MÃMOIRE - Thèses malgaches en ligne
MÃMOIRE - Thèses malgaches en ligne
MÃMOIRE - Thèses malgaches en ligne
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
UNIVERSITE D’ANTANANARIVO<br />
------------<br />
FACULTÉ DES SCIENCES<br />
FORMATION DOCTORALE EN PHYSIQUE<br />
DÉPARTEMENT DE PHYSIQUE<br />
Laboratoire de Géophysique appliquée<br />
MÉMOIRE<br />
pour l’obt<strong>en</strong>tion du<br />
DIPLÔME D’ÉTUDES APPROFONDIES EN PHYSIQUE<br />
Option : Géophysique appliquée<br />
Intitulé :<br />
MODELISATION DE STRUCTURES GEOELECTRIQUES DU<br />
BASSIN SEDIMENTAIRE AMBOVOMBE ANDROY PAR<br />
METHODE GEOSTATISTIQUE<br />
prés<strong>en</strong>té par<br />
RAZAFIMAHATRATRA Heritiana<br />
devant la commission d’exam<strong>en</strong> composée de :<br />
Présid<strong>en</strong>t :<br />
Monsieur RAMBOLAMANANA Gérard<br />
Rapporteur :<br />
Monsieur RATSIMBAZAFY Jean Bruno<br />
Examinateur : Monsieur RASOLOMANANA Eddy<br />
Professeur titulaire<br />
Professeur titulaire<br />
Professeur titulaire<br />
Le 12 Novembre 2010
UNIVERSITE D’ANTANANARIVO<br />
------------<br />
FACULTÉ DES SCIENCES<br />
FORMATION DOCTORALE EN PHYSIQUE<br />
DÉPARTEMENT DE PHYSIQUE<br />
Laboratoire de Géophysique appliquée<br />
MÉMOIRE<br />
pour l’obt<strong>en</strong>tion du<br />
DIPLÔME D’ÉTUDES APPROFONDIES EN PHYSIQUE<br />
Option : Géophysique appliquée<br />
Intitulé :<br />
MODELISATION DE STRUCTURES GEOELECTRIQUES DU<br />
BASSIN SEDIMENTAIRE AMBOVOMBE ANDROY PAR<br />
METHODE GEOSTATISTIQUE<br />
prés<strong>en</strong>té par<br />
RAZAFIMAHATRATRA Heritiana<br />
devant la commission d’exam<strong>en</strong> composée de :<br />
Présid<strong>en</strong>t :<br />
Monsieur RAMBOLAMANANA Gérard<br />
Rapporteur :<br />
Monsieur RATSIMBAZAFY Jean Bruno<br />
Examinateurs : Monsieur RASOLOMANANA Eddy<br />
Professeur titulaire<br />
Professeur titulaire<br />
Professeur titulaire<br />
Le 12 Novembre 2010<br />
ii
Remerciem<strong>en</strong>ts<br />
REMERCIEMENTS<br />
Ce travail a été réalisé grâce à l’aide et à la collaboration de plusieurs personnes <strong>en</strong>vers lesquels<br />
je ti<strong>en</strong>s, avant tout, à exprimer mes sincères remerciem<strong>en</strong>ts et ma vive reconnaissance aux<br />
personnalités suivants :<br />
-Monsieur le Doy<strong>en</strong> de la Faculté des Sci<strong>en</strong>ces ANDRIANANTENAINA Bruno<br />
-Madame le Chef de Départem<strong>en</strong>t de Physique, RANDRIAMANANTANY Zely Arivelo.<br />
qui ont bi<strong>en</strong> accepté de m’inscrire à la Faculté des sci<strong>en</strong>ces.<br />
-Professeur RAMBOLAMANANA Gérard, Directeur de l’Institut et Observatoire de<br />
Géophysique d’Antananarivo, Responsable du Laboratoire de Sismologie, Sismique et Infrasons<br />
qui m’a accueilli au sein de cet Institut et a accepté de présider la prés<strong>en</strong>tation de ce mémoire.<br />
-Professeur RATSIMBAZAFY Jean Bruno je ti<strong>en</strong>s à lui adresser particulièrem<strong>en</strong>t ma profonde<br />
gratitude pour les précieux conseils qu’il n’a cessé de nous donner tout au long de ces années<br />
passées <strong>en</strong>semble et lors de mon <strong>en</strong>cadrem<strong>en</strong>t.<br />
Trouvez ici ma profonde gratitude, Monsieur le Professeur.<br />
-Professeur RASOLOMANANA Eddy Harilala je ti<strong>en</strong>s aussi à lui adresser, ici, ma profonde<br />
reconnaissance qui a accepté d’être examinateur. Il fait partie de mes valeureux <strong>en</strong>seignants.<br />
Je remercie plus profondém<strong>en</strong>t GARO Joelson Sebille, étudiant chercheur au sein du<br />
Laboratoire de Géophysique Appliquée de l’Institut et Observatoire de Géophysique<br />
d’Antananarivo et à l’Ecole des Mines de Paris, d’avoir accepté d’être <strong>en</strong>cadreur de mon<br />
mémoire. Ses conseils ont été forts judicieux et appréciés pour la réalisation de ce mémoire.<br />
Je n’oublie pas d’adresser mes vifs remerciem<strong>en</strong>ts à<br />
-tous les membres du Corps Enseignant de l’Institut et Observatoire de Géophysique<br />
d’Antananarivo.<br />
-tout le personnel de l’I .O.G.A .<br />
-tous mes collègues étudiants chercheurs au sein du Laboratoire de Géophysique Appliquée de<br />
l’Institut et Observatoire de Géophysique d’Antananarivo ainsi qu’aux promotions AEA 2009.<br />
-mes par<strong>en</strong>ts, mon frère et tous les membres de ma famille qui m’ont sout<strong>en</strong>u tout au long de<br />
mes études.<br />
-tous ceux qui ont contribué à la réalisation de cet ouvrage,<br />
Mille mercis et mes reconnaissances sincères.<br />
i
Sommaire<br />
SOMMAIRE<br />
LISTE DES FIGURES<br />
LISTE DES TABLEAUX<br />
LISTE DES ABREVIATIONS<br />
INTRODUCTION<br />
PARTIE I<br />
PRESENTATION DE LA ZONE D’ETUDE ET PRESENTATION DES DONNEES<br />
I-1- PRESENTATION DE LA ZONE D’ETUDE<br />
I-2- PRESENTATION DES DONNEES<br />
PARTIE II<br />
RAPPELS THEORIQUES<br />
II-1- ANALYSE STATISTIQUE DES DONNEES<br />
II-2- ANALYSE VARIOGRAPHIQUE<br />
PARTIE III<br />
ANALYSE STATISTIQUE ET TRAITEMENT DES DONNEES PAR LES TECHNIQUES<br />
GEOSTATISTIQUES<br />
III-1- ANALYSE STATISTIQUE DES DONNEES<br />
III-2- TRAITEMENT DES DONNEES PAR KRIGEAGE<br />
III-3- TRAITEMENT DES DONNEES PAR COKRIGEAGE<br />
III-4- COMPARAISON DES RESULTATS DES DEUX METHODES<br />
PARTIE IV<br />
CARTES DE RESISTIVITE ET DISCUSSIONS<br />
CONCLUSION<br />
ANNEXES<br />
REFERENCES BIBLIOGRAPHIQUES ET WEBOGRAPHIQUES<br />
ii
Liste des figures<br />
LISTE DES FIGURES<br />
Figure 1: Localisation de la zone d’étude (Source BD500) ......................................................... 4<br />
Figure 2 : La géologie régionale (source BD 500). ...................................................................... 6<br />
Figure 3: Les cours d’eau à l’intérieur de la zone d’étude .......................................................... 8<br />
Figure 4: Dispositif W<strong>en</strong>ner ……………………………… ....................................................... 11<br />
Figure 5: Carte de localisation des sondages électriques ........................................................... 12<br />
Figure 6: Carte de localisation des forages existants ................................................................. 14<br />
Figure 7: Coupe de forage et feuille de mesure d’un SEV. ........................................................ 15<br />
Figure 8: Variogramme et covariance……………………. ....................................................... 19<br />
