GML6402A : Géostatistique

Cours 1 : Variogramme
Objectifs
• Expliquer ce que représente le variogramme et en quoi il permet de mesurer la continuité
spatiale des teneurs;

• Expliquer la différence entre variogramme expérimental et théorique et comprendre la

nécessité d'un modèle théorique;
• Calculer un variogramme expérimental;
• Ajuster un modèle théorique à un variogramme expérimental;

• Calculer la covariance entre deux points à partir d'un modèle de variogramme;

• Tenir compte dans le calcul du variogramme ou de la covariance d'anisotropies;
• Connaître les principales caractéristiques des modèles de variogramme courants.
Plan de cours
1. Point de vue de la géostatistique
1.1 Rappels
1.2 Effet de support
1.3 Effet d’information
2. Géostatistique linéaire
2.1 Hypothèse de stationnarité
2.2 Variogramme expérimental
2.3 Variogramme théorique
3. Modélisation du variogramme théorique
3.1 Modèles de variogramme admissible
3.2 Anisotropies
4. Problème et stratégie de modélisation
1. Point de vue de la géostatistique
Première loi de la géographie

« Tout interagit avec tout, mais deux

objets proches ont plus de chances de le
faire que deux objets éloignés », Waldo
Tobler
Aussi vrai en géologie.

Deux observations situées l'une près de

l'autre devraient, en moyenne, se
ressembler davantage que deux
observations éloignées.
1. Point de vue de la géostatistique
Objectifs de la géostatistique

? Géologie : résultante de
processus géologiques
complexes et temporelles.

Impossible de connaître le sous-

sol dans son entièreté.
Les incertitudes sont
omniprésentes en géosciences.

Comprendre et identifier ces

processus d’un point de vue
statistique.

5
1. Point de vue de la géostatistique
Objectifs de la géostatistique

Forages (données
ponctuelles);

? Géophysiques;

Études antérieures;

Base de données
(SIGEOM, SIH, …).

6
1. Point de vue de la géostatistique
Idée fondamentale : La nature n'est pas entièrement "imprévisible". Deux
observations situées l'une près de l'autre devraient, en moyenne, se
ressembler davantage que deux observations éloignées.

Attaquer le problème d’un point de vue de la géostatistique

Gisement 𝑍(𝑥1 ) Un gisement est constitué de

plusieurs points (‘quasi-points’)
𝑍(𝑥2 )
• Chaque point représente une
teneur
? 𝑍(𝑥3 )
• Chaque teneur est une v.a. 𝑍𝑖 (𝑥𝑖 )
• L’ensemble des teneurs suit une loi
multivariable, de dimension n, le
𝑍(𝑥0 )
nombre de points.
7
1. Point de vue de la géostatistique
Question : comment estimer 𝑍(𝑥0 ) ?

1. Estimer, à partir des données, la loi

de densité conjointe
Gisement 𝑍(𝑥1 )
2. Estimer, à partir des données, la loi
𝑍(𝑥2 ) de densité multivariable

3. Estimer, à partir des données, la loi

? 𝑍(𝑥3 )
de densité d’une variable

𝑍(𝑥0 ) Impossible, on ne connaît pas 𝑍 𝑥0 et on

a qu’une observation des 𝑍 𝑥𝑖 , 𝑖 = 1, . . , 3

8
1. Point de vue de la géostatistique
Question : comment estimer 𝒁(𝒙𝟎 ) ?
Recours à des hypothèses → les
Gisement 𝑍(𝑥1 ) statistiques ne dépendent pas de x.
Elles dépendent de la distance h
entre les points.
𝑍(𝑥2 )
Stationnarité de second ordre
? 𝑍(𝑥3 ) • 𝐸 𝑍 𝑥 =𝑚
• 𝐸 𝑍 𝑥 − 𝑍(𝑥 + ℎ) = 0
• 𝐶𝑜𝑣 𝑍 𝑥 , 𝑍 𝑥 + ℎ = 𝐶(ℎ)
1
𝑍(𝑥0 ) • 𝑉𝑎𝑟 𝑍 𝑥 −𝑍 𝑥+ℎ = 𝛾(ℎ)
2

