
Le krigeage est, en géostatistique, une famille de méthodes d’estimation linéaires garantissant le minimum de variance sous certaines hypothèses. Le krigeage réalise l'interpolation spatiale d'une variable régionalisée par calcul de l'espérance mathématique d'une variable aléatoire, utilisant l'interprétation et la modélisation du variogramme expérimental. Il tient compte non seulement de la distance entre les données et le point d'estimation, mais également des distances entre les données deux à deux.
Le terme « krigeage » provient du nom de famille de l'ingénieur minier sud-africain Danie G. Krige. Il a été formalisé pour la prospection minière par Georges Matheron (1930-2000) au BRGM puis à l'École des mines de Paris. Depuis, le domaine de ses applications a largement été étendu, touchant notamment la météorologie, les sciences de l’environnement et l’électromagnétisme.
Selon les hypothèses sous-jacentes, le krigeage se décline sous plusieurs variantes (simple, ordinaire…) qui toutes utilisent les mêmes principes.
Un krigeage habituel fait se succéder plusieurs actions :
Le calcul fournit également une variance de krigeage σ2
K, qui dépend du variogramme et de la position des points de données, mais pas des valeurs de celles-ci.
Le fait que le krigeage est l'estimateur linéaire de variance minimale se traduit par quatre contraintes successives, qui permettent d'écrire le système de krigeage pour toutes les variantes de la méthode. La suite détaille les quatre étapes de construction d'un estimateur Q* pour une quantité à estimer Q.
Dans un souci de réalisme, on pose que la quantité à estimer est une fonctionnelle linéaire de la fonction aléatoire étudiée (dans le cas général: ); le cas plus large (problèmes de coupure et de sélection…) relève de la géostatistique non linéaire.
L'estimateur est posé comme combinaison linéaire des données, de poids inconnus pour l'instant :
L'erreur d'estimation doit être une combinaison linéaire autorisée, c'est-à-dire que son espérance et sa variance doivent être définies.
La condition d'autorisation s'écrit différemment selon le modèle sous-jacent supposé (on supposera toujours le support borné).
On exige de l'estimateur qu'il ne présente pas de biais statistique par rapport à la quantité à estimer. Cette contrainte peut être nommée contrainte de non-biais ou d'espérance nulle :
On demande à l'erreur d'estimation d'être de variance minimale, sous les contraintes précédentes. Sauf cas particuliers, il y existe une solution unique à ce problème d'estimation.
Le résultat de ces quatre contraintes est, dans le cas général, un système de Cramer, qui admet une solution et une seule.
On peut étendre cette démarche dans le cas continu en considérant non des pondérations λi mais des mesures λ(dx).
Soit Z une fonction aléatoire stationnaire d'ordre 2. Son espérance m et sa matrice de covariance pour les sites d'échantillonnage sont supposées connues. On suppose sans perte m=0. On cherche le krigeage de Z en un point x0.
Le système de krigeage simple s'écrit matriciellement :
où :
La matrice de covariance étant symétrique définie positive, elle est inversible et on résout le système de krigeage en l'inversant :
Le résultat de l'interpolation au point x0 est :
Dans le cas général, l'espérance m de Z n'est pas toujours nulle. On calcule alors les poids λi du krigeage de la variable Z - m au point x0, dont l'espérance est nulle. On obtient le krigeage simple de Z en x0 :
La variance d'estimation du krigeage simple est :
Le krigeage simple ne peut s'écrire directement en termes de variogramme, puisque la somme des poids n'est pas égale à 1. Le krigeage simple exige que la covariance soit définie, c'est-à-dire que le variogramme présente un palier.
Si la fonction aléatoire Z est gaussienne, le résultat de krigeage Z0* est l'espérance conditionnelle, et l'estimation et l'erreur sont gaussiennes :
L'espérance m est supposée inconnue (mais définie).
Le système de krigeage ordinaire s'écrit matriciellement :
La variance d'estimation en krigeage ordinaire est
On peut utiliser la même démarche pour évaluer l'espérance inconnue. Soit son estimateur M*.
La variance de l'évaluation de la moyenne est donc :
Soit Z strictement intrinsèque sans dérive.
Ce cas est identique au précédent, écrit en variogramme :
La variance d'estimation en krigeage ordinaire est encore (le plus généralement γ0,0=0).