Figure 9: Variogramme expérim<strong>en</strong>tal et modèle ........................................................................ 22<br />
Figure 10: Anisotropies zonale et géométrique……………...…………………….…………....23<br />
Figure 11: Carte de répartition de ρ 1 et ρ 7 ……………………………………………………... 28<br />
Figure 12: Carte de répartition de la résistivité minimum et son histogramme ........................ 29<br />
Figure 13: Carte de répartition de la moy<strong>en</strong>ne de résistivité et son histogramme ................... 31<br />
Figure 14: Nuages de points <strong>en</strong>tre les résistivités à différ<strong>en</strong>tes profondeurs ........................... 32<br />
Figure 15: Carte de répartition et histogramme de la variable ρ 1 .............................................. 34<br />
Figure 16: Variogrammes directionnels relatifs à ρ 1 ................................................................. 35<br />
Figure 17: Carte variographique de la variable ρ 1 ..................................................................... 36<br />
Figure 18: Analyse du variogramme relatifs à ρ 1 ....................................................................... 37<br />
Figure 19: Ajustem<strong>en</strong>t du variogramme expérim<strong>en</strong>tal relatifs à ρ 1 ........................................... 38<br />
Figure 20: Grille d’estimation des variables par bloc ................................................................. 39<br />
Figure 21: Courbe f(cvv) <strong>en</strong> fonction de la dim<strong>en</strong>sion du bloc discrétisation ........................... 40<br />
Figure 22: Résultat de validation croisée du modèle 1 <strong>en</strong> utilisant le voisinage unique .......... 42<br />
Figure 23 : Résultat de validation croisée du modèle 1 <strong>en</strong> utilisant le voisinage glissant ........ 43<br />
Figure 24: Résultat de validation croisée du modèle 2 <strong>en</strong> utilisant le voisinage unique <strong>en</strong> ρ 1 . 44<br />
Figure 25 : Résultat de validation croisée du modèle 2 <strong>en</strong> utilisant le voisinage glissant <strong>en</strong> ρ 1 44<br />
Figure 26 : Variogramme omnidirectionnel de la variable ρ 2 ................................................... 46<br />
iii
Liste des figures<br />
Figure 27 : Analyse du variogramme…………………………………………………………...47<br />
Figure 28 : Ajustem<strong>en</strong>t de variogramme expérim<strong>en</strong>tal <strong>en</strong> ρ 2 ..................................................... 47<br />
Figure 29 : Résultat de validation croisée du modèle <strong>en</strong> utilisant le voisinage glissant ........... 48<br />
Figure 30 : Résultat de validation croisée du modèle <strong>en</strong> utilisant le voisinage unique ............ 49<br />
Figure 31 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 3 ..................... 50<br />
Figure 32 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 4 ..................... 52<br />
Figure 33 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 5 ..................... 53<br />
Figure 34 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 6 ..................... 55<br />
Figure 35 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 7 ..................... 57<br />
Figure 36 : Covariogrammes modélisés des variables ρ 2 et ρ 3 ................................................. 59<br />
Figure 37: Carte de répartition et Nuage de corrélation de la variable ρ 2 ................................ 60<br />
Figure 38: Covariogrammes modélisés des variables ρ 3 et ρ 4 .................................................. 62<br />
Figure 39: Carte de répartition et Nuage de corrélation de la variable ρ 3 ................................ 63<br />
Figure 40: Carte de répartition et Nuage de corrélation de la variable ρ 4 ................................ 63<br />
Figure 41: Covariogrammes modélisés des variables ρ 4 et ρ 5 .................................................. 65<br />
Figure 42: Carte de répartition et Nuage de corrélation de la variable ρ 5 ................................ 66<br />
Figure 43: Covariogrammes modélisés des variables ρ 5 et ρ 6 .................................................. 68<br />
Figure 44: Carte de répartition et Nuage de corrélation de la variable ρ 6 ................................ 69<br />
Figure 45: Comparaison des résultats obt<strong>en</strong>us par krigeage et cokrigeage .............................. 71<br />
Figure 46 : Estimation par krigeage de la variable ρ 1 ................................................................ 73<br />
Figure 47: Estimation par cokrigeage de la variable ρ 2 ............................................................. 74<br />
Figure 48: Estimation par cokrigeage de la variable ρ 3 ............................................................. 75<br />
Figure 49: Estimation par cokrigeage de la variable ρ 4 ............................................................. 75<br />
Figure 50: Estimation par cokrigeage de la variable ρ 5 ............................................................. 76<br />
Figure 51: Estimation par cokrigeage de la variable ρ 6 ............................................................. 77<br />
Figure 52: Estimation par krigeage de la variable ρ 7 ................................................................. 77<br />
Figure 53:superposition des 7 cartes…………………………………………………………....78<br />
iv
Liste des tableaux<br />
LISTE DES TABLEAUX<br />
Tableau 1: Comportem<strong>en</strong>t statistique du minimum de valeur de résistivité exprimée <strong>en</strong> Ωm 29<br />
Tableau 2: Comportem<strong>en</strong>t statistique du maximum de valeur de résistivité <strong>en</strong> Ωm ………… 30<br />
Tableau 3: coeffici<strong>en</strong>ts de corrélation <strong>en</strong>tre les 7 variables………………………………… .. 33<br />
Tableau 4: Statistiques sur la variable ρ 1 <strong>en</strong> Ωm ....................................................................... 33<br />
Tableau 5: Paramètres et modèles mathématiques du variogramme........................................ 38<br />
Tableau 6: Test de voisinage glissant dans le modèle 2 ............................................................. 40<br />
Tableau 7: Test de voisinage glissant dans le modèle 1 ............................................................ 41<br />
Tableau 8: Test de voisinage glissant dans le modèle 1 ............................................................ 42<br />