* Ces hypothèses supposent une certaine régularité, une certaine homogénéité

du gisement étudié. Si on peut reconnaître des zones très différentes
géologiquement, on a habituellement intérêt à les traiter séparément. 9
1.1 Rappels
Deux variables aléatoires (X et Y) : caractérisé par la loi de densité conjointe f(x,y)

f(x,y)
f(x,y)

Y X Y X
f(x,y)

Y X
1.1 Rappels

Deux variables aléatoires (X et Y) : la distribution conjointe de deux v.a peut se résumer par

• La moyenne des deux variables (𝑚𝑋 et 𝑚𝑌 )

• L’écart-type (ou la variance) des deux variables (σ𝑋 et σ𝑌 )
• La corrélation (ou covariance) entre les deux variables
(𝜌𝑋𝑌 )
Covariance : mesure le degré d’association entre deux v.a
Corrélation (𝜌) : covariance entre deux v.a normalisées pour présenter un écart-type
de 1

Cov X, Y
𝜌𝑋𝑌 = 𝜖 −1,1
σ𝑋 σ𝑌
1.1 Rappels
Deux variables aléatoires (X et Y) : influence de la corrélation
sur la distribution bivariable.
1.1 Rappels
Espérance mathématique
Définition :
• 𝐸 𝑋 = ‫𝑥𝑑 𝑥 𝑋𝑓𝑥 ׬‬
• 𝐸 𝑔(𝑋) = ‫𝑥𝑑 𝑥 𝑋𝑓)𝑥(𝑔 ׬‬
• 𝐸 𝑔(𝑋, 𝑌) = ‫𝑥(𝑔 ׬‬, 𝑦)𝑓𝑋𝑌 𝑥, 𝑦 𝑑𝑥𝑑𝑦

Variance :
Si 𝑔 𝑋 = (𝑋 − 𝑚)2 , alors 𝐸 𝑔(𝑋) = 𝑉𝑎𝑟(𝑋)

Covariance :
Si 𝑔 𝑋, 𝑌 = (𝑋 − 𝑚𝑥 )(𝑌 − 𝑚𝑦 ), alors 𝐸 𝑔(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑋, 𝑌)
13
1.1 Rappels
Espérance mathématique et
variance
Généralisation :

𝑉𝑎𝑟 𝑐 න 𝑍 𝑥 𝑑𝑥 = 𝑐 2 න න 𝐶𝑜𝑣 𝑍 𝑥 , 𝑍 𝑦 𝑑𝑥𝑑𝑦 Très utile

𝐶𝑜𝑣 𝑎 න 𝑍 𝑥 𝑑𝑥 , 𝑏 න 𝑍 𝑦 𝑑𝑦 = 𝑎𝑏 න න 𝐶𝑜𝑣 𝑍 𝑥 , 𝑍 𝑦 𝑑𝑥𝑑𝑦

À noter :
• 𝐶𝑜𝑣 𝑋, 𝑋 = 𝑉𝑎𝑟 𝑋
• 𝑉𝑎𝑟 𝑋 + 𝑌 = 𝑉𝑎𝑟 𝑋 + 𝑉𝑎𝑟 𝑌 si X et Y sont indépendants
• 𝐶𝑜𝑣 𝑋, 𝑌 = 0 si X et Y sont indépendants
14
1.1 Rappels
Espérance mathématique et
variance
Propriétés : opérateur linéaire
• 𝐸 𝑐𝑔(𝑋) = 𝑐𝐸 𝑔(𝑋)
• 𝐸 𝑔 𝑋 + ℎ(𝑋) = 𝐸 𝑔(𝑋) + 𝐸 ℎ(𝑋)
• 𝐸 𝑔 𝑋, 𝑌 + ℎ(𝑋, 𝑌) = 𝐸 𝑔(𝑋, 𝑌) + 𝐸 ℎ(𝑋, 𝑌)

