés
de courbure tout en passant à proximité des points d’observation. D’autres types de
splines permettent d’effectuer de l’interpolation spatiale, notamment les fonctions mul-
tiquadratiques (Hardy, 1971), aussi appelées fonctions radiales de base (Myers, 1994),
et les splines régularisées avec tension (Mitášová et Mitáš, 1993).

De plus, certaines splines permettent d’effectuer de l’interpolation spatiale multi-

variable, c’est-à-dire de prévoir la valeur d’une variable régionalisée en un site non
échantillonné à partir des observations de cette variable, mais aussi à partir des ob-
servations d’autres variables régionalisées pertinentes. C’est le cas des splines lapla-
ciennes dites partielles qui incorporent des sous-modèles linéaires fonctions de variables
régionalisées auxiliaires. Ces splines sont mieux connues sous leur nom anglais « partial
thin plate splines » (Hutchinson, 1991; Wahba, 1990, p.73). Pour leur part, les méthodes
d’interpolation par partitionnement de l’espace et les méthodes barycentriques ne sont
pas adaptées à une telle intégration de variables régionalisées auxiliaires.
Chapitre 2. Interpolation spatiale 10

2.2.4 Régression classique

Tout comme les splines, la régression classique permet d’effectuer une interpolation
en ajustant une surface aux valeurs régionalisées observées. Cependant, la régression
est une méthode stochastique. Elle suppose que la variable régionalisée à l’étude est
une fonction aléatoire qui se décompose comme suit :

Z(s) = µ(s) + ²(s), s∈D (2.1)

où µ(·) est la structure déterministe pour l’espérance fonction de la localisation des
observations et ²(·) est une fonction aléatoire normale d’espérance nulle, de variance
homogène et ne présentant pas de structure de dépendance spatiale. Ainsi, ²(·) est un
processus gaussien de bruit blanc représentant des erreurs de mesure indépendantes. La
tendance µ(s) peut prendre plusieurs formes. La plus utilisée est un polynôme de degré
d des coordonnées : X
µ(s) = µ(x, y) = βlk xl y k . (2.2)
l+k≤d

En général, le degré du polynôme est inférieur ou égale à trois. En interpolation spa-

tiale, ce modèle de régression est souvent appelé « surface de tendance » (Ripley, 1981,
p.29). Les coefficients du modèle sont ajustés par une méthode quelconque d’estimation.
Par exemple, la méthode du maximum de vraisemblance ou celle des moindres carrés
peut être employée. Par les moindres carrés, les paramètres βlk sont choisis de façon à
minimiser : n
X
[ẑ(si ) − z(si )]2
i=1
P
où ẑ(si ) = l+k≤d β̂lk xl y k est la valeur prédite par le modèle de régression au point
d’observation si et z(si ) est la valeur régionalisée observée en ce point. D’autres formes
pour la structure µ(·) ont été suggérées. Par exemple, des fonctions trigonométriques
pourraient être utilisées pour faire de l’interpolation spatiale par « séries de Fourier »
(Helson et Lowdenslager, 1958, 1961). De plus, des variables régionalisées auxiliaires
peuvent être ajoutées dans la tendance µ(s). Ainsi, de l’interpolation spatiale multiva-
riable peut être effectuée en exploitant la corrélation entre les variables auxiliaires et la
variable à interpoler.

Notons que l’interpolation par régression classique est considérée déterministe par
certains auteurs (Arnaud et Emery, 2000, p.73 ; Burrough et McDonnell, 1998, p.158).
D’ailleurs, l’emploi de la méthode des moindres carrés rend superflue la modélisation
stochastique de la variable aléatoire. Par contre, cette modélisation, accompagnée des
hypothèses de normalité, d’indépendance et d’homoscédasticité des erreurs du modèle,
permet de calculer des tests de significativité de la surface et des erreurs de prévision.
Chapitre 2. Interpolation spatiale 11

Cependant, ces statistiques ne sont presque jamais fiables en interpolation spatiale car
le postulat d’indépendance est rarement vérifié sur des données spatiales. Malgré tout,
l’interpolation par régression classique est ici considérée stochastique, comme le font
Klinkenberg et Waters (1990), car cette technique fut à l’origine développée dans un
cadre statistique.

De plus, l’interpolation par régression classique possède les propriétés d’être ap-
proximative et globale. La surface d’interpolation qu’elle génère ne passe donc pas
nécessairement par les points d’observation et toutes les observations, mêmes celles
éloignées, vont influencer avec le même poids la prévision en n’importe quel point du
champ. En raison de ces caractéristiques, la méthode produit des surfaces plutôt lisses.

2.2.5 Régression locale

Une extension de la régression classique permet de diminuer l’impact sur l’interpo-

lation en un point s0 des observations éloignées de ce point. Il s’agit de la « régression
locale » (Cleveland et Devlin, 1988), aussi nommée « régression kernel » (Wand et Jones,
1995, p.114) ou plus spécifiquement « régression pondérée géographiquement » (Fothe-
ringham et al., 2002). Cette méthode postule le même modèle qu’en régression classique
(équation 2.1). Cependant, les coefficients de la tendance µ(·) sont maintenant estimés
par une méthode locale d’estimation telle les moindres carrés pondérés ou la méthode du
maximum de vraisemblance pondérée. Par exemple, par les moindres carrés pondérés,
la surface estimée en un point s0 minimise :
n
X
λi (s0 ) [ẑ(si )|s0 − z(si )]2
i=1

où ẑ(si )|s0 est la valeur prédite de z(·) au point d’observation si à partir de la surface
ajustée en s0 et z(si ) est la valeur régionalisée observée en si . Le poids de l’observation
au point si prend typiquement la forme :
µ ¶
|s0 − si |
λi (s0 ) = K
h(s0 )
où K(·) est une fonction de poids, |s0 − si | la distance euclidienne entre le point de
prévision s0 et le point d’observation si et h(·) est la taille du voisinage. Plusieurs
fonctions de poids sont proposées dans la littérature (Loader, 1999, p.48 ; Wand et
Jones, 1995, p.31). Par exemple, une de ces fonctions est la fonction Epanechnikov
définie par K(u) = 1 − u2 pour 0 ≤ u < 1, et 0 sinon. En outre, le paramètre h(s0 ) est
habituellement déterminé en choisissant d’abord la fraction α des points d’observation à
inclure dans l’ajustement du modèle. Ensuite, on attribue à h(s0 ) la valeur de la distance
Chapitre 2. Interpolation spatiale 12

entre s0 et le [nα]ième plus proche point d’observation de s0 (Loader, 1999, p.20), où
[nα] représente la valeur entière du produit nα. Ainsi, plus une valeur régionalisée à été
mesurée loin du point de prévision s0 , moins elle a d’impact sur l’interpolation en s0 .
Au-delà d’une certaine distance elle n’a plus d’impact du tout.

En pratique, l’utilisateur de la régression locale a quatre choix à faire avant d’ajus-

ter une surface. Il doit d’abord déterminer la forme de la tendance µ(·). Si une forme
polynômiale est choisie, le degré du polynôme doit être spécifié. Ensuite, la fonction de
poids et la taille du voisinage doivent être sélectionnées. Le paramètre le plus difficile à
déterminer est la taille du voisinage. Il a une grande influence sur la surface obtenue :
plus sa valeur est grande, plus la surface d’interpolation est lisse. Quelques procédures
de sélection automatique de la taille de voisinage ont été proposées dans la littérature
(Cleveland et Loader, 1996). Finalement, l’utilisateur choisit la procédure d’estima-
tion des paramètres qu’il emploiera. Les moindres carrés pondérés est certainement la
procédure la plus simple. Si une procédure dépendante de la distribution des erreurs
²(si ) est choisie, telle qu’une méthode de maximum de vraisemblance, les hypothèses
émises concernant la distribution des erreurs auront de l’influence sur les prévisions.

Afin de retomber sur une régression classique en partant d’une régression locale, il
suffit de prendre une fonction de poids uniforme et une fraction de voisinage égale 1.
De plus, une regression locale avec une tendance polynomiale de degré 0 ajustée par la
méthode des moindres carrés pondérés revient à une méthode barycentrique (Loader,
2004). Dans ce cas, la seule distinction entre les deux méthodes est que la modélisation
stochastique de la régression locale permet le calcul d’erreurs de prévision. Cependant,
pour la même raison qu’en régression classique (voir section 2.2.4), il faut douter de la
fiabilité de ces erreurs.

2.2.6 Krigeage

Les deux méthodes stochastiques présentées dans les sections précédentes ne pren-
nent pas en considération la structure de dépendance spatiale des données. Le krigeage
est la première méthode d’interpolation spatiale à en avoir tenu compte. Les travaux de
l’ingénieur minier sud-africain Krige (1951) sont précurseurs de la méthode. Cependant,
le terme krigeage et le formalisme de cette méthode sont dus au français Matheron
(1962, 1963a,b), qui en a aussi assuré le développement au Centre de Géostatistique de
l’École des Mines de Paris. En fait, les fondements de la méthode ont été développés
parallèlement par d’autres chercheurs, notamment le météorologue Gandin (1963) de
l’ex-URSS, mais c’est aujourd’hui sous la terminologie proposée par Matheron qu’elle
Chapitre 2. Interpolation spatiale 13

est la plus connue (Cressie, 1990).

L’idée de base du krigeage est de prévoir la valeur de la variable régionalisée étudiée

en un site non échantillonné s0 par une combinaison linéaire de données ponctuelles
adjacentes : X
ẑ(s0 ) = a + λi z(si ). (2.3)
i∈V (s0 )

Les poids λi associés à chacune des valeurs régionalisées observées sont choisis de façon
à obtenir une prévision non biaisée et de variance minimale. Ces poids dépendent de
la localisation des observations et de leur structure de dépendance spatiale. En fait, le
krigeage est le nom donné à la meilleure prévision linéaire sans biais, en anglais « best
linear unbiased predictor » ou « BLUP », dans un cadre spatial.

Le modèle de base du krigeage a la même forme que le modèle de régression classique

ou locale, mais les erreurs sont maintenant supposées dépendantes spatialement. Il
s’énonce comme suit :
Z(s) = µ(s) + δ(s), s∈D (2.4)
où µ(·) est la structure déterministe pour l’espérance de Z(·) et δ(·) une fonction
aléatoire stationnaire, d’espérance nulle et de structure de dépendance connue. Pour
formuler complètement le modèle, il faut spécifier la forme de la tendance µ(·). C’est
en fait cette tendance qui précise le type de krigeage effectué. Les trois types classiques
de krigeage sont :
– Le krigeage simple : µ(s) = m est une constante connue.
– Le krigeage ordinaire : µ(s) = µ est une constante inconnue.
P
– Le krigeage universel : µ(s) = pj=0 fj (s)βj est une combinaison linéaire de fonc-
tions de la position s.
De plus, la structure de dépendance de la fonction aléatoire δ(·) doit être précisée. Si
elle n’est pas connue préalablement, ce qui est presque toujours le cas en pratique,
elle est déterminée à partir des données lors de l’ « analyse variographique » que nous
verrons en détails au chapitre 3. Cette étape permet de décrire la variabilité spatiale
de phénomènes régionalisés. Ensuite, le modèle étant complètement énoncé, le krigeage
peut être effectuée en un point s0 quelconque du champ D. En fait, il s’agit simplement
de déterminer la valeur des poids λi de la combinaison linéaire 2.3 qui respectent la
contrainte de non-biais E[Ẑ(s0 ) − Z(s0 )] = 0 tout en minimisant la variance de l’erreur
de prévision V ar[Ẑ(s0 ) − Z(s0 )] (voir chapitre 4).

Le krigeage est une méthode d’interpolation très souple. Il peut être global ou local
dépendamment du voisinage choisi. De plus, selon le développement classique du kri-
geage qui sera suivi dans ce mémoire, il s’agit d’une méthode d’interpolation exacte.
Chapitre 2. Interpolation spatiale 14

Il restitue donc les valeurs régionalisées mesurées aux sites d’observation. Cependant,
il est aussi possible d’effectuer un krigeage dit avec erreurs de mesure (Cressie, 1993,
p.128) qui est approximatif. Finalement, comme en régression classique ou locale, des
variables régionalisées auxiliaires peuvent être intégrées au krigeage en les ajoutant à
la tendance générale µ(·) du modèle. Le krigeage incorporant une telle tendance est
nommé « krigeage avec dérive externe » (Goovaerts, 1997). Le krigeage possède aussi
d’autres extensions multivariables, notamment le « cokrigeage » (Wackernagel, 2003).
Par cette méthode, ẑ(s0 ) prend la forme d’une combinaison linéaire pondérée des obser-
vations de la variable régionalisée à interpoler et des variables régionalisées auxiliaires
notées {wj (s), s ∈ D} avec j = 1, ..., q :
q
X X X
ẑ(s0 ) = a + λi,0 z(si ) + λi,j wj (si,j ).
i∈V (s0 ) j=i i∈V (s0 )

Le cokrigeage prend en considération les structures de dépendance spatiale des variables

auxiliaires afin de trouver les poids λi,j minimisant la variance de l’erreur de prévision
sous la contrainte de non-biais.

2.2.7 Autres méthodes

Les sections précédentes ont introduit les méthodes d’interpolation les plus connues
et utilisées. Mentionnons tout de même ici quelques-unes des autres méthodes exis-
tantes. Certaines faiblesses du krigeage ont mené au développement de méthodes bayé-
siennes (Gaudard et al., 1999; Banerjee et al., 2004). Ces faiblesses sont principalement
liées à la présence de biais dans l’estimation du variogramme en krigeage universel
(Cressie, 1993, p.165) et au fait que l’incertitude d’une prévision calculée en krigeage
n’incorpore pas l’incertitude associée à l’estimation du variogramme. Le modèle bayésien
typique en interpolation spatiale effectue un krigeage avec une fonction de covariance
de paramètres inconnus. Ces modèles peuvent aussi permettre d’intégrer à l’interpo-
lation de l’information à priori concernant la tendance µ(·). Un des grands avantages
de l’approche bayésienne est la perspective conditionnelle qui permet un raisonnement
probabiliste, après observation des données, sans recourir à l’idée d’une répétition de
l’expérience, condition souvent difficile à concevoir en géostatistique. Certains utilisent
aussi les réseaux de neurones artificiels pour interpoler des données (Bryan et Adams,
2002; Rigol et al., 2001). Les réseaux de neurones agissent alors comme une méthode
de régression non paramétrique. Dans ce mémoire, aucune de ces méthodes ne sera
approfondie.
Chapitre 2. Interpolation spatiale 15

2.3 Conclusion du chapitre

De la revue présentée dans ce chapitre, le krigeage semble être la méthode d’inter-

polation la plus intéressante, et ce, pour plusieurs raisons. Premièrement, comme avec
les méthodes barycentriques et la régression locale, l’utilisateur du krigeage a le choix
d’interpoler localement ou globalement. De plus, puisqu’il s’agit d’une méthode sto-
chastique, le krigeage permet d’estimer des erreurs de prévisions. Le krigeage possède
également plus d’extensions multivariables que les autres catégories de méthodes. Ce-
pendant, ce qui distingue vraiment le krigeage des autres méthodes introduites précé-
demment est qu’il est le seul à tenir compte de la structure de dépendance spatiale des
données. Ainsi, on peut s’attendre à ce que le krigeage génère les prévisions spatiales
les plus justes. De plus, l’estimation des erreurs qu’il produit est plus fiable que celles
produites par les autres méthodes stochastiques, car les postulats de base du krigeage
modélisent mieux la réalité pour des données à référence spatiale. Le krigeage ressort
donc gagnant de la comparaison théorique avec les autres méthodes d’interpolation. Ses
fondements théoriques sont approfondis dans les deux prochains chapitres.
Chapitre 3

Analyse variographique

Le modèle 2.4 sur lequel se base le krigeage suppose la connaissance de la structure

de dépendance spatiale de la fonction aléatoire δ(·). Cependant, en pratique, celle-ci
est rarement connue. L’analyse variographique est une étape préalable au krigeage qui
permet de l’estimer. Cette analyse est en fait l’étude du comportement spatial de la
variable régionalisée examinée. Dans ce chapitre, le concept de stationnarité est d’abord
défini, puis le modèle de base du krigeage est exposé en termes de variations spatiales à
différentes échelles. De la définition de stationnarité est tirée une fonction représentant la
dépendance spatiale : le semi-variogramme. La fin du chapitre se consacre à l’estimation
et à la modélisation de cette fonction.

3.1 Hypothèse de stationnarité

Le processus naturel étudié étant unique, une seule réalisation de la fonction aléatoire
Z(·) est observable. Afin de rendre possible l’inférence statistique malgré l’unicité de la
réalisation disponible, une hypothèse de stationnarité est émise concernant la fonction
aléatoire δ(·). Au sens strict, la stationnarité signifie que la loi de probabilité de la
fonction aléatoire est invariante par translation, c’est-à-dire qu’elle ne dépend pas de
l’origine du champ. Par contre, en krigeage, la stationnarité postulée est faible : elle ne
concernent que les moments d’ordre 1 et 2 de la fonction aléatoire ou de ses accroisse-
ments plutôt que sa distribution entière. La théorie du krigeage peut être développée en
postulant la stationnarité de second ordre ou la stationnarité de second ordre intrinsèque
(plus simplement nommée stationnarité intrinsèque) de δ(·) (Cressie, 1993, p.40 et 53 ;
Arnaud et Emery, 2000, p.106). Ces deux types de stationnarité se définissent ainsi :
Chapitre 3. Analyse variographique 17

Stationnarité de second ordre :

1. E(δ(s)) = m = 0 ∀ s∈D :
L’espérance de δ(·) existe et est la même en tout site. Dans le modèle du
krigeage, cette espérance est même supposée nulle.
2. Cov(δ(s), δ(s + h)) = C(h) ∀ s, s + h ∈ D :
La covariance de δ(·) entre toute paire de sites s et s + h existe et dépend
uniquement de h, le vecteur de translation entre ces points. Cette fonction
de covariance est appelée « covariogramme ».
Stationnarité intrinsèque :
1. E(δ(s + h) − δ(s)) = 0 ∀ s∈D :
L’espérance de tout accroissement δ(s + h) − δ(s) est nulle.
2. V ar(δ(s + h) − δ(s)) = 2γ(h) ∀ s, s + h ∈ D :
La variance de tout accroissement δ(s+h)−δ(s) existe et dépend uniquement
de h. Cette fonction de variance est appelée « variogramme ».
Tout processus stationnaire de deuxième ordre est stationnaire intrinsèque. En ef-
fet, dans le cadre stationnaire de second ordre, l’équation 2γ(h) = 2(C(0) − C(h))
relie le covariogramme et le variogramme. L’existence du covariogramme implique donc
l’existence du variogramme. Par contre, l’implication inverse n’est vraie que si γ(·) est
bornée. Il se peut donc que le covariogramme d’une fonction aléatoire intrinsèque ne
soit pas défini. Par exemple, le mouvement brownien fractionnaire (Hida, 1980, p.298)
est une fonction aléatoire {B(s), s ∈ <2 } gausienne d’espérance nulle et de covariance :
Cov(B(s), B(s + h)) = (|s|ν + |s + h|ν − |h|ν )σ 2 , 0 < ν < 2.
Cette covariance ne constitue pas un covariogramme car elle ne dépend pas uniquement
de h. Elle dépend aussi de l’emplacement du point s par rapport à l’origine du plan.
Par contre, le variogramme de B(·) existe puisque V ar(B(s + h) − B(s)) = 2|h|ν σ 2 est
une fonction de h uniquement. Ainsi, certaines fonctions aléatoires sont stationnaires
intrinsèques mais non stationnaires de deuxième ordre. L’hypothèse intrinsèque est donc
plus générale.

Cette généralité est utile en krigeage car certains phénomènes régionalisés présentent
une dispersion infinie. C’est le cas des gisements d’or selon Krige (1951). Postuler
l’existence de la variance de la fonction aléatoire δ(·) est donc parfois inadéquat. Pour
cette raison, l’hypothèse de stationnarité intrinsèque sera privilégiée dans ce mémoire,
tel que le font la majorité des auteurs sur le sujet. Ainsi, une dépendance spatiale
sera représentée par un variogramme plutôt qu’un covariogramme. D’ailleurs, le vario-
gramme est plus facile à estimer car il ne requiert pas d’estimation de l’espérance de
δ(·). Pour ces raisons, le variogramme est l’outil privilégié en analyse variographique.
En fait, la plupart des auteurs travaillent avec γ(·), la demie du variogramme, appelée
semi-variogramme. C’est aussi ce qui sera fait dans le reste de ce mémoire.
Chapitre 3. Analyse variographique 18

3.2 Décomposition de la variation spatiale

Afin d’examiner plus à fond le semi-variogramme, il faut d’abord revenir sur le

modèle de base du krigeage énoncé au chapitre précédent par l’équation 2.4. Ce modèle
peut en fait se détailler de la façon suivante (Cressie, 1993, p.112) :

Z(s) = µ(s) + ω(s) + η(s) + ²(s), s∈D (3.1)

où
– µ(·) = E(Z(·)) : variation à grande échelle, structure déterministe pour l’espérance
de Z(·).
– ω(·) : variation lisse à petite échelle (échelle plus grande que la distance minimale
entre deux sites d’échantillonnage), structure stochastique de fluctuations autour
de µ(·) dépendantes spatialement.
– η(·) : variation micro-échelle (échelle plus petite que la distance minimale entre
deux sites d’échantillonnage), structure stochastique présentant une dépendance
spatiale.
– ²(·) : erreur de mesure, structure stochastique sans dépendance spatiale (bruit
blanc).
Ainsi, la variable régionalisée z(·) est supposée être composée de variations à différentes
échelles emboı̂tées les une dans les autres (Oliver, 2001). La fonction aléatoire δ(·) du
modèle 2.4 est formée par le regroupement des termes ω(·), η(·) et ²(·) du modèle
précédent.

La figure 3.1 permet d’illustrer l’équation 3.1. Un exemple de variable régionalisée

z(·) a été créé en sommant des fonctions µ(·), ω(·), η(·) et ²(·) simulées avec le logiciel
S-Plus. En observant z(·) sur tout son domaine x et y ∈ {0, ..., 100} dans le graphique
supérieur gauche, on note une tendance générale d’augmentation de la valeur de z
pour une augmentation de la coordonnée en x peu importe la coordonnée en y. Cette
tendance générale, représentée par le terme µ(·), pourrait être modélisée par un plan.
En agrandissant la région délimitée par le cube bleu du graphique à grande échelle,
on obtient le graphique à moyenne échelle au centre. Sur ce graphique, des fluctuations
lisses autour de la tendance générale d’augmentation par rapport à l’axe des x ressortent
clairement. Ces fluctuations sont modélisées par ω(·) dans l’équation 3.1. Finalement,
regardons z(·) d’encore plus près sur le graphique de droite, qui est un agrandissement
du cube rouge du graphique à moyenne échelle. La surface représentée dans ce graphique
n’est pas tout à fait lisse. Elle présente de petites irrégularités qui n’étaient pratiquement
pas visibles sur les deux graphiques à plus grandes échelles. Les termes η(·) et ²(·) sont
attribuées à ces variations difficilement distinguables entre elles.
Chapitre 3. Analyse variographique 19

Fig. 3.1 – Exemple de variable régionalisée illustrant un emboı̂tement de variations à

différentes échelles

La décortication de la fonction aléatoire résiduelle δ(·) présentée dans cette section

sera maintenant utile pour expliquer les propriétés du semi-variogramme.

3.3 Propriétés du semi-variogramme

Tel que défini à la section 3.1, le semi-variogramme est une fonction paire, i.e.
γ(h) = γ(−h), nulle en h = 0 et positive partout ailleurs. Toutes ces caractéristiques
découlent en fait d’une propriété générale des semi-variogrammes : ce sont des fonctions
de type négatif conditionnel (Christakos, 1984), c’est-à-dire que :
l X
X l
ai aj γ(si − sj ) ≤ 0
i=1 j=1

pour n’importe quel ensemble fini de points {si : i = 1, ..., l} et n’importe quels nombres
P
réels {ai : i = 1, ..., l} tel que li=1 ai = 0. Ainsi, une fonction continue peut représenter
un semi-variogramme si et seulement si elle respecte cette propriété qui assure la posi-
tivité de la variance de toute combinaison linéaire de variables aléatoires issues de δ(·).
Cette propriété est en fait l’extension aux semi-variogrammes du caractère semi-défini
positif bien connu des fonctions de covariance.
Chapitre 3. Analyse variographique 20

Avant de décrire certains attributs des semi-variogrammes, voici deux exemples de

fonctions pouvant faire état de semi-variogramme :
( ³ 3
´ µ µ ¶¶
3 |h| 1 |h|
0.2 + 0.8 2 6 − 2 63 , 0 ≤ |h| ≤ 6 |h|
γ(h) = γ(h) = 0.2 + 0.8 1 − exp − , |h| ≥ 0
0.2 + 0.8, |h| > 6 2

où |h| est la norme du vecteur de h. Ces fonctions sont tracées dans les graphiques
de la figure 3.2. Il s’agit de semi-variogrammes isotropes, d’effet de pépite valant 0.2,
de palier exact ou asymptotique valant 1 et de portée exacte ou pratique valant 6. Les
paragraphes suivants définissent ces caractéristiques des semi-variogrammes.

Fig. 3.2 – Exemple de semi-variogrammes

Isotropie

Le semi-variogramme ne dépend que de h, le vecteur de translation entre les points

s et s + h. Ce vecteur contient de l’information sur la distance entre ces deux points,
par l’intermédiaire de sa norme, ainsi que sur l’orientation de h. Si le semi-variogramme
ne dépend en fait que de la norme de h, il est dit isotrope. S’il dépend aussi de la
direction du vecteur de translation, il est alors anisotrope. Dans ce mémoire, les semi-
variogrammes seront toujours supposés isotropes. Pour un traitement de l’anisotropie, le
lecteur est référé à Goovaerts
p (1997). Rappelons que la norme euclidienne d’un vecteur
h = (xh , yh ) est r = |h| = x2h + yh2 . Le semi-variogramme sera dorénavant noté :

1
γ(r) = V ar(δ(s) − δ(s + h)) ∀ h de norme r et ∀ s, s + h ∈ D (3.2)
2
Chapitre 3. Analyse variographique 21

Effet de pépite

Au voisinage de l’origine, un semi-variogramme peut être continu ou discontinu. Si

limr→0+ γ(r) = co > 0, alors co est appelé effet de pépite. Un saut abrupt à l’origine
dénote une faible ressemblance entre les valeurs régionalisées très voisines. Un effet de
pépite s’explique par des variations non-détectées à une micro-échelle. En se ramenant
au modèle 3.1, c’est donc dire que l’effet de pépite est associé à la fonction aléatoire η(·).
L’adaptation du krigeage pour le cas où des erreurs de mesure sont présentes associera
aussi l’effet de pépite à la fonction aléatoire de bruit blanc ²(·) (Cressie, 1993, p.128).

Portée et palier

Les autres caractéristiques du semi-variogramme sont plutôt dues aux variations

observables ω(·) de l’équation 3.1. C’est le cas du comportement du semi-variogramme
lorsque r augmente. Le semi-variogramme peut ou non atteindre un plateau. L’atteinte
d’un plateau indique qu’à partir d’une certaine distance il n’y a plus de dépendan-
ce spatiale entre les données. Cette distance est nommée portée et le terme palier
dénote la variance à laquelle le plateau se présente. Il s’agit en fait de la variance
commune aux variables aléatoires δ(s) pour tout s ∈ D. Un palier peut n’être atteint
qu’asymptotiquement. Dans ce cas, la portée réelle est infinie, mais une portée pratique
est définie par la distance à laquelle le semi-variogramme atteint 95% de la valeur de
son palier.

Si un semi-variogramme est non borné, il ne possède ni portée, ni palier. La variance

de la fonction aléatoire n’est pas définie pour un tel semi-variogramme. Cette fonction
aléatoire n’est donc pas stationnaire de deuxième ordre, mais seulement stationnaire
intrinsèque. Rappelons que c’est le cas du mouvement Brownien mentionné en exemple
à la section 3.1.

3.4 Estimation du semi-variogramme

On cherche à estimer le semi-variogramme à partir des données disponibles, c’est-à-

dire les z(si ) pour i = 1, ..., n. Pour ce faire, notons d’abord que :
1 1
γ(r) = V ar(δ(s) − δ(s + h)) = E[{δ(s) − δ(s + h)}2 ]
2 2
Chapitre 3. Analyse variographique 22

car E[δ(s)] = 0 ∀ s ∈ D. Cependant, le semi-variogramme peut aussi se développer

de la façon suivante :
1
γ(r) = V ar(δ(s) − δ(s + h))
2
1
= V ar[(Z(s) − µ(s)) − (Z(s + h) − µ(s + h))]
2
1
= V ar(Z(s) − Z(s + h)) car µ(·) n’est pas une fonction aléatoire
2
1 1
= E[{Z(s) − Z(s + h)}2 ] − E[Z(s) − Z(s + h)]2
2 2
1 1
= E[{Z(s) − Z(s + h)}2 ] − {µ(s) − µ(s + h)}2
2 2
Ainsi, si µ(·) est une fonction constante, le deuxième terme s’annule et le semi-vario-
gramme est estimable directement à partir des z(si ). C’est le cas en krigeage simple et
ordinaire.

Par contre, lorsque µ(·) n’est pas une fonction constante tel qu’en krigeage universel
ou en krigeage avec dérive externe, l’estimation doit se baser sur la fonction δ(·). Des
observations de δ(·) sont disponibles si la fonction µ(·) est connue. Le semi-variogramme
peut alors être estimé à partir des valeurs z(si )−µ(si ). Cependant, en pratique, µ(·) n’est
pas connue. Cette fonction est donc estimée, puis le semi-variogramme expérimental est
calculé à partir des résidus e(si ) = z(si ) − µ̂(si ). Toutefois, Matheron (1970, p.155) a
lui même soulevé que cette estimation est biaisée. Une discussion plus approfondie de
cette problématique se trouve à la section 4.4.

L’estimateur du semi-variogramme le plus commun est celui des moments (Cressie,

1993, p.69) :
1 X 1 X
γ̂(r) = (z(si ) − z(sj ))2 ou (e(si ) − e(sj ))2 (3.3)
2|N (r)| 2|N (r)|
N (r) N (r)

où N (r) = {(i, j) tel que |si − sj | = r} et |N (r)| est le nombre de paires distinctes de
l’ensemble N (r).

Si les données disponibles sont réparties sur une grille régulière couvrant le champ
D, γ(·) est estimable pour un petit nombre de distances, chacune associée à plusieurs
couples de données. Toutefois, les données sont plus souvent réparties irrégulièrement
sur D. Dans ce cas, plus de distances sont représentées, mais avec un très petit nombre de
paires de données. Afin de rendre γ̂(·) plus robuste, des tolérances sont introduites sur les
distances. Le semi-variogramme expérimental est donc calculé seulement pour certaines
distances rk , avec k = 1, ..., K, en considérant les couples de données éloignées d’une
Chapitre 3. Analyse variographique 23

distance à peu près égale à rk . L’ensemble N (rk ) est ainsi redéfini par {(i, j) tel que |si −
sj | = rk ± bk } où bk est une tolérance déterminée par l’utilisateur.

En outre, Arnaud et Emery (2000, p.126) affirment que le semi-variogramme expéri-

mental n’est pas fiable pour de trop grandes distances, car la dispersion de γ̂(·) autour
de γ(·) augmente lorsque r devient grand. Ils conseillent donc de calculer le semi-
variogramme expérimental seulement pour les distances inférieures à la moitié de la
distance maximale entre deux points d’observation.

D’autres estimateurs de semi-variogramme sont proposés dans la littérature. Cres-

sie (1993, p.74) présente notamment des estimateurs plus robustes que l’estimateur
classique des moments qui contient une puissance au carré très sensible aux valeurs
extrêmes. En outre, si plusieurs observations de la variable régionalisées sont dispo-
nibles dans le temps aux mêmes sites d’observation, un estimateur possible est (Abtew
et al., 1985) :
Pm 2
Pm 2
(z k (si ) − z k (sj )) k=1 (ek (si ) − ek (sj ))
γ̂(si − sj ) = k=1 ou (3.4)
2m 2m
pour tout couple d’observations (i, j) où k est un indice référant à la période de temps,
zk (si ) est donc l’observation de la variable régionalisée z au point si au pas de temps
k et m est le nombre total de périodes entrant dans le calcul. Cette idée de sommer
sur les pas de temps pour estimer un semi-variogramme vient de l’« interpolation op-
timale » de Gandin (1963). Cette méthode est en fait l’équivalent d’un krigeage dont
les équations sont développées à partir d’un corrélogramme, soit un covariogramme
C(h) divisé par la variance C(0), plutôt qu’un semi-variogramme. En interpolation op-
timale, ce corrélogramme est toujours estimé à partir d’une série temporelle de données
à la manière du semi-variogramme expérimental 3.4. Une limite de l’estimateur 3.4 est
qu’il n’est pertient que si les caractéristiques de la structure de dépendance spatiale du
phénomène naturel à l’étude varient peu ou pas dans le temps.

3.5 Modélisation du semi-variogramme

Le semi-variogramme expérimental présenté dans la section précédente estime le

semi-variogramme théorique pour un nombre fini de distances seulement. De plus, il
ne forme pas nécessairement un semi-variogramme valide, c’est-à-dire qu’il ne s’agit
peut-être pas d’une fonction conditionnellement négative définie. Le semi-variogramme
expérimental est donc modélisé par une fonction de type négatif conditionnel, définie
pour toutes les distances r ∈ <+ . Cette modélisation rendra possible le krigeage.
Chapitre 3. Analyse variographique 24

Tester le caractère négatif conditionnel d’une fonction est une tâche assez difficile.
Christakos (1984) explique une procédure pour y arriver. Cependant, en pratique, il est
plus simple d’utiliser un modèle variographique classique, qui a été démontré valide.
Voici donc certains modèles variographiques couramment utilisés (Arnaud et Emery,
2000, p.133), qui seront d’ailleurs employés dans les chapitres 5 et 6 :

Modèles avec palier : Le semi-variogramme est borné, la fonction aléatoire associée

est donc stationnaire de second ordre.