Tableau 9: Récapitulation des résultats de validations croisées du modèle 1 <strong>en</strong> ρ 1 . ................ 43<br />
Tableau 10: Récapitulation des résultats de validations croisées du modèle 2 <strong>en</strong> ρ 1 . .............. 45<br />
Tableau 11: Statistiques des estimations de la variable ρ 1 ........................................................ 45<br />
Tableau 12: Statistiques sur la variable ρ 2 ......................................................................... 46<br />
Tableau 13 : Récapitulation des résultats de validations croisées. ............................................ 49<br />
Tableau 14: Statistiques des estimations de la variable ρ 2 ........................................................ 49<br />
Tableau 15: Statistiques sur la variable ρ3 ......................................................................... 50<br />
Tableau 16: Récapitulation des résultats de validations croisées ρ 3 . ........................................ 50<br />
Tableau 17: Statistiques des estimations de la variable ρ 3 ........................................................ 51<br />
Tableau 18: Statistiques des estimations de la variable ρ 4 ........................................................ 51<br />
Tableau 19: Récapitulation des résultats de validations croisées ρ 4 . ........................................ 52<br />
Tableau 20: Statistiques des estimations de la variable ρ 4 ........................................................ 52<br />
Tableau 21: Statistiques de bases de la variable ρ 5 .................................................................... 53<br />
Tableau 22: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 5 .................................... 54<br />
Tableau 23: Statistiques des estimations de la variable ρ 5 ........................................................ 54<br />
Tableau 24: Statistiques de bases de la variable ρ 6 .................................................................... 54<br />
Tableau 25: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 6 . ................................... 55<br />
Tableau 26: Statistiques des estimations de la variable ρ 6 ........................................................ 56<br />
v
Liste des tableaux<br />
Tableau 27: Statistiques de bases de la variable ρ 7 .................................................................... 56<br />
Tableau 28: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 7 .................................... 57<br />
Tableau 29: Statistiques des estimations de la variable ρ 7 ........................................................ 58<br />
Tableau 30 : Paliers du modèle de corégionalisation linéaire .................................................. 59<br />
Tableau 31: Statistiques de la validation croisée du modèle multivariable pour ρ 2 ................. 60<br />
Tableau 32 : Statistiques d’estimation par cokrigeage de la variable ρ 2 .................................. 61<br />
Tableau 33: Paliers du modèle de corégionalisation linéaire ................................................... 62<br />
Tableau 34: Statistiques de la validation croisée du modèle multivariable pour ρ 3 et ρ 4 . ........ 64<br />
Tableau 35: Statistiques des estimations par cokrigeage des variables ρ 3 et ρ 4 . ...................... 64<br />
Tableau 36: Paliers du modèle de corégionalisation linéaire ................................................... 65<br />
Tableau 37: Statistiques de la validation croisée du modèle multivariable pour ρ 5 ................. 66<br />
Tableau 38: Statistiques des estimations par cokrigeage de la variable ρ 5 ............................... 67<br />
Tableau 39: Paliers du modèle de corégionalisation linéaire ................................................... 68<br />
Tableau 40: Statistiques de la validation croisée du modèle multivariable pour ρ 6 ................. 69<br />
Tableau 41: Statistiques des estimations par cokrigeage de la variable ρ 6 .............................. 69<br />
Tableau 42: Statistiques de la validation croisée du modèle multivariable et monovariable ... 70<br />
vi
Liste des abréviations<br />
LISTE DES ABREVIATIONS<br />
AEP: Adduction <strong>en</strong> Eau Potable<br />
AES: Adduction <strong>en</strong> Eau potable du Sud<br />
BRGM: Bureau de Recherche des Gisem<strong>en</strong>ts Miniers<br />
F A: Fonction Aléatoire<br />
IOGA: Institut et Observatoire de Géophysique d'Antananarivo<br />
JAT: Japan Techno CO., LTD.<br />
JICA: Japan International Cooporation Ang<strong>en</strong>cy<br />
ONG: Organismes Non Gouvernem<strong>en</strong>taux<br />
SEV: Sondage électrique vertical<br />
SGDM: Société Géosci<strong>en</strong>ces pour le Développem<strong>en</strong>t de Madagascar<br />
std : Standard déviation (écart type)<br />
VA : Variable Aléatoire<br />
ρ : Résistivité<br />
vii
Introduction<br />
INTRODUCTION<br />
La géostatistique a avancé d’une façon très rapide p<strong>en</strong>dant ces quinze dernières années ;<br />
cela est due aux connaissances de nouveaux développem<strong>en</strong>ts théoriques et pratiques :<br />
géostatistique linéaire et non linéaire, krigeage, cokrigeage, etc. Ces développem<strong>en</strong>ts ont déjà<br />
des applications pratiques dans plusieurs domaines (pétrole, pollution, <strong>en</strong>vironnem<strong>en</strong>t, mine,<br />
hydrogéologie, etc). L’apport de la géostatistique dans les sci<strong>en</strong>ces de l’Eau n’est plus à<br />
démontrer [3].Nous citons, par exemple, l’évaluation de la précision de l’estimation de la<br />
piézométrie et des paramètres hydrauliques qui permet une meilleure interprétation des modèles<br />
hydrogéologiques. Les données disponibles dans cette étude sont les résistivités issues des<br />
sondages électriques de type W<strong>en</strong>ner réalisés <strong>en</strong> 2005 dans le cadre du projet JICA. Les<br />
méthodes géostatistiques permett<strong>en</strong>t d’obt<strong>en</strong>ir une représ<strong>en</strong>tation bidim<strong>en</strong>sionnelle ou<br />
tridim<strong>en</strong>sionnelle de la variable étudiée.<br />
L’objectif principal de cette étude est de proposer des reconstructions géostatistiques pour<br />
cartographier les iso-valeurs de résistivités appar<strong>en</strong>tes et caractériser les variations lithologiques<br />
tant <strong>en</strong> superficie qu’<strong>en</strong> profondeur.<br />