En particulier, on obtient :
• 𝑉𝑎𝑟 𝑋 + 𝑌 = 𝑉𝑎𝑟 𝑋 + 𝑉𝑎𝑟 𝑌 + 2𝐶𝑜𝑣(𝑋, 𝑌)
• 𝑉𝑎𝑟 𝑎𝑋 + 𝑏𝑌 = 𝑎2 𝑉𝑎𝑟 𝑋 + 𝑏 2 𝑉𝑎𝑟 𝑌 + 2𝑎𝑏𝐶𝑜𝑣(𝑋, 𝑌)

Généralisation :
𝑛 𝑛 𝑛

𝑉𝑎𝑟 ෍ 𝑎𝑖 𝑋𝑖 = ෍ ෍ 𝑎𝑖 𝑎𝑗 𝐶𝑜𝑣 𝑋𝑖 , 𝑋𝑗 Très utile

𝑖=1 𝑖=1 𝑗=1
15
1.1 Effet de support
Définition :

Support : est la taille physique, caractérisée par une géométrie et une orientation, du
volume sur lequel une mesure de la variable régionalisée Z est effectuée

Variable régionalisée : est toute fonction mathématique déterministe destinée à modéliser

un phénomène présentant une structure plus ou moins prononcée dans l'espace et/ou le
temps

3m

v: 10mx10mx5m
V: 120mx120x20m
Exemple : Le support est crucial dans les travaux miniers, car il ne s'agit pas seulement d'identifier des points
riches en minerais, mais de déterminer quels panneaux de taille fixe (définie par les techniques employées) ont
probablement une teneur en minerais répondant à une valeur de coupure définie par des contraintes techniques et
économiques.
16
1.1 Effet de support
Effet de support

Qu’observe-t-on de
particulier ?

Pourquoi ? Explication ?

Teneur Teneur

17
1.1 Effet d’information
Définition :

Information : Indication, renseignement, précision que l'on donne ou que l'on obtient sur
quelqu'un ou quelque chose

Données lithologiques Données géochimiques

On prend nos décisions à

partir d’estimations, mais on
récolte des valeurs vraies. 18
1.2 Effet d’information

traité

Peut-on prévoir les plages d’erreur et les pertes en $ ?

Augmenter l’information disponible ($) pour réduire les pertes ?
* La précision dépend du nombre de données, mais aussi des caractéristiques du gisement.
19
2. Géostatistique linéaire
Pour une même quantité de matière extraite, statistiquement parlant :

→ on récupère toujours moins de métal avec de gros blocs

qu’avec des petits blocs (effet support)

→ on récupère toujours moins de métal avec des

estimations qu’avec les vraies valeurs (effet information)

La géostatistique permet théoriquement de

• prévoir l’ampleur de ces effets
• Minimiser ces effets
• Prendre des décisions éclairées au vu de ces effets

20
2.1 Hypothèse de stationnarité
Gisement
Stationnarité du second ordre
𝑍(𝑥1 ) 𝑍(𝑥0 ) 𝑍(𝑥2 )
L’espérance mathématique ne dépend pas de la
localisation x
• 𝐸 𝑍 𝑥 =𝑚
• 𝐸 𝑍 𝑥 − 𝑍(𝑥 + ℎ) = 0
𝑍(𝑥) 𝑍(𝑥 + ℎ)
ℎ La covariance ne dépend que de h
• 𝐶𝑜𝑣 𝑍 𝑥 , 𝑍 𝑥 + ℎ = 𝐶 ℎ , covariogramme
1
• 𝑍 𝑥 − 𝑍 𝑥 + ℎ = 𝛾(ℎ) , variogramme
𝑉𝑎𝑟
2
• Var 𝑍 𝑥 = 𝐶 0 , constante

𝛾(ℎ) → fonction la plus utilisée pour

caractériser la continuité d’une
minéralisation 21
2.1 Hypothèse de stationnarité
Covariance et corrélation 𝐶 ℎ = 𝐶𝑜𝑣 𝑍 𝑥 , 𝑍 𝑥 + ℎ
=𝐸 𝑍 𝑥 −𝑚 𝑍 𝑥+ℎ −𝑚
Gisement