Portée exacte :

– Modèle pépitique de palier c0 :

(
0 pour r = 0
γ(r) =
c0 pour r > 0

Ce modèle représente l’absence de dépendance spatiale. Un krigeage avec ce

modèle revient à une régression classique (Marcotte, 1988).
– Modèle linéaire avec palier d’effet de pépite c0 , de palier c0 + c et de portée
a: (
c0 + ac r pour 0 ≤ r ≤ a
γ(r) =
c0 + c pour r > a

– Modèle sphérique d’effet de pépite c0 , de palier c0 + c et de portée a :

( ³ 3
´
c0 + c 23 ar − 12 ar 3 pour 0 ≤ r ≤ a
γ(r) =
c0 + c pour r > a

Portée asymptotique :

– Modèle exponentiel d’effet de pépite c0 , de palier c0 + c et de portée pratique

égale à 3a :
³ ³ r ´´
γ(r) = c0 + c 1 − exp − pour r ≥ 0
a
– Modèle gaussien d’effet de pépite c0 , de palier c0 + c et de portée pratique
√
égale à a 3 :
µ µ 2 ¶¶
r
γ(r) = c0 + c 1 − exp − 2 pour r ≥ 0
a
Chapitre 3. Analyse variographique 25

Modèles sans palier : Le semi-variogramme n’est pas borné, la fonction aléatoire

associée est donc seulement stationnaire intrinsèque.

– Modèle linéaire sans palier d’effet de pépite c0 et de pente m :

γ(r) = c0 + mr pour r ≥ 0

Ce modèle est associé au mouvement brownien fractionnaire de paramètre λ = 1

présenté en exemple à la section 3.1.
– Modèle puissance d’effet de pépite c0 , d’exposant ν et de facteur d’échelle m :

γ(r) = c0 + mrν pour r ≥ 0, 0<ν<2

Il s’agit d’une généralisation du modèle linéaire. Le mouvement brownien fraction-

naire de paramètre ν quelconque possède un semi-variogramme de cette forme.

La figure 3.3 comporte un graphique pour chacun de ces modèles variographiques.

Notons que toute somme de modèles élémentaires est aussi un modèle admissible.
Cette approche d’addition de modèles forme ce qui est appelé un modèle linéaire de
régionalisation (Arnaud et Emery, 2000, p.139).

En plus de sélectionner le modèle, celui-ci doit être ajusté au semi-variogramme

expérimental ; c’est donc dire que les paramètres du modèle doivent être estimés. Cet
ajustement peut se faire à l’oeil, mais il s’effectue habituellement à l’aide d’une méthode
d’estimation. La méthode la plus couramment utilisée est celle des moindres carrés
pondérés. Le vecteur des paramètres du modèle choisi, noté θ, est donc souvent estimé
en minimisant :
XK
wk [γ̂(rk ) − γ(rk , θ)]2
k=1

où γ̂(·) est le semi-variogramme empirique, γ(·, θ) est le modèle variographique de pa-
ramètres θ, wk est le poids associé à la donnée γ̂(rk ), et r1 à rK sont les distances pour
lesquelles une estimation du semi-variogramme a été calculée. Plusieurs poids wk sont
proposés dans la littérature. Ils peuvent évidemment tous être fixés à un, ce qui revient
aux moindres carrés ordinaires. Il est aussi intuitif d’envisager les poids wk = 1/|N (rk )|,
soit l’inverse du nombre de paires de données ayant entré dans le calcul de γ̂(rk ). Fuentes
(2000) discute d’autres poids pertinents et présente différentes méthodes d’estimation,
telles la méthode du maximum de vraisemblance ainsi que des approches bayésiennes.
Chapitre 3. Analyse variographique 26

Fig. 3.3 – Modèles de semi-variogrammes les plus communs

3.6 Conclusion du chapitre

Les rudiments de l’analyse variographique ont été présentés dans ce chapitre. Nous
avons défini un outil, le semi-variogramme, pour représenter une dépendance spatiale et
nous avons montré comment estimer et modéliser cette fonction. Le chapitre 5 reviendra
sur l’analyse variographique pour expliquer comment elle s’effectue en pratique. Notam-
ment, le chapitre 5 traitera de comment choisir l’estimateur du semi-variogramme et
le modèle variographique. Mais tout d’abord, passons à l’élaboration des équations du
krigeage.
Chapitre 4

Théorie du krigeage

Ce chapitre présente le détail mathématique de l’obtention de la forme d’une prévi-

sion en krigeage. Tout d’abord, une démarche générale pour obtenir cette prévision est
explicitée. Ensuite, cette démarche est suivie pour les trois grands types de krigeage
présentés à la section 2.2.6, soit le krigeage simple, le krigeage ordinaire et le krigeage
universel qui se généralise par le krigeage avec modèle de tendance. Des discussions
sur certains aspects théoriques du krigeage d’un de ces types et sur d’autres types de
krigeage closent le chapitre. Les références principales de ce chapitre sont : Statistics
for Spatial Data de Cressie (1993) et La théorie des variables régionalisées, et ses ap-
plications de Matheron (1970).

4.1 Démarche générale de résolution des équations

du krigeage

Rappelons d’abord que l’objectif du krigeage est de prévoir la valeur de la variable

régionalisée à interpoler z(·) en un site non échantillonné noté s0 . La première étape
pour atteindre ce but consiste à déterminer le « voisinage de krigeage » (Arnaud et
Emery, 2000, p.180). Ce voisinage se définie par le domaine du champ D contenant s0
ainsi que les sites s[1] à s[n0 ] associés aux observations utilisées dans la prévision de z(s0 ).
Ces sites doivent former un sous-ensemble de l’ensemble des sites d’observation, donc
{s[1] , s[2] , ..., s[n0 ] } ⊆ {s1 , s2 , ..., sn }. Ainsi, le voisinage de krigeage est en fait le même
voisinage que celui introduit à la section 2.2.1. Il sera aussi noté V (s0 ). Le choix du voi-
sinage de krigeage se base sur une certaine connaissance de la structure de dépendance
spatiale entre les observations. La taille n0 de ce voisinage doit cependant être assez
Chapitre 4. Théorie du krigeage 28

grande pour mener à une prévision précise.

Par la suite, la formule de prévision par krigeage peut être trouvée. Pour effec-
tuer cette étape, la démarche proposée par Chauvet (1999, p.117) sera suivie dans ce
mémoire. Chauvet conseille de procéder par l’écriture des contraintes du krigeage que
voici :

1. Contrainte de linéarité
La contrainte de base du krigeage est que la prévision prenne la forme d’une
combinaison linéaire des données. Elle doit donc s’écrire ainsi :
X
Ẑ(s0 ) = a + λi Z(si )
i∈V (s0 )

Les poids λi et la constante a sont les inconnus du problème.

2. Contrainte d’autorisation
Il faut s’assurer que l’espérance et la variance de l’erreur de prévision Ẑ(s0 )−Z(s0 )
existent. Cette contrainte n’intervient que dans le cas où la fonction aléatoire δ(·)
du modèle de base 2.4 est supposée stationnaire intrinsèque.
3. Contrainte de non-biais
La prévision par krigeage doit posséder la propriété d’absence de biais. Il faut
donc que E[Ẑ(s0 ) − Z(s0 )] = 0.
4. Contrainte d’optimalité
Les poids λi et la constante a sont déterminés de façon à minimiser V ar[Ẑ(s0 ) −
Z(s0 )] sous les contraintes précédentes.

Cette démarche mènera à la résolution d’équations. Pour faciliter l’écriture de ces

équations qui s’avèrent parfois longues, une notation matricielle sera employée. Voici
donc tout d’abord quelques remarques sur cette notation :
– Z est le vecteur n0 x1 des variables aléatoires Z(s[1] ) à Z(s[n0 ] ) intervenant dans
la prévision de Z(s0 )
– λ est le vecteur n0 x1 des poids associés aux variables aléatoires Z(s[1] ) à Z(s[n0 ] )
– δ est le vecteur n0 x1 des erreurs associées aux variables aléatoires Z(s[1] ) à Z(s[n0 ] )
– Dans le cadre stationnaire de second ordre :

– Σ est la matrice n0 xn0 de variances-covariances de δ, dont la diagonale est

composée uniquement de σ 2 , la variance commune à toutes les erreurs δ(s)
pour s ∈ D
– c0 est le vecteur n0 x1 des covariances entre δ et δ(s0 )
Chapitre 4. Théorie du krigeage 29

– Dans le cadre stationnaire intrinsèque :

– Γ est la matrice n0 xn0 dont l’élément (i, j) est γ(s[i] − s[j] ), soit le semi-
variogramme entre δ(s[i] ) et δ(s[j] ), les éléments i et j de δ
– γ 0 est le vecteur n0 x1 dont l’élément i est γ(s[i] − s0 ), le semi-variogramme
entre δ(s[i] ) et δ(s0 )

Notons que la prévision Ẑ(s0 ) obtenue est une variable aléatoire. Sa valeur numérique
est calculée en remplaçant les variables aléatoires Z(si ) par les valeurs régionalisées
observées z(si ).

4.2 Krigeage simple

La théorie du krigeage a d’abord été développée dans un cadre stationnaire de

second ordre. Sous cette hypothèse, le krigeage le moins complexe est celui dans lequel
la stationnarité postulée est de deuxième ordre et l’espérance de la fonction aléatoire
étudiée est supposée connue et constante sur tout le champ. Il s’agit du krigeage simple
(Matheron, 1970, p.122). Ce krigeage repose sur la modélisation suivante de la fonction
aléatoire d’intérêt :

Z(s) = m + δ(s), s∈D

avec m constante connue et δ(·) fonction aléatoire stationnaire de second ordre d’espé-
rance nulle et de structure de dépendance connue. La stationnarité de second ordre
implique que le semi-variogramme de δ(·) atteigne un palier.

Ce modèle peut être réécrit sous forme vectorielle en fonction de la variable aléatoire
à prévoir Z(s0 ) et de celles qui serviront à faire la prévision Z = (Z(s[1] ), Z(s[2] ), ...,
Z(s[n0 ] ))t , soient les variables aléatoires associées aux données. Notons Z ∗ = (Z(s0 ), Z t )
et δ ∗ = (δ(s0 ), δ t ), alors le modèle s’écrit :


 m constante connue

 E[δ ∗ ] = 0
Z ∗ = m1(n0 +1) + δ ∗ avec à ! (4.1)
 2 t
 ∗ σ c0

 V ar[δ ] = connus
c0 Σ

Toutes les informations nécessaires à l’écriture des contraintes sont comprises dans
ce modèle. Suivons donc la démarche proposée afin de trouver la formule de prévision
en krigeage simple.
Chapitre 4. Théorie du krigeage 30

1. Contrainte de linéarité

La prévision de Z(s0 ) doit être de la forme :

X
Ẑ(s0 ) = a + λi Z(si ) = a + λt Z
i∈V (s0 )

2. Contrainte d’autorisation

Cette contrainte n’intervient pas en krigeage simple car l’hypothèse de stationnarité

de second ordre de la fonction aléatoire résiduelle implique l’existence de l’espérance et
de la variance de toute variable aléatoire Z(s) pour s ∈ D.

3. Contrainte de non-biais

La propriété d’absence de biais de la prévision doit être vérifiée. Il faut donc s’assurer
du respect de l’égalité suivante :
E[Ẑ(s0 ) − Z(s0 )] = E[a + λt Z − Z(s0 )] = a + λt m1n0 − m = 0
Cette égalité implique que a = m(1 − λt 1n0 ). La prévision peut donc être réécrite sous
la forme :
Ẑ(s0 ) = m(1 − λt 1n0 ) + λt Z = m + λt (Z − m1n0 )

4. Contrainte d’optimalité

Finalement, les inconnus de la formule précédente, c’est-à-dire les poids λi , sont

trouvés en minimisant la variance de l’erreur de prévision. Cette variance s’écrit :
V ar[Ẑ(s0 ) − Z(s0 )] = V ar[m + λt (Z − m1n0 ) − Z(s0 )]
= V ar[m + λt δ − m − δ(s0 )]
= V ar[λt δ] + V ar[δ(s0 )] − 2Cov[λt δ, δ(s0 )]
= λt V ar[δ]λ + V ar[δ(s0 )] − 2λt Cov[δ, δ(s0 )]
= λt Σλ + σ 2 − 2λt c0

Cette expression doit être vue comme une fonction des λi , qui peut être notée
f (λ1 , ..., λn0 ) = f (λ). Le gradient de cette fonction, c’est-à-dire le vecteur de ses dérivées
Chapitre 4. Théorie du krigeage 31

partielles, s’écrit :
∂ ∂ ¡ t ¢
f (λ) = λ Σλ + σ 2 − 2λt c0 = 2Σλ − 2c0
∂λ ∂λ
Toutes les composantes de ce vecteur sont nulles au point λ̂ = Σ−1 c0 . De plus, la
2
matrice n0 × n0 dont l’élément (i, j) est ∂λ∂j ∂λi f (λ), appelée hessien, est 2Σ. Cette
matrice est semi-définie positive car il s’agit d’une matrice de variances-covariances
multipliée par une constante positive. Ainsi, la fonction f (λ) est convexe et le point
critique λ̂ = Σ−1 c0 est un minimum global (Khuri, 1993, p.282).

Ainsi, la prévision de Z(s0 ) par le krigeage simple se formule :

Ẑ(s0 ) = m + ct0 Σ−1 (Z − m1n0 ).

Cette expression est équivalente à E[Ẑ(s0 )|Z] si Z(·) est supposé de loi normale multi-
dimentionnelle. Cette équivalence est discutée à la section 4.5.1. Une autre statistique
d’intérêt est la valeur minimale de la variance de l’erreur de prévision, appelée « variance
de krigeage ». En krigeage simple elle vaut :

σ 2 (s0 ) = V ar[Ẑ(s0 ) − Z(s0 )] = ct0 Σ−1 ΣΣ−1 c0 + σ 2 − 2ct0 Σ−1 c0

= σ 2 − ct0 Σ−1 c0

Cette statistique donne une idée de la précision de la prévision obtenue. Cependant, il ne

faut pas oublier que cette variance ne tient pas compte de la variabilité due à l’estimation
du semi-variogramme. Elle sous-estime donc la véritable variance de prévision.

4.3 Krigeage ordinaire

L’hypothèse du krigeage simple voulant que l’espérance de la fonction aléatoire

Z(·) soit connue est rarement vérifiée. Cette méthode a donc été généralisée au cas où
l’espérance est inconnue et constante localement, c’est-à-dire sur le voisinage de kri-
geage. Il s’agit du krigeage ordinaire (Matheron, 1970, p.125), la technique de krigeage
la plus fréquemment utilisée selon Gratton (2002). Ce type de krigeage ne requière pas
une hypothèse de stationnarité d’ordre deux. Ainsi, il sera développé ici sous l’hypothèse
plus générale de stationnarité intrinsèque. Le modèle de base de cette méthode s’énonce
comme suit :

Z(s) = µ + δ(s), s∈D (4.2)

avec µ quasi-constante inconnue et δ(·) fonction aléatoire stationnaire intrinsèque d’es-

pérance nulle et de structure de dépendance connue. Le caractère quasi-constant de µ
Chapitre 4. Théorie du krigeage 32

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
(Arnaud et Emery, 2000, p.185). Ainsi, une prévision au point s0 se base sur le modèle
vectoriel suivant :


 µ constante inconnue
∗ ∗
Z = µ1(n0 +1) + δ avec E[δ ∗ ] = 0

 Γ, γ connus
0

Voici, étape par étape, la résolution des équations du krigeage ordinaire se basant sur
Cressie (1993, p.119).

1. Contrainte de linéarité

La prévision Ẑ(s0 ) doit être une combinaison linéaire des variables aléatoires Z(s[1] )
à Z(s[n0 ] ). Elle s’exprime donc sous la forme :
X
Ẑ(s0 ) = a + λi Z(si ) = a + λt Z
i∈V (s0 )

2. Contrainte d’autorisation

À cause de l’hypothèse de stationnarité intrinsèque de la fonction aléatoire δ(·),

seules les combinaisons linéaires d’accroissements telles :
l
X
wi (δ(si ) − δ(si + hi )) avec si , si + hi ∈ D pour tout i = 1, ..., l
i=1

possèdent nécessairement des moments de premier et de deuxième ordre. Ainsi, l’erreur

de prévision doit prendre la forme d’une somme pondérée d’accroissements afin d’assu-
rer l’existence de son espérance et sa variance. Cependant, toute combinaison linéaire
de l accroissements est aussi une combinaison linéaire de 2l variables aléatoires, avec
la particularité que la somme des pondérateurs soit nulle. Cette affirmation se justifie
P P P
par l’égalité li=1 wi (δ(si ) − δ(si + hi )) = li=1 wi δ(si ) − li=1 wi δ(si + hi ) où les 2l
pondérateurs w1 , ..., wl , −w1 , ..., −wl s’annulent. L’implication inverse est aussi vraie :
toute somme pondérée de δ(si ) dont l’addition des poids donne zéro est une combinai-
P P
son linéaire d’accroissements. En effet, li=1 wi δ(si ) = li=1 wi (δ(si ) − δ(s0 )) lorsque
Pl
i=1 wi = 0. Ainsi, une combinaison linéaire d’accroissements est équivalent à une com-
binaison linéaire de variables aléatoires avec des poids de somme nulle. En réécrivant
Chapitre 4. Théorie du krigeage 33

l’erreur de prévision de la façon suivante :

X
Ẑ(s0 ) − Z(s0 ) = a + λi Z(si ) − Z(s0 )
i∈V (s0 )
X
= a+ λi (µ + δ(si )) − µ − δ(s0 )
i∈V (s0 )
X X
= a+µ λi − µ + λi δ(si ) − δ(s0 )
i∈V (s0 ) i∈V (s0 )
| {z }
termes non aléatoires

il ressort que cette erreur est une combinaison linéaire d’accroissements de δ(·) si et
P
seulement si i∈V (s0 ) λi − 1 = 0. Il faudra donc travailler par la suite avec la contrainte
que la somme des poids λi vaut un pour s’assurer de l’existence des deux premiers
moments de l’erreur de prévision.

3. Contrainte de non-biais

Comme en krigeage simple, la prévision doit être non biaisée, il faut donc que :
X X
E[Ẑ(s0 ) − Z(s0 )] = E[a + λi Z(si ) − Z(s0 )] = a + µ( λi − 1) = 0
i∈V (s0 ) i∈V (s0 )

P
De l’étape précédente, la contrainte i∈V (s0 ) λi = 1 doit être respectée. Ainsi, a doit
être fixé à zéro. La forme de la prévision se simplifie donc à :
X X
Ẑ(s0 ) = λi Z(si ) avec λi = 1
i∈V (s0 ) i∈V (s0 )

4. Contrainte d’optimalité

Trouvons maintenant les poids λi qui minimisent la variance de l’erreur de prévision.

Pour ce faire, exprimons d’abord cette variance en fonction de Γ et γ 0 , car ces statis-
tiques sont connues.
Chapitre 4. Théorie du krigeage 34

V ar[Ẑ(s0 ) − Z(s0 )]
= E[(
"µẐ(s0 ) − Z(s0 ))2 ]
X ¶2 #
=E λi Z(si ) − Z(s0 )
"µi∈V (s0 ) ¶2 #
X X
=E λi µ + λi δ(si ) − µ − δ(s0 )
"µi∈V (s0 ) i∈V (s0 )
¶2 #
X
=E λi δ(si ) − δ(s0 )
"µi∈V (s0 ) ¶2 #
X X
=E λi δ(si ) − 2δ(s0 ) λi δ(si ) + δ(s0 )2
" i∈V (s0 ) i∈V (s0 ) #
X X X
=E λi λj δ(si )δ(sj ) − 2δ(s0 ) λi δ(si ) + δ(s0 )2
"i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
X X X
=E λi λj δ(si )δ(sj ) − λi δ(si )2 +
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
| {z }
1 #
X X
λi δ(si )2 − 2δ(s0 ) λi δ(si ) + δ(s0 )2
i∈V (s0 ) i∈V (s0 )
| {z }
2

Le terme 1 peut être réécrit de la façon suivante :

X X X
λi λj δ(si )δ(sj ) − λi δ(si )2
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
X X X X
= λi λj δ(si )δ(sj ) − λj λi δ(si )2
i∈V (s0 ) j∈V (s0 ) j∈V (s0 ) i∈V (s0 )
X X 1 X X 1 X X
= λi λj δ(si )δ(sj ) − λi λj δ(si )2 − λi λj δ(sj )2
2 2
i∈V (s0 ) j∈V (s0 ) i∈V (s0 ) j∈V (s0 ) i∈V (s0 ) j∈V (s0 )
1 X X ¡ 2 2
¢
=− λi λj −δ(si )δ(sj ) + δ(si ) + δ(sj )
2
i∈V (s0 ) j∈V (s0 )
1 X X
=− λi λj (δ(si ) − δ(sj ))2
2
i∈V (s0 ) j∈V (s0 )
Chapitre 4. Théorie du krigeage 35

Le terme 2 peut être réécrit de la façon suivante :

X X
λi δ(si )2 − 2δ(s0 ) λi δ(si ) + δ(s0 )2
i∈V (s0 ) i∈V (s0 )
X X X
2
= λi δ(si ) − 2δ(s0 ) λi δ(si ) + λi δ(s0 )2
i∈V (s0 ) i∈V (s0 ) i∈V (s0 )
X ¡ ¢
2 2
= λi δ(si ) − 2δ(s0 )δ(si ) + δ(s0 )
i∈V (s0 )
X
= λi (δ(s0 ) − δ(si ))2
i∈V (s0 )

Donc

V ar["Ẑ(s0 ) − Z(s0 )] # " #

1 X X X
=E − λi λj (δ(si ) − δ(sj ))2 + E λi (δ(s0 ) − δ(si ))2
2
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
1 X X £ 2¤
X £ ¤
=− λi λj E (δ(si ) − δ(sj )) + λi E (δ(s0 ) − δ(si ))2
2
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
X X 1 X 1
=− λi λj V ar [δ(si ) − δ(sj )] + 2 λi V ar [δ(s0 ) − δ(si )]
2 2
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
X X X
=− λi λj γ (si − sj ) + 2 λi γ (s0 − si )
i∈V (s0 ) j∈V (s0 ) i∈V (s0 )
t t
= −λ Γλ + 2λ γ 0

Il faut minimiser cette expression sous la contrainte λt 1n0 = 1. Cette étape sera
effectuée à l’aide d’un Lagrangien noté `. La fonction à minimiser est : f (λ, `) =
−λt Γλ + 2λt γ 0 + 2`(λt 1n0 − 1). Le vecteur de ses dérivées partielles par rapport aux
λi est :
∂
f (λ, `) = −2Γλ + 2γ 0 + 2`1n0
∂λ
∂
La fonction f (λ, `) admet un point critique lorsque ∂λ f (λ, `) = 0, c’est-à-dire au point
−1
λ̂ = Γ (γ 0 + `1n0 ).

Le Lagrangien ` est estimé en utilisant la contrainte que la somme des poids vaille
1, donc que 1tn0 λ̂ = 1tn0 Γ−1 (γ 0 + `1n0 ) = 1. On obtient :

ˆ 1 − 1tn0 Γ−1 γ 0
`=
1tn0 Γ−1 1n0
Chapitre 4. Théorie du krigeage 36

Ensuite, ` est remplacé par `ˆ dans λ̂.

1 − 1tn0 Γ−1 γ 0
λ̂ = Γ−1 (γ 0 + 1n0 )
1tn0 Γ−1 1n0

Matheron (1969, p.35) a prouvé qu’il s’agit bien de l’unique minimum de f (λ, `).

Ainsi, Z(s0 ) est prévu en krigeage ordinaire par l’expression :

1 − 1tn0 Γ−1 γ 0
Ẑ(s0 ) = (γ 0 + t −1 1n0 )t Γ−1 Z
1n0 Γ 1n0

La variance de krigeage s’écrit alors :

(1 − 1tn0 Γ−1 γ 0 )2
σ 2 (s0 ) = V ar[Ẑ(s0 ) − Z(s0 )] = γ t0 Γ−1 γ 0 − .
1tn0 Γ−1 1n0

4.4 Krigeage avec modèle de tendance

L’hypothèse de stationnarité sur laquelle repose les deux types de krigeage présentés
précédemment peut souvent être mise en doute. En particulier, il semble souvent er-
roné de postuler que l’espérance de la fonction aléatoire étudiée reste constante ou
quasi-constante sur le champ D. En krigeage avec un modèle de tendance, aussi appelé
krigeage en présence d’une dérive, l’espérance est une fonction des coordonnées spa-
tiales ou de variables régionalisées auxiliaires connues exhaustivement. La majorité des
auteurs en géostatistique parlent alors de krigeage universel (Matheron, 1969 ; Cressie,
1993, p.151) et de krigeage avec dérive externe (Goovaerts, 1997, p.194 ; Wackernagel,
2003, p.283) respectivement.

Krigeage universel : Le modèle de base du krigeage universel est :

p
X
Z(s) = fj (s)βj + δ(s), s∈D (4.3)
j=0

avec fj (s) fonctions de la position s = (x, y), βj paramètres inconnus et δ(·) fonc-
tion aléatoire stationnaire intrinsèque d’espérance nulle et de structure de dépendance
connue. Les fj (s) sont déterminés par l’utilisateur. Les graphiques des z(si ) en fonction
des coordonnées xi et yi sont utilisés pour guider le choix de ces fonctions. Souvent, une
tendance linéaire ou quadratique est choisie. Par exemple, dans le cas d’une tendance
linéaire, les fj (s) sont : f0 (s) = 1, f1 (s) = x et f2 (s) = y.
Chapitre 4. Théorie du krigeage 37

Krigeage avec dérive externe : En krigeage avec dérive externe, le modèle s’écrit :
p
X
Z(s) = fj (w)βj + δ(s), s∈D
j=0

où w = (w1 (s), ..., wq (s)) est le vecteur des valeurs prises par les q variables régionalisées
auxiliaires au point s. Si une tendance linéaire est choisie, les fj (w) seront f0 (w) = 1,
f1 (w) = w1 , ... , fq (w) = wq .

La résolution des équations du krigeage est la même pour ces deux types de krigeage.
Dans les paragraphes qui suivent, nous utilisons la notation du krigeage universel, mais
la démarche est exactement la même en krigeage avec dérive externe en changeant les
fj (s) pour des fj (w). En fait, le modèle de tendance peut aussi être composé de fonctions
des coordonnées spatiales et de variables régionalisées auxiliaires simultanément.

Sous forme matricielle, le modèle utilisé pour prévoir Z(s0 ) s’énonce comme suit :
à ! (
x 0 β E[δ ∗ ] = 0
Z∗ = + δ∗ avec (4.4)
Xβ Γ, γ 0 connus

où Z ∗ = (Z(s0 ), Z), δ ∗ = (δ(s0 ), δ), β = (β0 , β1 , ..., βp ), x0 = (f0 (s0 ), f1 (s0 ), ..., fp (s0 ))
et X est une matrice n0 × (p + 1) dont l’élément (i, j) est fj (si ). Suivons la démarche
des contraintes afin de prévoir Z(s0 ) par krigeage universel.

1. Contrainte de linéarité

Encore une fois, Ẑ(s0 ) doit être une combinaison linéaire des Z(si ). Il s’écrit donc
sous la forme : X
Ẑ(s0 ) = a + λi Z(si ) = a + λt Z
i∈V (s0 )

2. Contrainte d’autorisation

Comme en krigeage ordinaire, à cause de l’hypothèse de stationnarité intrinsèque, il

faut s’assurer que l’erreur Ẑ(s0 ) − Z(s0 ) soit une combinaison linéaire d’accroissements
de δ(·). Pour en être une, on a vu à la section précédente que la somme des poids des
Chapitre 4. Théorie du krigeage 38

termes aléatoires doit valoir zéro. L’erreur de prévision s’écrit :

X
Ẑ(s0 ) − Z(s0 ) = a + λi Z(si ) − Z(s0 )
i∈V (s0 )
X
= a+ λi (xi β + δ(si )) − x0 β − δ(s0 )
i∈V (s0 )
X X
= a+ λi xi β − x0 β + λi δ(si ) − δ(s0 )
i∈V (s0 ) i∈V (s0 )
| {z }
termes non aléatoires
P
Il faut donc encore que i∈V (s0 ) λi = 1 pour assurer l’existence de l’espérance et de la
variance de Ẑ(s0 ) − Z(s0 ).

3. Contrainte de non-biais

L’espérance de l’erreur de prévision s’écrit :

X
E[Ẑ(s0 ) − Z(s0 )] = E[a + λi Z(si ) − Z(s0 )]
i∈V (s0 )
X
= a+ λi xi β − x0 β
i∈V (s0 )
p p
X X X
= a+ λi fj (si )βj − fj (s0 )βj
i∈V (s0 ) j=0 j=0
 
p
X X
= a+  λi fj (si ) − fj (s0 ) βj
j=0 i∈V (s0 )

Afin que cette espérance vaille zéro pour tout βj , j = 0, ..., p, il faut que a = 0 et
P t t
i∈V (s0 ) λi fj (si ) − fj (s0 ) = 0 pour j = 0, ..., p. Ces contraintes s’écrivent λ X = x0
sous forme matricielle.
P
Ainsi, sans oublier la contrainte d’autorisation i∈V (s0 ) λi = 1, il y a au total p +
2 contraintes sur les poids λ en krigeage universel. Toutefois, afin de simplifier les
P
calculs, on suppose que f0 (·) = 1. Ainsi, i∈V (s0 ) λi fj (si ) = fj (s0 ) pour j = 0 revient
P
à i∈V (s0 ) λi = 1. Ce postulat est usuel en krigeage (Cressie, 1993, p.152 ; Goovaerts,
1997, p.140). Il permet d’éliminer une contrainte. L’estimateur devient donc :
X X
Ẑ(s0 ) = λi Z(si ) avec λi fj (si ) = fj (s0 ) pour j = 0, ..., p
i∈V (s0 ) i∈V (s0 )
Chapitre 4. Théorie du krigeage 39

4. Contrainte d’optimalité

Finalisons la démarche en minimisant V ar[Ẑ(s0 ) − Z(s0 )]. Comme pour le krigeage

ordinaire, cette variance vaut −λt Γλ + 2λt γ 0 . Cette expression doit être minimisée en
respectant les contraintes d’autorisation et de non-biais λt X = xt0 . Cette étape sera
effectuée à l’aide d’un vecteur, noté `, de p + 1 Lagrangiens. La fonction à minimiser
est donc : f (λ, `) = −λt Γλ + 2λt γ 0 + 2(λt X − xt0 )`. Son gradient est :
∂
f (λ, `) = −2Γλ + 2γ 0 + 2X`
∂λ
Il vaut zéro au point λ̂ = Γ−1 (γ 0 + X`). En utilisant la contrainte X t λ̂ = X t Γ−1 (γ 0 +
X`) = x0 , le vecteur de Lagrangiens ` est estimé par :
ˆ` = (X t Γ−1 X)−1 (x0 − X t Γ−1 γ )
0

Ensuite, ` est remplacé par ˆ` dans λ̂. L’unique point minimum de la fonction f (λ, `)
(Matheron, 1969, p.35) est :

λ̂ = Γ−1 (γ 0 + X(X t Γ−1 X)−1 (x0 − X t Γ−1 γ 0 ))

Ainsi, Z(s0 )est prévu par

Ẑ(s0 ) = (γ 0 + X(X t Γ−1 X)−1 (x0 − X t Γ−1 γ 0 ))t Γ−1 Z

En outre, la variance de krigeage devient :

σ 2 (s0 ) = V ar[Ẑ(s0 ) − Z(s0 )]

= γ t0 Γ−1 γ 0 − (x0 − X t Γ−1 γ 0 )t (X t Γ−1 X)−1 (x0 − X t Γ−1 γ 0 )

Notons que le krigeage ordinaire peut être vu comme un cas particulier du krigeage
universel avec p = 0 et f0 (·)=1. Ainsi, la prévision en krigeage ordinaire, ainsi que sa
variance, peuvent être retrouvées en remplaçant X par 1n0 et x0 par 1 dans les deux
expressions précédentes.

4.4.1 Lien entre le krigeage avec modèle de tendance et le

krigeage sur les résidus d’une régression

Dans un cas stationnaire d’ordre deux, une prévision par krigeage avec modèle de
tendance prend la forme :

Ẑ(s0 ) = (c0 + X(X t Σ−1 X)−1 (x0 − X t Σ−1 c0 ))t Σ−1 Z

Chapitre 4. Théorie du krigeage 40

La même prévision peut être obtenue en effectuant un krigeage simple avec espérance
nulle (m = 0) sur les résidus d’une régression linéaire qui tient compte de la dépendance
spatiale des erreurs (Hengl et al., 2003). Les paramètres du modèle sont donc estimés
par une méthode des moindres carrés généralisés ou par une méthode du maximum de
vraisemblance avec une matrice de variances-covariances non diagonale. Dans ce cas,
une prévision de Z(s0 ) est formée en additionnant la prévision de la tendance générale
par régression à la prévision par krigeage simple des erreurs e = Z − X β̂ gls :

Ẑ(s0 ) = xt0 β̂ gls + êKS (s0 )

= xt0 β̂ gls + ct0 Σ−1 e
= xt0 β̂ gls + ct0 Σ−1 (Z − X β̂ gls )
= (xt0 − ct0 Σ−1 X)β̂ gls + ct0 Σ−1 Z
= (xt0 − ct0 Σ−1 X)(X t Σ−1 X)−1 X t Σ−1 Z + ct0 Σ−1 Z
= (c0 + X(X t Σ−1 X)−1 (x0 − X t Σ−1 c0 ))t Σ−1 Z

Cependant, certains utilisent cette approche en effectuant une régression qui ne tient pas
compte de la dépendance spatiale des données, par exemple une régression des moindres
carrés ordinaires (β̂ ols = (X t X)−1 X t Z). Dans ce cas, les prévisions ne sont pas tout
à fait les mêmes que celles obtenues par krigeage avec modèle de tendance. Ce type
de krigeage est parfois appelé en anglais « detrended kriging » (Nalder et Wein, 1998;
Phillips et al., 1992). Enfin, une autre approche parfois utilisée consiste à simplement
effectuer un krigeage ordinaire sur des erreurs z(si ) − w(si ). Ce type de krigeage porte
parfois le nom de « krigeage résiduel » (Hessami, 2002, p.29). Ce krigeage est en fait
un krigeage avec dérive externe avec une seule variable régionalisée auxiliaire, donc
q = 1 et w = w(s), en fixant f0 (w) = 1, f1 (w) = w(s) et β1 = 1. Ainsi, β0 est le seul
paramètre inconnu dans la dérive. Le modèle s’écrit donc Z(s) = β0 + w(s) + δ(s) , ou
Z(s) − w(s) = β0 + δ(s) pour s ∈ D. Ce modèle est particulièrement intéressant lorsque
la variable régionalisée auxiliaire mesure le même phénomène naturel que la variable
régionalisée à interpoler, mais avec moins de précision.