Les besoins <strong>en</strong> eau s’acc<strong>en</strong>tu<strong>en</strong>t sous le climat semi-aride à subdésertique de la région<br />
d’Androy située dans la partie Sud de Madagascar. Ceci est dû à plusieurs paramètres, non<br />
seulem<strong>en</strong>t au climat subdésertique de la région mais égalem<strong>en</strong>t à l’abs<strong>en</strong>ce de rivière et de fleuve<br />
à écoulem<strong>en</strong>t pér<strong>en</strong>ne. L’eau consommée localem<strong>en</strong>t provi<strong>en</strong>t principalem<strong>en</strong>t d’un aquifère non<br />
confiné du sédim<strong>en</strong>t du Quaternaire ; pour la plupart l’eau est salée et biologiquem<strong>en</strong>t<br />
contaminée; la recherche de nouvelles ressources tant <strong>en</strong> superficie qu’<strong>en</strong> profondeur s’impose.<br />
Le recours à la ressource <strong>en</strong> eaux souterraines est la solution proposée pour<br />
l’approvisionnem<strong>en</strong>t <strong>en</strong> eau de la région. Par ailleurs, une meilleure connaissance des ressources<br />
<strong>en</strong> eaux souterraines demande une capacité d’évaluation avec suffisamm<strong>en</strong>t de détails et de<br />
précisions : caractéristiques du sous sol, la quantité d’eau prés<strong>en</strong>te dans le sous sol, sa qualité et<br />
ses év<strong>en</strong>tuels mouvem<strong>en</strong>ts. Cet objectif ne peut être réalisé qu’à partir des forages, à cause des<br />
coûts relativem<strong>en</strong>t élevés et surtout à cause du maximum d’informations sur la structure du<br />
sous-sol. Les méthodes géophysiques, qui ne modifi<strong>en</strong>t <strong>en</strong> ri<strong>en</strong> le milieu (non invasif), avec des<br />
mesures bi<strong>en</strong> échantillonnées, permett<strong>en</strong>t de fournir les données de résistivités à traiter par les<br />
méthodes géostatistiques. Les dites méthodes pourrai<strong>en</strong>t résoudre, du moins <strong>en</strong> partie, ce<br />
problème.<br />
1
Introduction<br />
Ce mémoire comporte 4 parties : la première partie rapporte la prés<strong>en</strong>tation générale de la<br />
zone d’étude et la prés<strong>en</strong>tation des données ; la deuxième partie est consacrée aux rappels<br />
théoriques ; la troisième partie concerne les analyses statistiques et traitem<strong>en</strong>t des données par<br />
les techniques géostatistiques (krigeage, cokrigeage) et <strong>en</strong>fin la dernière partie montre les<br />
résultats, les interprétations et discussions.<br />
2
Partie 1<br />
PARTIE I<br />
PRESENTATION DE LA ZONE D’ETUDE ET PRESENTATION<br />
DES DONNEES<br />
3
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Dans cette première partie, nous allons parler de la zone d’étude et des données à traiter.<br />
I-1- PRESENTATION DE LA ZONE D’ETUDE<br />
Dans ce paragraphe, nous prés<strong>en</strong>tons successivem<strong>en</strong>t le contexte général de la zone d’étude et le<br />
cadre géologique, hydrologique, hydrogéologique.<br />
I-1-1- Contexte général de la zone d’étude<br />
La zone d’étude se trouve administrativem<strong>en</strong>t dans la province de Toliary, dans la région<br />
Androy. Elle apparti<strong>en</strong>t à la zone dite extrême sud de Madagascar, <strong>en</strong>tre l’éperon cristallin de<br />
Tsihombe et la coulée volcanique d’Amboasary. La zone est délimitée par un triangle dont la<br />
pointe Nord-Ouest est située aux <strong>en</strong>virons d’Antanimora, celle du Nord-Est se trouve à l’Ouest<br />
d’Amboasary et le troisième point est localisé aux <strong>en</strong>virons d’Antaritarika.<br />
Le couloir alluvionnaire d’Ampamolora traverse et découpe, notamm<strong>en</strong>t, la zone d’étude<br />
<strong>en</strong> deux. Par la suite, la localisation d'un site est toujours exprimée <strong>en</strong> coordonnées Laborde.<br />
Figure 1: Localisation de la zone d’étude (Source BD500)<br />
La zone d’étude est située dans la classification climatique des savanes, elle est loin du<br />
système de basse pression tropicale du Nord. Le déficit hydrique causé par la haute<br />
évapotranspiration, 1320 mm/an, par rapport à la précipitation 480 mm/an (Chaperon et all 1993)<br />
se manifeste <strong>en</strong> séchage rapide de l’eau de surface. Ainsi <strong>en</strong> cas d’infiltration l<strong>en</strong>te de l’eau dans<br />
4
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
le sous-sol, les flaques d’eau produites par la pluie subiss<strong>en</strong>t une évaporation rapide et n’ont pas<br />
le temps de pénétrer dans le sous-sol.<br />
Le climat, bi<strong>en</strong> que moins chaud et moins sec <strong>en</strong> raison de la proximité de la mer et de la<br />
prédominance des v<strong>en</strong>ts du Sud-est, peut être comparé à celui des régions présahari<strong>en</strong>nes de<br />
l’Afrique (RAKOTO H.2003).<br />
I-1-2-Cadre géologique, hydrologique et hydrogéologique<br />
Voyons séparém<strong>en</strong>t le cadre géologique, hydrologique, hydrogéologique dans cette zone d’étude.<br />
I-1-2-1-Contexte géologique (H. Besairie, 1963).<br />
La zone d’étude du bassin d’Ambovombe et les zones <strong>en</strong>vironnantes sont<br />
géologiquem<strong>en</strong>t divisées <strong>en</strong> trois zones comme suit :<br />
- au nord, la terminaison du massif volcanique de l’Androy dont les coulées s’<strong>en</strong>fonc<strong>en</strong>t<br />
sous les sables réc<strong>en</strong>ts ;<br />
- à l’ouest, la bordure gneissique de l’Androy Manambovi<strong>en</strong>,se prolongeant vers le sud<br />
sépare le bassin sédim<strong>en</strong>taire de l’extrême sud de Madagascar <strong>en</strong> deux : le bassin de Beloha et<br />
celui fermé d’Ambovombe ;<br />
- et <strong>en</strong>fin, les formations sédim<strong>en</strong>taires réc<strong>en</strong>tes.<br />
La Figure 2 montre les formations géologiques de la zone d’étude :<br />
5
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Figure 2 : La géologie régionale (source BD 500).<br />
Le socle cristallin d’âge Précambri<strong>en</strong> affleure aux <strong>en</strong>virons d’Antanimora (partie Nord du<br />
bassin d’Ambovombe). Il plonge légèrem<strong>en</strong>t dans la direction Sud-Est et disparaît sous les<br />
sédim<strong>en</strong>ts. Il est composé des leptynites bi<strong>en</strong> altérés, quartzites, granites, gneiss granitique<br />