ℎ1 ℎ2 ℎ3

Généralement
𝜌(ℎ2 ) = 0.5 𝜌(ℎ3 ) = 0.15 si h ↑, 𝐶 ↓, 𝜌 ↓
𝜌(ℎ1 ) = 0.94

22
2.1 Hypothèse de stationnarité
Variogramme

1
𝛾 ℎ = 𝑉𝑎𝑟 𝑍 𝑥 − 𝑍 𝑥 + ℎ
2

1 2
= 𝐸 𝑍 𝑥 −𝑍 𝑥+ℎ
𝑍 𝑥+ℎ

Généralement
si h ↑, 𝛾 ↑

𝑍 𝑥
23
2.1 Hypothèse de stationnarité
Variogramme 1
𝛾 ℎ = 𝑉𝑎𝑟 𝑍 𝑥 − 𝑍 𝑥 + ℎ
2
Gisement

ℎ1 ℎ2 ℎ3

Généralement
γ(ℎ1 ) = 0.25 γ(ℎ2 ) = 0.5 γ(ℎ3 ) = 0.75 si h ↑, 𝛾 ↑

24
2.1 Hypothèse de stationnarité

Liens entre covariance et variogramme

2
𝛾 ℎ = 𝜎 − 𝐶(ℎ)

𝜎2
Uniquement vrai si le
variogramme présente un
palier, sinon 𝜎 2 n’est pas défini

25
2.1 Variogramme expérimental
Objectifs de la géostatistique
La géostatistique, qui étudie les phénomènes continus et catégoriels, a permis le développement de
méthodes spécifiques pour étudier les relations spatiales entre les observations et construire des
outils prédictifs.

Nuée variographique
Plan de position Nuée variographique Variogramme
Carrées des écarts
1
𝑍 𝑥 −𝑧 𝑥+ℎ 2
𝛾(ℎ) omnidirectionnel
2

N points de Distance
données de la N x (N-1) points
26
propriété Z
2.1 Variogramme expérimental
Variogramme expérimental
𝑁(ℎ)
1 2
𝛾𝑒 ℎ = ෍ 𝑍 𝑥𝑖 − 𝑍 𝑥𝑖 + ℎ
2𝑁(ℎ)
𝑖=1
𝑁(ℎ) : nombre de paires de points dans la classe ℎ considérée

Pour calculer le variogramme expérimental, il faut :

1. Choisir une direction ℎ et une tolérance angulaire

2. Discrétiser ℎ en classes distinctes
3. Répartir les paires de points (𝑥𝑖 , 𝑥𝑖 + ℎ) dans les
classes

27
2.1 Variogramme expérimental
Variogramme expérimental : 2D
h=3 ; tol=0 h=8 ; tol=0 h=15 ; tol=0

h=3±0.5 ; tol. ±15° h=8±0.5 ; tol. ±15° h=15±0.5 ; tol.±15°

28
2.1 Variogramme expérimental

Comment déterminer le variogramme à des distances non

observées ?
Relier les points par une droite

? Une solution si simple,

mais malheureusement
erronée !!!

Vers un modèle
théorique

29
2.2 Variogramme théorique
Il faut utiliser un modèle démontré admissible :
Assurer que toute variance calculée à partir du modèle soit
positive

𝐶=16.9

𝐶0 =2.1

30
𝑎=20
3. Modélisation du variogramme théorique
Un modèle théorique est requis afin d’assurer que toutes
variances calculées à partir du modèle sont nulles ou positives.
𝑛

Soit une combinaison linéaire෍ 𝜆𝑖 𝑍𝑖 , il faut démontrer pour ∀𝑛, ∀𝜆𝑖 𝑒𝑡 ∀𝑍𝑖 que :
𝑖=1

