Modélisation géostatistique de la salinité des eaux
Modélisation géostatistique de la salinité des eaux
Modélisation géostatistique de la salinité des eaux
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1 INTRODUCTION:<br />
Il s'avère que <strong>la</strong> <strong>géostatistique</strong> offre <strong>de</strong>s concepts et <strong>de</strong>s<br />
approches qui pourrait contribuer à enrichir les techniques<br />
d'assimi<strong>la</strong>tion <strong>de</strong> données, permettant <strong>de</strong> corriger l'état du<br />
modèle. La <strong>géostatistique</strong> avec ses métho<strong>de</strong>s <strong>de</strong> simu<strong>la</strong>tions<br />
conditionnelles offre un cadre idéal pour relier les<br />
différentes informations, comprendre et modéliser leur<br />
structure statistique, é<strong>la</strong>borer <strong>de</strong>s outils <strong>de</strong> prévision.<br />
(Brochu, 2002)<br />
Les métho<strong>de</strong>s <strong>géostatistique</strong>s sont souvent utilisées pour les<br />
problèmes impliquant <strong>de</strong>s transformations non linéaires <strong>de</strong>s<br />
variables mesurées. En hydrogéologie, les problèmes<br />
inverses sont traités par ces métho<strong>de</strong>s. Le paramètre<br />
inconnu peut être le coefficient <strong>de</strong> perméabilité,<br />
transmissivité, coefficient <strong>de</strong> dispersion, les conditions aux<br />
limites peuvent être i<strong>de</strong>ntifiées.<br />
Les paramètres sont considérés comme étant <strong>de</strong>s variables<br />
aléatoires à cause <strong>de</strong> <strong>la</strong> nature hétérogène du milieu, en<br />
examinant <strong>la</strong> distribution spatiale <strong>de</strong>s valeurs ponctuelles à<br />
l'intérieur du domaine donné et en calcu<strong>la</strong>nt quelques<br />
éléments statistiques <strong>de</strong> l'estimation (<strong>la</strong> moyenne, <strong>la</strong><br />
variance,…), on pourra juger <strong>la</strong> qualité <strong>de</strong> <strong>la</strong> simu<strong>la</strong>tion<br />
(Davis, 1986 ; Kitanidis, 1997). La métho<strong>de</strong> <strong>de</strong> krigeage<br />
offre l'avantage d'avoir <strong>la</strong> variance d'estimation minimale<br />
(Labor<strong>de</strong>, 2000), ce problème <strong>de</strong> simu<strong>la</strong>tion peut être résolu<br />
en <strong>de</strong>ux étapes :<br />
1. La moyenne et <strong>la</strong> fonction <strong>de</strong> variance sont<br />
estimées par les observations (données brutes).<br />
2. L'estimation du champ (piézométrie ou<br />
concentration) est conditionnée par les<br />
observations pour obtenir les meilleures<br />
réalisations.<br />
Le transfert <strong>de</strong>s solutés par les <strong>eaux</strong> souterraines est lié à <strong>la</strong><br />
géochimie <strong>de</strong>s systèmes aquifères. La solubilité <strong>de</strong>s<br />
minéraux dépend <strong>de</strong> leur nature et du temps <strong>de</strong> séjour <strong>de</strong>s<br />
<strong>eaux</strong>. (G. <strong>de</strong> Marsily, 1981)<br />
2 SIMULATION GEOSTATISTIQUE PAR<br />
KRIGEAGE:<br />
Dans <strong>la</strong> technique <strong>de</strong> krigeage ordinaire, on cherche à<br />
établir les résultats permettant <strong>de</strong> fournir une mesure <strong>de</strong> <strong>la</strong><br />
précision <strong>de</strong>s estimés effectués par l'estimateur linéaire<br />
d'une valeur réelle h (inconnue) permet <strong>de</strong> déterminer :<br />
(Brochu, 2002 ; Labor<strong>de</strong>, 2000)<br />
n<br />
∗<br />
h = ∑ λ h<br />
(1)<br />
i = 1<br />
i i<br />
On définit l'erreur d'estimation:<br />
*<br />
e = h − h<br />
(2)<br />
50<br />
A. Messameh & al.<br />
L'obtention d'une variance d'estimation minimale revient à<br />
minimiser l'expression :<br />
e = =<br />
∗ ⎡<br />
⎣h −h<br />
⎤<br />
⎦<br />
∗ ∗<br />
= var [ h] + var ⎡<br />
⎣h ⎤<br />
⎦−2cov ⎡<br />
⎣h, h ⎤<br />
⎦<br />
2<br />
var( ) σe<br />
var<br />
Qui peut se réécrire en y substituant l'estimateur linéaire:<br />
2<br />
e var [ h] n n<br />
∑∑ i j cov hi, hj<br />
i= 1 j=<br />
1<br />
n<br />
σ = + λ λ ⎡<br />
⎣<br />
⎤<br />
⎦<br />
∑<br />
i = 1<br />
[ h h ]<br />
− 2 λ cov ,<br />
i i<br />
Afin d'assurer une absence <strong>de</strong> biais pour l'estimateur<br />
linéaire (éq. 1), il est nécessaire que cette contrainte soit<br />
intégrée au modèle<br />
n<br />
∑<br />
i=<br />
1<br />
(3)<br />
(4)<br />
λ = 1<br />
(5)<br />
i<br />
Cette contrainte signifie que <strong>la</strong> moyenne locale <strong>de</strong>s<br />
observations est constante partout dans le domaine. La<br />
minimisation d'une fonction quadratique avec présence<br />
d'une contrainte d'égalité (éq. 5) s'effectue par <strong>la</strong> métho<strong>de</strong><br />
<strong>de</strong> Lagrange. Il suffit <strong>de</strong> former le Lagrangien L ( λ ) qui<br />
fait intervenir le multiplicateur <strong>de</strong> Lagrange μ :<br />
n<br />
2 ⎛ ⎞<br />
L ( λ) = σe + 2μ⎜∑ λi<br />
−1⎟<br />
(6)<br />
⎝ i = 1 ⎠<br />
L'équation (6) fournit le krigeage ordinaire lorsque<br />
s'annulent toutes les dérivées partielles par rapport à chacun<br />
<strong>de</strong>s λ i .; et par rapport à μ<br />
Le système <strong>de</strong> krigeage ordinaire <strong>de</strong>vient :<br />
avec<br />
n<br />
∑<br />
j = 1<br />
n<br />
j = 1<br />
j<br />
[ h , h ] + μ = cov[<br />
h,<br />
h ]<br />
λ cov<br />
(7)<br />
i<br />
j<br />
∑ λi<br />
= 1<br />
(8)<br />
Qui est <strong>la</strong> contrainte <strong>de</strong> non-biais. La variance d'estimation<br />
2<br />
minimale <strong>de</strong> ce système, ou variance <strong>de</strong> krigeage σ e est<br />
déterminée par <strong>la</strong> substitution <strong>de</strong>s équations <strong>de</strong> krigeage<br />
dans l'équation (4) représentant <strong>la</strong> forme générale <strong>de</strong> <strong>la</strong><br />
variance d'estimation :<br />
n<br />
[] h − λ cov[<br />
h,<br />
h ] μ<br />
2<br />
σ var −<br />
(9)<br />
k = ∑<br />
i = 1<br />
i<br />
Il est intéressant <strong>de</strong> visualiser le système <strong>de</strong> krigeage<br />
ordinaire sous forme matricielle:<br />
K λ =<br />
(10)<br />
0. 0 k0<br />
i<br />
i