4.4.2 Problème de l’analyse variographique en krigeage avec

modèle de tendance

L’analyse variographique est une étape problématique en krigeage avec un modèle

de tendance. Tel que mentionné à la section 3.2.3, le semi-variogramme est estimé à
partir des résidus e(si ) = z(si )− µ̂(si ) obtenus suite à une estimation de β. Il s’agit d’un
problème de régression qui peut être résolu par une méthode des moindres carrés. Ce-
pendant, le modèle de régression est particulier : les erreurs ne sont pas indépendantes.
Chapitre 4. Théorie du krigeage 41

Une estimation correcte de β requiert la connaissance de la structure de dépendance

spatiale de la fonction aléatoire résiduelle δ(·). Toutefois, cette structure est inconnue.
L’analyse variographique vise justement à l’estimer. Le problème revient donc à son
point de départ.

Afin de sortir de ce cercle vicieux, une solution consiste à d’abord obtenir un esti-
mateur des moindres carrés ordinaires de β, estimer ensuite un semi-variogramme sur
les résidus, puis calculer un estimateur des moindres carrés généralisés de β, et ainsi de
suite (Cressie, 1993, p.166). Au fil des itérations, les résidus des moindres carrés ordi-
naires s’approchent de plus en plus des résidus des moindres carrés généralisés. Hengl
et al. (2003) affirment qu’en pratique une seule itération suffit pour obtenir des résultats
de krigeage satisfaisants.

Cependant, Cressie (1993, p.167) soulève que même en appliquant cette méthode
itérative, l’estimation du semi-variogramme reste biaisée (Matheron, 1969, p.37, 1970,
p.155). Les conséquences de ce biais sont cependant difficiles à évaluer. Ainsi, le krigeage
avec un modèle de tendance reste une méthode qui peut s’avérer bonne, mais la prudence
est de mise lors de son utilisation. Le biais dans l’estimation du semi-variogramme
en krigeage avec modèle de tendance est une des motivations au développement de
méthodes bayésiennes.

4.5 Discussions

Les trois sections précédentes ont présenté l’essentiel de la théorie du krigeage for-
malisée par Matheron (1962, 1963a,b, 1965, 1969, 1970). Ces sections devraient donc
suffirent à une compréhension de la méthode dans le but d’une utilisation de base. Ce-
pendant, avant de passer à la mise en oeuvre du krigeage, il est intéressant de s’attarder
sur certains aspects théoriques plus poussés ainsi que sur d’autres types de krigeage
développés plus récemment. Les remarques théoriques traitées ici touchent la norma-
lité des données, le travail sur des données transformées, notamment par la fonction
logarithmique, et le cokrigeage, une extension du krigeage dans le cas multivariable.

4.5.1 Normalité des données

En statistique classique, les méthodes reposent souvent sur un postulat de normalité

des erreurs du modèle. En krigeage, c’est différent. Des hypothèses sont émises seulement
Chapitre 4. Théorie du krigeage 42

sur les moments de la distribution de Z(·) par l’intermédiaire de δ(·) et non sur la loi
de la distribution. L’utilisateur du krigeage peut donc croire que la performance de la
méthode est indépendante de la loi de distribution des données. Malheureusement, ce
n’est pas le cas. Le krigeage a tendance à fournir de meilleures prévisions lorsque les
données suivent une loi normale.

Cette remarque peut être vérifiée en pratique, mais elle s’explique aussi théori-
quement. Elle est attribuable à la contrainte en apparence anodine de linéarité de la
prévision. Cette hypothèse est typiquement inadéquate dans un contexte non normal
(Cressie, 1993, p.110). Cependant, si Z(·) est une fonction aléatoire gaussienne, cette
linéarité est appropriée.

Pour justifier cette affirmation, rappelons d’abord que la prévision par krigeage est
linéaire, sans biais et qu’elle minimise la variance de l’erreur de prévision. Elle minimise
donc l’erreur quadratique moyenne :

E[(Ẑ(s0 ) − Z(s0 ))2 ] = V ar[Ẑ(s0 ) − Z(s0 )] + E[Ẑ(s0 ) − Z(s0 )]2

| {z }
vaut 0 par absence de biais

Une prévision non contrainte à être linéaire et minimisant l’erreur quadratique moyenne
conditionnelle E[(Ẑ(s0 ) − Z(s0 ))2 |Z] serait E[Z(s0 )|Z] (Cressie, 1993, p.108). Thé-
oriquement, cette prévision spatiale est équivalente ou meilleure à celle obtenue par
krigeage. Cependant, elle dépend de la loi de distribution de Z(·). Supposons donc que
Z(·) est une fonction aléatoire gaussienne telle que :
à ! Ãà ! à !!
Z(s0 ) x0 t β σ 2 ct0
∼ N(n+1) ,
Z Xβ c0 Σ

Alors, de la formule de l’espérance conditionnelle dans un cas normal multivarié (Ren-

cher, 1995, p.99), nous obtenons :

E(Z(s0 )|Z) = x0 t β + (Z − Xβ)t Σ−1 c0 .

Cette expression est bien une combinaison linéaire des Z(si ). L’hypothèse de linéarité
est par conséquent appropriée dans le cas normal. De plus, cette prévision est en
fait la même que celle du krigeage universel dans un cadre stationnaire de second
ordre si β est remplacée par son estimation du maximum de vraisemblance β̂ MV =
(X t Σ−1 X)−1 X t Σ−1 Z. En effet, nous obtenons alors :

ÊMV (Z(s0 )|Z) = x0 t β̂ MV + (Z − X β̂ MV )t Σ−1 c0

= c0 t Σ−1 Z + (x0 − X t Σ−1 c0 )t β̂ MV
= (c0 + X(X t Σ−1 X)−1 (x0 − X t Σ−1 c0 ))t Σ−1 Z
Chapitre 4. Théorie du krigeage 43

Il en est de même en krigeage simple et ordinaire. Dans le cas du krigeage simple,

l’espérance de Z(·) est connue, donc aucun paramètre n’a a être estimé dans la prévision
optimale E(Z(s0 )|Z) = µ + (Z − µ1n0 )t Σ−1 c0 .

Il faut donc garder en tête que la prévision spatiale par krigeage peut mal performer
lorsque Z(·) est loin d’être gaussienne. Dans un tel cas, une transformation des données
ou encore l’utilisation de méthodes de la géostatistique non-linéaire peuvent être envi-
sagées. Ces deux solutions sont détaillées dans les prochains points de discussion.

4.5.2 Transformation de données

Il peut parfois être avantageux de travailler sur une transformation des données
plutôt que sur les données brutes. Par transformation de données, nous entendons ici
une fonction mathématique (par exemple le logarithme, la racine, le carré, etc.) ap-
pliquée aux données. Une transformation peut aider à rendre la distribution des données
plus près d’une distribution gaussienne. Elle peut aussi être employée afin de s’assurer
que les prévisions par krigeage prennent des valeurs à l’intérieur d’un certain intervalle.
Par exemple, si une variable régionalisée telle la concentration d’un polluant dans l’air
est étudiée, ses valeurs régionalisées seront obligatoirement comprises entre 0 et 100.
Cependant, rien n’empêche une prévision par krigeage de cette variable de prendre une
valeur à l’extérieur de cet intervalle. Le même problème se présente pour des variables
régionalisées positives telle une quantité de précipitations tombées. Afin de régler ce
problème, une solution possible est d’ajouter des contraintes aux poids de krigeage.
Par exemple, en forçant les poids du krigeage à être positifs, les prévisions seront as-
surément positives si les valeurs régionalisées sont toutes positives. Une autre solution
est d’appliquer une transformation aux données.

Lorsqu’une transformation de données est utilisée afin de corriger un écart à la nor-

malité, une transformation de la famille proposée par Box et Cox (1964) est suggérée.
Pour des données de type pourcentage, une ³ transformation
´ logit ou probit serait ap-
Z(s)
propriée. Rappelons que logit(Z(s)) = ln 1−Z(s) et probit(Z(s)) = Φ−1 (Z(s)) où
Φ−1 (·) est l’inverse de la fonction de répartition normale standard. Finalement, dans
le cas de variables régionalisées positives, extraire la racine ou appliquer la fonction
logarithmique sont envisageables. Pour cette dernière option, si les valeurs régionalisées
peuvent être nulles, elles doivent être additionnées d’une constante positive avant de
les log-transformer.

En krigeage, l’emploi d’une transformation de données s’effectue en trois étapes :

Chapitre 4. Théorie du krigeage 44

1. la transformation des données,

2. la mise en oeuvre du krigeage (incluant l’analyse variographique),
3. la transformation inverse des prévisions obtenues.
Ce dernier point est l’étape délicate car il ne suffit pas d’utiliser la fonction inverse de
celle utilisée pour transformer les données. Afin de s’assurer du non-bais des prévisions,
un facteur correctif doit être intégré à la transformation inverse. Ce facteur dépend
notamment de la transformation choisie et du type de krigeage employé. Cependant,
la littérature sur les transformations de données en krigeage avec modèle de tendance
semble inexistante. Seul le cas du krigeage ordinaire, et parfois celui du krigeage simple,
sont traités. La détermination du facteur correctif est une étape théorique qui n’est pas
détaillée dans ce mémoire. Seuls les formules finales de prévision sont présentées.

Krigeage lognormal

La transformation de données la plus usuelle en géostatistique est la transformation

logarithmique. Le krigeage avec cette transformation a été baptisé, il s’agit du « kri-
geage lognormal ». Matheron (1962, p.257) a lui même abordé le sujet dans sa première
publication sur le krigeage. Un excellent résumé des principales publications sur le kri-
geage lognormal a été écrit par Rivoirard (1990). Il met l’accent sur le fait que le terme
krigeage lognormal ne fait pas référence à une unique formule de prévision. Dans ce
mémoire, le krigeage lognormal mentionné par Cressie (1993, p.135) est présenté.

Notons {Y (s) = ln(Z(s)), s ∈ D} la nouvelle fonction aléatoire associée à la va-

riable régionalisée transformée. Une prévision spatiale de Z(s0 ) s’obtient par krigeage
lognormal avec la formule :

Ẑ(s0 ) = exp (Ŷ (s0 ) + σY2 (s0 )/2 − `Y )

où Ŷ (s0 ) est la prévision de Y (s0 ) par krigeage ordinaire, σY2 (s0 ) est la variance de
cette prévision et `Y est le lagrangien intervenant dans la résolution des équations du
krigeage ordinaire sur les Y (si ), i ∈ V (s0 ). Le facteur exp (σY2 (s0 )/2 − `Y ) sert donc
à corriger pour le biais de la prévision. La variance de cet estimateur est donnée par
Cressie (1993, p.136).

Il faut cependant mentionner que Roth (1998) s’interroge sur la pertinence du kri-
geage lognormal pour la prévision spatiale. Il soutient que la propriété d’absence de biais
de sa prévision provient d’une surestimation de la majorité des valeurs régionalisées
compensée par une sous-estimation de quelques valeurs plus grandes. Il conseille donc
d’utiliser avec précaution cette méthode.
Chapitre 4. Théorie du krigeage 45

Krigeage trans-gaussien

Plus généralement, Cressie (1993, p.137) propose une formule de prévision qui sup-
pose que la fonction aléatoire transformée est Y (s) = φ−1 (Z(s)) pour tout s ∈ D
où φ est une fonction deux fois différentiable choisie telle que Y (·) soit gausienne. La
prévision s’écrit :

Ẑ(s0 ) = φ(Ŷ (s0 )) + φ00 (µ̂Y ){σY2 (s0 )/2 − `Y }

où Ŷ (s0 ) est la prévision de Y (s0 ) par krigeage ordinaire, σY2 (s0 ) est la variance de cette
prévision, `Y est le lagrangien intervenant dans la résolution des équations du krigeage
ordinaire sur les Y (si ) = φ−1 (Z(si )), i ∈ V (s0 ) et µ̂Y = 1tn0 Σ−1 t −1
Y Y /(1n0 ΣY 1n0 ). Il est
bien mis en évidence par cette formule que l’analyse variographique doit être effectuée
sur les données transformées. Cette prévision se base sur un développement en série
Taylor de φ(Y (s)) autour de µY , l’espérance de Y (s). Elle approximativement sans
biais pour σY2 (s0 ) petit. Les détails de la démarche menant à cette prévision peuvent
être trouvés dans Kozintseva (1999, p.17). Notons que pour φ(·) = exp (·), les prévisions
des krigeages trans-gaussien et lognormal sont approximativement les mêmes.

Dans la même ligne d’idées, De Olivieira et al. (1997) ont proposé un modèle bayésien
trans-gaussien. Ce modèle ne requiert pas la détermination préalable de la transforma-
tion, mais plutôt d’une famille paramétrique de transformations.

4.5.3 Géostatistique multivariable

Jusqu’à maintenant, dans ce chapitre, l’accent a été mis sur l’aspect stationnaire ou
non des différents types de krigeage. Deux branches de la géostatistique se sont des-
sinées : la géostatistique stationnaire et la géostatistique non-stationnaire. Le krigeage
simple et le krigeage ordinaire (sections 4.2 et 4.3) se classent dans la division station-
naire et le krigeage universel et le krigeage avec dérive externe (section 4.4) dans la
division non-stationnaire. Un autre classement possible des techniques géostatistiques
concerne le nombre de variables régionalisées incluses dans l’analyse. Cet aspect a
d’ailleurs été abordé à la section 2.2.6. En géostatistique univariable, une seule va-
riable régionalisée intervient dans les calculs tandis qu’en géostatistique multivariable,
plus d’une variable régionalisées est exploitée. Ainsi, le krigeage simple, le krigeage or-
dinaire et le krigeage universel se classent dans la catégorie univariable et le krigeage
avec dérive externe dans la branche multivariable.

En plus du krigeage avec dérive externe, la géostatistique multivariable comporte le

Chapitre 4. Théorie du krigeage 46

cokrigeage, brièvement présenté à la section 2.2.6. Dans cette section, nous revenons sur
cette méthode pour l’approfondir davantage. Mais avant, mentionnons qu’une interpo-
lation multivariable peut parfois être effectuée en utilisant une technique univariable.
Par exemple, des variables auxiliaires catégoriques, telles qu’un type de roche, peuvent
permettre de partitionner le champ D en strates distinctes. Dans ce cas, s’il y a suf-
fisamment de points d’observation, le krigeage peut s’effectuer à l’intérieur des strates
(Goovaerts, 1997, p.187) plutôt que sur tout le champ. Ainsi, un semi-variogramme dis-
tinct est calculé par strate et une prévision en un point est effectuée uniquement à partir
des points d’observation appartenant à la même strate. En ce qui concerne les variables
auxiliaires continues, une façon simple de les exploiter est d’effectuer un krigeage simple
avec une espérance variant localement (Goovaerts, 1997, p.190). Cette espérance, sup-
posée connue, est alors estimée en chaque point de prévision par un modèle de régression
incluant les variables régionalisées auxiliaires.

L’objectif de la géostatistique multivariable est d’améliorer les prévisions en exploi-

tant le lien entre des variables régionalisées. Les méthodes de la géostatistique multi-
variable peuvent être particulièrement utiles lorsque peu d’observations de la variable
régionalisée à interpoler sont disponibles. En pratique, il faut cependant savoir que
l’utilisation d’une de ces techniques semble pouvoir améliorer la qualité des prévisions
obtenues seulement si les corrélations entre les variables régionalisées auxiliaires et la
variable régionalisée à interpoler sont supérieures à 0.4 en valeur absolue (Asli et Mar-
cotte, 1995).

Cokrigeage

Le cokrigeage prévoit la valeur de la variable régionalisée z(·) en un point s0 par

une combinaison linéaire de la forme :
q
X X X
ẑ(s0 ) = a + λi,0 z(si ) + λi,j wj (si,j ).
i∈V (s0 ) j=i i∈V (s0 )

Les poids de cette combinaison linéaire sont choisis de façon à minimiser la variance de
l’erreur de prévision sous une contrainte de non-biais, comme en krigeage. Pour ce faire,
toutes les variables régionalisées sont modélisées par des fonctions aléatoires, même les
variables régionalisées auxiliaires. C’est d’ailleurs ce qui distingue le cokrigeage des
autres techniques de la géostatistique multivariable. Cette modélisation stochastique
permet d’exploiter, en plus des relations entre les variables régionalisées, la comporte-
ment spatial de chacune de ces variables.
Chapitre 4. Théorie du krigeage 47

Le modèle de base est maintenant (Goovaerts, 1997, p.203) :

Z(s) = µ0 (s) + δ0 (s) et Wj (s) = µj (s) + δj (s) pour tout j ∈ {1, ..., q}, s∈D

où les µj (·) sont des structures déterministes pour les espérances et les δj (·) sont
des fonctions aléatoires, chacune d’espérance nulle et conjointement stationnaires (de
deuxième ordre ou intrinsèquement) de structure de dépendance connue. La stationna-
rité conjointe (Arnaud et Emery, 2000, p.157) implique que :
Dans le cadre stationnaire d’ordre deux : Cov(δj (s), δk (s + h)) soit uniquement
fonction de h, le vecteur de translation entre les points s et s+h, pour tout couple
j, k ∈ {0, ..., q} et toute paire de points s, s + h ∈ D. Ces fonctions de covariance,
notées Cjk (h), sont nommées covariogrammes simples (j = k) et croisés (j 6= k) ;
Dans le cadre stationnaire intrinsèque : Cov[δj (s+h)−δj (s), δk (s+h)−δk (s)] soit
uniquement fonction de h, le vecteur de translation entre les points s et s+h, pour
tout couple j, k ∈ {0, ..., q} et toute paire de points s, s + h ∈ D. Ces fonctions de
covariance, notées 2γjk (h), sont nommés variogrammes simples (j = k) et croisés
(j 6= k).
La structure de dépendance spatiale de l’ensemble des fonctions aléatoires résiduelles est
donc représentée par les Cjk (h) ou par les γjk (h). Cressie (1993, p.66) note qu’il existe en
fait deux généralisations du semi-variogramme au cas multivariable. Au lieu de la fonc-
tion γjk (·) introduite précédemment, certains utilisent la fonction πjk (h) = 21 V ar(δj (s +
h) − δk (s)), que Wackernagel (2003, p.149) nomme pseudo semi-variogramme croisé.
L’analyse variographique précédant un cokrigeage doit inclure l’estimation et la mo-
délisation des covariogrammes, ou des (pseudo) semi-variogrammes, pour tout j, k ∈
{0, ..., q}. Cette tâche s’avère souvent complexe. Comme dans le cas univariable, seuls les
modèles assurant la positivité de la variance de toute combinaison linéaire de variables
aléatoires sont admissibles. Les « modèles linéaires de corégionalisation » garantissent
cette positivité. Ils sont donc fréquemment utilisés dans la pratique du cokrigeage. Le
lecteur est référé à Goovaerts (1997, p.109), Wackernagel (2003, p.145) ou Arnaud et
Emery (2000, p.157) pour plus d’informations sur ces modèles ou sur tout autre aspect
de l’analyse variographique menant au cokrigeage.

Comme pour le krigeage, les versions simple, ordinaire et avec modèle de tendance du
cokrigeage ont été développées. Le type de cokrigeage dépend de la forme des fonctions
µj (·) pour j ∈ {0, ..., q} de la même façon qu’en krigeage. La résolution des équations
de cokrigeage ne sera pas présentée dans ce mémoire. Hoef et Cressie (1993) ainsi que
Matheron (1970, p.187) le font pour le cokrigeage avec modèle de tendance. Goovaerts
(1997, p.204) soulève cependant que ce type de cokrigeage est très difficile à implan-
ter, particulièrement en raison du biais dans l’estimation des covariogrammes ou des
semi-variogrammes sur les résidus. Ce problème, traité dans la section 4.4 pour le kri-
geage, devient encore plus sévère dans le cas multivariable. L’utilisation du cokrigeage
Chapitre 4. Théorie du krigeage 48

simple ou ordinaire est donc plus recommandé. Goovaerts (1997, p.203), Wackernagel
(2003, p.159) ainsi que Arnaud et Emery (2000, p.182) présentent ces types de cokri-
geage. Notons que plusieurs variantes de formules de prévision peuvent être obtenues
en cokrigeage ordinaire dépendamment des contraintes de non-biais choisies (Isaaks et
Srivastava, 1989, p.403).

En plus d’être la seule méthode géostatistique multivariable à tenir compte du

comportement spatial des variables régionalisées auxiliaires, le cokrigeage est la seule
méthode qui n’exige pas une connaissance exhaustive de ces variables auxiliaires. En
effet, une technique telle que le krigeage avec dérive externe a besoin, pour chaque va-
riable régionalisée auxiliaire, de données aux points d’observation s1 à sn de la variable
régionalisée à interpoler et en tous les points pour lesquels une prévision est désirée.
Le cokrigeage n’a pas de telles contraintes. Les sites d’observation de chaque variable
régionalisée auxiliaire peuvent être localisés n’importe où sur le champ D. Cependant, le
cokrigeage a plus de chance de bien performer comparativement au krigeage s’il y a plus
d’observations des variables régionalisées auxiliaires que de la variable régionalisée à in-
terpoler et que ces observations ne sont pas toutes mesurées aux mêmes sites. De plus,
dans le cas où les variables auxiliaires son connues exhaustivement, le cokrigeage semble
interpoler mieux que le krigeage avec dérive externe seulement lorsque les corrélations
entre les variables auxiliaires et la variable à interpoler sont supérieures à 0.75 (Asli et
Marcotte, 1995).

4.5.4 Autres types de krigeage

En plus du krigeage simple, du krigeage ordinaire et du krigeage avec modèle de

tendance, plusieurs autres types de krigeage ont été développés dans la littérature. Ils
ont comme motivation l’amélioration des faiblesses du krigeage classique. Certaines de
ces méthodes sont mentionnées ici.

Méthodes résistantes aux données extrêmes

Le krigeage classique étant assez sensible aux données extrêmes, des versions ro-
bustes du krigeage ordinaire et du krigeage universel ont été développées.

Krigeage robuste : Proposé par Hawkins et Cressie (1984), le krigeage robuste repré-
sente une solution de rechange au krigeage ordinaire. L’idée derrière cette méthode
Chapitre 4. Théorie du krigeage 49

est de diminuer le poids des données extrêmes attribuables à une distribution non
gaussienne des données. Cressie (1993, p.144) présente cette technique.
Krigeage « median polish » : Le krigeage universel possède aussi sa version ro-
buste : le krigeage « median polish » Cressie (1984, 1986). Cette méthode est
spécialement adaptée aux données se présentant sur une grille dans le plan, qui
sont alors vues comme un tableau de fréquences.

Géostatistique non stationnaire

Le krigeage avec modèle de tendance n’est pas le seul à entrer dans la catégorie non
stationnaire. Des généralisations de ce krigeage ont fait place à d’autres techniques.

Krigeage bayésien : Une modélisation autre que celle du krigeage avec modèle de
tendance est de considérer la fonction de variation à grande échelle µ(·) aléatoire
plutôt que déterministe. Les paramètres de cette fonction deviennent alors des
variables aléatoires qui sont associées à des loi à priori. C’est l’idée de base du
krigeage bayésien, proposé par Omre (1987) afin de permettre l’introduction de
connaissances à priori dans la prévision par krigeage.
Krigeage intrinsèque généralisé : Le biais dans l’estimation du semi-variogramme
en krigeage avec modèle de tendance a mené Matheron (1973) à proposer le kri-
geage intrinsèque généralisé. Chauvet (1999, p.177) présente cette méthode, qui
fait intervenir des fonctions aléatoires plus complexes que celles stationnaires de
second ordre ou intrinsèque ainsi qu’un outil structural autre que le semi-vario-
gramme appelé covariance généralisée.

Géostatistique non linéaire

Tel qu’expliqué à la section 4.5.1, la linéarité des prévisions par krigeage implique
que celui-ci accomplisse parfois de mauvaises performances lorsque les données sont
loin d’être normales. La géostatistique non linéaire (Cressie, 1993, p.278) propose des
solutions à ce problème.

Krigeage d’indicatrices : Le krigeage d’indicatrices, suggéré par Journel (1983), per-

met d’estimer la probabilité que la fonction aléatoire Z(·) dépasse un certain seuil,
et ce pour plusieurs seuils prédéterminés. Ainsi, une estimation de la fonction de
répartition de la variable aléatoire à interpolée Z(s0 ) est obtenue. L’espérance
Chapitre 4. Théorie du krigeage 50

de la variable aléatoire peut ensuite être estimée à partir de cette distribution

empirique.
Krigeage disjonctif : Le krigeage disjonctif cherche à trouver la prévision optimale de
P 0
la forme ni=1 fi (Z(si )), soit une combinaison linéaire de fonctions des données
plutôt que des données elles-mêmes. Pour ce faire, une connaissance de la dis-
tribution bivariée des données est requise. Ce type de krigeage, d’un niveau
mathématique élevé, est dû à Matheron (1976). Rivoirard (1994) explicite la
méthode, qui est très exigeante en terme de conditions de stationnarité et de
ressources informatiques.

4.6 Conclusion du chapitre

Ainsi, le krigeage consiste simplement en une prévision linéaire sans biais à variance
minimale. La résolution d’un système d’équations conforme aux hypothèses du modèle
permet d’obtenir une prévision par krigeage. Cependant, cette prévision a tendance a
moins bien performer dans certaines circonstances telles la non normalité des données
ou lorsque les données sont peu nombreuses.

Seule l’interpolation spatiale ponctuelle a été traitée dans ce chapitre. Notons que
la théorie pour effectuer par krigeage une prévision sur une sous-région du champ D est
développée dans la littérature. Il s’agit du krigeage par bloc (Goovaerts, 1997, p.152).

Passons maintenant de la théorie à la pratique. Une méthodologie de mise en oeuvre

du krigeage est explicitée et illustrée dans le prochain chapitre.
Chapitre 5

Mise en oeuvre du krigeage

Maintenant que le krigeage a été défini, penchons-nous sur la question : comment

effecter un krigeage en pratique ? Ce chapitre présente une démarche d’utilisation du
krigeage et aborde la question du support informatique à employer. Ensuite, un jeu
de données à interpoler est décrit et une partie de ce jeu de données est traitée afin
d’illustrer la démarche proposée.

5.1 Méthodologie géostatistique

Tel que l’indique Cressie (1993, p.289), la mise en oeuvre du krigeage s’effectue
en suivant certaines étapes. La première est l’analyse exploratoire qui permet de se
familiariser avec les données et d’éclairer le choix du modèle. Ensuite, le modèle peut
être énoncé. Cette deuxième étape inclue le choix de la forme de la tendance déterministe
pour l’espérance de Z(·), l’analyse variographique, puis une validation croisée si désirée.
Cette dernière sous-étape permet de comparer la performance de différents modèles
afin de sélectionner celui susceptible de mener aux meilleures prévisions. Finalement,
l’interpolation est effectuée par krigeage. La figure 5.1 schématise cette démarche. La
flèche courbe reliant la validation croisée à la détermination de µ(·) illustre le fait que
les étapes de la formulation du modèle peuvent être reprises afin de comparer plusieurs
modèles. Chacune des étapes sont vues plus en détails dans les paragraphes suivants.
Chapitre 5. Mise en oeuvre du krigeage 52

1- ANALYSE EXPLORATOIRE

2- FORMULATION DU MODÈLE

a) Détermination de µ(.)

b) Analyse variographique

c) Validation croisée

3- KRIGEAGE

Fig. 5.1 – Méthodologie géostatistique

5.1.1 Analyse exploratoire

Comme dans toute analyse statistique, il est bon de débuter nos travaux par une
analyse exploratoire des données. Isaaks et Srivastava soulignent l’importance de cette
étape en lui consacrant pratiquement le tiers de leur livre Applied Geostatistics (1989,
p.10 à p.183). Tel que le font Isaaks et Srivastava, cette étape préliminaire sera présentée
ici en la divisant en trois volets : un volet univarié, un volet bivarié et un volet spatial.

Description univariée :

L’analyse exploratoire vise à donner une idée de la distribution des données. Rap-
pelons qu’en géostatistique, les données sont considérées comme une réalisation par-
tielle d’une fonction aléatoire. Ainsi, chaque donnée serait une observation d’une va-
riable aléatoire différente et chaque variable aléatoire aurait sa propre distribution.
L’échantillon de données serait donc multivarié. Toutefois, l’analyse exploratoire est ha-
bituellement débutée en oubliant cette hypothèse de base et en considérant les données
comme plusieurs réalisations d’une même variable aléatoire. Des statistiques descriptives
univariées telles la moyenne et la variance expérimentale ainsi que des outils graphiques
Chapitre 5. Mise en oeuvre du krigeage 53

tels l’histogramme et le diagramme en boı̂te peuvent alors être utilisés afin de se fa-
miliariser avec la distribution de la variable aléatoire. Si cette distribution ne semble
vraiment pas être gausienne, une transformation de variable peut être envisagée. La
transformation la plus adéquate sera donc recherchée. Cette tâche peut être accomplie
par une méthode d’essais/erreurs ou encore en utilisant des techniques proposées par
Box et Cox (1964). Si une transformation est choisie, le reste de l’analyse exploratoire
devrait être effectuée sur les données transformées.

Description bivariée :

Lorsqu’une variable régionalisée auxiliaire est disponible, il est conseillé de l’étudier

avec les outils énumérés dans le paragraphe précédent, mais il est particulièrement
important d’examiner sa relation avec la variable régionalisée d’intérêt. Pour ce faire,
il est aussi supposé que cette variable régionalisée auxiliaire est une réalisation d’une
variable aléatoire plutôt que d’une fonction aléatoire. Dans ce cas, le lien entre la variable
aléatoire auxiliaire et la variable aléatoire à l’étude peut être décrit par un diagramme
de dispersion, par des mesures d’association entre deux variables telles une corrélation,
ainsi que par régression simple classique. Dans le cas où plusieurs variables régionalisées
auxiliaires sont disponibles, des corrélations conditionnelles et la régression multiple
peuvent être employées.

Toutes ces techniques requièrent des couples de données aux points d’observation
s1 à sn . Si certaines variables régionalisées auxiliaires n’ont pas été observées en ces
points, une interpolation spatiale est préalablement effectuée afin de prévoir ces valeurs
régionalisées. Une simple technique déterministe, telle une méthode barycentrique, est
habituellement employée pour effectuer cette tâche. Les données interpolées obtenues
seront ensuite nécessaires à la résolution des équations du krigeage si le krigeage avec
dérive externe est choisi.

Description spatiale :

En se rappelant maintenant que les observations sont en fait multivariées, les va-
riables régionalisées peuvent être explorées spatialement. Cette analyse descriptive est
particulièrement importante pour la variable régionalisée à interpoler. Les données
peuvent d’abord être visualisées à l’aide de graphiques 3D ou de cartes de courbes
de niveaux. Ces outils graphiques aident notamment à juger si l’espérance de la fonc-
tion aléatoire modélisant la variable régionalisée peut être vue comme une fonction
Chapitre 5. Mise en oeuvre du krigeage 54

constante. La présence de valeurs fortement différentes les unes des autres indiquerait
que ce n’est pas le cas. Ainsi, la stationnarité du premier moment est étudiée par ces
graphiques.

Cette stationnarité peut aussi être examinée à l’aide d’une fenêtre mobile s’il y a
assez de données (Isaaks et Srivastava, 1989, p.46). Cette fenêtre mobile est simplement
un outil qui permet de délimiter des sous-régions du champ qui peuvent se chevaucher.
Pour chacune de ces sous-régions, des statistiques descriptives de base sont calculées,
telles la moyenne et la variance expérimentale. Ainsi, la stationnarité du deuxième
moment peut aussi être étudiée avec une fenêtre mobile. Par exemple, une variance
expérimentale qui augmenterait toujours en agrandissant la fenêtre suggérerait une
variance infinie, donc une hypothèse de stationnarité intrinsèque serait plus appropriée
qu’une hypothèse de stationnarité de deuxième d’ordre.

En outre, le comportement directionnel d’une variable régionalisée s’illustre par un

graphique de la variable régionalisée en fonction des coordonnées le long d’une direction
(Arnaud et Emery, 2000, p.115). Le plus souvent, deux de ces graphiques sont faits, un
pour les coordonnées en x et l’autre pour les coordonnées en y. Si les points d’un de ces
graphiques montrent une tendance autre que linéaire de pente nulle, alors l’espérance
de la fonction aléatoire à interpoler n’est certainement pas stationnaire.

La structure de dépendance spatiale que présente les données sera étudiée en profon-
deur à l’étape de l’analyse variographique. Elle peut aussi être explorée préliminairement
à l’aide de h-scatterplots (Isaaks et Srivastava, 1989, p.52 ; Arnaud et Emery, 2000,
p.117), nommés nuages de corrélation différée en français. Il s’agit de nuages de points
formés par les couples (z(si ), z(si + h)). Ils indiquent, pour un vecteur de transla-
tion donné h, si les valeurs prises aux sites séparés par h sont semblables. Lorsque les
sites d’observation ne sont pas répartis de façon régulière sur le territoire et que la
dépendance spatiale est supposée isotrope, ces graphiques de dispersion peuvent être
faits pour les couples (z(si ), z(sj )) avec |si − sj | approximativement égale à certaines
distances prédéterminées.