OUTCH!!!
𝑛 𝑛 𝑛 𝑛 𝑛

𝑉𝑎𝑟 ෍ 𝜆𝑖 𝑍𝑖 = ෍ ෍ 𝜆𝑖 𝜆𝑗 𝐶𝑜𝑣 𝑍𝑖 , 𝑍𝑗 = ෍ ෍ 𝜆𝑖 𝜆𝑗 𝐶 ℎ𝑖,𝑗 ≥ 0

𝑖=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1
FIOU !!
Utilisation de modèles éprouvés

Note 1 : C est nommé la matrice de covariance et elle fournit la covariance entre chaque paire d'éléments. Il suffit de démontrer que
C est semi-défini positive pour vérifier l’admissibilité d’un modèle pour toutes les combinaisons linéaires possibles.
Note 2: La relation est valide seulement si le variogramme présente un palier. Sinon, l’équation à démontrer est légèrement plus
complexe. Il faut stipuler que σ𝑛𝑖=1 𝜆𝑖 = 0, et démontrer que 𝑉𝑎𝑟 σ𝑛𝑖=1 𝜆𝑖 𝑍𝑖 = − σ𝑛𝑖=1 σ𝑛𝑗=1 𝜆𝑖 𝜆𝑗 𝛾 ℎ𝑖,𝑗 ≥ 0. 31
3. Modélisation du variogramme théorique
Densité spectrale
Une fonction de densité spectrale est admissible si on peut démontrer qu'elle est positive (ou
nulle) pour chaque s, garantissant ainsi que la covariance directe associée est admissible.

C ℎ = ‫׬‬ℜ𝑑 𝑒 𝑖 𝑠∙ℎ
𝐹(𝑑𝑠)
où · est le produit scalaire et 𝐹(𝑑𝑠) est la mesure spectrale.

Lorsque 𝐶(ℎ) est de carré intégrable, la mesure spectrale peut s'écrire sous la forme d'une
densité spectrale, 𝐹 𝑑𝑠 = 𝑓 𝑠 𝑑𝑠.

Si C(h) est absolument intégrable, la densité spectrale peut être obtenue par

1 −𝑖 𝑠∙ℎ
𝑓 𝑠 = 𝑑
න 𝑒 𝐶 ℎ 𝑑ℎ
2𝜋 ℜ𝑑
Marcotte, D. (2015). TASC3D: A program to test the admissibility in 3D of non-linear models of coregionalization. In Computers & Geosciences (Vol. 83, 32
pp. 168–175). Elsevier BV. https://doi.org/10.1016/j.cageo.2015.07.012
3. Modélisation du variogramme théorique

Lorsqu’un variogramme présente un seuil, il est défini

par :
• La portée (a) : distance à partir de laquelle deux points de l’espace ne
sont plus liés un à l’autre (covariance nulle, 𝐶 ℎ > 𝑎 = 0). Pour un
modèle asymptotique, la covariance tend vers zéro (𝐶 ℎ > 𝑎 → 0).

• Le palier (𝜎 2 = 𝐶0 + σ𝑖 𝐶𝑖 ): variance de la variable aléatoire 𝑍 𝑥 .

• L’effet de pépite (𝐶0 ): variation à très courte échelle, erreurs de

mesure, de localisation, de précision ou d’analyse

33
3. Modélisation du variogramme théorique
Construction de modèles admissibles :
• Toute somme (coefficients positifs) de modèles de variogramme est
admissible

• Toute somme (coefficients positifs) de modèles de covariance est admissible

• Tout produit (coefficients positifs) de modèles de covariance est admissible

• Chaque modèle peut être isotrope ou anisotrope, les directions

d’anisotropie peuvent varier d’un modèle à l’autre

• IMPORTANT : Un modèle peut être admissible en 1D et non-admissible en

2D, 3D,…,n-D. Par contre, s’il est admissible en n-D il l’est aussi en (n-1)-D
jusqu’à 1D.
34
3.1 Modèle de variogramme admissible
200 effet de pépite 200 linéaire

g(h)

g(h)
100 100

0 0
0 100 200 0 100 200
h h
200 sphérique 200 gaussien

g(h)

g(h)
100 100

0 0
0 100 200 0 100 200
h h
200 exponentiel

g(h)
100

0
0 100 200
h

35
3.1 Modèle de variogramme admissible
Il existe plusieurs modèles admissibles. En voici une liste :

36
3.1 Modèle de variogramme admissible
Il existe plusieurs modèles admissibles. Voici une autre liste :

37
3.2 Anisotropies
Anisotropies géométriques :

Il n’est pas rare que la continuité spatiale présente des directions

préférentielles. Le contexte de formation des zones minéralisées favorise une
direction au détriment d’une autre (veines, intrusions, sédimentations …).