formant de bons aquifères confinés et de bonne qualité, même si occasionnellem<strong>en</strong>t, il y a<br />
exist<strong>en</strong>ce d‘eau salée. Dans la partie Est de ces roches Précambri<strong>en</strong>nes, les roches volcaniques<br />
du Crétacé composées d’intrusif basaltique et rhyolites affleur<strong>en</strong>t et form<strong>en</strong>t les montagnes dans<br />
cette zone.<br />
Le bassin d’Ambovombe est formé par des structures grabb<strong>en</strong> où des réc<strong>en</strong>ts sédim<strong>en</strong>ts<br />
épais se sont déposés. Le socle est du Tertiaire, et du calcaire Néogène couvre les réc<strong>en</strong>ts<br />
sédim<strong>en</strong>ts de manière non conforme. Des sédim<strong>en</strong>ts de latérite sableux de couleur marron du<br />
Pléistocène sont recouverts de dépôts de sable dunaire, de sable blanc et des sédim<strong>en</strong>ts<br />
alluvionnaires du Quaternaire. Le sable blanc du Quaternaire dans la zone d’étude recouvre la<br />
latérite marron sableuse du Pléistocène. Les villageois creus<strong>en</strong>t des vovo d’une profondeur<br />
variant de 10 m à 30 m; et le niveau d’eau statique varie de 5 m à 25 m afin d’obt<strong>en</strong>ir de l’eau<br />
p<strong>en</strong>dant la saison de pluie. La bordure du bassin d’Ambovombe forme une colline où affleur<strong>en</strong>t<br />
des roches calcaires du Néogène contin<strong>en</strong>tal. L’aquifère, non confiné du sédim<strong>en</strong>t du<br />
quaternaire, est juste à cet <strong>en</strong>droit. Or la vie des villageois dép<strong>en</strong>d de cette eau de pluie. Dans le<br />
c<strong>en</strong>tre du bassin d’Ambovombe, un grand marais peu profond se forme durant la saison de pluie.<br />
C’est un dépôt d’épaisses alluvions composées principalem<strong>en</strong>t d’argile et de limon. Selon les<br />
villageois qui ont vécu près du lac, des inondations ont quelquefois eu lieu avant 1951 lors de la<br />
construction de la route nationale 10. La commune d’Ambovombe est située dans la bordure sud<br />
du bassin. L’eau souterraine de la ville urbaine est un aquifère non confiné du sédim<strong>en</strong>t du<br />
Quaternaire ; pour la plupart l’eau est salée et biologiquem<strong>en</strong>t contaminée.<br />
La zone côtière au Sud de la route nationale 10 forme de petits bassins individuels face à<br />
l’Océan Indi<strong>en</strong>. Le long de la côte, le sable calcaire réc<strong>en</strong>t de couleur marron forme des plages<br />
situées au même niveau que la mer. Au-delà de ces étroites plages, des falaises de grès calcaire<br />
du Quaternaire s’ét<strong>en</strong>d<strong>en</strong>t à une hauteur <strong>en</strong>viron de 100 m à 200 m. Il existe aussi des vovo, peu<br />
6
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
profonds de moins de 20 m, creusés par les villageois juste aux pieds des falaises pour avoir de<br />
l’eau pour les troupeaux de bétail, l’eau étant fortem<strong>en</strong>t salée à cause de l’intrusion marine<br />
(conductivité plus de 500 mS\m à 2,000 mS\m, Chaperon et al (1993)).<br />
Les quelques forages de reconnaissance géologique réalisés à l’intérieur de la zone<br />
d’étude (BRGM, AID, Division hydrogéologie, projet japonais) ont permis d’avoir une<br />
information sur la succession géologique du terrain:<br />
-le calcaire et les marnes se superpos<strong>en</strong>t au dessus de la formation cristalline,<br />
-le Néogène contin<strong>en</strong>tal constitué de grès et d’argile, surmonte la stratification de calcaire<br />
et de marne ; il affleure dans le secteur ouest de la zone et il délimite le bassin fermé<br />
d’Ambovombe à l’est,<br />
-les dunes réc<strong>en</strong>tes constituées ess<strong>en</strong>tiellem<strong>en</strong>t de sable (fin et moy<strong>en</strong>) et d’argile<br />
repos<strong>en</strong>t sur la formation Néog<strong>en</strong>ique,<br />
-le sable roux et les carapaces sableux couvr<strong>en</strong>t la partie nord de la zone d’étude.<br />
I-1-2-2-Hydrologie et hydrogéologie<br />
Dans ce paragraphe, nous décrivons l’hydrologie et l’hydrogéologie de la zone d’étude.<br />
I-1-2-2-1-Hydrologie<br />
Autour de la zone d’étude il existe deux fleuves : le fleuve Mandrare qui s’écoule à l’Est,<br />
et le fleuve Manambovo qui s’écoule à l’Ouest. Le bassin d’Ambovombe est situé <strong>en</strong>tre ces deux<br />
rivières et aucun fleuve ne s’écoule dans le bassin tout au long de l’année ; c’est seulem<strong>en</strong>t lors<br />
de la saison humide que des écoulem<strong>en</strong>ts fluviaux peuv<strong>en</strong>t y être observés.<br />
Les deux fleuves ont un régime irrégulier <strong>en</strong> correspondance directe avec la pluie. Des orages<br />
viol<strong>en</strong>ts ou une pluie de forte int<strong>en</strong>sité <strong>en</strong>g<strong>en</strong>dr<strong>en</strong>t des crues brutales. Le tarissem<strong>en</strong>t de ces<br />
crues est rapide, conduisant à un débit faible ou nul sur le fleuve de Manambovo. Une<br />
importante partie d’écoulem<strong>en</strong>t de ce fleuve se fait dans le sable dans le fond du lit. Il constitue<br />
ainsi un sous-écoulem<strong>en</strong>t. Le fleuve Mandrare après Ifotaka, se dirige vers le sud est et rejoint<br />
l’Océan Indi<strong>en</strong> au sud d’Amboasary, il est pér<strong>en</strong>ne tout au long de son trajet.<br />
Les cours d’eau sont rares à l’intérieur de la zone sédim<strong>en</strong>taire. Les canaux ou berges existants<br />
drain<strong>en</strong>t l’eau de pluie et ne coul<strong>en</strong>t que temporairem<strong>en</strong>t (quelques heures après la pluie).<br />
La rivière Bemamba évolue dans la cuvette d’Ampomolora et elle développe sur ces deux rives<br />
un vaste bassin alluvionnaire. Elle forme, p<strong>en</strong>dant la période de crue, un lac non pér<strong>en</strong>ne au nord<br />
de la ville d’Ambovombe. La rivière de Sakave déverse dans le couloir d’Ampomolora et<br />
s’associe à Bemamba pour remplir le lac de rét<strong>en</strong>tion, au nord d’Ambovombe.<br />
7
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Figure 3: Les cours d’eau à l’intérieur de la zone d’étude<br />
I-1-2-2-2-Hydrogéologie<br />
On peut grouper <strong>en</strong> deux grandes catégories les aquifères du bassin d’Ambovombe : celle des<br />
nappes locales ou nappes perchées et celle de la nappe générale.<br />
Les nappes perchées se trouv<strong>en</strong>t dans les formations de sables blancs d’Ambondro et de<br />