5.1.2 Formulation du modèle

Une bonne exploration des données est essentielle au choix du modèle. En se ba-
sant sur les résultats de cette analyse descriptive, le type de krigeage à employer peut
être choisi judicieusement et l’analyse variographique menée de façon plus éclairée.
Si plusieurs modèles sont envisagés, la validation croisée peut être utilisée afin d’en
sélectionner un. Mais avant tout, il faut déterminer si l’interpolation sera faite directe-
Chapitre 5. Mise en oeuvre du krigeage 55

ment sur la fonction aléatoire d’intérêt ou sur une transformation de celle-ci. Le plus
simple est bien sûr de travailler sur les données non transformées. Cette option est
toujours privilégiée. Cependant, un utilisateur peut choisir de travailler sur une trans-
formation des données pour améliorer la qualité de l’interpolation dans le cas d’un
important écart à la normalité. Dans ce cas, il doit toutefois s’assurer d’être en mesure
d’effectuer la transformation inverse après le krigeage.

a) Détermination de µ(·) :

Le choix de la forme de µ(·) implique l’adoption d’un type de krigeage (simple,

ordinaire, universel ou avec dérive externe) ainsi que l’écriture de la dérive lors de
la sélection d’un krigeage avec modèle de tendance. Afin d’accomplir cette tâche, il
faut d’abord déterminer si des variables régionalisées auxiliaires seront ajoutées dans
la dérive du modèle. Si oui, un krigeage avec dérive externe sera effectué. Il semble
potentiellement profitable d’employer ce type de krigeage seulement si des liens assez
forts sont trouvés lors de la description bivariée (voir section 4.5.3). Dans ce cas, il faut
définir le modèle de tendance, c’est-à-dire sélectionner les variables auxiliaires à inclure
dans le modèle et déterminer les fonctions fi (·) pour i = 0, ..., p. Ces choix se baseront
sur les analyses de régression faites lors de l’exploration des données.

Dans le cas où aucune variable régionalisée auxiliaire n’est disponible, ou que celles-
ci ne sont pas assez reliées à la variable régionalisée d’intérêt, un krigeage univariable est
sélectionné. Si l’analyse descriptive a clairement mis en évidence une non stationnarité
de l’espérance de la fonction aléatoire à interpoler, le krigeage universel est choisi. Les
fonctions fi (·) composant le modèle de tendance sont alors déterminées à l’aide des gra-
phiques de comportement directionnel. Par contre, lorsque la stationnarité du premier
moment peut être acceptée, un krigeage stationnaire est sélectionné. Si l’espérance de
la fonction aléatoire à interpoler est connue, le krigeage simple est employé, sinon le
krigeage ordinaire est utilisé.

b) Analyse variographique :

Pour compléter la formulation du modèle, l’analyse variographique est menée afin

d’estimer le semi-variogramme de la fonction aléatoire résiduelle. L’analyse variogra-
phique est réalisée après la détermination de µ(·) afin de savoir si elle se basera sur les
observations z(si ) ou sur les résidus e(si ) = z(si ) − µ̂(si ). Ainsi, si un krigeage avec
modèle de tendance a été choisi, il faut en premier lieu obtenir les résidus e(si ). Nous
Chapitre 5. Mise en oeuvre du krigeage 56

proposons d’effectuer cette tâche en suivant la démarche itérative présentée à la section

4.4. Ensuite, le semi-variogramme peut être estimé puis modélisé.

Estimation du semi-variogramme : L’utilisateur doit d’abord choisir l’estimateur

qu’il emploiera, la distance maximale d’estimation et la largeur de la fenêtre dans le cas
de données réparties irrégulièrement. Ces choix n’auront pas un très grand impact sur
l’interpolation finale. L’estimateur le plus commun est celui des moments. Un estimateur
robuste pourrait être envisagé s’il y a des données extrêmes. En outre, il est conseillé de
calculer le semi-variogramme expérimental seulement pour des distances plus petites que
la demie de la distance maximale entre deux points d’observation. Finalement, la largeur
de la fenêtre est choisie en faisant un compromis entre la quantité et la qualité des points
composant le semi-variogramme expérimental. En effet, plus la largeur de la fenêtre est
petite, plus le semi-variogramme expérimental comporte de points, mais plus ces points
sont imprécis car ils sont calculés à partir de peu de données. Idéalement, il faut s’assurer
que chaque point provienne d’un nombre suffisant de données. En conséquence, l’analyse
variographique est difficile et imprécise lorsqu’il y a peu de données.

Modélisation du semi-variogramme : L’étape de l’analyse variographique qui in-

fluence le plus le résultat final de l’interpolation est la sélection du modèle variogra-
phique. Ce choix doit idéalement tenir compte des analyses variographiques antérieures
effectuées sur des variables régionalisées modélisant le même phénomène naturel, de
l’analyse exploratoire et de l’allure du semi-variogramme expérimental. Par exemple,
une apparente discontinuité à l’origine du semi-variogramme expérimental ou une repré-
sentation 3D de la variable régionalisée présentant un comportement erratique suggère
l’ajout d’un effet de pépite dans le modèle. En outre, si l’analyse descriptive à l’aide de
fenêtre mobile a indiqué que la variance de la fonction aléatoire est infinie, les modèles
sans palier sont favorisés. Finalement, les paramètres du modèle variographique choisi
doivent être ajustés au semi-variogramme empirique. Si l’utilisateur désire automa-
tiser cet ajustement, il doit sélectionner une procédure d’estimation. Les différentes
procédures devraient mener à des estimations assez semblables. Il est bon de toujours
vérifier après coups le bon sens des paramètres estimés obtenus. Notamment, les esti-
mations d’un effet de pépite, d’une portée ou d’un palier doivent toujours être positives.

c) Validation croisée :

La validation croisée de type « leave-one-out » est fréquemment utilisée dans la

pratique géostatistique afin de comparer la qualité des prévisions provenant de divers
Chapitre 5. Mise en oeuvre du krigeage 57

modèles (Isaaks et Srivastava, 1989, p.351 ; Arnaud et Emery, 2000, p.152 ; Cressie, 1993,
p.101 ; Wackernagel, 2003, p.87). Cette technique peut être utilisée non seulement pour
comparer les modèles, mais pour en choisir un, c’est-à-dire choisir le type de krigeage
et le modèle variographique employé. La validation croisée de type « leave-one-out »
consiste à retirer une à une les observations pour ensuite les prévoir par krigeage à
partir des autres données. La prévision par validation croisée d’une observation Z(si )
sera notée Ẑ−i (si ). Des erreurs de validation croisée sont calculées en soustrayant la
valeur observée à la la valeur estimée : e−i (si ) = Ẑ−i (si ) − Z(si ). À partir de ces
erreurs, un ou des indices sont calculés (voir Myers, 1993, pour une liste d’indices
P
possibles). Souvent, l’indice de la moyenne des erreurs au carré n1 ni=1 e−i (si )2 , nommé
EQM (Erreur Quadratique Moyenne), est employé. Les avantages de cet indice sont
qu’il incorpore le biais et la variance de la distribution des erreurs et que l’absence de
division par l’écart type de krigeage évite la dépendance des résultats par rapport au
type de krigeage effectué. Un indice équivalent mais plus robuste est la moyenne ou la
médiane des erreurs en valeur absolue. Cet indice peut donc être préféré à l’EQM lors
de la présence de valeurs extrêmes. Un indice tel que l’EQM est vu comme une erreur
de prévision. On cherche donc à le minimiser. Ainsi, les étapes a) à c) de la formulation
du modèle sont effectuées pour plusieurs modèles et ceux obtenant les plus petits EQM
sont jugés meilleurs. Une façon d’automatiser le choix du modèle est donc de retenir
celui qui minimise l’EQM.

Plusieurs auteurs dénoncent l’utilisation de la validation croisée pour sélectionner

un modèle (e.g. Isaaks et Srivastava, 1989, p.514 ; Cressie, 1993, p.104 ; Goovaerts, 1997,
p.105). Ils soutiennent qu’un modèle devrait être choisi en se basant sur l’expérience
de l’utilisateur et sur les informations disponibles concernant le phénomène régionalisé
étudié. Ils n’aiment donc pas l’aspect « boı̂te noire » de la sélection d’un modèle par
validation croisée. Cependant, le caractère automatique de cette technique est parfois
requis pour certaines applications, telle que celle traitée au chapitre 6. Davis (1987)
propose une très intéressante discussion sur l’utilisation de la validation croisée en
géostatistique. Il ne rejette pas son utilisation pour automatiser la sélection d’un modèle,
mais il rappelle que le modèle choisi est simplement le meilleur parmi les modèles
envisagés et selon l’indice de validation croisée utilisé. Il n’est donc pas optimal, c’est-
à-dire le meilleur parmi tous les modèles possibles. Notons aussi que cette technique
requiert de grands temps de calculs, car pour chaque modèle, les paramètres du semi-
variogramme doivent être ajustés et une prévision par krigeage doit être effectuée en
chaque point d’observation. Ainsi, pour de très grands jeux de données, la sélection de
modèle par validation croisée n’est pas envisageable. Marcotte (1995) pousse encore plus
loin l’utilisation de la validation croisée dans la formulation du modèle. Il propose une
approche d’estimation des paramètres du modèle variographique basée sur la validation
croisée. Dans ce mémoire, cette technique n’est pas approfondie. Nous proposons plutôt
Chapitre 5. Mise en oeuvre du krigeage 58

d’estimer les paramètres du semi-variogramme par une méthode des moindres carrés
(voir section 3.5).

En fait, lorsqu’un grand nombre de données sont disponibles, la validation croisée

n’est pas nécessaire. Dans ce cas, le jeu de données peut être divisé en un jeu de données
pour l’interpolation et un jeu de données de test. La variable régionalisée est ensuite
interpolée aux sites d’observation des données de test à partir des données du premier
jeu de données. Des erreurs de prévision sont obtenues en ces sites et des indices de
validation peuvent encore être calculés. Cette technique est théoriquement mieux que
la validation croisée car les données utilisées pour la validation sont indépendantes des
données servant à effectuer l’interpolation.

5.1.3 Krigeage

Après avoir sélectionné un modèle, l’interpolation peut être effectuée. Cette étape
en est une de calculs seulement. Les prévisions et les variances de krigeage sont évaluées
pour tous les points désirés. Pour ce faire, il suffit de d’abord calculer Γ et γ 0 , ou Σ
et c0 , à partir du modèle variographique, puis de remplacer ces valeurs ainsi que les
observations de la variable régionalisée d’intérêt et des variables régionalisées auxiliaires,
s’il y a lieu, dans les expressions trouvées au chapitre 4 pour le type de krigeage choisi.

5.2 Logiciels informatiques

La pratique du krigeage n’est pas envisageable sans ordinateur. Certains choisissent

de programmer la méthode, car les calculs intervenant dans la démarche sont rela-
tivement simples. Cependant, une bonne analyse variographique requiert un support
graphique assez puissant. Il est donc certainement plus simple d’utiliser un logiciel déjà
sur le marché. Afin de trouver un logiciel géostatistique adapté à ses besoins, le site
web http://www.ai-geostats.org/ de la Commission européenne est une excellente
référence. Une grande quantité de logiciels y sont listés, décrits et comparés. Le lecteur
cherchant de l’information sur les différents logiciels géostatistiques disponibles est donc
référé à ce site web.

Un des logiciels les plus connus en géostatistique est GSLIB de Deutsch et Jour-
nel (1998). Le code source de ce logiciel peut être téléchargé gratuitement sur le site
web http://www.gslib.com/. Cependant, le livre GSLIB : Geostatistical Software Li-
Chapitre 5. Mise en oeuvre du krigeage 59

brary and User’s Guide est indispensable pour son utilisation. Ce logiciel permet d’ef-
fectuer plusieurs types de krigeage. Il est fréquemment utilisé par les chercheurs en
géostatistique. Par contre, dans ce mémoire, les calculs géostatistiques ont plutôt été
effectués avec le logiciel S-Plus (Insightful, 2004) bien connu des statisticiens. Ce logiciel
propose un module géostatistique, S+SpatialStats, qui se base sur le livre de Cressie
(1993). Ce module s’utilise facilement, mais il est assez limité, ajustant uniquement
des modèles variographiques bornés et effectuant seulement des prévisions par krigeage
ordinaire ou universel. Le logiciel Gstat (Pebesma et Wesseling, 1998), offert en librairie
S-Plus (Pebesma, 2004a), est beaucoup plus complet. Il propose plusieurs modèles va-
riographiques bornés ou non et effectue du krigeage ou du cokrigeage simple, ordinaire
ou avec modèle de tendance. Il permet aussi de faire des simulations géostatistiques et
de la validation croisée. La librairie Gstat se télécharge gratuitement à partir du site
web http://www.gstat.org. Elle est aussi offerte en extension pour le logiciel R (R
project, 2004), qui peut être vu comme une version gratuite de S-Plus. De plus, la do-
cumentation très complète de Gstat (Pebesma, 2004b, 1999) rend facile son utilisation
même si celle-ci s’effectue par la saisie de commandes. Gstat est donc un très bon logi-
ciel géostatistique accessible à tous. C’est ce logiciel, sous sa forme de librairie S-Plus,
qui a été utilisé pour effectuer les analyses de la section suivante et du chapitre 6. Ce
mémoire contient d’ailleurs à l’annexe B le programme S-Plus qui a permis d’effectuer
les interpolations au chapitre 6.

5.3 Application de l’interpolation spatiale : présen-

tation des données

À ce point-ci du mémoire, assez d’informations ont été fournies pour savoir comment
effectuer un krigeage. Le chapitre suivant traitera de l’utilisation du krigeage afin de
résoudre une problématique d’interpolation spatiale. Celle-ci concerne la préparation
d’intrants pour des modèles de simulation hydrologique. Ces modèles, qui produisent
des prévisions de débit des cours d’eau, basent leurs simulations sur les quantités de
pluie tombées. Ces données observées doivent être fournies aux modèles sur une cer-
taine grille. Par contre, la principale source de données de précipitations, soit les sta-
tions météorologiques, fournie des données ponctuelles irrégulièrement réparties sur
le territoire. Une interpolation spatiale doit donc être effectuée afin de d’estimer les
précipitations en chaque noeud de la grille.

Les données traitées au chapitre 6 ont été fournies par Hydro-Québec et Environne-
ment Canada. Il s’agit de mesures de quantités de pluie tombées provenant de 16 sta-
Chapitre 5. Mise en oeuvre du krigeage 60

tions météorologiques couvrant le bassin versant de la rivière Gatineau dans la région

de l’Outaouais au Québec. La carte des bassins versants prioritaires du Québec1 (figure
5.2) permet de situer ce bassin versant dans la province. La période de test utilisée
est le mois d’août 2003. Les données représentent toutes des précipitations cumulées
sur une période de 6 heures. Ainsi, le jeu de données comprend 124 observations par
stations pour les 124 périodes de 6 heures du mois d’août 2003. Pour chacune de ces
périodes, une interpolation spatiale est requise. En termes géostatistiques, la variable
régionalisée à interpoler par période de 6 heures est donc la pluie tombée au sol, le
champ d’étude est le bassin versant de la Gatineau et 16 valeurs régionalisées ont été
mesurées. Des observations d’une variable régionalisée auxiliaire sont aussi disponible. Il
s’agit des prévisions de pluie pour les mêmes périodes de temps fournies par un modèle
atmosphérique d’Environnement Canada nommé GEM. Pour cette variable régionalisée
auxiliaire, 234 valeurs régionalisées réparties sur une grille aux 10 km couvrant le bassin
versant de la Gatineau sont disponibles pour chaque période. L’interpolation spatiale
sera d’ailleurs effectuée en chacun des 234 points de cette grille. Cette section a pour
but de décrire les deux sources des données qui seront analysées au chapitre 6.

Notons que dans ce mémoire, la localisation d’un site est toujours exprimée en
coordonnées UTM (Tranverse de Mercator Universelle) plutôt qu’en latitude-longitude.
Les coordonnées latitude-longitude sont des mesures d’angle se basant sur la forme
sphérique de la Terre, tandis que les coordonnées UTM sont obtenues en projetant
la surface sphérique du globe sur un plan. En conséquence, l’emploi d’une distance
euclidienne est correct pour des coordonnées UTM, mais n’est pas du tout recommandé
pour des coordonnées latitude-longitude.

5.3.1 Stations météorologiques

Les précipitations observées proviennent des 16 stations localisées sur la figure 5.3.
Bien que certaines de ces stations se retrouvent légèrement à l’extérieur du champ
d’étude du bassin de la rivière Gatineau, elles sont incluses dans l’interpolation pour
augmenter le nombre de stations et parce que leur proximité par rapport au champ
d’étude signifie qu’elles permettront très probablement d’améliorer la qualité de l’inter-
polation.

À chaque station météorologique, les précipitations sont mesurées par un précipito-

mètre. Cet appareil de mesure n’est bien sûr pas parfait. Les précipitomètres qui ont
1
Source : Site internet du Ministère de l’environnement du Québec
http://www.menv.gouv.qc.ca/eau/bassinversant/bassins/carte.htm
Chapitre 5. Mise en oeuvre du krigeage 61

Fig. 5.2 – Carte des bassins versants prioritaires du Québec

fourni les observations analysées dans ce mémoire ont généralement une précision de
lecture de cumul de précipitations égale à 0.2 mm. Seuls 4 précipitomètre font excep-
tion, ceux des stations Mercier Amont, Barrière Amont, Cabonga Amont et Dozois
Est, avec une précision de lecture de cumul de 3.75 mm. Ces précipitomètres sont donc
beaucoup moins précis que les autres. De plus, Yang et al. (1999) ont mis en évidence
que le vent cause une sous-estimation des précipitations par les précipitomètres. Cette
sous-estimation, qui augmente en fonction de la force des vents, est évidemment plus
importante pour des précipitomètres très exposés aux vents. Ainsi, la qualité des ob-
servations dépend notamment du type de précipitomètre, de son exposition, de son
entretien et des conditions de vent et de température au moment de la mesure. Malheu-
reusement, cette variabilité dans la qualité des observations n’est pas prise en compte
lors des interpolations spatiales effectuées dans ce mémoire. L’emploi de techniques
de krigeage avec erreurs de mesures permettrait par contre de le faire (Cressie, 1993,
p.128).

Notons que pour certaines périodes de 6 heures, au moins une des 16 stations n’a
pas rapporté d’observations pour une raison quelconque. En fait, jusqu’à 4 données sur
Chapitre 5. Mise en oeuvre du krigeage 62

Fig. 5.3 – Localisation des 16 stations météorologiques par rapport aux limites du
bassin versant de la rivière Gatineau

16 sont manquantes pour quelques périodes. Les interpolations sont donc effectuées à
partir de 12 à 16 mesures de la variable régionalisée à l’étude. Webster et Oliver (1993)
affirment que 150 données sont nécessaires à une estimation vraiment fiable du semi-
variogramme et plus encore pour décrire l’anisotropie. Pour les données utilisées ici, il
est donc impensable d’étudier l’anisotropie de la variable régionalisée et les estimations
de semi-variogrammes sont peu précises. En conséquence, il est difficile de modéliser vi-
suellement les semi-variogrammes expérimentaux et l’emploi de la procédure de sélection
automatique du modèle variographique par validation croisée est justifiable.

5.3.2 Modèle atmosphérique GEM

La source de données auxiliaires aux stations météorologiques est le modèle nu-

mérique de prévision météorologique GEM (Global Environnemental Multi-échelles)
(Côté et al., 1998). Ce modèle atmosphérique est utilisé à Environnement Canada pour
effectuer des prévisions météorologiques à court, moyen et long terme. Les données
utilisées ici proviennent du modèle GEM régional de prévision à court terme. La version
de ce modèle employée pour générer les données analysées ici travaille sur une grille de
Chapitre 5. Mise en oeuvre du krigeage 63

24 km par 24 km. Pour obtenir les données sur la grille de 10 km par 10 km mentionnée
à la section 5.4, Environnement Canada a interpolé les sorties du modèle.

Le modèle GEM utilise comme système de référence temporel le temps UTC (Temps
Universel Coordonné). Le temps UTC est la base légale de l’heure dans le monde. Il
s’agit en fait de l’heure du méridien d’origine de Greenwich. Ce système de référence
facilite le travail sur de grands territoires traversant plusieurs fuseaux horaire. Dans la
vie de tous les jours au Québec, c’est l’heure normale de l’est (HNE) en hiver ou l’heure
avancée de l’est (HAE) en été qui est utilisé. Pour se ramener à l’heure HNE à partir
de l’heure UTC il suffit de soustraire 5 heures et pour se rammener à l’heure HAE il
faut soustraire 4 heures.

Le modèle GEM fournit des prévisions deux fois par jour : à 00 UTC et à 12 UTC.
Les prévisions du modèle GEM régional concernent les 48 prochaines heures. Ces 48
heures sont divisées en 8 périodes de 6 heures. Les variables météorologiques prévues
par GEM sont nombreuses. Une seule de ces variable est utilisée ici : les précipitations
cumulées sur des périodes de 6 heures. Étant donné que le modèle GEM fournit à toutes
les 12 heures des prévisions pour un intervalle de temps de 48 heures, des prévisions
GEM se chevauchent dans le temps. Pour chaque période de 6 heures, 4 prévisions GEM
sont disponibles. Pour illustrer cet énoncé, considérons la période entre 18 UTC le 4
août 2003 et 00 UTC le 5 août 2003. Cette période est localisée par le rectangle hachuré
sur la figure 5.4. Quatre prévisions GEM concernent cette période : la prévision émise à
00 UTC le 3 août 2003 pour la huitième période de 6 heures plus tard (P8), la prévision
émise à 12 UTC le 3 août 2003 pour la sixième période de 6 heures plus tard (P6), la
prévision émise à 00 UTC le 4 août 2003 pour la quatrième période de 6 heures plus tard
(P4), la prévision émise à 00 UTC le 4 août 2003 pour la deuxième période de 6 heures
plus tard (P2). Ainsi, un choix doit être fait parmi ces prévisions. Des spécialistes en
prévision numérique du temps avec le modèle GEM ont jugé que les prévisions les plus
exactes étaient celles effectuées pour la deuxième et la troisième période de 6 heures sui-
vant le moment de l’émission des prévisions. Les prévisions exploitées dans ce mémoire
sont donc celles associées aux intervalles P2 et P3 de chaque émission de prévisions,
soit les segments bleus de la figure 5.4. Un météorologue dirait donc que les données
auxiliaires employées dans le chapitre 6 sont les prévisions de précipitations du modèle
GEM régional 24 km 6h-18h ramenées à 10 km. Des informations sur le fonctionnement
du modèle atmosphérique GEM peuvent être trouvées sur le site internet du Service
météorologique du Canada (SMC, 2002), une division d’Environnement Canada.
Chapitre 5. Mise en oeuvre du krigeage 64

....
.
Prévisions émises à P1 P2 P3 P4 P5 P6 P7 P8
.
00 UTC le 3 août 2003
Prévisions émises à . P1 P2 P3 P4 P5 P6 P7 P8
.
12 UTC le 3 août 2003
Prévisions émises à
. P1 P2 P3 P4 P5 P6 P7 P8
.
00 UTC le 4 août 2003
Prévisions émises à . P1 P2 P3 P4 P5 P6 P7 P8
.
12 UTC le 4 août 2003

.... Temps UTC

18 00 06 12 18 00 06 12 18 00 06 12 18 00 06 12 (heures)

... 3 août 2003 4 août 2003 5 août 2003 ... (jour)

Fig. 5.4 – Schéma temporel de l’émission de prévisions par le modèle atmosphérique

GEM

5.4 Illustration de la méthodologie géostatistique

Prenons maintenant une tranche du jeu de données décrit à la section précédente

afin d’illustrer la méthodologie géostatistique présentée à la section 5.1. La période de
6 heures choisie est celle utilisée en exemple à la section précédente entre 18 UTC le 4
août 2003 et 00 UTC le 5 août 2003. En heure avancée de l’est (HAE), il s’agit de la
période du 4 août 2003 entre 14 heures et 20 heures. Voici donc, en suivant les étapes
de la figure 5.1, une analyse exploratoire de ces données, la formulation des modèles de
krigeage, puis les résultats de krigeage. Afin de comparer le mise en oeuvre de différents
types de krigeage, un krigeage ordinaire, un krigeage universel, un krigeage avec modèle
de tendance et un cokrigeage ordinaire seront effectués.

5.4.1 Analyse exploratoire

Pendant la période du 4 août 2003 entre 14 et 20 heures, le bassin versant de la

Gatineau a connu des pluies nulles à fortes dépendamment du secteur. Le tableau 5.1
présente des statistiques de base sur les données de stations et celles de GEM pour cette
période. Le modèle GEM peut parfois produire des prévisions légèrement négatives,
mêmes si ces valeurs sont impossibles en réalité. C’est ce qui est arrivé pour la période
du 4 août 2003 entre 14 et 20 heures, la valeur minimale des données GEM étant de
Chapitre 5. Mise en oeuvre du krigeage 65

-0.03. De plus, les prévisions GEM sont ici nettement supérieures aux observations des
stations avec des précipitations moyennes de 5.40 mm contrairement à 1.53 pour les
stations. Malgré cette surestimation de GEM par rapport aux stations, les données
des deux sources sont relativement reliées, avec une corrélation de 0.35. Notons cepen-
dant que cette corrélation est plus ou moins précise car elle est calculée à partir de 16
couples de données seulement. Pour obtenir ces couples de données, les valeurs générées
par le modèle GEM ont dû être interpolées aux sites où sont localisées les stations
météorologiques. Cette interpolation a été effectuée par la méthode de l’inverse de la
distance au carré, en considérant pour chaque site d’observation un voisinage d’inter-
polation constitué des quatre points de la grille du modèle GEM formant le carré dans
lequel tombe le site. Les couples de données stations-GEM seront aussi nécessaires pour
déterminer les poids de la prévision par krigeage avec dérive externe.

Source de données Min Max Moyenne Écart-type Corrélation

Stations météorologiques 0.00 9.00 1.53 2.66
0.35
Modèle atmosphérique GEM -0.03 21.13 5.40 5.56

Tab. 5.1 – Statistiques descriptives sur les données

La figure 5.5 présente les histogrammes des données. Les données des deux sources
présentent des distributions asymétriques avec des fréquences plus élevées pour les va-
leurs faibles. Cette observation est particulièrement critique pour les observations de
stations. La normalité de ces données peut être sérieusement mise en doute. Une trans-
formation logarithmique aiderait certainement à rendre plus symétrique la distribution
des données, mais cette transformation est déconseillée par plusieurs (Roth, 1998). De
plus, la librairie gstat utilisée ici pour mettre en oeuvre l’interpolation par krigeage
ne permet pas d’effectuer la transformation inverse des données après l’interpolation.
Dans l’étude présentée ici, les calculs seront donc effectués sur les données non trans-
formées. Cependant, étant donné que le krigeage est spécialement adéquat pour des
données normales (voir section 4.5.1), il est possible que ses performances laisse ici à
désirer. Notons que la distribution de données de précipitations cumulées sur un petit
intervalle de temps est souvent asymétrique en raison de la masse de données à zéro.
Pour des pas de temps annuel ou mensuel un tel problème se pose rarement, mais
plus le pas de temps est petit, plus ce problème est prononcé. Pour l’interpolation de
données de précipitations à une fine résolution temporelle comme celle de 6 heures, il
serait intéressant d’étudier la modélisation proposée par Velarde et al. (2004) qui est
spécialement adaptée aux distributions de variables non négatives avec une masse de
probabilité à zéro.
Chapitre 5. Mise en oeuvre du krigeage 66

Fig. 5.5 – Histogrammes des données

Voyons maintenant comment les données se répartissent dans l’espace. Les figures
5.6 et 5.7 présentent cette répartition spatiale en 3 dimensions et en 2 dimensions
respectivement. Afin de tracer les courbes de niveaux de la figure 5.7, les observations
des stations ont d’abord été interpolées sur les points de la grille GEM par la méthode
de l’inverse de la distance. Le graphique de gauche de la figure 5.6 contient les valeurs
des observations de stations. Parmi les 16 stations, six ont mesuré plus de 0.2 mm de
pluie. Les précipitations sont donc très localisées. Les deux plus fortes observations de
stations sont celles des stations Maniwaki et La Vérendrye. De ces figures, il ressort
que les observations de pluie les plus élevées se situent au nord-est du bassin versant.
Les deux sources de données sont en accord sur ce point. Par contre, l’autre pic de
précipitations n’est pas tout à fait situé au même endroit par les deux sources. Les
stations le situe plutôt au sud tandis que le modèle GEM le situe plutôt à l’ouest
du bassin. À partir des graphiques de gauche des figures 5.6 et 5.7, il est difficile de
tirer des conclusions sur la stationnarité de la variable régionalisée à interpoler. De
plus, le petit nombre de stations rend inutile l’étude de la stationnarité au moyen
d’une fenêtre mobile. Des graphiques de comportement directionnel pourraient peut-
Chapitre 5. Mise en oeuvre du krigeage 67

être aider. La figure 5.8 contient ces graphiques sur lesquels une droite de régression a
été tracée. Comme il avait été observé sur les figures 5.6 et 5.7, les précipitations ont
tendance à augmenter en se déplaçant vers le nord et l’est. Cependant, en moyenne
cette augmentation n’est pas si forte. À la limite, on pourrait donc juger plausible le
postulat de stationnarité de ces données.

Fig. 5.6 – Diagrammes de dispersion 3D des données

Chapitre 5. Mise en oeuvre du krigeage 68

Fig. 5.7 – Courbes de niveaux des données

Fig. 5.8 – Graphiques de comportement directionnel des données

5.4.2 Formulation du modèle

Quatre types de krigeages sont effectués ici : le krigeage ordinaire, le krigeage uni-
versel, le krigeage avec dérive externe et le cokrigeage ordinaire. Tous ces krigeages
ont été effectués avec un voisinage composé de toutes les données en raison de leur
faible nombre. Pour le krigeage et le cokrigeage ordinaire, aucun choix ne doit être fait
concernant les tendances des modèles. Il s’agit toujours de constantes inconnues. Pour
les krigeages avec modèle de tendance, des tendances linéaires ont été choisies pour mi-
nimiser le nombre de paramètres du modèle. Ainsi, la tendance est µ(s) = β0 +β1 x+β2 y
en krigeage universel et µ(s) = β0 + β1 w en krigeage avec dérive externe.
Chapitre 5. Mise en oeuvre du krigeage 69

Ensuite, l’analyse variographique est effectuée. La figure 5.9 présente les semi-
variogrammes expérimentaux pour le krigeage ordinaire, le krigeage universel et le
krigeage avec dérive externe. Ces variogrammes sont très semblables. Ainsi, il semble
qu’estimer le semi-variogramme sur les résidus ou sur les données brutes n’influence pas
beaucoup l’allure du semi-variogramme. En cokrigeage, en plus des semi-variogrammes
simples pour les données de stations et les données du modèle GEM, le semi-variogramme
croisé entre ces données doit être calculé. La figure 5.10 présente ces semi-variogrammes.
Celui des données GEM est beaucoup plus structuré que celui des stations. Cette obser-
vation est peu étonnante car le modèle GEM est déterministe. La figure 5.10 contient
aussi les modèles variographiques ajustés aux semi-variogrammes expérimentaux. Ces
modèles sont de la forme linéaire sans palier et sans effet de pépite car des modèles
plus complexes sont difficiles à ajuster avec la librairie gstat de S-Plus. Sur le semi-
variogramme croisé de la figure 5.10, il ressort cependant qu’un modèle avec effet de
pépite aurait été plus juste. Les trois modèles forment un modèle linéaire de corégiona-
lisation, ce qui assure la positivité des variances tel que mentionné à la section 4.5.3.

Fig. 5.9 – Semi-variogrammes expérimentaux estimés en vue du krigeage ordinaire, du

krigeage universel et du krigeage avec dérive externe

Fig. 5.10 – Semi-variogrammes simples et croisé estimés en vue du cokrigeage ordinaire

accompagnés des droites les modélisant
Chapitre 5. Mise en oeuvre du krigeage 70

Pour les autres types de krigeage, le modèle variographique est choisi par valida-
tion croisée. Ainsi, plusieurs modèles sont ajustés et ensuite comparés. Pour illustrer
cette étape, la figure 5.11 présente les ajustements des sept modèles testés pour le kri-
geage ordinaire. Ces sept modèles sont ceux présentés à la section 3.5. Il est difficile de
sélectionner à l’oeil le meilleur modèle. La validation croisée facilite le travail. Elle a ici
sélectionné le modèle sphérique.

Fig. 5.11 – Modélisation du semi-variogramme estimé en vue du krigeage ordinaire

La figure 5.12 représente les surfaces d’interpolation qui sont obtenues avec les
différents modèles. Le modèle pépitique donne une surface plane en krigeage ordinaire
car il revient à une régression classique et le modèle de tendance est ici une constante.
Les modèles sphérique, exponentiel et pépitique ont une allure relativement semblable
dans la figure 5.11. En conséquence, ils produisent des surfaces d’interpolations qui se
Chapitre 5. Mise en oeuvre du krigeage 71

Fig. 5.12 – Comparaison des surfaces d’interpolation obtenues avec les différents
modèles variographiques
Chapitre 5. Mise en oeuvre du krigeage 72

ressemblent. La surface produite avec le modèle gaussien ressemble aussi à ces surfaces,
mais elle comporte des pics plus élevés. Finalement, l’utilisation d’un modèle linéaire
sans palier plutôt qu’avec palier a pour effet de lisser davantage la surface d’interpola-
tion.