On utilise généralement un ellipsoïde

pour caractériser l’anisotropie 38
3.2 Anisotropies
Anisotropies géométriques
𝑎𝑔 𝑎𝑝
On définit la portée dans une direction 𝑝1 𝑝2 par : 𝑎𝜃 =
𝑎𝑝2 cos2 𝜃 + 𝑎𝑔2 sin2 𝜃
𝑎𝜃
𝑎𝑝 𝑝2

𝜃𝑝 𝑎𝑔

𝜃 𝜃𝑝
𝜃𝑎𝑔
𝑝1
𝑦

39
3.2 Anisotropies
Anisotropies géométriques : calcul du variogramme pour deux points
𝑝2
1) déterminer la distance (ℎ) et l’angle (𝜃𝑝 ) formé
par les points 𝑝1 et 𝑝2 ;

𝜃𝑝
𝑝1
2) Calculer 𝜃 soit l’angle formé entre 𝑎𝑔 et le vecteur
constitué des points 𝑝1 et 𝑝2 ;
𝑎𝜃
𝑎𝑝
3) Calculer a𝜃 soit la portée effective dans la 𝜃 𝑎𝑔
𝑎𝑔 𝑎𝑝
direction du vecteur formé par 𝑝1 et 𝑝2 ; 𝑎𝜃 =
𝑎𝑝2 cos2 𝜃 + 𝑎𝑔2 sin2 𝜃 𝜃𝑎𝑔
𝑦
𝜃𝑝

4) Calculer le variogramme 𝛾 ℎ, 𝑎𝜃 avec la portée 𝑥

𝑎𝜃 et la distance h.
3.2 Anisotropies
Anisotropies zonales : toute anisotropie qui n’est pas géométrique
→ somme de composantes isotropes et avec anisotropies géométriques

Modèle gaussien isotrope de

portée effective 𝑎 = 7
+
Modèle gaussien anisotrope de
portée effective 𝑎𝑝 = 40 et 𝑎𝑔 = ∞

41
4. Problèmes et stratégies de modélisation
variogramme théorique
Le variogramme est une statistique d’ordre 2

Ce n’est pas suffisant pour caractériser tous les aspects d’une

image ou d’un processus

p. ex. on peut créer plusieurs images ayant même 𝑚, même

variogramme et présentant pourtant des textures très différentes

Aparté:
La géostatistique s'intéresse de plus en plus à des caractérisations plus
complètes des champs étudiés (p. ex. les moments définis sur plus de deux
points, statistiques d’ordre trois comme l’asymétrie directionnel).
42
4.1 Ajustement d’un variogramme expérimental
Exemple 1: Directionnel isotrope

Modèle effet de pépite (𝐶0 = 27.45 %𝑚2) et modèle sphérique isotrope (𝐶 = 69.75 %𝑚2, 𝑎 = 74.01)
43
4.1 Ajustement d’un variogramme expérimental
Exemple 2: Directionnel anisotrope

Modèle effet de pépite (𝐶0 =0.6 m2) et modèle gaussien avec anisotropie
géométrique (𝐶 = 7.8 𝑚2, 𝑎𝑔 = 𝑎90 = 256.2 𝑚, 𝑎𝑝 = 𝑎0 = 143.1 𝑚) 44
4.1 Ajustement d’un variogramme expérimental
Stratégies de modélisation
1. Définition minutieuse du domaine (taille de blocs, frontières, etc.)
2. Examen des données, données extrêmes ?
• Au besoin sous-échantillonnage des données pour éviter de
surreprésenter des zones particulières (Declustering and
debiasing, Pyrcz and Deutsch (2007))
3. Déterminer les directions géologiques principales
• Variogramme omnidirectionnel → modèle isotrope candidat
• Calculer les variogrammes directionnels (au moins 4
directions) attention aux paramètres de calculs (classes de distance
et tolérance)
• Comparer les variogrammes directionnels au modèle isotrope
candidat
o acceptable → terminé
o Inacceptable → ajuster un modèle anisotrope (géométrique)
▪ anisotrope (géométrique) acceptable → terminé
▪ Inacceptable → anisotropie zonale ?