Le krigeage ordinaire ponctuel se décompose en deux étapes : estimation de la moyenne du processus par krigeage ordinaire, puis krigeage simple en tenant compte de cette moyenne. Posant respectivement λm,i, μm et σO,m2 les poids, multiplicateurs de Lagrange et variance de krigeage ordinaire pour l'estimation de la moyenne, λO,i et μ les poids et multiplicateur de Lagrange pour le krigeage ordinaire, λS,i les poids de krigeage simple, et S=(1−∑iλS,i) le poids de la moyenne en krigeage simple, on a :
La variance de krigeage simple est inférieure à celle du krigeage ordinaire associé. Si les données sont nombreuses et bien structurées, les deux krigeages sont proches. Sinon, le krigeage simple attribue un poids important à la moyenne globale connue, et le krigeage ordinaire attribue le même poids à une estimation locale de la moyenne, ainsi ce dernier est plus robuste quant aux défauts de stationnarité. D'une manière générale, le krigeage ordinaire est à préférer au krigeage simple, sauf cas particuliers (krigeage d'indicatrices, simulations).
Le modèle supposé est Z(x)=Y(x)+m(x), comportant une dérive m(x) déterministe et un résidu Y(x) voulu stationnaire (résidu vrai), et d'espérance nulle. La difficulté est de séparer les deux composantes m et y dans la variable régionalisée z. Cette dichotomie peut représenter une opposition explicative entre basses et hautes fréquences, entre tendance régionale et anomalies.
La dérive est supposée décomposable selon un nombre connu de fonctions de base , généralement des monômes des coordonnées, avec f0=1 la fonction constante unité. Les coefficients al sont inconnus. Le modèle de dérive calculé par les algorithmes ci-après ne décrit pas forcément la tendance du phénomène, mais une approximation à l'échelle de travail.
Les hypothèses sur le résidu Y sont appelés sous-jacents sur Z.
Ce modèle est interprétable comme ayant une force de rappel autour de la dérive. La covariance est posée .
On notera fli la valeur de fl au point xi, pour i=0…n.
Sous forme matricielle, le krigeage universel s'écrit :
La variance d'estimation est:
On suppose Y intrinsèque stricte sans dérive (la dérive étant intégrée à m).
Le système de krigeage s'écrit :
Soit matriciellement :
La variance d'estimation est :
Le résultat est identique au cas précédent, cependant la situation physique n'est pas la même : ici, le phénomène peut admettre un variogramme sans palier, c'est-à-dire sans force de rappel.
Les calculs précédents ont supposé une dérive m déterministe, connue et régulière.
En modèle sous-jacent stationnaire, on pose un estimateur linéaire de la dérive . Les λi sont solutions du système :
Et la variance d'estimation en est :
En modèle sous-jacent intrinsèque strict, les contraintes d'autorisation et d'universalité sont incompatibles ; l'estimation optimale de la dérive est impossible.
La combinaison linéaire doit être autorisée, donc .
L'universalité donne , d'où après simplification et avec f0i=1, , ce qui est une condition en λi impossible.
On suppose ici que Z est une FAI-k, k étant une valeur donnée.
Le système de krigeage intrinsèque s'écrit :
La variance d'estimation en krigeage intrinsèque est :
On dispose des propriétés suivantes :
Conditions de régularité du système de krigeage — Le système de krigeage (en krigeage intrinsèque) est régulier ssi
Supposons le système de krigeage intrinsèque régulier. Le système dual est défini par:
Sa résolution selon bi et cl fournit une approche non-probabiliste du krigeage, à travers l'égalité suivante, où les coefficients sont indépendants du lieu d'évaluation x0:
Le krigeage peut donc se caractériser comme l'interpolateur z* :
Un théorème établi par Georges Matheron montre l'équivalence entre spline et krigeage, même si la conversion n'est en pratique pas aisée.
Supposons une variable aléatoire Z = m + ∑iYi avec m sa moyenne et Yi des variables aléatoires intrinsèques indépendantes deux à deux, de moyenne nulle et de variogrammes respectifs γi. On peut poser un estimateur d'une composante Yk sous la forme :
Soit un jeu de variables Zn, n∈⟦1;N⟧, dont les variogrammes sont supposées combinaisons linéaires de structures γp, p∈⟦1;P⟧. Étudions une structure numéroté p. Posons un jeu de variables Yp, n, orthogonales (moyenne nulle et variance unitaire), indépendantes deux à deux et de même variogramme. Posons : Cette décomposition n'est néanmoins pas unique ; le sens physique des Yp,k n'est pas garanti.