5.4.3 Krigeage

Une fois le modèle spécifié, l’interpolation peut être effectuée. Les surfaces d’interpo-
lation obtenues des différents types de krigeage effectués sont présentées dans la figure
5.13 et le tableau 5.2 contient des statistiques descriptives sur ces valeurs interpolées.
On remarque tout de suite que les méthodes multivariables produisent de plus grandes
valeurs interpolées, ce à quoi on s’attendait étant donné que les données GEM ont
tendance à être plus élevées que les données de stations. Le cokrigeage accorde plus
d’importance aux données GEM que le krigeage avec dérive externe. En effet, la sur-
face d’interpolation qu’il produit ressemble beaucoup aux données GEM tandis que la
surface du krigeage avec dérive externe se rapproche plus des données de stations. En
outre, le krigeage ordinaire et le krigeage universel produisent des valeurs interpolées
très semblables.

Méthodes d’interpolation Min Max Moyenne Écart-type

Krigeage ordinaire 0.00 5.99 1.82 1.48
Krigeage universel 0.00 6.00 1.79 1.42
Krigeage avec dérive externe 0.00 7.67 1.94 1.81
Cokrigeage ordinaire 0.00 11.84 2.24 3.19

Tab. 5.2 – Statistiques descriptives sur les valeurs interpolées

On peut se demander maintenant laquelle de ces méthodes produit les meilleures

prévisions. Il n’y a pas de réponse absolue à cette question. Pour y répondre, il faut
d’abord déterminer un critère de performance. Si on choisit comme critère la minimi-
sation de l’EQM de validation croisée, alors la meilleure méthode est ici le krigeage
ordinaire avec un EQM de 7.40, comparé à 9.86 pour le krigeage universel, 10.59 pour
le krigeage avec modèle de tendance et 9.43 pour le cokrigeage ordinaire.
Chapitre 5. Mise en oeuvre du krigeage 73

Fig. 5.13 – Comparaison des surfaces d’interpolation obtenues des différents types de
krigeage

5.5 Conclusion du chapitre

Ce chapitre a présenté une méthodologie géostatistique qui fut illustrée à l’aide de

données de précipitations cumulées sur une certaine période de temps. Le chapitre sui-
vant s’intéresse non plus à l’interpolation des données pour une seule période, mais
à l’interpolation automatisé des données pour toute période de temps. Le chapitre 6
constitue en fait l’intégrale d’un article rédigé pour les actes du colloque Géomatique
2004 par Baillargeon et al. (2004). On y compare l’efficacité de quatre types de krigeage
à deux techniques de régression locale (voir section 2.2.5) et à la méthode de l’inverse de
la distance (voir section 2.2.1) afin d’interpoler les données de précipitations. Pour assu-
rer son autosuffisance, cet article contient une brève description théorique du krigeage
et de la régression locale. Ces descriptions peuvent être vues comme des résumés des
sections 2.2.6 et 2.2.5. De plus, l’article étant contraint de respecter certaines limites
Chapitre 5. Mise en oeuvre du krigeage 74

de longueur, sa présentation est la plus synthétique possible. Dans ce mémoire, cer-

tains aspects de l’article sont approfondis davantage. C’est le cas de la description des
données qui fut détaillée à la section 5.3. La conclusion du mémoire contient également
une discussion qui situe l’article du chapitre 6 par rapport à la littérature en interpola-
tion de données de précipitations. Finalement, on retrouve en annexe un complément
d’analyse des résultats du chapitre 6 et une copie du programme S-Plus qui a permis
d’effectuer l’interpolation.
Chapitre 6

Interpolation statistique
multivariable de données de
précipitations dans un cadre de
modélisation hydrologique

Un article de Sophie BAILLARGEON, Jacynthe POULIOT, Louis-Paul RIVEST, Vin-

cent FORTIN et Josée FITZBACK présenté dans le cadre du colloque Géomatique
2004 : un choix stratégique qui s’est tenu à Montréal les 27 et 28 octobre 2004.

Résumé
Divers organismes québécois responsables de la gestion de l’eau se servent
de modèles hydrologiques pour simuler et prévoir le débit des rivières. Les
champs de précipitations observés donnés en entrée à ces modèles sont ob-
tenus par interpolation spatiale des données de stations météorologiques.
Cependant, la faible densité du réseau de stations rend les valeurs inter-
polées incertaines. Pour améliorer la qualité de cet intrant, l’intégration
de nouvelles sources de données est envisagée. Dans le cadre d’un projet
de maı̂trise, des méthodes statistiques d’interpolation spatiale multivariable
ont été étudiées. Une première comparaison théorique a permis d’établir que
les techniques de régression locale et de krigeage étaient les plus promet-
teuses pour produire l’intrant des précipitations observées. Des variantes
de ces techniques ont été testées par validation croisée et à l’aide de si-
mulations hydrologiques. Les données de test provenaient de 16 stations
météorologiques localisées sur le bassin versant de la rivière Gatineau pour
Chapitre 6. Interpolation statistique multivariable de données de précipitations 76

le mois d’août 2003. Les précipitations prévues par le modèle numérique

de prévision météorologique GEM (Environnement Canada) ont été uti-
lisées comme variable auxiliaire. Finalement, l’approche proposée consiste à
interpoler les données, pour un temps donné, par la technique parmi celles
examinées qui produit les plus petites erreurs de validation croisée. Les tests
indiquent que cette approche accomplit d’aussi bonnes performances que la
méthode de l’inverse de la distance

Abstract
Various organizations in charge of water management in Quebec use hydro-
logical models to simulate and forecast rivers discharge. The observed preci-
pitation fields given as input for those models are obtained by spatial inter-
polation of weather stations data. However, the low density of the station’s
network causes noisy interpolated values. To improve the quality of this
input, the integration of new data sources is considered. For the purposes
of a master’s degree, multivariable statistical methods for spatial interpola-
tion were studied. A preliminary theoretical comparison led to the conclu-
sion that the local regression techniques and the kriging techniques were
the most promising to produce the input of observed precipitation fields.
Consequently, variants of these techniques were tested by cross-validation
and hydrological simulations. The test data came from 16 weather stations
located in the Gatineau watershed for August 2003. Precipitation forecasts
generated with the numerical weather prediction model GEM (Environment
Canada) were used as an auxiliary variable. Finally, the proposed approach
consists in interpolating data, for a given period, by the technique among
the examined ones which produces the smallest cross-validation errors. The
tests suggest that this approach performs as well as the inverse distance
method.

6.1 Introduction de l’article

En hydrologie, les précipitations tombées représentent une information indispensable

car elles sont la source de l’apport en eaux aux rivières. Des prévisions de débit de cours
d’eau se basent donc sur ces données. Ainsi, les précipitations observées constituent l’un
des intrants aux modèles hydrologiques de prévision et de simulation (CEHQ, 2004). De
tels modèles sont employés par des organismes comme Hydro-Québec et le Ministère de
l’environnement du Québec afin de maximiser la production hydroélectrique québécoise
tout en minimisant les risques de catastrophes hydrologiques telles que des inondations.
Chapitre 6. Interpolation statistique multivariable de données de précipitations 77

Actuellement, les données de précipitations observées fournies aux modèles pro-

viennent uniquement des stations météorologiques situées sur les bassins versants à
l’étude. Toutefois, la densité du réseau de stations sur le territoire du Québec est faible.
Par exemple, le bassin versant examiné dans cet article, celui de la rivière Gatineau,
est étudié à partir de 16 stations pour une superficie de 21400 km2 . De plus, le mau-
vais fonctionnement d’un certain nombre de précipitomètres est fréquent. La difficulté
d’effectuer la maintenance en hiver en est une cause. Le nombre de stations fournissant
des données est donc souvent en deçà du nombre total de stations disponibles sur le
territoire. Il faut également souligner que la qualité des mesures prises par certains de
ces précipitomètres peut être mise en doute. Notamment, la localisation de certaines
stations a été choisie pour leur accessibilité et non pour leur exposition adéquate. En
conséquence, ces stations ont tendance à sous-estimer les précipitations à cause du vent.
Ainsi, les précipitations observées données en intrant aux modèles hydrologiques pro-
viennent d’un petit nombre de mesures ponctuelles de fiabilité variable. En outre, les
modèles ne traitent pas directement les observations ponctuelles des stations. Ces ob-
servations doivent d’abord être interpolées sur une grille couvrant le bassin versant. De
cette interpolation découle donc une incertitude supplémentaire.

Des intrants de précipitations observées plus fiables et précis permettraient d’obte-

nir des prévisions plus justes des modèles hydrologiques, d’où une meilleure gestion de
l’eau. Cette amélioration serait certainement obtenue en augmentant la densité et la
fiabilité du réseau de stations météorologiques au sol. Cependant, cette solution s’avère
très coûteuse. Il est plus réaliste de miser sur le perfectionnement de la méthode em-
ployée pour effectuer l’interpolation et l’intégration de nouvelles sources de données.
Les sources de données envisagées sont les modèles numériques de prévision du temps,
les radars météorologiques au sol et la télédétection.

Dans le cadre d’un projet de maı̂trise réalisé à l’Université Laval, des méthodes
statistiques d’interpolation spatiale multivariable pouvant résoudre cette problématique
ont été étudiées. Ce projet visait d’abord à recenser et comparer théoriquement les
méthodes. Les techniques de régression locale et de krigeage sont ressorties comme
étant prometteuses et assez simples à implanter. La section 2 de cet article comporte
une brève introduction à ces méthodes. Ensuite, le projet avait pour but de comparer
la performance des méthodes choisies pour interpoler des données de précipitations.
Les travaux visant l’atteinte de cet objectif ont finalement mené au développement
d’une démarche qui semble fournir des prévisions de précipitations un peu plus justes
que celles obtenues de la méthode témoin de l’inverse de la distance. De plus, cette
approche permet d’intégrer à l’interpolation des données provenant d’autres sources
que les stations météorologiques. Les données sur lesquelles cette étude a été menée
sont décrites à la section 3. Ensuite, la méthodologie suivie est détaillée à la section 4,
Chapitre 6. Interpolation statistique multivariable de données de précipitations 78

puis les résultats sont présentés et analysés à la section 5.

6.2 Méthodes statistiques d’interpolation spatiale

L’interpolation spatiale se définie par la prévision de la valeur d’une variable en

un site à partir de valeurs mesurées en des sites voisins. Elle peut s’effectuer par une
méthode déterministe ou stochastique. Les polygones de Thiessen, la méthode de l’in-
verse de la distance et les splines sont des exemples de méthodes déterministes (Arnaud
et Emery, 2000). Dans ce projet, ces méthodes ont été mises de côté au profit des
méthodes stochastiques, qui proposent toutes un modèle probabiliste pour formaliser le
comportement du phénomène physique à l’étude. Les surfaces de tendance, la régression
locale, le krigeage et les méthodes bayésiennes ont été recensés comme méthodes sto-
chastiques. Cependant, les surfaces de tendance ont été considérées trop simplistes pour
être approfondies. Cette méthode est en fait une régression classique reposant sur une
hypothèse d’indépendance des observations qui est rarement vérifiée avec des données
spatialisées. Les erreurs de prévision ou les tests sur les paramètres de la tendance que
la méthode permet de calculer ne sont donc pas fiables (Ripley, 1981, p.29-35). D’autre
part, bien que les méthodes bayésiennes semblent très prometteuses (Gaudard et al.,
1999), elles n’ont pas été étudiées en raison de leur complexité et des moyens à dis-
position. De plus, ces méthodes sont relativement nouvelles et peu de logiciels sur le
marché permettent de les utiliser. Ainsi, ce projet se concentre sur la régression locale
et le krigeage, qui sont ici décrits brièvement.

6.2.1 Régression locale

La régression locale est une méthode de lissage qui permet d’ajuster une surface de
régression (Cleveland et Devlin, 1988). Pour répondre à une problématique d’interpo-
lation spatiale, la variable d’intérêt est modélisée par une fonction linéaire ou quadra-
tique des coordonnées spatiales x et y. Cette fonction est ajustée par la méthode des
moindres carrés pondérés. Ce qui différencie la régression locale des surfaces de tendance
est cette pondération des données, qui est fonction de la distance géographique entre
les sites d’observation et le site pour lequel une prévision est voulue. Certains nomment
« régression pondérée géographiquement » ce type de régression locale permettant de
faire de l’interpolation spatiale (Fotheringham et al., 2002).

Pour utiliser cette technique, il faut préalablement choisir une fonction de poids et
Chapitre 6. Interpolation statistique multivariable de données de précipitations 79

spécifier la taille du voisinage. La fonction de poids détermine dans quelle mesure les
observations les plus proches ont plus d’importance dans l’interpolation. Dans ce projet,
la fonction Epanechnikov est toujours employée. Ainsi, pour effectuer une prévision au
2
point s0 = (x0 , y0 ), le poids de l’observation prise au point si = (xi , yi ) est 1 − |sh(s
0 −si |
0)
pour 0 ≤ |s0 − si |/h(s0 ) < 1, et 0 sinon. L’expression |s0 − si | représente la distance
euclidienne entre les points s0 et si , et h(s0 ) est la distance au-delà de laquelle les
observations se voient accorder un poids nul. Ainsi, h(s0 ) constitue la limite du voisinage
de s0 . Une pratique courante en régression locale est de spécifier ce voisinage par la
fraction des points d’observation que l’utilisateur désire inclure dans la prévision. Plus
cette fraction est grande, plus la surface ajustée est lisse.

En interpolation spatiale par régression locale, l’intégration de données autres que

celles de la variable d’intérêt se fait par l’ajout de variables auxiliaires dans la tendance.
Les poids des données restent cependant fonction des coordonnées spatiales seulement.

6.2.2 Krigeage

En krigeage, la valeur de la variable d’intérêt est prévue en un point par une somme
pondérée des observations ponctuelles disponibles. Les poids des données sont choisis
de façon à ce que l’interpolation soit sans biais et à variance minimale. Cette technique
a été introduite par le Français G. Matheron en 1962 (Matheron, 1962, 1963b). Il s’agit
de la première méthode d’interpolation à tenir compte de la structure de dépendance
spatiale des données. Notons que le krigeage repose sur les mêmes bases théoriques que
l’« interpolation optimale » employée en météorologie (Gandin, 1963).

Il existe plusieurs types de krigeage, qui diffèrent selon la forme postulée pour
l’espérance de la variable d’intérêt. Par exemple, lorsqu’il est supposé que l’espérance
soit constante et connue, on parle de krigeage simple. S’il est postulé que l’espérance
soit constante mais inconnue, il s’agit de krigeage ordinaire. Enfin, le krigeage univer-
sel repose sur l’hypothèse que cette espérance soit une fonction des coordonnées spa-
tiales. Ainsi, ce dernier type de krigeage n’est pas stationnaire par rapport à l’espérance
contrairement aux deux autres.

La stationnarité se définie ici par la constance de l’espérance, mais aussi par la

covariance entre deux observations qui dépend uniquement de la distance entre ces ob-
servations. Tous les types de krigeage postulent la stationnarité de la covariance, ou,
plus généralement, du semi-variogramme. Cette fonction, qui représente la structure de
dépendance spatiale des données, doit être estimée et modélisée avant d’effectuer l’in-
terpolation. La modélisation de cette fonction cause parfois des problèmes en pratique
Chapitre 6. Interpolation statistique multivariable de données de précipitations 80

car cette étape demeure difficilement automatisable.

Le krigeage propose principalement deux façons d’intégrer des variables auxiliaires :

le krigeage avec dérive externe et le cokrigeage. En krigeage avec dérive externe, il est
supposé que l’espérance de la variable d’intérêt dépende des variables auxiliaires. La
théorie de ce krigeage est en fait la même que la théorie du krigeage universel, qui com-
porte aussi une espérance non constante. Pour sa part, le cokrigeage suggère de prévoir
la variable d’intérêt par une combinaison linéaire pondérée de ses observations et des
observations des variables auxiliaires. Cette technique requiert l’étude de la dépendance
spatiale entre les variables en plus de l’étude des dépendances spatiales simples. Pour
plus de détails sur la théorie du krigeage, le lecteur est référé au livre de (Cressie, 1993).

6.3 Données de test et site d’étude

Suite à l’étude théorique, des techniques de régression locale et de krigeage ont

été testées en pratique. Les données employées pour cette expérimentation couvrent le
bassin versant de la rivière Gatineau pendant le mois d’août 2003. Tel que mentionné
précédemment, 16 stations météorologiques se situent à l’intérieur ou à proximité de ce
bassin versant d’une superficie de 21400 km2 . Ces stations appartiennent au Ministère
de l’environnement du Québec, à Environnement Canada, à Hydro-Québec ou à la
Société de protection des forêts contre le feu (SOPFEU). Les données de base de ce
projet proviennent de ces stations. Il s’agit de mesures ponctuelles de précipitations
cumulées sur 6 heures. Le graphique de gauche de la figure 6.1 permet de localiser les
stations et présente le champ moyen de précipitations observées pour une période de 6
heures en août 2003.

En plus des stations météorologiques, une autre source de données a été considérée :
le modèle numérique de prévision météorologique, ou modèle atmosphérique, GEM
(Global Environnemental Multi-échelles) d’Environnement Canada. Les données géné-
rées par ce modèle qui ont été employées dans l’interpolation sont des prévisions de
précipitations cumulées sur 6 heures. Ces données se présentent sur une grille de 10km
par 10km dont les points sont représentés sur le graphique de droite de la figure 6.1.
Ce graphique présente aussi le champ moyen des précipitations 6h prévues par GEM
en août 2003. Il indique que le modèle GEM a tendance à surestimer les précipitations
comparativement aux stations.

Les données du modèle atmosphérique GEM ont été choisies parce qu’elles étaient
facilement accessibles et qu’elles présentaient un bon potentiel. Notons cependant que la
Chapitre 6. Interpolation statistique multivariable de données de précipitations 81

Fig. 6.1 – Emplacement des stations météorologiques ainsi que des points de la grille
du modèle GEM sur le bassin versant de la rivière Gatineau et champs moyens de
précipitations observées et prévues pour une période de 6 heures en août 2003 (coor-
données spatiales UTM sur la zone 18T en km)

variable auxiliaire aurait pu provenir d’autres sources, telles que des radars météorolo-
giques au sol ou des capteurs satellitaires. Bien sûr, des traitements préalables adéquats
auraient dû être appliqués à ces données avant de les combiner aux observations des
stations.

6.4 Méthodologie

Les données décrites ci-dessus ont permis de comparer la performance de techniques

de régression locale et de krigeage pour produire l’intrant des précipitations observées
pour un modèle hydrologique. Dans ce projet, la qualité des données interpolées par les
différentes méthodes a été testée par validation croisée de type « leave-on-out » (Isaaks
et Srivastava, 1989, p.351-368). Cette technique consiste à enlever une à une les obser-
vations des stations pour ensuite les prévoir à partir des autres données. Des erreurs de
validation croisée sont ensuite obtenues en soustrayant les valeurs prédites aux valeurs
observées. Cette procédure est fréquemment utilisée dans le domaine de l’hydrologie
pour tester la performance prédictive de méthodes d’interpolation (Goovaerts, 2000;
Haberlandt et Kite, 1998). Deux techniques de régression locale et quatre techniques de
Chapitre 6. Interpolation statistique multivariable de données de précipitations 82

krigeage ont été appliquées aux données. La moitié de ces techniques sont univariables,
elles n’utilisent donc que les données des stations. Les autres sont multivariables ; elles
intègrent les données du modèle atmosphérique GEM à l’interpolation. L’utilisation de
ces deux groupes de techniques a permis d’évaluer l’apport de l’intégration des données
GEM à l’interpolation. Le tableau suivant décrit les méthodes employées :

Paramètre
Identifiant Méthode Type (krigeage : modèle variographique,
régression locale : fraction voisinage)
Régression locale par
RLxy rapport aux coordonnées univariable Sélection par validation croisée
spatiales x et y
Régression locale par
RLxyw rapport à x et y, ainsi multivariable Sélection par validation croisée
qu’à la variable auxiliaire
KO Krigeage ordinaire univariable Sélection par validation croisée
KU Krigeage universel univariable Sélection par validation croisée
Krigeage
KDE multivariable Sélection par validation croisée
avec dérive externe
CKO Cokrigeage ordinaire multivariable Linéaire sans palier

Tab. 6.1 – Description des méthodes d’interpolation employées

Dans ce projet, la sélection des paramètres de l’interpolation s’est toujours effectuée

sans intervention humaine. Ainsi, une utilisation en temps réel des méthodes proposées
pour produire les intrants à un modèle hydrologique serait envisageable. La solution
adoptée pour le cokrigeage (CKO) était de toujours ajuster le même modèle aux semi-
variogrammes expérimentaux. Le modèle linéaire sans palier a été choisi car il est le
plus simple à ajuster. Pour toutes les autres méthodes, la validation croisée était utilisée
afin d’automatiser l’étape de la sélection du modèle variographique ou de la fraction
de voisinage. En krigeage, les modèles variographiques pépitique, sphérique, exponen-
tiel, gaussien, linéaire avec et sans palier et puissance étaient en compétition. Pour la
régression locale, les fractions de voisinage possibles étaient 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 et
1. À chaque temps, le modèle ou la fraction choisi était celui qui minimisait la moyenne
des erreurs de validation croisée au carré (Erreur Quadratique Moyenne). L’indice plus
robuste de la médiane des valeurs absolues des erreurs a aussi été testé, mais il donnait
de moins bons résultats. Notons que l’utilisation de la validation croisée pour choisir
la fraction de voisinage en régression locale est répandue et approuvée (Cleveland et
Loader, 1996). Cependant, on ne peut en dire autant concernant l’utilisation de la vali-
dation croiée en géostatistique. Notamment, Isaaks et Srivastava (1989, p.514) ainsi que
Cressie (1993, p.104) soutiennent que l’expertise humaine est le meilleur outil pour la
Chapitre 6. Interpolation statistique multivariable de données de précipitations 83

modélisation du semi-variogramme et ils déconseillent l’emploi de la validation croisée

à cette étape. Pour sa part, Davis (1987) ne rejette pas l’approche. Il rappelle toute-
fois que le modèle variographique choisi par validation croisée n’est pas optimal, il est
simplement le meilleur parmi les modèles envisagés selon le critère utilisé.

Les six méthodes du tableau 6.1 ont été employées pour interpoler les données à
chaque période de temps pour laquelle il a plu. En août 2003, cela représente 92 périodes
de 6 heures sur 124. En fait, le krigeage avec dérive externe (KDE) et la régression locale
multivariable (RLxyw) n’ont pu être appliqués lorsque les données GEM étaient trop
peu variables. Ainsi, ces méthodes n’ont été utilisées que pour 63 des 92 périodes de
pluie du mois. En outre, les techniques de régression locale et de krigeage examinées
dans ce projet peuvent produire des prévisions inférieures à zéro, ce qui est inapproprié
pour une variable non négative telle qu’une quantité de précipitations. Les prévisions
négatives ont donc toujours été ramenées à zéro.

Plutôt que d’utiliser la même méthode d’interpolation à toutes les périodes de

temps, l’option de sélectionner la méthode la plus appropriée à chaque temps a été
examinée. Une septième approche a donc été testée. Celle-ci consiste à effectuer les
prévisions à un temps donné par la méthode parmi les six du tableau 1 qui minimise
la moyenne des erreurs de validation croisée au carré. Cette procédure d’interpolation
sera ici nommée « Sélection » . Haberlandt et Kite (1998) ont aussi exploité, dans un
contexte de modélisation hydrologique, l’idée d’appliquer à chaque période de temps la
méthode la plus appropriée selon un certain critère. Ils ont effectué un krigeage avec
dérive externe conditionnellement à une corrélation entre les données de stations et la
variable auxiliaire dépassant un certain seuil. Pour une corrélation inférieure au seuil,
le krigeage ordinaire était employé. Cette procédure est très logique, mais elle permet
seulement de choisir entre deux méthodes : une univariable et une multivariable. L’ap-
proche proposée ici est plus souple, permettant de choisir entre autant de méthodes
que le désire l’utilisateur. D’ailleurs, aucune procédure de ce genre ne semble avoir été
suggérée dans la littérature.

Le modèle hydrologique HYDROTEL (INRS-ETE, 1998) a été employé pour tes-

ter l’approche proposée. Ce modèle comporte un module d’interpolation de données
par la méthode de l’inverse de la distance. Cette méthode d’interpolation a donc été
choisie comme base de comparaison. Une prévision effectuée par cette méthode en un
point de l’espace est donnée par la moyenne des observations des trois stations les plus
proches avec une pondération inversement proportionnelle à la distance entre le point
d’observation et le point de prévision.

Les calculs ont tous été effectués avec le logiciel S-Plus. Les fonctions de la librairie
Chapitre 6. Interpolation statistique multivariable de données de précipitations 84

Gstat (Pebesma, 2004a) ont permis d’exécuter tous les types de krigeage.

6.5 Résultats

La figure 6.2 permet de comparer les erreurs de validation croisée des différentes
procédures d’interpolation. L’identifiant « InvDist » désigne la méthode témoin de
l’inverse de la distance. Les autres méthodes sont identifiées comme dans la section
précédente. Pour les diagrammes en boı̂te, les moustaches représentent le premier et le
neuvième décile, les contours de la boı̂te le premier et le troisième quartile, la ligne cen-
trale la médiane et le cercle la moyenne. L’indice EQM (erreur quadratique moyenne)
a aussi été ajouté à la figure 6.2. Toutes ces statistiques sont calculées à partir des
erreurs de validation croisée de toutes les stations et de toutes les périodes de temps
d’utilisation des méthodes, ce qui représente entre 900 et 1400 données environ.

Fig. 6.2 – Diagrammes en boı̂te des erreurs de validation croisée pour les techniques
d’interpolation spatiale examinées

Les lignes pointillées de la figure 6.2 mettent en évidence que les résidus de l’approche
Sélection ont tendance à être moins extrêmes que ceux de toute autre méthode. En effet,
Chapitre 6. Interpolation statistique multivariable de données de précipitations 85

le diagramme en boı̂te de Sélection possède les plus courtes moustaches. De plus, son
erreur quadratique moyenne est inférieure à toutes les autres. Par contre, la boı̂te du
diagramme en boı̂te de la méthode de l’inverse de la distance est plus petite que celle de
l’approche Sélection. Les erreurs de validation croisée de la méthode témoin sont donc
plus concentrées autour de zéro. En fait, ce grand nombre d’erreurs presque nulles est
associé aux précipitations observées de zéro millimètre de pluie. La méthode de l’inverse
de la distance reproduit bien ces observations, possiblement à cause du petit voisinage
de prévision qu’elle emploie. Dans ce projet, en krigeage, toutes les données étaient
incluses dans l’interpolation. Il serait intéressant de tester l’utilisation des techniques
de krigeage avec un voisinage restreint.

L’impact sur des simulations hydrologiques de l’emploi des méthodes Sélection et

Inverse de la distance pour interpoler les données fournies en entrée au modèle a été
évalué avec le modèle HYDROTEL. La figure 6.3 présente les débits simulés accom-
pagnés des observations de débit prises à la station hydrométrique des rapides Ceizur
sur la rivière Gatineau.

Fig. 6.3 – Débit de la rivière Gatineau aux Rapides Ceizur en août 2003

Cette figure indique que les méthodes Sélection et Inverse de la distance accom-
plissent des performances semblables. Les simulations qu’elles permettent d’obtenir
d’HYDROTEL sont toujours très rapprochées. Ainsi, pour les données de test em-
ployées, la méthode Sélection proposée ne semble pas donner de résultats significative-
ment meilleurs que la méthode de l’inverse de la distance programmée dans HYDRO-
TEL. Par contre, étant donné que les tests ont été effectués sur une courte période et un
seul bassin versant, les résultats ne sont pas généralisables à l’ensemble du territoire du
Québec. Il serait donc intéressant de refaire ces tests pour d’autres périodes présentant
Chapitre 6. Interpolation statistique multivariable de données de précipitations 86

des événements de pluie différents et d’autres bassins versants.

Approfondissons maintenant les résultats obtenus de l’approche Sélection. Comme

expliqué précédemment, à chaque période de temps cette procédure choisie une méthode
à appliquer aux données. La figure 6.4 représente les fréquences de sélection des méthodes
par l’approche Sélection.

Fig. 6.4 – Fréquences de sélection des méthodes par l’approche Sélection pour les 92
périodes de pluie d’août 2003 catégorisées selon l’intensité des précipitations

Pour la majorité des périodes (au total 57 sur 92), l’approche Sélection a choisi
d’appliquer le krigeage ordinaire (KO) aux données. Il n’est donc pas étonnant que les
erreurs de validation croisée de la procédure Sélection se distinguent peu de celles du
krigeage ordinaire dans la figure 6.2. Ces deux méthodes présentent des diagrammes
en boı̂te très semblables. Elles sont notamment les deux méthodes qui surestiment le
moins les précipitations, présentant les résidus négatifs les moins gros. En outre, il est
pertinent de se demander si l’erreur quadratique moyenne de 7.59 pour la méthode
Sélection est significativement plus petite que celle de 8.05 du krigeage ordinaire. En
fait, il n’est pas étonnant que l’approche Sélection ait un indice EQM plus petit que
toutes les méthodes du tableau 1 considérant le fait qu’à chaque période de temps la
procédure Sélection applique justement la méthode qui minimise le EQM. Ainsi, il ne se-
rait pas vraiment exact de conclure ici que l’approche Sélection accomplit de meilleures
performance que le krigeage ordinaire employé systématique. Cependant, la procédure
Sélection est définitivement plus souple, permettant d’inclure des variables auxiliaires
dans l’interpolation. Elle offre donc un bon potentiel de performance, notamment pour
des bassins versants contenant moins de stations que celui de la rivière Gatineau.
Chapitre 6. Interpolation statistique multivariable de données de précipitations 87

Concernant les deux autres méthodes univariables d’interpolation, soient la régres-

sion locale par rapport aux coordonnées spatiales (RLxy) et le krigeage universel (KU),
elles donnes des résultats relativement bons, mais elles ne ressortent pas comme étant
meilleures que la méthode de l’inverse de la distance. En effet, les moustaches de
leurs diagrammes en boı̂te sont aussi longues que celles de la méthode témoin, mais
leurs boı̂tes sont plus larges (figure 6.2). Malgré tout, une utilisation sporadique de
ces méthodes pourrait amener de bons résultats, surtout pour des périodes de pluies
assez fortes. En effet, la figure 6.4 indique que RLxy et KU sont utilisés dans l’ap-
proche Sélection respectivement 27% et 18% des périodes de précipitations moyennes
supérieures à 1 millimètre.

Comme pour les méthodes RLxy et KU, l’emploi du krigeage avec dérive externe
(KDE) ou du cokrigeage ordinaire (CKO) pour interpoler les données n’est avantageux
que s’il est effectué au bon moment. Le cokrigeage ordinaire se distingue surtout pour les
périodes de pluie très faible (précipitations moyennes inférieures à 0.1 mm). L’approche
Sélection l’utilise 22% des périodes de cette classe (figure 6.4). À l’opposé, le krigeage
avec dérive externe semble mieux performer pour des périodes de pluies fortes. La figure
4 indique que cette méthode produit les plus petites erreurs de validation croisée selon
l’indice EQM pour 18% des périodes de précipitations moyennes supérieures à 1 mm.
Cependant, il est étonnant de remarquer que les périodes de temps pour lesquelles une
de ces méthodes multivariables est choisie ne présentent pas nécessairement une forte
corrélation entre les données de stations et les données GEM. En fait, ces corrélations
sont inférieures à 0.5 pour 86% des 92 périodes de pluie. Les grandes étendues des
diagrammes en boı̂te de CKO et de KDE sur la figure 6.2 s’expliquent sûrement par ces
faibles corrélations. L’intégration à l’interpolation de variables auxiliaires plus corrélées
aux observations de stations donnerait possiblement de meilleurs résultats.

Finalement, la méthode multivariable de régression locale RLxyw ne fournit jamais

de bons résultats, qu’elle soit utilisée constamment ou sporadiquement. Elle n’est choisie
pour aucune des périodes en août 2003 par la procédure Sélection. De plus, ses erreurs
de validation croisée sont celles qui s’éloignent le plus de zéro.

6.6 Conclusion de l’article

Dans ce projet, certaines techniques de régression locale et de krigeage ont été

employées afin d’interpoler des données de précipitations. Dans une perspective de
préparation d’intrants pour un modèle hydrologique utilisé en temps réel, une procédure
a été proposée. Celle-ci consiste à sélectionner une méthode statistique de prévision
Chapitre 6. Interpolation statistique multivariable de données de précipitations 88

spatiale par validation croisée à chaque période de temps. Cette approche est plus
intéressante que de toujours employer la même technique, car elle combine les forces
des différentes méthodes. En particulier, les données de variables auxiliaires peuvent
être intégrées à la prévision par le biais d’une méthode multivariable d’interpolation
si la validation croisée indique que ce serait avantageux de le faire. Pour les données
de test du bassin versant de la Gatineau en août 2003, la méthode proposée accomplit
d’aussi bons résultats que la méthode de l’inverse de la distance. Ces méthodes ont été
comparées par validation croisée et à l’aide du modèle hydrologique de prévision et de
simulation HYDROTEL.

Rappelons qu’une seule variable auxiliaire a été employée ici : les prévisions générées
par le modèle atmosphérique GEM. Il serait intéressant d’étudier l’intégration d’autres
variables auxiliaires, qui fourniraient possiblement des résultats plus notables. L’utilisa-
tion d’une technique permettant d’exploiter la dépendance temporelle entre les périodes
de temps serait aussi une avenue intéressante, qui n’a pas été explorée dans ce projet.
Finalement, il faut noter que les méthodes examinées ici ne sont pas vraiment adaptées
à l’interpolation de variables non négatives prenant souvent des valeurs nulles, comme
les données de précipitations aux 6 heures. Une version lognormale du krigeage assure
des prévisions positives, mais cette technique est déconseillée en raison des difficultés
que la transformation inverse des prévisions présente (Roth, 1998). L’emploi d’autres
approches, notamment des méthodes bayésiennes (Banerjee et al., 2004; Velarde et al.,
2004), serait sûrement indiqué pour des données de précipitations.
Chapitre 7

Conclusion

L’article du chapitre précédent illustre une application courante du krigeage : l’in-

terpolation de données de précipitations. Avant de clore ce mémoire, une revue de la
littérature concernant ce domaine d’application est présenté dans la section suivante.
Cette revue de littérature permet de comparer les résultats obtenus dans notre article
ainsi que la méthodologie suivie pour obtenir ces résultats à ce que d’autres chercheurs
ont fait. Rappelons qu’en plus de l’examen des résultats inclus dans le chapitre 6, l’an-
nexe A présente une analyse complémentaire des résultats et l’annexe B contient le
programmes S-Plus qui a permis de faire les interpolations.