Laparoy et év<strong>en</strong>tuellem<strong>en</strong>t dans la formation à quaternaire anci<strong>en</strong>.<br />
Les argiles imperméables sous la couverture de sables form<strong>en</strong>t le mur de l’aquifère de la nappe<br />
perchée. Par le fait de la percolation rapide de l’eau dans le milieu sableux, l’eau de pluie ou de<br />
l’écoulem<strong>en</strong>t échappe au phénomène d’évaporation et forme la nappe aquifère sur les formations<br />
argileuses. Le niveau statique de la nappe de sables blancs est inférieur à 10m par rapport au sol.<br />
Quant aux nappes perchées de la formation quaternaire anci<strong>en</strong>ne, elles sont localisées dans les<br />
formations dunaires et argileuses, et gréseuses. La salinité de l’eau y est variable, généralem<strong>en</strong>t<br />
faible mais parfois notable. Le débit de la nappe est relativem<strong>en</strong>t faible.<br />
La nappe générale indique la continuité appar<strong>en</strong>te de niveau statique. Alim<strong>en</strong>té par les<br />
eaux de pluie ou par drainage dans le socle cristallin, cette nappe débuterait dans la zone<br />
d’altération du socle, passerait dans le néogène contin<strong>en</strong>tal pour se raccorder au niveau de la mer<br />
sur le littoral et aux nappes alluviales dans les vallées des grands fleuves. La minéralisation de<br />
l’eau de la nappe générale est relativem<strong>en</strong>t élevée, sauf pour les aquifères à proximité des deux<br />
8
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
grands fleuves. La nappe générale est beaucoup plus épaisse que la nappe perchée, elle peut<br />
cont<strong>en</strong>ir une grande quantité d’eau.<br />
Compte t<strong>en</strong>u des problèmes posés dans cette région, la solution la plus proche est<br />
l’alim<strong>en</strong>tation <strong>en</strong> eau souterraine. La nature et la localisation des ressources rest<strong>en</strong>t cep<strong>en</strong>dant<br />
très vagues. Face à ce problème actuel, <strong>en</strong> vue d’assurer une alim<strong>en</strong>tation <strong>en</strong> eau à partir des<br />
réserves souterraines, la prospection des eaux souterraines fait appel à l’étude géophysique qui<br />
précisera, dans cette étude (méthode géostatistique), la variation latérale et verticale de résistivité<br />
du sous sol.<br />
I-2- PRESENTATION DES DONNEES<br />
Des données à référ<strong>en</strong>ce spatiale sont de plus <strong>en</strong> plus exploitées, et ce, dans divers<br />
domaines de recherche (par exemple le domaine minier pour faire une estimation des réserves, le<br />
domaine hydrogéologie pour cartographier par exemple le toit et le mur d’un aquifère, le<br />
domaine de l’<strong>en</strong>vironnem<strong>en</strong>t pour faire une estimation de la pollution de l’air etc.). Nous avons<br />
utilisé pour cette étude deux types de données : les données issues de la prospection géophysique<br />
qui sont les résistivités, et les données des résultats des forages (niveau statique, profondeur<br />
totale, salinité, nature de la formation lithologique) disponibles sur la zone d’étude.<br />
I-2-1-Les données issues des prospections géophysiques<br />
Les données obt<strong>en</strong>ues par prospection géophysique permett<strong>en</strong>t la reconnaissance des<br />
propriétés physiques du sous-sol à partir de la surface sans effectuer des travaux d'extraction<br />
comme les sondages mécaniques. Chaque méthode de prospection géophysique décrit une<br />
propriété physique des roches, par la représ<strong>en</strong>tation de la distribution spatiale d'une telle<br />
propriété: d<strong>en</strong>sité, résistance électrique, susceptibilité magnétique, vitesse des ondes sismiques,<br />
etc. Le choix des méthodes dép<strong>en</strong>dra donc des caractéristiques de la zone d'étude et des objectifs<br />
concrets de la recherche.<br />
La méthode électrique est la plus fréquemm<strong>en</strong>t utilisée (méthode imaginée <strong>en</strong> 1912 par<br />
les frères Schlumberger) dans le cadre de l’investigation d’eaux souterraines, compte t<strong>en</strong>u de<br />
l’év<strong>en</strong>tuel contraste de résistivité <strong>en</strong>tre la couche saturée d’eau et la couche non saturée (Archie<br />
1942). Le changem<strong>en</strong>t de la formation lithologique et/ou de la résistivité électrique d’eaux<br />
souterraines se manifest<strong>en</strong>t par la variation de résistivité électrique de la nappe aquifère. Cette<br />
variation peut dép<strong>en</strong>dre de plusieurs paramètres: nature minérale, impureté, t<strong>en</strong>eur <strong>en</strong> ions libres<br />
(minéralisation ou eau), etc ; ainsi les variables très importantes dans cette étude sont les<br />
résistivités du sous sol.<br />
9
I-2-1-1- Définition de la résistivité du sous sol<br />
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
La résistivité électrique d’un milieu est la propriété physique qui détermine la capacité de<br />
ce milieu à laisser passer le courant électrique.<br />
L<br />
R = ρ<br />
S<br />
La résistivité est la résistance ohmique d’un cylindre de section et de longueur unitaire.<br />
Avec R= résistance (Ω) ; L= longueur unitaire d’un cylindre<br />
ρ= résistivité (Ωm) ;S= section du cylindre<br />
I-2-1-2- Prospection électrique<br />
La technique de la prospection électrique, par le biais du sondage électrique vertical<br />
(S.E.V.) permet d’explorer le sous-sol ; le principe est le suivant : on injecte dans le sous-sol,<br />
supposé homogène et isotrope, un courant continu I à l’aide d’une électrode A. L’écoulem<strong>en</strong>t de<br />
ce courant se fera par filets recti<strong>ligne</strong>s rayonnant autour de A et produira des variations de<br />
pot<strong>en</strong>tiel dans le sol, à cause de la résistance ohmique de celui-ci. Le pot<strong>en</strong>tiel créé par le courant<br />
d’int<strong>en</strong>sité I <strong>en</strong> un point M situé à la distance r de la source, est défini par:<br />
ρI<br />
V =<br />
2πr<br />
On utilise dans la plupart des cas pratiques deux ou une électrode(s) de courant (A et B)<br />
et deux électrodes de pot<strong>en</strong>tiel avec lesquelles sera mesurée la différ<strong>en</strong>ce de pot<strong>en</strong>tiel produite<br />
par le courant <strong>en</strong>tre deux points M et N.<br />
La relation <strong>en</strong>tre la géométrie du dispositif, le courant, le pot<strong>en</strong>tiel et la résistivité est:<br />