On a rapidement les variogrammes croisés : où On obtient des matrices (bp,i,j)i,j symétriques et définies positives. Par renumérotation selon p, les Yp,n sont ordonnés de manière décroissante selon leur valeur propre (la part de variance de la composante d'échelle)[pas clair].
Le krigeage factoriel consiste à tenir compte des structures les plus explicatives (dont la valeur propre est significative), soit les p premières composantes (p≤p) :
Ce krigeage n'est pas ponctuel : il vise à estimer la variable Z sur un volume ou support v. Dans le cas d'une FAI-k, cela revient à remplacer :
Le système de krigeage de bloc s'écrit : La variance d'estimation en krigeage de bloc est
Les calculs d'intégrales nécessitent des algorithmes de discrétisation. Une variante est le krigeage de polygone ou de polyformes.
Le but est d'estimer ∂Z⁄∂u dans une direction u (vecteur unitaire). On posera la définition :
Si la covariance K(h) est stationnaire et isotrope, Z est différentiable ssi k est deux fois différentiable en 0 ; alors la covariance de Z′ est −K″, qui est définie en tout point. Alors (∂Z⁄∂u)*=∂Z*⁄∂u. Dans des cas courants, la condition n'est pas forcément remplie et ∂Z⁄∂u n'est pas défini ; on étend alors la relation précédente.
Si Z a un effet pépite, c'est la dérivée de la partie continue du phénomène qui est estimée.
Le système de krigeage de gradient s'écrit :
La variance d'estimation en krigeage de gradient est
En théorie, le krigeage ne permet pas de traiter des contraintes d'inégalité. Néanmoins, des algorithmes à base d'échantillonnage de Gibbs ont été développés pour fournir une solution approchée dans le cas d'une variable gaussienne.
Soit le cas multivariable d'une fonction aléatoire stationnaire d'ordre 2 d'espérance nulle, sur ℝn✕D. Le cas se ramène aisément au cas simple ; de cela découlent les propriétés générales, comme l'interpolation exacte, la superposition des figures de krigeage…
Le résultat d'un cokrigeage multivariable donne un rôle symétrique aux différentes composantes, tant sur leur hiérarchie que sur leur échantillonnage. Par rapport au cas monovariable, le cokrigeage multivariable exige plus de doigté, de données et de contrôles avant et après l'évaluation.
Si les composantes de Z sont indépendantes, la matrice de cokrigeage devient diagonale de composantes Ki , i, i ∈ ⟦1 , d⟧. Cette séparation des variables conduit à des krigeages simples sur chacune des composantes.
Dans le cas général, on pose la FASt-2 multivariable Z comme somme d'une FASt-2 multivariable d'espérance nulle Y et d'une dérive m déterministe décomposée selon une base de fonctions fl:
Les fonctions de base peuvent être choisies de manière à refléter des liaisons entre les dérives. Par exemple, dans le cas ℝ✕{1,2}, bivariable sur un espace à une dimension, on peut supposer :
Les conditions de régularité du système sont similaires à celles du krigeage monovariable:
Cependant, la conditionnalité n'est pas une condition d'autorisation comme dans le cas monovariable, mais de filtrage, et signifie que toute mesure ν satisfaisant aux contraintes , on a :
Les coefficients al de la dérive peuvent s'estimer par :
On adopte une notation par des mesures :
Les mesures ψj et les coefficients a*
l sont solutions du système dual :
Le krigeage avec dérive part d'une situation où on suppose que la connaissance de la variable régionalisée étudiée z, qu'on supposera ici FASt-2, peut être améliorée par celle d'une autre variable régionalisée bien mieux échantillonnée (par exemple, la pluviométrie et le relief); cette seconde variable est nommée fonction de forme s ; elle doit être connue (ou estimée) aux points de données de z et aux points d'estimation. On posera entre l'espérance de Z et s, par exemple polynomiale (et souvent affine, avec k = 1):
Le krigeage s'effectue de manière similaire au krigeage universel.