7.1 Littérature en interpolation de données de pré-

cipitations

L’interpolation spatiale de données de précipitations est une problématique sur la-

quelle un bon nombre de chercheurs se sont penchés. Les méthodes utilisées pour in-
terpoler ces données sont variées comme le démontre le projet « Spatial Interpolation
Comparison 97 » constituant un numéro de la revue en ligne Journal of Geographic
Information and Decision Analysis (http://www.geodec.org/). Les chercheurs ayant
participé à ce projet devaient interpoler des précipitations journalières mesurées par
100 stations météorologiques couvrant le territoire de la Suisse. Ils ont employé des
méthodes barycentriques (Ali, 1998), des splines (Hutchinson, 1998a,b; Saveliev et al.,
1998), la régression locale (Rajagopalan et Lall, 1998), des techniques de krigeage (At-
kinson et Lloyd, 1998; Bruno et Capicotto, 1998) et des réseaux de neurones (Demyanov
et al., 1998; Lee et al., 1998). En plus de ces méthodes, d’autres chercheurs emploient
Chapitre 7. Conclusion 90

aussi pour interpoler des données de précipitations des techniques simples de parti-
tionnement de l’espace (e.g. Dirks et al., 1998; Haberlandt et Kite, 1998; Goovaerts,
2000) et de régression classique (e.g. Kruizinga et Yperlaan, 1978; Tabios et Salas,
1985; Abtew et al., 1985), ainsi que des méthodes bayésiennes plus complexes (e.g.
Gaudard et al., 1999; Johns et al., 2001; Velarde et al., 2004). Bref, toutes les classes de
méthodes présentées au chapitre 2 se retrouvent dans la littérature sur l’interpolation de
précipitations. Les techniques qui semblent les plus fréquemment utilisées en pratique
sont les méthodes barycentriques d’inverse de la distance et les techniques classiques de
krigeage tel que le krigeage ordinaire.

Comme dans le chapitre 6 de ce mémoire, les publications concernant l’interpola-

tion de précipitations ont souvent pour but de comparer des méthodes (Kruizinga et
Yperlaan, 1978; Creutin et Obled, 1982; Tabios et Salas, 1985; Phillips et al., 1992;
Abtew et al., 1985; Dirks et al., 1998; Haberlandt et Kite, 1998; Nalder et Wein, 1998;
Goovaerts, 2000; Chegini et al., 2001; Syed et al., 2003). Lorsqu’un grand nombre de
données sont disponibles, ces comparaisons sont effectuées en divisant le jeu de données
en deux : un jeu de données pour l’interpolation et l’autre pour la validation. Cette
méthode est idéale car la validation est complètement indépendante de la formulation
des modèles. Cependant, souvent les données sont trop peu nombreuses et la compa-
raison des méthodes est plutôt faite par validation croisée comme dans le chapitre 6.
Peu importe que la validation soit indépendante ou croisée, elle permet d’obtenir des
erreurs de prévisions. Afin de cerner la meilleure méthode, c’est-à-dire celle qui pro-
duit les plus petites erreurs, la pratique usuelle est de calculer des indices à minimiser
tel l’EQM. Il serait intéressant de pouvoir faire des tests formels sur ces indices pour
comparer les méthodes de façon rigoureuse. Par exemple, pourquoi ne pas comparer les
EQM de deux méthodes en faisant un test t pairé sur les erreurs au carré ? Malheu-
reusement un tel test serait incorrect en raison de la dépendance spatiale des erreurs.
À cause de cette dépendance, aucun test simple n’est approprié. Des tests formels sont
possibles seulement dans le cas où plusieurs jeux de données pouvant être considérés
indépendants servent à tester les méthodes d’interpolation. Par exemple, Nalder et Wein
(1998) travaille sur des précipitations mensuelles et ils possèdent des données pour 12
mois consécutifs. Supposant l’indépendance temporelle entre les mois et la normalité
de leurs données, ils comparent deux méthodes d’interpolation par un test t pairé sur
les 12 couples d’indices de validation croisée. À l’annexe A, un test non-paramétrique
équivalent est effectué sur nos données pour comparer la méthode de l’inverse de la
distance à la méthode Sélection en supposant l’indépendance entre certaines périodes
de 6 heures du mois d’août 2003.

Dans la littérature, les résultats des comparaisons diffèrent d’une étude à l’autre. Les
performances des méthodes dépendent de plusieurs facteurs, notamment des résolutions
Chapitre 7. Conclusion 91

temporelle et spatiale des données, ainsi que des paramètres des modèles comme le
semi-variogramme en krigeage. Les articles répertoriés ici traitent de l’analyse de pré-
cipitations annuelles, mensuelles, journalières, horaires ou totales pour des événements
de précipitations de durées quelconques. Les densités des réseaux de stations utilisés
varient d’environ une station pour 3 km2 à une station pour 50 000 km2 . Il est donc
impossible de tirer une conclusion générale et aucune méthode ne ressort comme étant
universellement la meilleure. D’ailleurs, même à l’intérieur d’une étude, les performances
d’une méthode se démarquent rarement nettement des autres. Par exemple, Kruizinga
et Yperlaan (1978) ne préconisent l’emploi d’aucune méthode spécifique car ils n’ob-
servent pas de différences marquées entre les méthodes. D’autres auteurs recommandent
la méthode parmi les meilleures qu’ils jugent la plus pratique. Par exemple, Tabios et
Salas (1985), Abtew et al. (1985) et Syed et al. (2003) notent tous des performances
relativement équivalentes entre le krigeage ordinaire et les fonction multiquadratiques
(type de splines). Cependant, Tabios et Salas (1985) ainsi que Abtew et al. (1985) re-
commandent l’utilisation du krigeage ordinaire car il permet de calculer des erreurs de
prévision, tandis que Syed et al. (2003) choisissent d’employer les fonctions multiquadra-
tiques car ils les considèrent plus faciles d’utilisation. De même, sur un réseau dense de
stations, Dirks et al. (1998) n’obtiennent pas d’améliorations significatives des résultats
en employant un krigeage ordinaire plutôt qu’une méthode de l’inverse de la distance.
Ils recommandent donc la méthode plus simple de l’inverse de la distance. Ainsi, des
résultats comme ceux obtenus au chapitre 6 qui ne mettent pas en évidence la supériorité
de méthodes élaborées comme le krigeage sur des méthodes simples tel l’inverse de la
distance sont usuels avec des données de précipitations. En fait, cette remarque semble
se généraliser aussi à d’autres types de données. Dans une étude expérimentale sur des
données simulées, Zimmerman et al. (1999) obtiennent une meilleure interpolation avec
le krigeage ordinaire ou universel qu’avec la méthode de l’inverse de la distance seule-
ment lorsque le plan d’échantillonnage des données est régulier, le bruit est faible et la
corrélation spatiale est forte. Dans l’étude du chapitre 6, aucune de ces caractéristiques
n’est rencontrée.

Certaines études examinent des méthodes d’interpolation multivariable. Notam-

ment, Phillips et al. (1992); Nalder et Wein (1998); Goovaerts (2000) et Chegini et al.
(2001) incorporent l’élévation à l’interpolation des précipitations. Ils le font principa-
lement par splines partielles, krigeage simple avec une espérance variant localement,
krigeage ordinaire sur les résidus d’une régression des moindres carrés ordinaire (detren-
ded kriging), krigeage avec dérive externe et cokrigeage. Ces méthodes multivariables
semblent donner de meilleurs résultats que les méthodes univariables sur des régions
montagneuses à l’échelle de dizaines de milliers de km2 (Phillips et al., 1992) ou lorsque
la corrélation entre les données de stations et l’élévation est supérieure à 0.75 (Goo-
vaerts, 2000; Chegini et al., 2001). Notons que toutes ces études ont été menées sur des
Chapitre 7. Conclusion 92

précipitations annuelles ou mensuelles. Pour de plus fines résolutions temporelles, telle

qu’une résolution journalière, une forte relation entre l’élévation et les précipitations
peut être mise en doute selon Haberlandt et Kite (1998). Ces chercheurs ont analysés
des données journalières de 1986 à 1990 mesurées par 81 stations sur le bassin ver-
sant de la rivière Mackenzie dans le nord-ouest du Canada d’une superficie d’environ 1
800 000 km2 . Même s’ils observent une corrélation moyenne de 0.52 entre l’élévation
et le cumul annuel des précipitations, cette corrélation tombe à 0.06 pour les obser-
vations journalières. Ils misent donc davantage sur l’intégration à l’interpolation d’une
autre variable auxiliaire : les précipitations prévues par un modèle atmosphérique. Leurs
travaux se rapprochent donc beaucoup des nôtres. De plus, ils ont eux aussi étudié l’in-
terpolation de précipitations dans un contexte de modélisation hydrologique et ils ont
utilisé des simulations hydrologiques en plus de la validation croisée pour comparer les
méthodes testées. La seule méthode multivariable qu’ils ont examinée est le krigeage
avec dérive externe. Ils appliquent cette méthode soit à tous les pas de temps de leur
période test, soit uniquement lorsque la corrélation entre les observations des stations
et les données auxiliaires dépasse un certain seuil (0.5 ou 0.3 dépendamment de la va-
riable auxiliaire en question). Si la corrélation est trop faible, le krigeage ordinaire est
employé. Haberlandt et Kite (1998) obtiennent de meilleurs résultats en appliquant
conditionnellement le krigeage avec dérive externe plutôt qu’en l’utilisant à chaque pas
de temps. Par contre, les indices de validation croisée obtenus pour le krigeage avec
dérive externe conditionnel ne sont que très légèrement meilleurs que ceux du krigeage
ordinaire. De plus, pour les simulations hydrologiques, c’est le krigeage ordinaire qui
donne les meilleurs résultats. Leurs résultats sont donc semblables à ceux du chapitre
6 : selon la validation croisée, les méthodes multivariables apportent une amélioration à
la qualité de l’interpolation seulement si elles sont utilisées au bon moment, mais cette
amélioration ne semble pas avoir d’impact en bout de ligne sur la qualité des prévisions
hydrologiques.

7.2 Synthèse du mémoire

Après la lecture de ce mémoire, le lecteur devrait savoir ce qu’est le krigeage, com-

prendre la méthode et être capable de l’utiliser. Le krigeage a ici été présenté d’un
point de vue théorique et appliqué. Le choix de ce sujet a d’abord été justifié en compa-
rant le krigeage aux autres méthodes d’interpolation spatiale. Ensuite, les fondements
mathématiques du krigeage et de son étape préalable, l’analyse variographique, ont été
examinés et discutés. La pratique du krigeage a finalement été traitée en détaillant une
méthodologie de mise en oeuvre du krigeage et en utilisant le krigeage pour résoudre
une problématique d’interpolation spatiale. Au fil des chapitres, le krigeage a donc été
Chapitre 7. Conclusion 93

défini, approfondi, puis illustré. C’est ainsi que les objectifs du mémoire de comprendre
et de savoir utiliser le krigeage ont été rencontrés.

Il ressort de ce mémoire que le krigeage repose sur des bases mathématiques so-
lides. Ces bases sont plus rigoureuses que celles de la plupart des autres méthodes
d’interpolation. La mise en oeuvre du krigeage est cependant complexifiée par l’étape
de l’analyse variographique. Cette étape, lorsqu’effectuée tel que recommandé, requiert
l’intervention humaine. Dans une problématique telle que celle traitée au chapitre 6 où
l’interpolation doit être complètement automatisée, le krigeage pose donc un problème
méthodologique. La solution proposée ici pour résoudre ce problème est d’utiliser la
validation croisée pour sélectionner le modèle variographique. Par contre, les résultats
du chapitre 6 montrent que la complexité du krigeage n’est pas nécessairement garante
de meilleures performances en pratique par rapport à des méthodes d’interpolation plus
simples.

7.3 Travaux futurs

Afin de poursuivre les travaux de recherche présentés dans ce mémoire, les méthodes
bayésiennes d’interpolation spatiale ainsi que les différentes méthodes d’interpolation
spatio-temporelle pourraient être étudiées. Toutes ces méthodes seraient particulière-
ment intéressante à utiliser pour résoudre la problématique d’interpolation de données
de précipitations traitée au chapitre 6. L’interpolation spatio-temporelle surpasserait
possiblement l’interpolation spatiale pour de fines résolutions temporelles. En effet,
dans l’analyse d’observations d’un phénomène naturel évoluant dans le temps, plus
les intervalles de temps entre les collectes de données sont courts, plus la dépendance
temporelle entre les données a tendance à être forte. Étant donné que les outils de
collecte de données travaillent à des résolutions temporelles de plus en plus fines, la
dépendance temporelle entre les observations est de plus en plus présente dans les
données. Kyriakidis et Journel (1999) proposent une revue très complète des modèles
géostatistiques permettant d’exploiter la dimension temporelle d’un jeu de données.
Bibliographie

Abtew, W., Obeysekera, J. et Shih, G. (1985). Spatial analysis for monthly rainfall
in south florida. Water Resources Bulletin, 29(2):179–188.

Ali, A. (1998). Nonparametric spatial rainfall characterization using adaptative kernel

estimator. Journal of Geographic Information and Decision Analysis, 2(2):34–43.
Disponible en ligne : http://www.geodec.org/gida 4.htm (Page consultée le 28
avril 2005).

Arnaud, M. et Emery, X. (2000). Estimation et interpolation spatiale. Hermes Science

Publications, Paris.

Asli, M. et Marcotte, D. (1995). Comparison of approaches to spatial estimation in

a bivariate context. Mathematical Geology, 27(5):641–658.

Atkinson, P. M. et Lloyd, C. D. (1998). Mapping precipitation in switzerland with

ordinary and indicator kriging. Journal of Geographic Information and Decision
Analysis, 2(2):65–76. Disponible en ligne : http://www.geodec.org/gida 4.htm
(Page consultée le 28 avril 2005).

Baillargeon, S., Pouliot, J., Rivest, L.-P., Fortin, V. et Fitzback, J. (2004).

Interpolation statistique multivariable de données de précipitations dans un cadre
de modélisation hydrologique. Dans les actes du colloque national Géomatique
2004 de l’Association canadienne des sciences géomatiques, Montréal, 27 et 28
octobre 2004. Disponible en ligne : http://www.geomatique2004.com/fr/cnt/
conferences/popup/10327.pdf (Page consultée le 28 avril 2005).

Banerjee, S., Carlin, B. et Gelfand, A. (2004). Hierarchical Modeling and Analysis

for Spatial Data. Chapman & Hall, New York.

Box, G. E. P. et Cox, D. R. (1964). An analysis of transformations (avec discussions).

Journal of the Royal Statistical Society, 26:211–252.

Bruno, R. et Capicotto, B. M. (1998). Geostatistical analysis of pluviometric data :

Irf-k approach. Journal of Geographic Information and Decision Analysis, 2(2):127–
BIBLIOGRAPHIE 95

138. Disponible en ligne : http://www.geodec.org/gida 4.htm (Page consultée le

28 avril 2005).

Bryan, B. et Adams, J. (2002). Three-dimensional neurointerpolation of annual mean

precipitation and temperature surfaces for china. Geographical Analysis, 34(3):94–
111. Disponible en ligne : http://www.gisca.adelaide.edu.au/∼bbryan/papers/
bryan&adams 2002 geog anal nnets.pdf (Page consultée le 28 avril 2005).

Burrough, P. et McDonnell, R. (1998). Principles of Geographical Information

Systems. Oxford University Press, New York.

CEHQ (2004). Centre d’expertise hydrique du Québec : Prévisions hydrologiques et

hydrauliques. [En ligne], http://www.cehq.gouv.qc.ca/hydrometrie/prevision/
index.htm (Page consultée le 28 avril 2005).

Chauvet, P. (1999). Aide mémoire de la géostatistique linéaire. Cahiers de

Géostatistique, Fascicule 2. Ecole Nationale Supérieur des Mines de Paris, Centre
de Géostatistique, Fontainebleau.

Chegini, E., Mahdian, M., Bandarabadi, S. et Mahdavi, M. (2001). Survey on

application of geostatistical methods for estimation of rainfall in arid and semiarid
regions in south west of iran. Dans Proceedings of the 6th International Conference
on GeoComputation, University of Queensland, Brisbane, Australia.

Christakos, G. (1984). On the problem of permissible covariance and variogram

models. Water Resources Research, 20(2):251–265.

Cleveland, W. et Devlin, S. (1988). Locally weighted regression : An approach to

regression analysis by local fitting. Journal of the American Statistical Association,
83(403):596–610.

Cleveland, W. S. et Loader, C. (1996). Smoothing by local regression : Prin-

ciples and methods. Dans Härdle, W. et Schimek, M. G., éditeurs : Statisti-
cal Theory and Computational Aspects of Smoothing, pages 10–49. Physica Verlag,
Heidelberg. Disponible en ligne : http://cm.bell-labs.com/cm/ms/departments/
sia/doc/smoothing.springer.pdf (Page consultée le 28 avril 2005).

Cressie, N. (1984). Towards resistant geostatistics. Dans Verly, G., David, M.,
Journel, A. et Marechal, A., éditeurs : Geostatistics for Natural Resources Cha-
racterization, Part 1, pages 21–44. Reidel, Dordrecht.

Cressie, N. (1986). Kriging nonstationary data. Journal of the American Statistical

Association, 81(395):625–634.

Cressie, N. (1990). The origins of kriging. Mathematical Geology, 22(3):239–252.

BIBLIOGRAPHIE 96

Cressie, N. A. C. (1993). Statistics for spatial data. Wiley Series in Probability and
Mathematical Statistics : Applied Probability and Statistics. John Wiley & Sons Inc.,
New York. Revised reprint of the 1991 edition, A Wiley-Interscience Publication.

Creutin, J. et Obled, C. (1982). Objective analysis and mapping techniques for

rainfall fields : An objective comparison. Water Resources Research, 18(2):413–431.

Côté, J., Gravel, S., Méthot, A., Patoine, A., Roch, M. et Staniforth, A.
(1998). The operational cmc-mrb global environmental multiscale (gem) model : Part
i - design considerations and formulation. Monthly Weather Review, 126:1373–1395.

Davis, B. (1987). Uses and abuses of cross-validation in geostatistics. Mathematical

Geology, 19(3):241–248.

De Olivieira, V., Kedem, B. et Short, D. (1997). Baysien prediction of transformed

gaussian random fields. Journal of the American Statistical Association, 92:1422–
1433.

Demyanov, V., Kanevski, M., Chernov, S., Savelieva, E. et Timonin, V. (1998).

Neural network residual kriging application for climatic data. Journal of Geographic
Information and Decision Analysis, 2(2):215–232. Disponible en ligne : http://www.
geodec.org/gida 4.htm (Page consultée le 28 avril 2005).

Deutsch, C. et Journel, A. (1998). GSLIB : Geostatistical Software Library and

User’s Guide, 2nd edition. Applied Geostatistics Series. Oxford University Press,
New York. second edition.

Dirks, K. N., Hay, J. E., Stow, C. D. et Harris, D. (1998). High-resolution studies of

rainfall on norfolk island. part ii : The interpolation of high-spatial-resolution rainfall
data on norfolk island. Journal of Hydrology, 208:187–193.

Duchon, J. (1975). Fonctions-spline du type plaque mince en dimension 2. Rapport

technique 231, Université de Grenoble.

Duchon, J. (1976). Interpolation des fonctions de deux variables suivant le principe

de la flexion des plaques minces. Revue Française d’Automatique et de Recherche
Opérationnelle (R.A.I.R.O.) Analyse numérique, 10(R-3):5–12.

Fotheringham, A., Brunsdon, C. et Charlton, M. (2002). Geographically Weigh-

ted Regression : the analysis of spatially varying relationships. John Wiley & Sons
Ltd, Chichester.

Fuentes, M. (2000). Fitting algorithms for the semivariogram, and examples. Notes
du cours ST 810M : Spatial Statistics, Lectures 4 à 8, North Carolina State Univer-
sity, Raleigh. Disponibles en ligne : http://www4.stat.ncsu.edu/∼fuentes/st810/
lectures/lectures.html (Page consultée le 28 avril 2005).
BIBLIOGRAPHIE 97

Gandin, L. (1963). Objective analysis of meteorological fields. Gidrometeorologicheskoe

Izdatel’stvo (GIMIZ), Leningrad. (traduit en anglais par Israel Program for Scientific
Translations, Jerusalem, 1965).

Gaudard, M., Karson, M., Linder, E. et Sinha, D. (1999). Bayesian spatial pre-
diction. Environmental and Ecological Statistics, 6:147–171.

Goovaerts, P. (1997). Geostatistics for Natural Ressources Evaluation. Applied Geo-

statistics Series. Oxford University Press, New York.

Goovaerts, P. (2000). Geostatistical approaches for incorporating elevation into the

spatial interpolation of rainfall. Journal of Hydrology, 228:113–129.

Gratton, Y. (2002). Le krigeage : La méthode optimale d’interpolation spatiale. Les

Articles de l’Institut d’Analyse Géographique. Disponible en ligne : http://www.iag.
asso.fr/pdf/krigeage juillet2002.pdf (Page consultée le 28 avril 2005).

Haberlandt, H. et Kite, G. (1998). Estimation of daily space-time precipitation

series for macroscale hydrological modelling. Hydrological Processes, 12:1419–1432.

Hardy, R. L. (1971). Multiquadratic equations of topography and other irregular

surfaces. Journal of Geophysical Research, 76:1905–1915.

Hastie, T. J. et Tibshirani, R. J. (1990). Generalized additive models, volume 43 de

Monographs on Statistics and Applied Probability. Chapman and Hall Ltd., London.

Hawkins, D. M. et Cressie, N. (1984). Robust kriging—a proposal. J. Internat.

Assoc. Math. Geol., 16(1):3–18.

Helson, H. et Lowdenslager, D. (1958). Prediction theory and Fourier series in

several variables. Acta Mathematica, 99:165–202.

Helson, H. et Lowdenslager, D. (1961). Prediction theory and Fourier series in

several variables. II. Acta Mathematica, 106:175–213.

Hengl, T., Geuvelink, G. et Stein, A. (2003). Comparison of kriging with external

drift and regression-kriging. Technical note, ITC. Disponible en ligne : http://www.
itc.nl/library/Papers 2003/misca/hengl comparison.pdf (Page consultée le 28
avril 2005).

Hessami, M. (2002). Comparison of soft computing systems for the post-calibration of

weather radar. Thèse de doctorat, Université Laval, Québec.

Hida, T. (1980). Brownian Motion. Sringer-Verlgas, New York.

BIBLIOGRAPHIE 98

Hoef, J. et Cressie, N. (1993). Multivariable spatial prediction. Mathematical Geo-

logy, 25(2):219–240.

Hutchinson, M. F. (1991). The application of thin plate smoothing splines to

continent-wide data assimilation. Dans Jasper, J., éditeur : Data Assimilation
Systems, pages 104–113. Bureau of Meteorology Research Report No. 27, Bureau
of Meteorology, Melbourne.

Hutchinson, M. F. (1998a). Interpolation of rainfall data with thin plate smoothing

splines : I. two dimensional smoothing of data with short range correlation. Journal
of Geographic Information and Decision Analysis, 2(2):139–151. Disponible en ligne :
http://www.geodec.org/gida 4.htm (Page consultée le 28 avril 2005).

Hutchinson, M. F. (1998b). Interpolation of rainfall data with thin plate smoothing

splines : Ii. analysis of topographic dependence. Journal of Geographic Information
and Decision Analysis, 2(2):152–167. Disponible en ligne : http://www.geodec.org/
gida 4.htm (Page consultée le 28 avril 2005).

INRS-ETE (1998). Institut national de la recherche scientifique - Eau, Terre et En-

vironnement : Le modèle hydrologique Hydrotel. [En ligne], http://www.inrs-ete.
uquebec.ca/activites/modeles/hydrotel/fr/accueil.htm (Page consultée le 28
avril 2005).

Insightful (2004). Statistics software and data mining software. [En ligne], http:
//www.insightful.com/ (Page consultée le 28 avril 2005).

Isaaks, E. et Srivastava, R. (1989). Applied Geostatistics. Oxford University Press,

New York.

Johns, C., Nychka, D., Kittel, T. et Daly, C. (2001). Infilling sparse records of
precipitation fields. Journal of the American Statistical Association, 98(464):796–806.

Journel, A. (1983). Nonparametric estimation of spatial distributions. Journal of the

International Association for Mathematical Geology, 15(3):445–469.

Khuri, A. (1993). Advanced Calculus with Applications in Statistics. John Wiley &
Sons, Inc., New York.

Klinkenberg, B. et Waters, N. (1990). Spatial interpolation I. Dans Goodchild,

M. et Kemp, K., éditeurs : NCGIA Core Curriculum in GIS. National Center for
Geographic Information and Analysis, University of California, Santa Barbara CA.
[En ligne], http://www.geog.ubc.ca/courses/klink/gis.notes/ncgia/u40.html
(Page consultée le 28 avril 2005).
BIBLIOGRAPHIE 99

Kozintseva, A. (1999). Comparison of three methods of spatial prediction. Mémoire

de maı̂trise, University of Maryland, College Park. Disponible en ligne : http:
//techreports.isr.umd.edu/reports/1999/MS 99-12.pdf (Page consultée le 28
avril 2005).

Krige, D. (1951). A statistical approach to some basic mine valuation problems on the
witwatersrand. Journal of the Chemical, Metallurgical and Mining Society, 52:119–
139.

Kruizinga, S. et Yperlaan, G. (1978). Spatial interpolation of daily totals of rainfall.

Journal of Hydrology, 36:65–73.

Kyriakidis, P. C. et Journel, A. G. (1999). Geostatistical space-time models : a

review. Mathematical Geology, 31(6):651–684.

Lee, S., Cho, S. et Wong, P. M. (1998). Rainfall prediction using artificial neural
networks. Journal of Geographic Information and Decision Analysis, 2(2):233–242.
Disponible en ligne : http://www.geodec.org/gida 4.htm (Page consultée le 28
avril 2005).

Loader, C. (1999). Local regression and likelihood. Statistics and Computing. Springer-
Verlag, New York.

Loader, C. (2004). Smoothing : Local regression techniques. Dans Gentle, J.,

Härdle, W. et Mori, Y., éditeurs : Handbook of Computational Statistics, pages
539–564. Springer-Verlag, New York. Disponible en ligne : http://www.herine.
net/stat/papers/hbcs.pdf (Page consultée le 28 avril 2005).

Marcotte, D. (1988). Trend surface analysis as a special case of irf-k kriging. Ma-
thematical Geology, 20(7):821–824.

Marcotte, D. (1995). An experimental comparison of ordinary and universal kriging

and inverse distance weighting. Mathematical Geology, 27(5):659–672.

Matheron, G. (1962). Traité de géostatistique appliquée, Tome I. Mémoires du Bureau

de Recherches Géologiques et Minières, No.14. Editions Technip, Paris.

Matheron, G. (1963a). Principles of geostatistics. Economic Geology, 58:1246–1266.

Matheron, G. (1963b). Traité de géostatistique appliquée, II : Le Krigeage. Mémoires

du Bureau de Recherches Géologiques et Minières, No.24. Editions B. R. G. M., Paris.

Matheron, G. (1965). Les variables régionalisées et leur estimation. Masson, Paris.

Matheron, G. (1969). Le krigeage universel. Les cahiers du Centre de morphologie

mathématique de Fontainebleau, Fascicule 1. École de Mines de Paris, Fontainebleau.
BIBLIOGRAPHIE 100

Matheron, G. (1970). La théorie des variables régionalisées, et ses applications. Les

cahiers du Centre de morphologie mathématique de Fontainebleau, Fascicule 5. École
des Mines de Paris, Fontainebleau.

Matheron, G. (1973). The intrinsic random functions and their applications. Advances
in Applied Pobability, 5:439–468.

Matheron, G. (1976). A simple substitute for conditional expectation : The dis-

junctive kriging. Dans Guarascio, M., David, M. et Huijbregts, C., éditeurs :
Advanced Goestatistics in the Mining Industry, pages 221–236. Reidel, Dordrecht.

Mitášová, H. et Mitáš, L. (1993). Interpolation by regularized spline with tension :

I. theory and implementation. Mathematical Geology, 25(6):641–655.

Myers, D. (1993). Cross-validation and variogram estimation. Theory of Probability

and its Applications, 37:345–347.

Myers, D. (1994). Spatial interpolation : an overview. Geoderma, 62:17–28.

Nalder, I. A. et Wein, R. W. (1998). Spatial interpolation of climatic normals : test

of a new method in the canadien boreal forest. Agricultural and Forest Meteorology,
92:211–225.

Okabe, A., Boots, B. et Sugihara, K. (1992). Spatial tessellations : concepts and

applications of Voronoı̆ diagrams. Wiley Series in Probability and Mathematical
Statistics : Applied Probability and Statistics. John Wiley & Sons Ltd., Chichester.
With a foreword by D. G. Kendall.

Oliver, M. (2001). Determining the spatial scale of variation in environmental proper-

ties using the variogram. Dans Tate, N. J. et Atkinson, P. M., éditeurs : Modeling
Scale in Geographical Information Science, pages 193–219. Jonh Wiley & Sons, Inc.,
New York.

Omre, H. (1987). Bayesian kriging - merging observations and qualified guesses in

kriging. Mathematical Geology, 19(1):25–39.

Pebesma, E. (2004a). Multivariable geostatistics in s : the gstat package. Computers &

Geosciences, 30:683–691. Disponible en ligne : http://www.geog.uu.nl/∼pebesma/
publ/candg2004.pdf (Page consultée le 28 avril 2005).

Pebesma, E. J. (1999). Gstat user’s manual. [En ligne], http://www.gstat.org/

gstat.pdf (Page consultée le 28 avril 2005).

Pebesma, E. J. (2004b). Package ’gstat‘. [En ligne], http://www.gstat.org/bin/

gstat.pdf (Page consultée le 28 avril 2005).
BIBLIOGRAPHIE 101

Pebesma, E. J. et Wesseling, C. G. (1998). Gstat : a program for geostatisti-

cal modelling, prediction and simulation. Computers & Geosciences, 24(1):17–31.
Disponible en ligne : http://www.geog.uu.nl/∼pebesma/publ/gstatcg.pdf (Page
consultée le 28 avril 2005).

Phillips, D. L., Dolph, J. et Marks, D. (1992). A comparison of geostatistical

procedures for spatial analysis of precipitation in mountainous terrain. Agricultural
and Forest Meteorology, 58:119–141.

R project (2004). The r project for statistical computing. [En ligne], http://www.
r-project.org/ (Page consultée le 28 avril 2005).

Rajagopalan, B. et Lall, U. (1998). Locally weighted polynomial estimation of

spatial precipitation. Journal of Geographic Information and Decision Analysis, 2(2):
44–51. Disponible en ligne : http://www.geodec.org/gida 4.htm (Page consultée
le 28 avril 2005).

Rencher, A. C. (1995). Methods of multivariate analysis. Wiley Series in Probability

and Statistics. Wiley-Interscience [John Wiley & Sons], New York.

Rigol, J. P., Jarvis, C. H. et Stuart, N. (2001). Artificial neural networks as a tool

for spatial interpolation. International Journal of GIS, 15(4):323–343.

Ripley, B. D. (1981). Spatial statistics. John Wiley & Sons Inc., New York. Wiley
Series in Probability and Mathematical Statistics.

Rivoirard, J. (1990). Review of lognormal estimation for in situ reserves. Mathema-

tical Geology, 22(2):213–221.

Rivoirard, J. (1994). Introduction to Disjunctive Kriging and Non- Linear Geosta-

tistics. Oxford University Press, New York.

Roth, C. (1998). Is lognormal kriging suitable for local estimation ? Mathematical

Geology, 30(8):999–1009.

Saveliev, A. A., Mucharamova, S. S. et Piliugin, G. A. (1998). Modeling of the

daily rainfall values using surface under tension and kriging. Journal of Geographic
Information and Decision Analysis, 2(2):52–64. Disponible en ligne : http://www.
geodec.org/gida 4.htm (Page consultée le 28 avril 2005).

Sibson, R. (1981). A brief description of natural neighbour interpolation. Dans Bar-

nett, V., éditeur : Interpreting Multivariate Data, Wiley Series in Probability and
Mathematical Statistics : Applied Probability and Statistics, pages 21–36. John Wiley
& Sons Inc., New York.
BIBLIOGRAPHIE 102

SMC (2002). Service Météorologique du Canada. [En ligne], version actuelle de GEM
http://www.msc-smc.ec.gc.ca/cmc/op systems/regional forecast f.html, an-
cienne version de GEM http://www.msc-smc.ec.gc.ca/cmc/GEWEX/regional
forecast f.html , présentation de GEM http://www.cmc.ec.gc.ca/rpn/gef
html public/ (Pages consultées le 28 avril 2005).

Syed, K., Goodrich, D., Myers, D. et Sorooshian, S. (2003). Spatial characteris-

tics of thunderstorm rainfall fields and their relation to runoff. Journal of Hydrology,
271:1–21.

Tabios, G. Q. et Salas, J. D. (1985). A comparative analysis of techniques for spatial

interpolation of precipitation. Water Resources Bulletin, 21(3):365–380.

Velarde, L., Migon, H. et Pereira, B. (2004). Space-time modeling of rainfall data.

Environmetrics, 15(6):561–576.

Wackernagel, H. (2003). Multivariate Geostatistics : an Introduction with Applica-

tions. Springer-Verlag, Berlin. Third completely revised edition.

Wahba, G. (1990). Spline models for observational data, volume 59 de CBMS-NSF Re-
gional Conference Series in Applied Mathematics. Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, PA.

Wand, M. P. et Jones, M. C. (1995). Kernel smoothing, volume 60 de Monographs on

Statistics and Applied Probability. Chapman and Hall Ltd., London.