avec, ρ a : résistivité appar<strong>en</strong>te<br />
ρ a<br />
K : coeffici<strong>en</strong>t géométrique du dispositif<br />
∆V: différ<strong>en</strong>ce de pot<strong>en</strong>tiel mesurée <strong>en</strong>tre les deux points M et N<br />
I: int<strong>en</strong>sité de courant injecté<br />
En général, les électrodes A, M, N, B sont alignés à la surface du sol ; selon les dispositifs<br />
relatifs des 4 électrodes, on a plusieurs types de dispositifs : dispositif Schlumberger, dispositif<br />
W<strong>en</strong>ner, dispositif W<strong>en</strong>ner-Schlumberger, dispositif Dipôle-Dipôle, etc. Dans cette étude, nous<br />
nous sommes limités au dispositif W<strong>en</strong>ner.<br />
= K ∆V<br />
I<br />
10
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
I-2-1-3-Dispositif W<strong>en</strong>ner<br />
Les électrodes A et B permettant l’injection du courant et la mesure de pot<strong>en</strong>tiel <strong>en</strong>tre M<br />
et N sont alignées et la distance de l’une à l’autre est constante, notée « a=AB/3 ». Elles sont<br />
disposées suivant la configuration géométrique de la figure 4 .<br />
Le facteur géométrique K s’écrit:<br />
Figure 4: Dispositif W<strong>en</strong>ner<br />
NB : La résistivité appar<strong>en</strong>te d’un sous-sol hétérogène qui est mesurable sur le terrain est la<br />
résistivité vraie d’un sous-sol homogène et isotrope fictif obt<strong>en</strong>ue dans les mêmes conditions de<br />
mesure.<br />
En prospection géophysique, deux grandeurs sont importantes: la profondeur de<br />
pénétration et la profondeur d’investigation.<br />
Plus on éloigne les électrodes A et B pour une distance MN donnée, plus important est le volume<br />
de terrain concerné par les <strong>ligne</strong>s de courant et plus grande est la profondeur de pénétration.<br />
On appelle profondeur d’investigation la profondeur maximale atteinte par les <strong>ligne</strong>s de<br />
courant.<br />
La profondeur d’investigation estimée pour ce dispositif est 0.519a [Edwards, 1977],<br />
« a » étant la distance inter-électrodes, mais elle dép<strong>en</strong>d fortem<strong>en</strong>t de la résistivité des différ<strong>en</strong>tes<br />
couches.<br />
11
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
En 2005, la Société Géosci<strong>en</strong>ces pour le Développem<strong>en</strong>t de Madagascar (SGDM), l’ONG<br />
Taratra et la Japan Techno LTD ont réalisées 149 SEV utilisant le dispositif W<strong>en</strong>ner dans le<br />
cadre du projet intitulé « Etude sur l’Approvisionnem<strong>en</strong>t <strong>en</strong> Eau Potable, autonome et durable<br />
dans la région du Sud de la République de Madagascar » ; Concernant le SEV, la longueur<br />
maximale de <strong>ligne</strong>s étalées est AB/3= 300m. Les données de base traitées dans cette étude<br />
provi<strong>en</strong>n<strong>en</strong>t de ces stations uniquem<strong>en</strong>t pour s’assurer l’homogénéité de l’acquisition.<br />
La figure 5 montre l’emplacem<strong>en</strong>t des sondages dans la zone d’étude.<br />
Figure 5: Carte de localisation des sondages électriques<br />
12
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Cette figure montre que l’emplacem<strong>en</strong>t de sondages n’est pas régulièrem<strong>en</strong>t réparti. Les points<br />
de sondage sont plus d<strong>en</strong>ses au Sud Est de la zone d’étude compris <strong>en</strong>tre X Laborde = [360km ;<br />
380km] et Y laborde = [100km ;120km] près de la ville d’Ambovombe et au Nord Ouest près<br />
d’Antanimora <strong>en</strong>tre les coordonnées X Laborde=[320km ;335km] et Y Laborde [140km ;155km]<br />
(d≈0,06 points de sondages par kilomètre carré). Au c<strong>en</strong>tre de la zone d’étude <strong>en</strong>tre les<br />
coordonnées (X= 340km, 360km et Y=120km, 140km), la d<strong>en</strong>sité est faible (d≈0,01 points de<br />
sondages par kilomètre carré).<br />
I-2-2-Les données des résultats des forages.<br />
Les résultats de huit forage que nous avons utilisés dans ce prés<strong>en</strong>t mémoire ont été<br />
fournis par la Direction de la Gestion des Bases de Données au Ministère de l’Eau. Ces forages<br />
ont été effectués par BRGM, AID, Division hydrogéologie, projet Japonais <strong>en</strong> 2005. Ces<br />
résultats nous serv<strong>en</strong>t :<br />
à choisir les différ<strong>en</strong>tes distances inter électrode (a) dans les feuilles de mesures du SEV.<br />
Nous avons choisi les longueurs AB/3 = 4m, 14m, 30m, 52m, 100m, 150m, 300m pour<br />
lesquelles les feuilles de mesures et les coupes lithologiques des forages, après comparaison<br />
<strong>en</strong>tre elles, ont marqué les maxima de variation <strong>en</strong> résistivité et <strong>en</strong> formation lithologique.<br />
comme référ<strong>en</strong>ce p<strong>en</strong>dant la phase d’interprétation c'est-à-dire, les données traitées seront<br />
validées par les données de forage.<br />
La figure 6 montre la répartition des huit forages réalisés.<br />
13
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Figure 6: Carte de localisation des forages existants<br />
Les résultats des forages ont montré <strong>en</strong> général que le réservoir de la nappe aquifère est<br />
constitué de sables roux, toujours assez fins, avec une t<strong>en</strong>eur <strong>en</strong> argile très variable, et de sables<br />
blancs, égalem<strong>en</strong>t fins, plus ou moins consolidés (pouvant passer localem<strong>en</strong>t à des grès). La<br />
profondeur de la nappe du sous sol dép<strong>en</strong>d de la topographie ainsi que de la forme de la surface<br />
piézométrique. Le substratum imperméable est, <strong>en</strong> général, formé par une couche d’argile.<br />
D’après la figure 6, la d<strong>en</strong>sité des points de forages est faible mais les huit points de forages sont<br />
suffisants pour nous permettre de ret<strong>en</strong>ir les différ<strong>en</strong>tes longueurs AB/3 énoncées ci-dessus et<br />
faire le calage des résultats obt<strong>en</strong>us car ces points sont bi<strong>en</strong> répartis sur les quatre formations<br />
géologiques (dunes de sable côtière, carapace sableuse, sable roux, alluvions).<br />
L’étape suivante explique brièvem<strong>en</strong>t l’obt<strong>en</strong>tion des variables à traiter.<br />
14