Dans tous les cas, il importe surtout d’ajuster les premiers points du
variogramme. Éviter de «surajuster» les données à grande distance. 45
4.1 Ajustement d’un variogramme expérimental
Stratégies de modélisation : remarques concernant le
calcul des variogrammes
• Au minimum 30 paires de points pour la plupart des classes du
variogramme
• Au moins 4 à 6 points avant le palier afin d’ajuster le modèle
ℎ
• Limiter les distances d’ajustement à de petit ℎ (i.e ℎ < 𝑚𝑎𝑥 )
2
• Éviter les effets de bord
• Assurer la présence de données impliquant le centre du
phénomène
• Le comportement géologique aux bordures peut différer
de celui du centre
• Avoir un minimum de données observées sur le terrain
• >30 pour un variogramme omnidirectionnel
• >60 pour les variogrammes directionnels
46
4.1 Ajustement d’un variogramme expérimental
Il existe plusieurs stratégies différentes et chacun développe probablement ses propres habitudes. Pour
ma part, je recommande la stratégie suivante:

- Calculer et modéliser le variogramme omnidirectionnel en respectant, pour le choix des classes, les
règles énoncées ci-haut.

- Si le nombre de données le permet (i.e. au moins 50, préférablement 100) calculer les variogrammes
directionnels selon différentes directions (ex. 0, 45, 90, et 135 degrés) en respectant les règles ci-haut
(i.e. nb. paires >30, demi-longueur du champ comme distance maximale) et surimposer le modèle
omnidirectionnel sur les variogrammes expérimentaux directionnels. La géologie peut apporter une
information précieuse dans le choix des directions et la décision d'adopter ou non un modèle
anisotrope.

- Déterminer s'il y a anisotropie: différences de palier, mais surtout de portées qui ne peuvent
raisonnablement être imputées à des fluctuations aléatoires du variogramme. Cette évaluation
concerne surtout le début du variogramme. Des divergences à distance plus grandes sont normales
et sans importance. Si nécessaire, procéder à l'ajustement d'un modèle anisotrope.
47
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

1. Visuelle

2. Moindres carrés

3. Maximum de vraisemblances

4. Validation croisée

5. Machine Learning

Opinion : Les méthodes entièrement automatiques sont probablement à éviter. Un monitoring des caractéristiques
essentielles du modèle est souhaitable (type de modèle, anisotropie, direction d'anisotropie). Les connaissances de
l'utilisateur concernant le phénomène doivent être mises à contribution. La géostatistique n'est pas une boîte noire! 48
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

1. Visuelle

49
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

2. Moindre carrés
Reproduisent l'approche manuelle courante de modélisation de semivariogrammes jusqu'au
calcul de plusieurs semivariogrammes expérimentaux, puis automatisent la sélection des
paramètres du semivariogramme pour minimiser l'écart avec les points expérimentaux.

50
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

3. Maximum de vraisemblances
Définition : Une technique statistique utilisée pour estimer les paramètres d'un
modèle statistique. Elle repose sur l'idée de trouver les valeurs des paramètres qui
maximisent la probabilité (ou la vraisemblance) d'observer les données telles
qu'elles ont été recueillies.