Webster, R. et Oliver, M. (1993). How large a sample is needed to estimate the

regional variogram adequately ? Dans Soares, A., éditeur : Geostatistics Tròia ’92,
pages 155–166, Dordrecht. Kluwer Academic Publishers.

Yang, D., Goodison, B., Metcalfe, J., Louie, P., Leavesley, G., Emerson, D.,
Golubev, V., Elomaa, E., Gunther, T., Hanson, C., Pangburn, T., Kang, E.
et Milkovic, J. (1999). Quantification of precipitation measurement discontinuity
induced by wind shields on national gauge. Water Resources Research, 35(2):491–508.
Disponible en ligne : http://www.uaf.edu/water/faculty/yang/1998WR900042.
pdf (Page consultée le 28 avril 2005).

Zimmerman, D., Pavlik, C., Ruggles, A. et Armstrong, M. P. (1999). An experi-

mental comparison of ordinary and universal kriging and inverse distance weighting.
Mathematical Geology, 31(4):375–390.
Annexe A

Complément d’analyse des résultats

du chapitre 6

Dans cette annexe, quelques résultats supplémentaires intéressants relatifs aux tra-
vaux effectués dans le chapitre 6 sont présentés. Tout d’abord, le tableau A.1 indique
le nombre de fois que chaque fraction de voisinage a été choisie par la validation croisée
pour les deux types de régression locale effectués. Pour la régression locale incluant la
variable auxiliaire, seules les fractions 0.8, 0.9 et 1 ont été considérées car le modèle
contient un paramètre de plus qu’en régression locale univariée. Un plus grand nombre
de données sont donc requises dans l’ajustement du modèle. Probablement en raison
du petit nombre d’observations analysées, la fraction choisie le plus fréquemment est 1
pour les deux types de régression locale.

Variables explicatives Fraction de voisinage

Total
de la régression locale 0.4 0.5 0.6 0.7 0.8 0.9 1
16 8 3 2 3 10 50
coordonnées x et y 92
0.17 0.09 0.03 0.02 0.03 0.11 0.54
coordonnées x, y 11 13 39
- - - - 63
et variable auxiliaire w 0.17 0.21 0.62

Tab. A.1 – Fréquences de sélection des fractions de voisinage en régression locale

Les fréquences de sélection des modèles variographiques par la validation croisée sont
présentées dans le tableau A.2 en fonction du type de krigeage. Le modèle pépitique est
celui le plus souvent choisi pour les trois types de krigeage. Afin de mieux comprendre
ce résultat, regardons les fréquences de sélection des modèles en fonction de l’intensité
Annexe A. Complément d’analyse des résultats du chapitre 6 104

Modèle variographique

Exponentiel
avec palier

sans palier
Sphérique

Puissance
Pépitique

Gaussien
Linéaire

Linéaire
Type de krigeage Total

36 20 8 4 15 6 3
ordinaire 92
0.39 0.22 0.09 0.04 0.16 0.07 0.03
36 23 6 8 8 9 2
universel 92
0.39 0.25 0.07 0.09 0.09 0.10 0.02
22 16 2 3 15 4 1
avec dérive externe 63
0.35 0.25 0.03 0.05 0.25 0.06 0.02

Tab. A.2 – Fréquences de sélection des modèles variographiques en krigeage ordinaire,

universel et avec modèle de tendance

des précipitations. Le tableau A.3 présente ces fréquences pour le krigeage ordinaire. On
remarque que le modèle pépitique est surtout retenu lorsque les précipitations sont de
faible ou moyenne intensité. Lorsque les précipitations moyennes sur le bassin versant
sont supérieures à 1 mm, les modèles les plus souvent sélectionnés sont plutôt le modèle
linéaire avec palier et le modèle gaussien.

Modèle variographique
Exponentiel
avec palier

sans palier
Sphérique

Puissance
Pépitique

Gaussien
Linéaire

Linéaire

Classe de périodes Total

Précipitations moyennes 24 5 2 0 4 2 0
37
inférieures à 0.1 mm 0.65 0.14 0.05 0.00 0.11 0.05 0
Précipitations moyennes 11 7 5 2 5 1 2
33
entre 0.1 mm et 1 mm 0.33 0.21 0.15 0.06 0.15 0.03 0.06
Précipitations moyennes 1 8 1 2 6 3 1
22
supérieures à 1 mm 0.05 0.36 0.05 0.09 0.27 0.14 0.05
Total 36 20 8 4 15 6 3 92

Tab. A.3 – Fréquences de sélection des modèles variographiques en krigeage ordinaire

en fonction de l’intensité des précipitations

L’analyse des résultats en fonction de l’intensité des précipitations apporte beaucoup

d’informations. La figure A.1 illustre sous forme de diagrammes en boı̂te la distribution
Annexe A. Complément d’analyse des résultats du chapitre 6 105

des erreurs de validation croisée par intensité de précipitations pour la méthode témoin
de l’inverse de la distance et pour la méthode Sélection qui a été développée. Bien que la
méthode Sélection ne semble pas donner des prévisions vraiment plus justes que celles
générées par la méthode de l’inverse de la distance lorsque les précipitations sont de
faible ou moyenne intensité, on note une amélioration des prévisions par la méthode
Sélection dans le cas de précipitations plus fortes. En effet, pour des précipitations
moyennes sur le bassin versant supérieures à 1 mm, le diagramme en boı̂te des er-
reurs de validation croisée de la méthode Sélection a des moustaches plus courtes et
une boı̂te moins longue que le diagramme en boı̂te pour la méthode de l’inverse de
la distance. Dans une perspective de prévision hydrologique, ce sont ces périodes de
fortes précipitations qui ont le plus d’importance. Ainsi, la méthode Sélection proposée
améliore l’interpolation spatiale comparativement à la méthode de l’inverse de la dis-
tance lorsque ça importe le plus.

Fig. A.1 – Diagrammes en boı̂te des erreurs de validation croisée catégorisées selon
l’intensité des précipitations pour la méthode de l’inverse de la distance et la méthode
Sélection
Annexe A. Complément d’analyse des résultats du chapitre 6 106

En supposant l’indépendance temporelle entre les précipitations aux différentes

périodes, il est possible d’effectuer un test statistique de comparaison des erreurs qua-
dratiques moyennes (EQM) de validation croisée entre la méthode témoin de l’inverse
de la distance et la méthode Sélection. Étant donné que la normalité de ces EQM est
douteuse, des tests non paramétriques sont plus appropriés. Voici donc, dans le tableau
A.4, des tests de rangs signés de Wilcoxon par station pour comparer les deux méthodes
selon l’intensité des précipitations. Une valeur positive de la statistique de Wilcoxon

Périodes de Périodes de Périodes de

précipitations précipitations précipitations Toutes
moyennes moyennes moyennes les
Station
inférieures entre 0.1 mm supérieures périodes
à 0.1 mm et 1 mm à 1 mm
Stat P-valeur Stat P-valeur Stat P-valeur Stat P-valeur
Mercier Amont -3,11 0,00** -1,88 0,06 1,77 0,08 -1,54 0,12
Barrière Amont -1,57 0,12 1,84 0,07 0,35 0,73 0,63 0,53
Cabonga Amont -1,68 0,09 -0,17 0,87 1,08 0,28 0,25 0,80
Dozois Est -2,01 0,04** 2,88 0,00** 2,05 0,04** 2,26 0,02**
Domaine -3,76 0,00** 0,12 0,91 0,62 0,54 -0,74 0,46
Brodtkorb -3,83 0,00** -0,37 0,71 1,23 0,22 -1,08 0,28
Chouart -0,94 0,35 -0,96 0,34 -0,37 0,71 -1,69 0,09
La Vérendrye 1,27 0,20 -0,59 0,56 -0,60 0,55 -0,87 0,38
Wapus -3,76 0,00** 1,08 0,28 1,90 0,06 0,71 0,48
Mont St-Michel -3,09 0,00** 0,40 0,69 0,38 0,70 -1,41 0,16
La Pêche 0,02 0,99 -3,14 0,00** 1,76 0,08 -0,97 0,33
Maniwaki -3,18 0,00** 0,98 0,33 1,28 0,20 -0,02 0,99
Ottawa 1 0,26 0,80 -1,65 0,10 -0,28 0,78 -0,97 0,33
Ottawa 2 -0,58 0,56 -2,62 0,01** 0,65 0,52 -1,52 0,13
High Falls 0,25 0,80 -1,70 0,09 1,22 0,22 -0,39 0,70
Parent 0,92 0,36 -1,22 0,22 0,60 0,55 0,00 1,00
** test significatif au seuil de 5%

Tab. A.4 – Tests des rangs signés de Wilcoxon pour comparer les EQM de validation
croisée par station en fonction de l’intensité des précipitations

signifie que les EQM pour la méthode Sélection sont plus petits que pour la méthode de
l’inverse de la distance. Peu de tests sont significatifs au seuil de 5%. Les tests significa-
tifs pour des précipitations de faible intensité indiquent tous que la méthode de l’inverse
de la distance performe significativement mieux que la méthode Sélection, tandis que
le test significatif pour des précipitations de forte intensité indique le contraire.
Annexe B

Programme S-Plus

Voici le programme S-Plus qui a permis d’interpoler les données pour chaque période
de 6 heures d’août 2003 par la méthode de l’inverse de la distance, la régression locale par
rapport à x et y, la régression locale par rapport à x, y et les données GEM, le krigeage
ordinaire, le krigeage universel, le krigeage avec dérive externe et le cokrigeage ordinaire.
Ce programme appelle les fichiers Donnees et Grille. Le premier fichier contient les
valeurs régionalisées mesurées aux stations et générées par le modèle GEM pour toutes
les périodes du mois d’août 2003 et tous les sites d’observation. Les coordonnées spatiales
UTM sur la zone 18T en km des sites d’observation sont aussi incluses dans le fichier. Le
deuxième fichier comprend plutôt les coordonnées spatiales UTM des sites de prévision
ainsi que les données fournies par GEM en ces sites. Afin de décrire la forme de ces
fichiers, les tableaux B.1 et B.2 en contiennent des extraits.

Notons que ce programme SPLUS est fonctionnel, mais non optimisé. Il est donc
assez long et ce principalement en raison de la technique de sélection des modèles
variographiques par validation croisée utilisée.

Periode x y Stations GEM

1 384.024 5209.559 0.00 0.00
1 373.293 5158.051 0.00 0.00
1 456.994 5298.090 0.00 0.00
1 507.430 5250.337 0.00 0.00
.. .. .. .. ..
. . . . .

Tab. B.1 – Extrait du fichier nommé Donnees

Annexe B. Programme S-Plus 108

Periode x y GEM
1 430.000 5050.000 0.00
1 440.000 5050.000 0.00
1 410.000 5060.000 0.00
1 420.000 5060.000 0.00
.. .. .. ..
. . . .

Tab. B.2 – Extrait du fichier nommé Grille

Programme :

# INITIALISATION des jeux de données qui contiendront les résultats :

# Résidus de validation croisée :

Err=data.frame(matrix(rep(NA,dim(Donnees)[1]*32),nrow=dim(Donnees)[1]))
dimnames(Err)<-list(1:dim(Err)[1],c("Periode","x","y","InvDist","KO1","KO2","KO3","KO4","KO5",
"KO6","KO7","KO","KU1","KU2","KU3","KU4","KU5","KU6","KU7","KU","KDE1","KDE2",
"KDE3","KDE4","KDE5","KDE6","KDE7","KDE","CKO","RLxy","RLxyw","Selection"))
Err[,1:3]=Donnees[,1:3]

# Prévisions :
Prev=data.frame(matrix(rep(NA,dim(Grille)[1]*32),nrow=dim(Grille)[1]))
dimnames(Prev)<-list(1:dim(Prev)[1],c("Periode","x","y","InvDist","KO1","KO2","KO3","KO4","KO5",
"KO6","KO7","KO","KU1","KU2","KU3","KU4","KU5","KU6","KU7","KU","KDE1","KDE2",
"KDE3","KDE4","KDE5","KDE6","KDE7","KDE","CKO","RLxy","RLxyw","Selection"))
Prev[,1:3]=Grille[,1:3]

# Variances de prévision :
Var=data.frame(matrix(rep(NA,dim(Grille)[1]*32),nrow=dim(Grille)[1]))
dimnames(Var)<-list(1:dim(Var)[1],c("Periode","x","y","InvDist","KO1","KO2","KO3","KO4","KO5",
"KO6","KO7","KO","KU1","KU2","KU3","KU4","KU5","KU6","KU7","KU","KDE1","KDE2",
"KDE3","KDE4","KDE5","KDE6","KDE7","KDE","CKO","RLxy","RLxyw","Selection"))
Var[,1:3]=Grille[,1:3]

# Informations Diverses :
Info=data.frame(matrix(rep(NA,123*137),nrow=123))
dimnames(Info)<-list(1:dim(Info)[1],c("NbStations","Nbplus0","Classe","MoyStations",
"EtypeStations","MoyInvDist","EtypeInvDist","MoyGEM","EtypeGEM","InvDistEQM","InvDistEAM",
"KO1pepite","KO1EQM","KO1EAM","KO2pepite","KO2ppalier","KO2portee","KO2EQM","KO2EAM",
"KO3pepite","KO3ppalier","KO3portee","KO3EQM","KO3EAM","KO4pepite","KO4ppalier","KO4porteep",
"KO4EQM","KO4EAM","KO5pepite","KO5ppalier","KO5porteep","KO5EQM","KO5EAM","KO6pepite",
"KO6pente","KO6EQM","KO6EAM","KO7pepite","KO7echelle","KO7puissance","KO7EQM","KO7EAM",
"KOmodele","KOEQM","KOEAM","KUcorrX","KUpvalueX","KUcorrY","KUpvalueY","KU1pepite","KU1EQM",
"KU1EAM","KU2pepite","KU2ppalier","KU2portee","KU2EQM","KU2EAM","KU3pepite","KU3ppalier",
"KU3portee","KU3EQM","KU3EAM","KU4pepite","KU4ppalier","KU4porteep","KU4EQM","KU4EAM",
"KU5pepite","KU5ppalier","KU5porteep","KU5EQM","KU5EAM","KU6pepite","KU6pente","KU6EQM",
"KU6EAM","KU7pepite","KU7echelle","KU7puissance","KU7EQM","KU7EAM","KUmodele","KUEQM","KUEAM",
"KDEpossible","KDEcorrGEM","KDEpvalueGEM","KDE1pepite","KDE1EQM","KDE1EAM","KDE2pepite",
"KDE2ppalier","KDE2portee","KDE2EQM","KDE2EAM","KDE3pepite","KDE3ppalier","KDE3portee",
"KDE3EQM","KDE3EAM","KDE4pepite","KDE4ppalier","KDE4porteep","KDE4EQM","KDE4EAM","KDE5pepite",
"KDE5ppalier","KDE5porteep","KDE5EQM","KDE5EAM","KDE6pepite","KDE6pente","KDE6EQM","KDE6EAM",
Annexe B. Programme S-Plus 109

"KDE7pepite","KDE7echelle","KDE7puissance","KDE7EQM","KDE7EAM","KDEmodele","KDEEQM","KDEEAM",
"CKOpenteStations","CKOpenteGEM","CKOpenteStaGEM","CKOEQM","CKOEAM","RLxyfen","RLxyEQM",
"RLxyEAM","RLxywfen","RLxywEQM","RLxywEAM","Selection","SelectionEQM","SelectionEAM"))

# Ajout d’informations dans le jeu de données Info :

for(t in 1:123){
Info$NbStations[t]=dim(Donnees[Donnees$Periode==t,])[1]
Info$Nbplus0[t]=sum(ifelse(Donnees$Stations[Donnees$Periode==t]>0,1,0),na.rm=T)
Info$MoyStations[t]=mean(Donnees$Stations[Donnees$Periode==t],na.rm=T)
Info$EtypeStations[t]=stdev(Donnees$Stations[Donnees$Periode==t],na.rm=T)
Info$MoyGEM[t]=mean(Grille$GEM[Grille$Periode==t],na.rm=T)
Info$EtypeGEM[t]=stdev(Grille$GEM[Grille$Periode==t],na.rm=T)
Info$Classe[t]=ifelse(Info$MoyStations[t]==0,0,NA)
}

library(gstat)

# FILTRE : Mise de c^
oté des périodes de temps pour lesquelles aucune station n’a mesuré de pluie
Pluie=na.omit(ifelse(Info$Classe=="NA",row(Info),NA))

# INVERSE DE LA DISTANCE

for (t in Pluie) {

Periodet=na.omit(ifelse(Donnees$Periode==t,row(Donnees),NA))

# Validation croisée :
for (i in 1:length(Periodet)){
distances=sqrt((Donnees$x[Periodet[i]]-Donnees$x[Periodet[-i]])**2
+(Donnees$y[Periodet[i]]-Donnees$y[Periodet[-i]])**2)
voisinage=na.omit(ifelse(rank(distances)<=3,Periodet[-i],NA))
distances=na.omit(ifelse(rank(distances)<=3,distances,NA))
poids=as.vector((1/distances)/sum(1/distances))
valid=sum(poids*Donnees$Stations[voisinage],na.rm=T)
Err$InvDist[Periodet[i]]=Donnees$Stations[Periodet[i]]-valid
}

# Prévision sur la grille GEM :

GrillePeriodet=na.omit(ifelse(Grille$Periode==t,row(Grille),NA))
for (j in GrillePeriodet){
distances=sqrt((Grille$x[j]-Donnees$x[Periodet])**2+(Grille$y[j]-Donnees$y[Periodet])**2)
voisinage=na.omit(ifelse(rank(distances)<=3,Periodet,NA))
distances=na.omit(ifelse(rank(distances)<=3,distances,NA))
poids=as.vector((1/distances)/sum(1/distances))
Prev$InvDist[j]=sum(poids*Donnees$Stations[voisinage],na.rm=T)
}
Info$InvDistEQM[t]=mean((Err$InvDist[Err$Periode==t])**2,na.rm=T)
Info$InvDistEAM[t]=median(abs(Err$InvDist[Err$Periode==t]),na.rm=T)
Info$MoyInvDist[t]=mean(Prev$InvDist[Prev$Periode==t],na.rm=T)
Info$EtypeInvDist[t]=stdev(Prev$InvDist[Prev$Periode==t],na.rm=T)
Info$Classe[t]=ifelse(Info$MoyInvDist[t]>1,">1",
ifelse(Info$MoyInvDist[t]<=0.1,"(0,0.1]","(0.1,1]"))
}
Annexe B. Programme S-Plus 110

# RÉGRESSION LOCALE PAR RAPPORT À X ET Y

ErrValid=data.frame(matrix(rep(NA,dim(Donnees)[1]*7),nrow=dim(Donnees)[1]))
for (t in Pluie) {

# Sélection de la fraction du voisinage dans la fen^

etre par validation croisée :
Periodet=na.omit(ifelse(Donnees$Periode==t,row(Donnees),NA))
j=1
for(a in c(1,0.9,0.8,0.7,0.6,0.5,0.4)){
k=trunc(a*Info$NbStations[t])
for (i in 1:length(Periodet)){
distances=sqrt((Donnees$x[Periodet[i]]-Donnees$x[Periodet[-i]])**2
+(Donnees$y[Periodet[i]]-Donnees$y[Periodet[-i]])**2)
voisinage=na.omit(ifelse(rank(distances)<=k,Periodet[-i],NA))
distances=na.omit(ifelse(rank(distances)<=k,distances,NA))
poids=as.vector(1-(distances/ceiling(max(distances)))**2)
reg=lm(Stations~1+x+y,data=Donnees[voisinage,],weights=poids)
valid=predict(reg,Donnees[Periodet[i],])
ErrValid[Periodet[i],j]=Donnees$Stations[Periodet[i]]-ifelse(valid<0,0,valid)
}
j=j+1
}
indice=data.frame(apply(ErrValid[Periodet,]**2,2,mean))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$RLxyfen[t]= if (minimums[1,1]==1) 1 else if (minimums[1,1]==2) 0.9 else
if (minimums[1,1]==3) 0.8 else if (minimums[1,1]==4) 0.7 else
if (minimums[1,1]==5) 0.6 else if (minimums[1,1]==6) 0.5 else 0.4
Err$RLxy[Periodet]=ErrValid[Periodet,minimums[1,1]]
Info$RLxyEQM[t]=mean((Err$RLxy[Err$Periode==t])**2,na.rm=T)
Info$RLxyEAM[t]=median(abs(Err$RLxy[Err$Periode==t]),na.rm=T)

# Prévision grille GEM :

GrillePeriodet=na.omit(ifelse(Grille$Periode==t,row(Grille),NA))
k=trunc(Info$RLxyfen[t]*Info$NbStations[t])
for (j in GrillePeriodet){
distances=sqrt((Grille$x[j]-Donnees$x[Periodet])**2+(Grille$y[j]-Donnees$y[Periodet])**2)
voisinage=na.omit(ifelse(rank(distances)<=k,Periodet,NA))
distances=na.omit(ifelse(rank(distances)<=k,distances,NA))
poids=as.vector(1-(distances/ceiling(max(distances)))**2)
reg=lm(Stations~1+x+y,data=Donnees[voisinage,],weights=poids)
Interpo=predict(reg,Grille[j,],se.fit=T)
Prev$RLxy[j]=ifelse(Interpo$fit<0,0,Interpo$fit)
Var$RLxy[j]=Interpo$se.fit
}
}

# RÉGRESSION LOCALE PAR RAPPORT À X, Y ET AUX DONNÉES GEM

ErrValid=data.frame(matrix(rep(NA,dim(Donnees)[1]*3),nrow=dim(Donnees)[1]))
for (t in KDEpossible) {

# Sélection de la fraction du voisinage dans la fen^

etre par validation croisée :
Annexe B. Programme S-Plus 111

Periodet=na.omit(ifelse(Donnees$Periode==t,row(Donnees),NA))
j=1
for(a in c(1,0.9,0.8)){
k=trunc(a*Info$NbStations[t])
for (i in 1:length(Periodet)){
distances=sqrt((Donnees$x[Periodet[i]]-Donnees$x[Periodet[-i]])**2+(Donnees$y[Periodet[i]]
-Donnees$y[Periodet[-i]])**2)
voisinage=na.omit(ifelse(rank(distances)<=k,Periodet[-i],NA))
distances=na.omit(ifelse(rank(distances)<=k,distances,NA))
poids=as.vector(1-(distances/ceiling(max(distances)))**2)
reg=lm(Stations~1+x+y+GEM,data=Donnees[voisinage,],weights=poids)
valid=predict(reg,Donnees[Periodet[i],])
ErrValid[Periodet[i],j]=Donnees$Stations[Periodet[i]]-ifelse(valid<0,0,valid)
}
j=j+1
}
indice=data.frame(apply(ErrValid[Periodet,]**2,2,mean))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$RLxywfen[t]=if(minimums[1,1]==1)1 else if(minimums[1,1]==2)0.9 else if(minimums[1,1]==3)0.8
Err$RLxyw[Periodet]=ErrValid[Periodet,minimums[1,1]]
Info$RLxywEQM[t]=mean((Err$RLxyw[Err$Periode==t])**2,na.rm=T)
Info$RLxywEAM[t]=median(abs(Err$RLxyw[Err$Periode==t]),na.rm=T)

# Prévision grille GEM :

GrillePeriodet=na.omit(ifelse(Grille$Periode==t,row(Grille),NA))
k=trunc(Info$RLxywfen[t]*Info$NbStations[t])
for (j in GrillePeriodet){
distances=sqrt((Grille$x[j]-Donnees$x[Periodet])**2+(Grille$y[j]-Donnees$y[Periodet])**2)
voisinage=na.omit(ifelse(rank(distances)<=k,Periodet,NA))
distances=na.omit(ifelse(rank(distances)<=k,distances,NA))
poids=as.vector(1-(distances/ceiling(max(distances)))**2)
reg=lm(Stations~1+x+y+GEM,data=Donnees[voisinage,],weights=poids)
Interpo=predict(reg,Grille[j,],se.fit=T)
Prev$RLxyw[j]=ifelse(Interpo$fit<0,0,Interpo$fit)
Var$RLxyw[j]=Interpo$se.fit
}
}

# KRIGEAGE ORDINAIRE

for(t in Pluie){

# Pour estimer le variogramme expérimental :

vario=variogram(Stations~1,~x+y,Donnees[Donnees$Periode==t,],cutoff=150,width=10)

# 1- Modèle pépitique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele1=fit.variogram(vario,vgm(max(vario[,3]),"Nug"),fit.method=1)
Info$KO1pepite[t]= modele1$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele1[dim(modele1)[1],2]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,])
Err$KO1[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,],
Annexe B. Programme S-Plus 112

newdata=Grille[Grille$Periode==t,])
Prev$KO1[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO1[Var$Periode==t]=Interpo[,4]
} else {
Err$KO1[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO1[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO1[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO1EQM[t]=mean((Err$KO1[Err$Periode==t])**2,na.rm=T)
Info$KO1EAM[t]=median(abs(Err$KO1[Err$Periode==t]),na.rm=T)

# 2- Modèle linéaire avec palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele2=fit.variogram(vario,vgm(max(vario[,3]),"Lin",140,0.1*max(vario[,3])),fit.method=1)
modele2=if (modele2[1,2]<0 || modele2[2,2]<0 || modele2[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Lin",140),fit.method=1) else modele2
Info$KO2pepite[t]=if(dim(modele2)[1]==2) modele2$psill[1] else 0
Info$KO2ppalier[t]=if(dim(modele2)[1]==2) modele2$psill[2] else modele2$psill[1]
Info$KO2portee[t]=if(dim(modele2)[1]==2) modele2$range[2] else modele2$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele2[dim(modele2)[1],2]>0 && modele2[dim(modele2)[1],3]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,])
Err$KO2[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO2[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO2[Var$Periode==t]=Interpo[,4]
} else {
Err$KO2[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO2[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO2[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO2EQM[t]=mean((Err$KO2[Err$Periode==t])**2,na.rm=T)
Info$KO2EAM[t]=median(abs(Err$KO2[Err$Periode==t]),na.rm=T)

# 3- Modèle sphérique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele3=fit.variogram(vario,vgm(max(vario[,3]),"Sph",140,0.1*max(vario[,3])),fit.method=1)
modele3=if (modele3[1,2]<0 || modele3[2,2]<0 || modele3[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Sph",140),fit.method=1) else modele3
Info$KO3pepite[t]=if(dim(modele3)[1]==2) modele3$psill[1] else 0
Info$KO3ppalier[t]=if(dim(modele3)[1]==2) modele3$psill[2] else modele3$psill[1]
Info$KO3portee[t]=if(dim(modele3)[1]==2) modele3$range[2] else modele3$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele3[dim(modele3)[1],2]>0 && modele3[dim(modele3)[1],3]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,])
Err$KO3[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO3[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO3[Var$Periode==t]=Interpo[,4]
} else {
Err$KO3[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO3[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO3[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Annexe B. Programme S-Plus 113

}
Info$KO3EQM[t]=mean((Err$KO3[Err$Periode==t])**2,na.rm=T)
Info$KO3EAM[t]=median(abs(Err$KO3[Err$Periode==t]),na.rm=T)

# 4- Modèle exponentiel :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele4=fit.variogram(vario,vgm(max(vario[,3]),"Exp",140,0.1*max(vario[,3])),fit.method=1)
modele4=if (modele4[1,2]<0 || modele4[2,2]<0 || modele4[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Exp",140),fit.method=1) else modele4
Info$KO4pepite[t]=if(dim(modele4)[1]==2) modele4$psill[1] else 0
Info$KO4ppalier[t]=if(dim(modele4)[1]==2) modele4$psill[2] else modele4$psill[1]
Info$KO4porteep[t]=if(dim(modele4)[1]==2) 3*modele4$range[2] else 3*modele4$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele4[dim(modele4)[1],2]>0 && modele4[dim(modele4)[1],3]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,])
Err$KO4[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO4[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO4[Var$Periode==t]=Interpo[,4]
} else {
Err$KO4[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO4[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO4[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO4EQM[t]=mean((Err$KO4[Err$Periode==t])**2,na.rm=T)
Info$KO4EAM[t]=median(abs(Err$KO4[Err$Periode==t]),na.rm=T)

# 5- Modèle gaussien :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele5=fit.variogram(vario,vgm(max(vario[,3]),"Gau",140,0.1*max(vario[,3])),fit.method=1)
modele5=if (modele5[1,2]<0 || modele5[2,2]<0 || modele5[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Gau",140),fit.method=1) else modele5
Info$KO5pepite[t]=if(dim(modele5)[1]==2) modele5$psill[1] else 0
Info$KO5ppalier[t]=if(dim(modele5)[1]==2) modele5$psill[2] else modele5$psill[1]
Info$KO5porteep[t]=if(dim(modele5)[1]==2) sqrt(3)*modele5$range[2] else sqrt(3)*modele5$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele5[dim(modele5)[1],2]>0 && modele5[dim(modele5)[1],3]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,])
Err$KO5[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO5[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO5[Var$Periode==t]=Interpo[,4]
} else {
Err$KO5[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO5[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO5[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO5EQM[t]=mean((Err$KO5[Err$Periode==t])**2,na.rm=T)
Info$KO5EAM[t]=median(abs(Err$KO5[Err$Periode==t]),na.rm=T)

# 6- Modèle linéaire sans palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele6=fit.variogram(vario,vgm(max(vario[,3])/150,"Lin",,0.1*max(vario[,3])),fit.method=1)
Annexe B. Programme S-Plus 114

modele6=if (modele6[1,2]<0 || modele6[2,2]<0)

fit.variogram(vario,vgm(max(vario[,3])/150,"Lin"),fit.method=1) else modele6
Info$KO6pepite[t]=if(dim(modele6)[1]==2) modele6$psill[1] else 0
Info$KO6pente[t]=if(dim(modele6)[1]==2) modele6$psill[2] else modele6$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele6[dim(modele6)[1],2]>0) {
valid=krige.cv(Stations~1,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,])
Err$KO6[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO6[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO6[Var$Periode==t]=Interpo[,4]
} else {
Err$KO6[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO6[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO6[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO6EQM[t]=mean((Err$KO6[Err$Periode==t])**2,na.rm=T)
Info$KO6EAM[t]=median(abs(Err$KO6[Err$Periode==t]),na.rm=T)

# 7- Modèle puissance :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele7=fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1,0.1*max(vario[,3])),fit.method=1)
modele7=if (modele7[1,2]<0 || modele7[2,2]<0 || modele7[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1),fit.method=1) else modele7
Info$KO7pepite[t]=if(dim(modele7)[1]==2) modele7$psill[1] else 0
Info$KO7echelle[t]=if(dim(modele7)[1]==2) modele7$psill[2] else modele7$psill[1]
Info$KO7puissance[t]=if(dim(modele7)[1]==2) modele7$range[2] else modele7$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if(modele7[dim(modele7)[1],2]>0&&modele7[dim(modele7)[1],3]>0&&modele7[dim(modele7)[1],3]<2){
valid=krige.cv(Stations~1,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,])
Err$KO7[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KO7[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KO7[Var$Periode==t]=Interpo[,4]
} else {
Err$KO7[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KO7[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KO7[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KO7EQM[t]=mean((Err$KO7[Err$Periode==t])**2,na.rm=T)
Info$KO7EAM[t]=median(abs(Err$KO7[Err$Periode==t]),na.rm=T)

# Choix du modèle :
indice=data.frame(c(Info$KO1EQM[t],Info$KO2EQM[t],Info$KO3EQM[t],Info$KO4EQM[t],
Info$KO5EQM[t],Info$KO6EQM[t],Info$KO7EQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$KOmodele[t]=minimums[1,1]
if (Info$KOmodele[t]==1) {
Err$KO[Err$Periode==t]=Err$KO1[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO1[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO1[Var$Periode==t]
} else
if (Info$KOmodele[t]==2) {
Annexe B. Programme S-Plus 115

Err$KO[Err$Periode==t]=Err$KO2[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO2[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO2[Var$Periode==t]
} else
if (Info$KOmodele[t]==3) {
Err$KO[Err$Periode==t]=Err$KO3[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO3[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO3[Var$Periode==t]
} else
if (Info$KOmodele[t]==4) {
Err$KO[Err$Periode==t]=Err$KO4[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO4[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO4[Var$Periode==t]
} else
if (Info$KOmodele[t]==5) {
Err$KO[Err$Periode==t]=Err$KO5[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO5[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO5[Var$Periode==t]
} else
if (Info$KOmodele[t]==6) {
Err$KO[Err$Periode==t]=Err$KO6[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO6[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO6[Var$Periode==t]
} else {
Err$KO[Err$Periode==t]=Err$KO7[Err$Periode==t]
Prev$KO[Prev$Periode==t]=Prev$KO7[Prev$Periode==t]
Var$KO[Var$Periode==t]=Var$KO7[Var$Periode==t]
}
Info$KOEQM[t]=mean((Err$KO[Err$Periode==t])**2,na.rm=T)
Info$KOEAM[t]=median(abs(Err$KO[Err$Periode==t]),na.rm=T)
}

# KRIGEAGE UNIVERSEL :

for(t in Pluie){

corr=cor.test(Donnees$Stations[Donnees$Periode==t],Donnees$x[Donnees$Periode==t],
alternative="two.sided",method="pearson")
Info$KUcorrX[t]=corr$estimate
Info$KUpvalueX[t]=corr$p.value
corr=cor.test(Donnees$Stations[Donnees$Periode==t],Donnees$y[Donnees$Periode==t],
alternative="two.sided",method="pearson")
Info$KUcorrY[t]=corr$estimate
Info$KUpvalueY[t]=corr$p.value

# Première itération :

# Estimation semi-variogramme sur les résidus ols :

vario=variogram(Stations~1+x+y,loc=~x+y,Donnees[Donnees$Periode==t,],cutoff=150,width=10)

# 1- Modèle pépitique :
modele1=fit.variogram(vario,vgm(max(vario[,3]),"Nug"),fit.method=1)
if (modele1[dim(modele1)[1],2]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,])
Annexe B. Programme S-Plus 116

Err$KU1[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU1[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU1EQM[t]=mean((Err$KU1[Err$Periode==t])**2,na.rm=T)
Info$KU1EAM[t]=median(abs(Err$KU1[Err$Periode==t]),na.rm=T)

# 2- Modèle linéaire avec palier :

modele2=fit.variogram(vario,vgm(max(vario[,3]),"Lin",140,0.1*max(vario[,3])),fit.method=1)
modele2=if (modele2[1,2]<0 || modele2[2,2]<0 || modele2[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Lin",140),fit.method=1) else modele2
if (modele2[dim(modele2)[1],2]>0 && modele2[dim(modele2)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,])
Err$KU2[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU2[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU2EQM[t]=mean((Err$KU2[Err$Periode==t])**2,na.rm=T)
Info$KU2EAM[t]=median(abs(Err$KU2[Err$Periode==t]),na.rm=T)

# 3- Modèle sphérique :
modele3=fit.variogram(vario,vgm(max(vario[,3]),"Sph",140,0.1*max(vario[,3])),fit.method=1)
modele3=if (modele3[1,2]<0 || modele3[2,2]<0 || modele3[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Sph",140),fit.method=1) else modele3
if (modele3[dim(modele3)[1],2]>0 && modele3[dim(modele3)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,])
Err$KU3[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU3[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU3EQM[t]=mean((Err$KU3[Err$Periode==t])**2,na.rm=T)
Info$KU3EAM[t]=median(abs(Err$KU3[Err$Periode==t]),na.rm=T)

# 4- Modèle exponentiel :
modele4=fit.variogram(vario,vgm(max(vario[,3]),"Exp",140,0.1*max(vario[,3])),fit.method=1)
modele4=if (modele4[1,2]<0 || modele4[2,2]<0 || modele4[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Exp",140),fit.method=1) else modele4
if (modele4[dim(modele4)[1],2]>0 && modele4[dim(modele4)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,])
Err$KU4[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU4[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU4EQM[t]=mean((Err$KU4[Err$Periode==t])**2,na.rm=T)
Info$KU4EAM[t]=median(abs(Err$KU4[Err$Periode==t]),na.rm=T)

# 5- Modèle gaussien :
modele5=fit.variogram(vario,vgm(max(vario[,3]),"Gau",140,0.1*max(vario[,3])),fit.method=1)
modele5=if (modele5[1,2]<0 || modele5[2,2]<0 || modele5[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Gau",140),fit.method=1) else modele5
if (modele5[dim(modele5)[1],2]>0 && modele5[dim(modele5)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,])
Err$KU5[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU5[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU5EQM[t]=mean((Err$KU5[Err$Periode==t])**2,na.rm=T)
Info$KU5EAM[t]=median(abs(Err$KU5[Err$Periode==t]),na.rm=T)

# 6- Modèle linéaire sans palier :

modele6=fit.variogram(vario,vgm(max(vario[,3])/150,"Lin",,0.1*max(vario[,3])),fit.method=1)
modele6=if (modele6[1,2]<0 || modele6[2,2]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Lin"),fit.method=1) else modele6
if (modele6[dim(modele6)[1],2]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,])
Annexe B. Programme S-Plus 117

Err$KU6[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU6[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU6EQM[t]=mean((Err$KU6[Err$Periode==t])**2,na.rm=T)
Info$KU6EAM[t]=median(abs(Err$KU6[Err$Periode==t]),na.rm=T)

# 7- Modèle puissance :
modele7=fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1,0.1*max(vario[,3])),fit.method=1)
modele7=if (modele7[1,2]<0 || modele7[2,2]<0 || modele7[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1),fit.method=1) else modele7
if(modele7[dim(modele7)[1],2]>0&&modele7[dim(modele7)[1],3]>0&&modele7[dim(modele7)[1],3]<2){
valid=krige.cv(Stations~1+x+y,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,])
Err$KU7[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KU7[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KU7EQM[t]=mean((Err$KU7[Err$Periode==t])**2,na.rm=T)
Info$KU7EAM[t]=median(abs(Err$KU7[Err$Periode==t]),na.rm=T)

# Choix du modèle :
indice=data.frame(c(Info$KU1EQM[t],Info$KU2EQM[t],Info$KU3EQM[t],Info$KU4EQM[t],
Info$KU5EQM[t],Info$KU6EQM[t],Info$KU7EQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$KUmodele[t]=minimums[1,1]
modele = if (Info$KUmodele[t]==1) modele1 else if (Info$KUmodele[t]==2) modele2 else
if (Info$KUmodele[t]==3) modele3 else if (Info$KUmodele[t]==4) modele4 else
if (Info$KUmodele[t]==5) modele5 else if (Info$KUmodele[t]==6) modele6 else modele7

# Calcul des résidus gls :

g.gls=gstat(id="Stations",form=Stations~1+x+y,loc=~x+y,model=modele,
data=Donnees[Donnees$Periode==t,])
prev.gls=predict(g.gls,Donnees[Donnees$Periode==t,],BLUE=T)
res.gls=Donnees$Stations[Donnees$Periode==t]-prev.gls$Stations.pred

# Estimation semi-variogramme sur les résidus gls :

vario=variogram(res.gls~1,loc=~x+y,Donnees[Donnees$Periode==t,],cutoff=150,width=10)

# Deuxième itération :

# 1- Modèle pépitique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele1=fit.variogram(vario,vgm(max(vario[,3]),"Nug"),fit.method=1)
Info$KU1pepite[t]= modele1$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele1[dim(modele1)[1],2]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,])
Err$KU1[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU1[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU1[Var$Periode==t]=Interpo[,4]
} else {
Err$KU1[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU1[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU1[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU1EQM[t]=mean((Err$KU1[Err$Periode==t])**2,na.rm=T)
Info$KU1EAM[t]=median(abs(Err$KU1[Err$Periode==t]),na.rm=T)
Annexe B. Programme S-Plus 118

# 2- Modèle linéaire avec palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele2=fit.variogram(vario,vgm(max(vario[,3]),"Lin",140,0.1*max(vario[,3])),fit.method=1)
modele2=if (modele2[1,2]<0 || modele2[2,2]<0 || modele2[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Lin",140),fit.method=1) else modele2
Info$KU2pepite[t]=if(dim(modele2)[1]==2) modele2$psill[1] else 0
Info$KU2ppalier[t]=if(dim(modele2)[1]==2) modele2$psill[2] else modele2$psill[1]
Info$KU2portee[t]=if(dim(modele2)[1]==2) modele2$range[2] else modele2$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele2[dim(modele2)[1],2]>0 && modele2[dim(modele2)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,])
Err$KU2[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU2[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU2[Var$Periode==t]=Interpo[,4]
} else {
Err$KU2[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU2[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU2[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU2EQM[t]=mean((Err$KU2[Err$Periode==t])**2,na.rm=T)
Info$KU2EAM[t]=median(abs(Err$KU2[Err$Periode==t]),na.rm=T)

# 3- Modèle sphérique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele3=fit.variogram(vario,vgm(max(vario[,3]),"Sph",140,0.1*max(vario[,3])),fit.method=1)
modele3=if (modele3[1,2]<0 || modele3[2,2]<0 || modele3[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Sph",140),fit.method=1) else modele3
Info$KU3pepite[t]=if(dim(modele3)[1]==2) modele3$psill[1] else 0
Info$KU3ppalier[t]=if(dim(modele3)[1]==2) modele3$psill[2] else modele3$psill[1]
Info$KU3portee[t]=if(dim(modele3)[1]==2) modele3$range[2] else modele3$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele3[dim(modele3)[1],2]>0 && modele3[dim(modele3)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,])
Err$KU3[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU3[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU3[Var$Periode==t]=Interpo[,4]
} else {
Err$KU3[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU3[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU3[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU3EQM[t]=mean((Err$KU3[Err$Periode==t])**2,na.rm=T)
Info$KU3EAM[t]=median(abs(Err$KU3[Err$Periode==t]),na.rm=T)

# 4- Modèle exponentiel :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele4=fit.variogram(vario,vgm(max(vario[,3]),"Exp",140,0.1*max(vario[,3])),fit.method=1)
modele4=if (modele4[1,2]<0 || modele4[2,2]<0 || modele4[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Exp",140),fit.method=1) else modele4
Info$KU4pepite[t]=if(dim(modele4)[1]==2) modele4$psill[1] else 0
Annexe B. Programme S-Plus 119

Info$KU4ppalier[t]=if(dim(modele4)[1]==2) modele4$psill[2] else modele4$psill[1]

Info$KU4porteep[t]=if(dim(modele4)[1]==2) 3*modele4$range[2] else 3*modele4$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele4[dim(modele4)[1],2]>0 && modele4[dim(modele4)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,])
Err$KU4[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU4[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU4[Var$Periode==t]=Interpo[,4]
} else {
Err$KU4[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU4[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU4[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU4EQM[t]=mean((Err$KU4[Err$Periode==t])**2,na.rm=T)
Info$KU4EAM[t]=median(abs(Err$KU4[Err$Periode==t]),na.rm=T)

# 5- Modèle gaussien :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele5=fit.variogram(vario,vgm(max(vario[,3]),"Gau",140,0.1*max(vario[,3])),fit.method=1)
modele5=if (modele5[1,2]<0 || modele5[2,2]<0 || modele5[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Gau",140),fit.method=1) else modele5
Info$KU5pepite[t]=if(dim(modele5)[1]==2) modele5$psill[1] else 0
Info$KU5ppalier[t]=if(dim(modele5)[1]==2) modele5$psill[2] else modele5$psill[1]
Info$KU5porteep[t]=if(dim(modele5)[1]==2) sqrt(3)*modele5$range[2] else sqrt(3)*modele5$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele5[dim(modele5)[1],2]>0 && modele5[dim(modele5)[1],3]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,])
Err$KU5[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU5[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU5[Var$Periode==t]=Interpo[,4]
} else {
Err$KU5[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU5[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU5[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU5EQM[t]=mean((Err$KU5[Err$Periode==t])**2,na.rm=T)
Info$KU5EAM[t]=median(abs(Err$KU5[Err$Periode==t]),na.rm=T)

# 6- Modèle linéaire sans palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele6=fit.variogram(vario,vgm(max(vario[,3])/150,"Lin",,0.1*max(vario[,3])),fit.method=1)
modele6=if (modele6[1,2]<0 || modele6[2,2]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Lin"),fit.method=1) else modele6
Info$KU6pepite[t]=if(dim(modele6)[1]==2) modele6$psill[1] else 0
Info$KU6pente[t]=if(dim(modele6)[1]==2) modele6$psill[2] else modele6$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele6[dim(modele6)[1],2]>0) {
valid=krige.cv(Stations~1+x+y,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,])
Err$KU6[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Annexe B. Programme S-Plus 120

Prev$KU6[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU6[Var$Periode==t]=Interpo[,4]
} else {
Err$KU6[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU6[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU6[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU6EQM[t]=mean((Err$KU6[Err$Periode==t])**2,na.rm=T)
Info$KU6EAM[t]=median(abs(Err$KU6[Err$Periode==t]),na.rm=T)

# 7- Modèle puissance :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele7=fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1,0.1*max(vario[,3])),fit.method=1)
modele7=if (modele7[1,2]<0 || modele7[2,2]<0 || modele7[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1),fit.method=1) else modele7
Info$KU7pepite[t]=if(dim(modele7)[1]==2) modele7$psill[1] else 0
Info$KU7echelle[t]=if(dim(modele7)[1]==2) modele7$psill[2] else modele7$psill[1]
Info$KU7puissance[t]=if(dim(modele7)[1]==2) modele7$range[2] else modele7$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if(modele7[dim(modele7)[1],2]>0&&modele7[dim(modele7)[1],3]>0&&modele7[dim(modele7)[1],3]<2){
valid=krige.cv(Stations~1+x+y,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,])
Err$KU7[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+x+y,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KU7[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KU7[Var$Periode==t]=Interpo[,4]
} else {
Err$KU7[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KU7[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KU7[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KU7EQM[t]=mean((Err$KU7[Err$Periode==t])**2,na.rm=T)
Info$KU7EAM[t]=median(abs(Err$KU7[Err$Periode==t]),na.rm=T)

# Choix du modèle :
indice=data.frame(c(Info$KU1EQM[t],Info$KU2EQM[t],Info$KU3EQM[t],Info$KU4EQM[t],
Info$KU5EQM[t],Info$KU6EQM[t],Info$KU7EQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$KUmodele[t]=minimums[1,1]
if (Info$KUmodele[t]==1) {
Err$KU[Err$Periode==t]=Err$KU1[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU1[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU1[Var$Periode==t]
} else
if (Info$KUmodele[t]==2) {
Err$KU[Err$Periode==t]=Err$KU2[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU2[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU2[Var$Periode==t]
} else
if (Info$KUmodele[t]==3) {
Err$KU[Err$Periode==t]=Err$KU3[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU3[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU3[Var$Periode==t]
} else
if (Info$KUmodele[t]==4) {
Annexe B. Programme S-Plus 121

Err$KU[Err$Periode==t]=Err$KU4[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU4[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU4[Var$Periode==t]
} else
if (Info$KUmodele[t]==5) {
Err$KU[Err$Periode==t]=Err$KU5[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU5[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU5[Var$Periode==t]
} else
if (Info$KUmodele[t]==6) {
Err$KU[Err$Periode==t]=Err$KU6[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU6[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU6[Var$Periode==t]
} else {
Err$KU[Err$Periode==t]=Err$KU7[Err$Periode==t]
Prev$KU[Prev$Periode==t]=Prev$KU7[Prev$Periode==t]
Var$KU[Var$Periode==t]=Var$KU7[Var$Periode==t]
}
Info$KUEQM[t]=mean((Err$KU[Err$Periode==t])**2,na.rm=T)
Info$KUEAM[t]=median(abs(Err$KU[Err$Periode==t]),na.rm=T)
}

# FILTRE : Mise de c^oté des périodes pour lesquelles les variances leave-one-out
# des prévisions GEM ne sont pas assez grandes pour KDE
for(t in Pluie){
IDlignes=na.omit(ifelse(Donnees$Periode==t,row(Donnees),NA))
PetiteVar=rep(NA,length(IDlignes))
for (i in 1:length(IDlignes)){
PetiteVar[i]=ifelse(var(Donnees$GEM[IDlignes[-i]])<0.0001,1,0)
}
Info$KDEpossible[t]= if (sum(PetiteVar)>0) "non" else "oui"
}
KDEpossible=na.omit(ifelse(Info$KDEpossible=="oui",row(Info),NA))

# KRIGEAGE AVEC DÉRIVE EXTERNE :

for(t in KDEpossible){

corr=cor.test(Donnees$Stations[Donnees$Periode==t],Donnees$GEM[Donnees$Periode==t],
alternative="two.sided", method="pearson")
Info$KDEcorrGEM[t]=corr$estimate
Info$KDEpvalueGEM[t]=corr$p.value

# Première itération :

# Estimation semi-variogramme sur les résidus ols :

vario=variogram(Stations~1+GEM,loc=~x+y,Donnees[Donnees$Periode==t,],cutoff=150,width=10)

# 1- Modèle pépitique :
modele1=fit.variogram(vario,vgm(max(vario[,3]),"Nug"),fit.method=1)
if (modele1[dim(modele1)[1],2]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,])
Err$KDE1[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Annexe B. Programme S-Plus 122

} else Err$KDE1[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE1EQM[t]=mean((Err$KDE1[Err$Periode==t])**2,na.rm=T)
Info$KDE1EAM[t]=median(abs(Err$KDE1[Err$Periode==t]),na.rm=T)

# 2- Modèle linéaire avec palier :

modele2=fit.variogram(vario,vgm(max(vario[,3]),"Lin",140,0.1*max(vario[,3])),fit.method=1)
modele2=if (modele2[1,2]<0 || modele2[2,2]<0 || modele2[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Lin",140),fit.method=1) else modele2
if (modele2[dim(modele2)[1],2]>0 && modele2[dim(modele2)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,])
Err$KDE2[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KDE2[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE2EQM[t]=mean((Err$KDE2[Err$Periode==t])**2,na.rm=T)
Info$KDE2EAM[t]=median(abs(Err$KDE2[Err$Periode==t]),na.rm=T)

# 3- Modèle sphérique :
modele3=fit.variogram(vario,vgm(max(vario[,3]),"Sph",140,0.1*max(vario[,3])),fit.method=1)
modele3=if (modele3[1,2]<0 || modele3[2,2]<0 || modele3[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Sph",140),fit.method=1) else modele3
if (modele3[dim(modele3)[1],2]>0 && modele3[dim(modele3)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,])
Err$KDE3[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KDE3[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE3EQM[t]=mean((Err$KDE3[Err$Periode==t])**2,na.rm=T)
Info$KDE3EAM[t]=median(abs(Err$KDE3[Err$Periode==t]),na.rm=T)

# 4- Modèle exponentiel :
modele4=fit.variogram(vario,vgm(max(vario[,3]),"Exp",140,0.1*max(vario[,3])),fit.method=1)
modele4=if (modele4[1,2]<0 || modele4[2,2]<0 || modele4[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Exp",140),fit.method=1) else modele4
if (modele4[dim(modele4)[1],2]>0 && modele4[dim(modele4)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,])
Err$KDE4[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KDE4[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE4EQM[t]=mean((Err$KDE4[Err$Periode==t])**2,na.rm=T)
Info$KDE4EAM[t]=median(abs(Err$KDE4[Err$Periode==t]),na.rm=T)

# 5- Modèle gaussien :
modele5=fit.variogram(vario,vgm(max(vario[,3]),"Gau",140,0.1*max(vario[,3])),fit.method=1)
modele5=if (modele5[1,2]<0 || modele5[2,2]<0 || modele5[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Gau",140),fit.method=1) else modele5
if (modele5[dim(modele5)[1],2]>0 && modele5[dim(modele5)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,])
Err$KDE5[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KDE5[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE5EQM[t]=mean((Err$KDE5[Err$Periode==t])**2,na.rm=T)
Info$KDE5EAM[t]=median(abs(Err$KDE5[Err$Periode==t]),na.rm=T)

# 6- Modèle linéaire sans palier :

modele6=fit.variogram(vario,vgm(max(vario[,3])/150,"Lin",,0.1*max(vario[,3])),fit.method=1)
modele6=if (modele6[1,2]<0 || modele6[2,2]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Lin"),fit.method=1) else modele6
if (modele6[dim(modele6)[1],2]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,])
Err$KDE6[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Annexe B. Programme S-Plus 123

} else Err$KDE6[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE6EQM[t]=mean((Err$KDE6[Err$Periode==t])**2,na.rm=T)
Info$KDE6EAM[t]=median(abs(Err$KDE6[Err$Periode==t]),na.rm=T)

# 7- Modèle puissance :
modele7=fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1,0.1*max(vario[,3])),fit.method=1)
modele7=if (modele7[1,2]<0 || modele7[2,2]<0 || modele7[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1),fit.method=1) else modele7
if(modele7[dim(modele7)[1],2]>0&&modele7[dim(modele7)[1],3]>0&&modele7[dim(modele7)[1],3]<2){
valid=krige.cv(Stations~1+GEM,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,])
Err$KDE7[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
} else Err$KDE7[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Info$KDE7EQM[t]=mean((Err$KDE7[Err$Periode==t])**2,na.rm=T)
Info$KDE7EAM[t]=median(abs(Err$KDE7[Err$Periode==t]),na.rm=T)

# Choix du modèle :
indice=data.frame(c(Info$KDE1EQM[t],Info$KDE2EQM[t],Info$KDE3EQM[t],Info$KDE4EQM[t],
Info$KDE5EQM[t],Info$KDE6EQM[t],Info$KDE7EQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$KDEmodele[t]=minimums[1,1]
modele = if (Info$KDEmodele[t]==1) modele1 else if (Info$KDEmodele[t]==2) modele2 else
if (Info$KDEmodele[t]==3) modele3 else if (Info$KDEmodele[t]==4) modele4 else
if (Info$KDEmodele[t]==5) modele5 else if (Info$KDEmodele[t]==6) modele6 else modele7

# Calcul des résidus gls :

g.gls=gstat(id="Stations",form=Stations~1+GEM,loc=~x+y,model=modele,
data=Donnees[Donnees$Periode==t,])
prev.gls=predict(g.gls,Donnees[Donnees$Periode==t,],BLUE=T)
res.gls=Donnees$Stations[Donnees$Periode==t]-prev.gls$Stations.pred

# Estimation semi-variogramme sur les résidus gls :

vario=variogram(res.gls~1,loc=~x+y,Donnees[Donnees$Periode==t,],cutoff=150,width=10)

# Deuxième itération :

# 1- Modèle pépitique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele1=fit.variogram(vario,vgm(max(vario[,3]),"Nug"),fit.method=1)
Info$KDE1pepite[t]= modele1$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele1[dim(modele1)[1],2]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,])
Err$KDE1[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele1,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE1[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE1[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE1[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE1[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE1[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE1EQM[t]=mean((Err$KDE1[Err$Periode==t])**2,na.rm=T)
Info$KDE1EAM[t]=median(abs(Err$KDE1[Err$Periode==t]),na.rm=T)
Annexe B. Programme S-Plus 124

# 2- Modèle linéaire avec palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele2=fit.variogram(vario,vgm(max(vario[,3]),"Lin",140,0.1*max(vario[,3])),fit.method=1)
modele2=if (modele2[1,2]<0 || modele2[2,2]<0 || modele2[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Lin",140),fit.method=1) else modele2
Info$KDE2pepite[t]=if(dim(modele2)[1]==2) modele2$psill[1] else 0
Info$KDE2ppalier[t]=if(dim(modele2)[1]==2) modele2$psill[2] else modele2$psill[1]
Info$KDE2portee[t]=if(dim(modele2)[1]==2) modele2$range[2] else modele2$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele2[dim(modele2)[1],2]>0 && modele2[dim(modele2)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,])
Err$KDE2[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele2,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE2[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE2[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE2[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE2[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE2[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE2EQM[t]=mean((Err$KDE2[Err$Periode==t])**2,na.rm=T)
Info$KDE2EAM[t]=median(abs(Err$KDE2[Err$Periode==t]),na.rm=T)

# 3- Modèle sphérique :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele3=fit.variogram(vario,vgm(max(vario[,3]),"Sph",140,0.1*max(vario[,3])),fit.method=1)
modele3=if (modele3[1,2]<0 || modele3[2,2]<0 || modele3[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Sph",140),fit.method=1) else modele3
Info$KDE3pepite[t]=if(dim(modele3)[1]==2) modele3$psill[1] else 0
Info$KDE3ppalier[t]=if(dim(modele3)[1]==2) modele3$psill[2] else modele3$psill[1]
Info$KDE3portee[t]=if(dim(modele3)[1]==2) modele3$range[2] else modele3$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele3[dim(modele3)[1],2]>0 && modele3[dim(modele3)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,])
Err$KDE3[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele3,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE3[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE3[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE3[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE3[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE3[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE3EQM[t]=mean((Err$KDE3[Err$Periode==t])**2,na.rm=T)
Info$KDE3EAM[t]=median(abs(Err$KDE3[Err$Periode==t]),na.rm=T)

# 4- Modèle exponentiel :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele4=fit.variogram(vario,vgm(max(vario[,3]),"Exp",140,0.1*max(vario[,3])),fit.method=1)
modele4=if (modele4[1,2]<0 || modele4[2,2]<0 || modele4[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Exp",140),fit.method=1) else modele4
Info$KDE4pepite[t]=if(dim(modele4)[1]==2) modele4$psill[1] else 0
Info$KDE4ppalier[t]=if(dim(modele4)[1]==2) modele4$psill[2] else modele4$psill[1]
Annexe B. Programme S-Plus 125

Info$KDE4porteep[t]=if(dim(modele4)[1]==2) 3*modele4$range[2] else 3*modele4$range[1]

# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele4[dim(modele4)[1],2]>0 && modele4[dim(modele4)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,])
Err$KDE4[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele4,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE4[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE4[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE4[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE4[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE4[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE4EQM[t]=mean((Err$KDE4[Err$Periode==t])**2,na.rm=T)
Info$KDE4EAM[t]=median(abs(Err$KDE4[Err$Periode==t]),na.rm=T)

# 5- Modèle gaussien :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele5=fit.variogram(vario,vgm(max(vario[,3]),"Gau",140,0.1*max(vario[,3])),fit.method=1)
modele5=if (modele5[1,2]<0 || modele5[2,2]<0 || modele5[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3]),"Gau",140),fit.method=1) else modele5
Info$KDE5pepite[t]=if(dim(modele5)[1]==2) modele5$psill[1] else 0
Info$KDE5ppalier[t]=if(dim(modele5)[1]==2) modele5$psill[2] else modele5$psill[1]
Info$KDE5porteep[t]=if(dim(modele5)[1]==2) sqrt(3)*modele5$range[2] else sqrt(3)*modele5$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele5[dim(modele5)[1],2]>0 && modele5[dim(modele5)[1],3]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,])
Err$KDE5[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele5,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE5[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE5[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE5[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE5[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE5[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE5EQM[t]=mean((Err$KDE5[Err$Periode==t])**2,na.rm=T)
Info$KDE5EAM[t]=median(abs(Err$KDE5[Err$Periode==t]),na.rm=T)

# 6- Modèle linéaire sans palier :

# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele6=fit.variogram(vario,vgm(max(vario[,3])/150,"Lin",,0.1*max(vario[,3])),fit.method=1)
modele6=if (modele6[1,2]<0 || modele6[2,2]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Lin"),fit.method=1) else modele6
Info$KDE6pepite[t]=if(dim(modele6)[1]==2) modele6$psill[1] else 0
Info$KDE6pente[t]=if(dim(modele6)[1]==2) modele6$psill[2] else modele6$psill[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if (modele6[dim(modele6)[1],2]>0) {
valid=krige.cv(Stations~1+GEM,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,])
Err$KDE6[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele6,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE6[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Annexe B. Programme S-Plus 126

Var$KDE6[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE6[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE6[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE6[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE6EQM[t]=mean((Err$KDE6[Err$Periode==t])**2,na.rm=T)
Info$KDE6EAM[t]=median(abs(Err$KDE6[Err$Periode==t]),na.rm=T)

# 7- Modèle puissance :
# Pour ajuster le modèle et noter les info par rapport à ce modèle :
modele7=fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1,0.1*max(vario[,3])),fit.method=1)
modele7=if (modele7[1,2]<0 || modele7[2,2]<0 || modele7[2,3]<0)
fit.variogram(vario,vgm(max(vario[,3])/150,"Pow",1),fit.method=1) else modele7
Info$KDE7pepite[t]=if(dim(modele7)[1]==2) modele7$psill[1] else 0
Info$KDE7echelle[t]=if(dim(modele7)[1]==2) modele7$psill[2] else modele7$psill[1]
Info$KDE7puissance[t]=if(dim(modele7)[1]==2) modele7$range[2] else modele7$range[1]
# Pour faire validation croisée, interpolation, sauver résultats et noter informations :
if(modele7[dim(modele7)[1],2]>0&&modele7[dim(modele7)[1],3]>0&&modele7[dim(modele7)[1],3]<2){
valid=krige.cv(Stations~1+GEM,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,])
Err$KDE7[Err$Periode==t]=valid[,5]-ifelse(valid[,3]<0,0,valid[,3])
Interpo=krige(Stations~1+GEM,~x+y,model=modele7,data=Donnees[Donnees$Periode==t,],
newdata=Grille[Grille$Periode==t,])
Prev$KDE7[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$KDE7[Var$Periode==t]=Interpo[,4]
} else {
Err$KDE7[Err$Periode==t]=rep(NA,dim(Donnees[Donnees$Periode==t,])[1])
Prev$KDE7[Prev$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
Var$KDE7[Var$Periode==t]=rep(NA,dim(Grille[Grille$Periode==t,])[1])
}
Info$KDE7EQM[t]=mean((Err$KDE7[Err$Periode==t])**2,na.rm=T)
Info$KDE7EAM[t]=median(abs(Err$KDE7[Err$Periode==t]),na.rm=T)

# Choix du modèle :
indice=data.frame(c(Info$KDE1EQM[t],Info$KDE2EQM[t],Info$KDE3EQM[t],Info$KDE4EQM[t],
Info$KDE5EQM[t],Info$KDE6EQM[t],Info$KDE7EQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
Info$KDEmodele[t]=minimums[1,1]
if (Info$KDEmodele[t]==1) {
Err$KDE[Err$Periode==t]=Err$KDE1[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE1[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE1[Var$Periode==t]
} else
if (Info$KDEmodele[t]==2) {
Err$KDE[Err$Periode==t]=Err$KDE2[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE2[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE2[Var$Periode==t]
} else
if (Info$KDEmodele[t]==3) {
Err$KDE[Err$Periode==t]=Err$KDE3[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE3[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE3[Var$Periode==t]
} else
if (Info$KDEmodele[t]==4) {
Err$KDE[Err$Periode==t]=Err$KDE4[Err$Periode==t]
Annexe B. Programme S-Plus 127

Prev$KDE[Prev$Periode==t]=Prev$KDE4[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE4[Var$Periode==t]
} else
if (Info$KDEmodele[t]==5) {
Err$KDE[Err$Periode==t]=Err$KDE5[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE5[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE5[Var$Periode==t]
} else
if (Info$KDEmodele[t]==6) {
Err$KDE[Err$Periode==t]=Err$KDE6[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE6[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE6[Var$Periode==t]
} else {
Err$KDE[Err$Periode==t]=Err$KDE7[Err$Periode==t]
Prev$KDE[Prev$Periode==t]=Prev$KDE7[Prev$Periode==t]
Var$KDE[Var$Periode==t]=Var$KDE7[Var$Periode==t]
}
Info$KDEEQM[t]=mean((Err$KDE[Err$Periode==t])**2,na.rm=T)
Info$KDEEAM[t]=median(abs(Err$KDE[Err$Periode==t]),na.rm=T)
}

# COKRIGEAGE ORDINAIRE

for (t in Pluie) {

# Estimation du variogramme expérimental :

g.interpo=gstat(id="Stations",formula=Stations~1,loc=~x+y,data=Donnees[Donnees$Periode==t,])
g.interpo=gstat(g.interpo,id="GEM",formula=GEM~1,loc=~x+y,data=Grille[Grille$Periode==t,])
vario=variogram(g.interpo,cutoff=150,width=15)

# Ajustement modèle linéaire de corégionalisation (linéaire sans effet de pépite)

g.interpo=gstat(g.interpo,model=vgm(max(vario[,3])/150,"Lin"),fill.all=T)
g.interpo=fit.lmc(vario,g.interpo)
Info$CKOpenteStations[t]=g.interpo$model$Stations[1,2]
Info$CKOpenteGEM[t]=g.interpo$model$GEM[1,2]
Info$CKOpenteStaGEM[t]=g.interpo$model$Stations.GEM[1,2]

# Validation croisée
Periodet=na.omit(ifelse(Donnees$Periode==t,row(Donnees),NA))
for (i in 1:length(Periodet)){
g.valid=gstat(id="Stations",formula=Stations~1,loc=~x+y,data=Donnees[Periodet[-i],],
model=g.interpo$model$Stations)
g.valid=gstat(g.valid,id="GEM",formula=GEM~1,locations=~x+y,data=Grille[Grille$Periode==t,],
model=g.interpo$model$GEM)
g.valid=gstat(g.valid,id=c("Stations","GEM"),model=g.interpo$model$Stations.GEM)
valid=predict(g.valid,Donnees[Periodet[i],])
Err$CKO[Periodet[i]]=Donnees$Stations[Periodet[i]]
-ifelse(valid$Stations.pred<0,0,valid$Stations.pred)
}
Info$CKOEQM[t]=mean((Err$CKO[Err$Periode==t])**2,na.rm=T)
Info$CKOEAM[t]=median(abs(Err$CKO[Err$Periode==t]),na.rm=T)

# Prévision grille GEM :

Interpo = predict(g.interpo,Grille[Grille$Periode==t,])
Annexe B. Programme S-Plus 128

Prev$CKO[Prev$Periode==t]=ifelse(Interpo[,3]<0,0,Interpo[,3])
Var$CKO[Var$Periode==t]=Interpo[,4]
}

# MÉTHODE SÉLECTION : choix d’une méthode par validation croisée

for( t in Pluie) {
indice=data.frame(c(Info$KOEQM[t],Info$KUEQM[t],Info$KDEEQM[t],
Info$CKOEQM[t],Info$RLxyEQM[t],Info$RLxywEQM[t]))
minimums=na.omit(ifelse(indice==min(indice,na.rm=T),row(indice),NA))
if (minimums[1,1]==1) {
Info$Selection[t]="KO"
Err$Selection[Err$Periode==t]=Err$KO[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$KO[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$KO[Var$Periode==t]
} else
if (minimums[1,1]==2) {
Info$Selection[t]="KU"
Err$Selection[Err$Periode==t]=Err$KU[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$KU[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$KU[Var$Periode==t]
} else
if (minimums[1,1]==3) {
Info$Selection[t]="KDE"
Err$Selection[Err$Periode==t]=Err$KDE[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$KDE[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$KDE[Var$Periode==t]
} else
if (minimums[1,1]==4) {
Info$Selection[t]="CKO"
Err$Selection[Err$Periode==t]=Err$CKO[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$CKO[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$CKO[Var$Periode==t]
} else
if (minimums[1,1]==5) {
Info$Selection[t]="RLxy"
Err$Selection[Err$Periode==t]=Err$RLxy[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$RLxy[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$RLxy[Var$Periode==t]
} else {
Info$Selection[t]="RLxyw"
Err$Selection[Err$Periode==t]=Err$RLxyw[Err$Periode==t]
Prev$Selection[Prev$Periode==t]=Prev$RLxyw[Prev$Periode==t]
Var$Selection[Var$Periode==t]=Var$RLxyw[Var$Periode==t]
}
Info$SelectionEQM[t]=mean((Err$Selection[Err$Periode==t])**2,na.rm=T)
Info$SelectionEAM[t]=median(abs(Err$Selection[Err$Periode==t]),na.rm=T)
}