51
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

4. Validation Croisée

52
4.1 Ajustement d’un variogramme expérimental
Ajustement visuel vs méthodes automatiques

5. Machine Learning

Jo, H., Pyrcz, M.J. Automatic Semivariogram Modeling by Convolutional Neural Network. Math Geosci 54, 177–205 (2022). 53
https://doi.org/10.1007/s11004-021-09962-w
5.5 Problèmes et stratégies de modélisation
Variogramme expérimental : 3D
Meilleures directions pour le calcul → directions des forages
• Permets de bien estimer le variogramme à petite distance
• Erreurs de localisation et de direction ont moins d’impacts sur le
variogramme, car les distances intercarottes demeurent inchangées
Problématique:
• Nécessite des forages ayant différentes directions pour pouvoir
modéliser l’anisotropie

Utile de représenter les mesures de

direction des forages sur un stéréonet

Direction de calcul et
tolérance angulaire
54
Problèmes : présence de données extrêmes
1 2 1 2 20 3 2 1 20 2 1 2 1 3 2 1

Solutions possibles :
• Transformer les données pour diminuer l’influence des valeurs extrêmes
• Éliminer la donnée s’il s’agit d’une erreur d’analyse
• Écrêtage (capping) 55
Problèmes : différence de variabilité entre deux
zones
Zone A (coordonnées distantes de 2 m)
4 4 5 4 4 5 6 5

Zone B (coordonnées distantes de 1 m)

8 6 8 10 12 8 10 12 14 10 8 6 12 8 10 10

Zone B
Solutions possibles:
• Séparer en 2 zones si
possible, sinon
• Uniformiser l'échantillonnage,
i.e. 1 point sur 2 dans la zone
Zone A+B B.
Zone A
56
Problèmes : rééchantillonner seulement les teneurs riches
(doublons)
Très mauvaise idée d'utiliser les données originales et quelques
duplicata
→ explosion de l'effet de pépite.
Si on fait des duplicata, soit on en fait partout, soit on les choisit au
hasard. Solutions possibles:
• Éviter les stratégies
d'échantillonnage biaisées
vers les valeurs fortes
• Décimer l'échantillon pour
assurer une couverture
uniforme partout

57
Problèmes : erreurs de localisation
Peu induire un effet de pépite non désiré lors de la modélisation

L’ arpentage des forages est important pour minimiser cet effet

Solutions possibles:
• Localiser avec soin les
données
• Tenir compte des erreurs de
localisation lors de
l’estimation

58
 Problèmes : géologie du gisement

Souvent les teneurs se

mettent en place avant les
évènements tectoniques.

Les corrélations spatiales

initiales sont déformées
dans cet espace déformé.

Dans certains cas simples,

on peut déplier le tout
pour retrouver les
corrélations originales.

59
Problèmes : détection des anisotropies
• Tolérance maintenue faible : < 22.5°, idéalement 0-10°
• Plus la tolérance augmente et plus :
• ont augmentent le nombre de paires de points
disponibles
Choix à
• les variogrammes deviennent moins directionnels
• on a une sous-estimation de l’anisotropie faire

Solutions possibles:
• Discuter avec les spécialistes
Est-ce probable que le gisement
présente une anisotropie ?
• Varier la tolérance et observer
l’influence sur l’anisotropie

60
Problèmes : isotrope versus anisotrope

Piège : ce n'est pas parce qu'il y a une

anisotropie géométrique que le variogramme
expérimental omnidirectionnel n'est pas joli

61
Problèmes : effet de pépite apparent
Avec moins de données, parfois on voit un effet de
pépite apparent alors qu'en vrai il n'y en a pas.

62
 Il faut savoir accepter une direction mal ajustée afin
d’éviter des comportements encore bien pires ailleurs

0° 45° 90° 0° 45° 90°

135° 135°

63
Autres outils utiles
• Variogramme des log(teneurs) pour identifier les anisotropies possibles, la (les)
portée, l’importance approximative de l’effet de pépite;

• Variogramme d’une transformation des teneurs (e.g., rang), même chose que les
log;

• Validation croisée de modèles candidats (krigeage); p. ex. Tester un modèle

isotrope vs anisotrope; tester un effet de pépite de 10% vs 30%;…

• Modèle permettant de prédire les variances des composites de tailles

différentes ?

• Modèle permettant de prédire les variances des valeurs krigées ?

64