Prés<strong>en</strong>tation de la zone d’étude et de données<br />
Rappelons que le but est de cartographier les isovaleurs de résistivité du sous-sol pour une<br />
longueur de <strong>ligne</strong> donnée AB/3 tels que AB/3 = 4m, 14m, 30m, 52m, 100m, 150m, 300m. On<br />
note ρ 1 , ρ 2 , ρ 3 , ρ 4 , ρ 5 , ρ 6 et ρ 7 l’<strong>en</strong>semble des variables (résistivité) collectées respectivem<strong>en</strong>t<br />
a une longueur de <strong>ligne</strong> AB/3 = 4m, 14m, 30m, 52m, 100m, 150m, 300m d’après les feuilles de<br />
mesure obt<strong>en</strong>u après les mesures brutes sur tous les points de mesure dans la zone d’étude.<br />
La figure 7 montre un exemple d’échantillon de la coupe lithologique de forage près de<br />
Sarihangy et un exemple de feuille de mesure.<br />
Figure 7: Coupe de forage et feuille de mesure d’un SEV.<br />
L’utilisation des méthodes géophysiques nous fournit des données (résistivité pour AB/3<br />
donnée) qui vont être traitées par la méthode géostatistique. Les données traitées seront validées<br />
par les données des forage afin d’obt<strong>en</strong>ir la cartographie des variables <strong>en</strong> 2D ou 3D pour mieux<br />
caractériser non seulem<strong>en</strong>t la structure géoélectrique mais aussi la variation lithologique de la<br />
zone d’étude. Quelques rappels théoriques seront prés<strong>en</strong>tés dans la 2 ème partie.<br />
15
Partie 2<br />
PARTIE II<br />
RAPPELS THEORIQUES<br />
16
Rappels théoriques<br />
La deuxième partie du prés<strong>en</strong>t mémoire concerne quelques rappels théoriques sur la statistique et<br />
la géostatistique.<br />
II-1- ANALYSE STATISTIQUE DES DONNEES<br />
L’analyse préalable d’une étude géostatistique est l’analyse statistique des données. Cette<br />
partie traite:<br />
des variables régionalisées.<br />
de support et champ.<br />
des rappels des grandeurs fréquemm<strong>en</strong>t utilisées <strong>en</strong> statistique (moy<strong>en</strong>ne, variance,<br />
covariance, écart type, corrélation).<br />
de l’hypothèse de base (stationnarité du second ordre et hypothèse intrinsèque).<br />
II-1-1-Variables régionalisées Z(x), x à 2, 3 ou 4D<br />
Les variables régionalisées sont les outils de base <strong>en</strong> interpolation spatiale. Ce sont des<br />
variables aléatoires (v. a), grandeurs mesurées s imprévisibles, irrégulieres, qui pr<strong>en</strong>n<strong>en</strong>t ses<br />
valeurs <strong>en</strong> tout point de l’espace.<br />
II-1-2- Support et champ<br />
Le support est le point, volume ou surface (ex: bloc) générique, d’ori<strong>en</strong>tation donnée,<br />
d’intervalle de temps, sur lequel la variable régionalisée mesurée est définie. Il est de toute<br />
première importance de s'assurer que toutes les observations provi<strong>en</strong>n<strong>en</strong>t des supports<br />
id<strong>en</strong>tiques.<br />
Le champ, c’est la zone considérée.<br />
II-1-3- Rappels des grandeurs fréquemm<strong>en</strong>t utilisées <strong>en</strong> statistique<br />
Soi<strong>en</strong>t Z 1 , Z 2 ,…..Z i ,….. et X, Y les variables aléatoires :<br />
la moy<strong>en</strong>ne est définie par m =<br />
la variance est σ 2 = ou s 2 =<br />
la covariance qui mesure la force du li<strong>en</strong> linéaire <strong>en</strong>tre les variables X et Y est<br />
défini par : Cov (X,Y) = E [ (X – m X ) (Y – m Y ) ]<br />
l’écart type est σ =<br />
la corrélation est la covariance <strong>en</strong>tre 2 v.a normalisée pour prés<strong>en</strong>ter un écart type<br />
de 1 est<br />
; On note que,<br />
Signifie une abs<strong>en</strong>ce de li<strong>en</strong> linéaire <strong>en</strong>tre les variables.<br />
17
Rappels théoriques<br />
Une des caractéristiques importantes d'un estimateur est d'être sans biais i.e. d'avoir la même<br />
espérance mathématique que la quantité qu'il cherche à évaluer.<br />
II-1-4- Hypothèses de base<br />
Nous considérons deux hypothèses de base : l’hypothèse de stationnarité et l’hypothèse<br />
intrinsèque.<br />
II-1-4-1-Stationnarité<br />
du second ordre<br />
Z(x) est dit stationnaire lorsque la loi de probabilité de Z(x) est la même pour tous les points x ;<br />
cette condition implique que :<br />
l’espérance mathématique ne dép<strong>en</strong>d pas de x : E[Z(x)] = m ou l’espérance des<br />
écarts est nulle E[Z(x)-Z(x+h)] Z(x+h)] = 0.<br />
la covariance, Cov[Z(x),Z(x+h)] = E[(Z(x)-m).(Z(x+h)-m)]<br />
= E[Z(x)Z(x+h)]-m 2<br />
= C(h),<br />
avec C(h) paire, ce calcul nécessite la connaissance de la moy<strong>en</strong>ne m(h) et implique une<br />
stationnarité du 2 nd ordre (invariance par translation qui ne s’intéresse qu’aux deux premiers<br />
«mom<strong>en</strong>ts» de la FA : moy<strong>en</strong>ne et variance ou covariance).<br />
la variance est indép<strong>en</strong>dante de x : Var [Z(x)] = E {[Z(x)-m]<br />
2 }= C(0).<br />
II-1-4-2-Hypothèse intrinsèque<br />
L’hypothèse pour laquelle la variable régionalisée est stationnaire, est trop rigoureuse, on<br />
dira plutôt que les accroissem<strong>en</strong>ts Z(x) sont stationnaires c'est-à-dire [Z(x+h)-Z(x)] est une<br />
fonction n aléatoire stationnaire, c’est l’hypothèse intrinsèque.<br />
Les propriétés de cette fonction aléatoire sont les suivantes :<br />
moy<strong>en</strong>ne nulle : E [Z(x+h)-Z(x)] = 0<br />
variance stationnaire : γ(h) =<br />
=<br />
γ(h) est une fonction paire et γ(0) = = 0<br />
γ(h) ainsi défini est le variogramme ou fonction de dispersion intrinsèque.<br />
Une FA stationnaire est aussi intrinsèque mais une FA intrinsèque n’est pas forcém<strong>en</strong>t<br />
stationnaire. La fonction la plus utilisée <strong>en</strong> géostatistique pour décrire la continuité et la<br />
régularité d’un phénomène est le variogramme, simple à estimer.<br />
18
Rappels théoriques<br />
II-2- ANALYSE VARIOGRAPHIQUE<br />
La géostatistique est une méthode d’analyse de données corrélées dans l’espace qui vise à<br />
quantifier et modéliser la structure de cette corrélation à l’aide de divers outils dont l’un des plus<br />
représ<strong>en</strong>tatifs est le variogramme. L’analyse variographique est une étape préalable au krigeage<br />
qui permet d’estimer la structure de dép<strong>en</strong>dance spatiale de la fonction aléatoire. Cette analyse<br />
est <strong>en</strong> fait l’étude du comportem<strong>en</strong>t spatial de la variable régionalisée examinée.<br />
II-2-1- Variogramme expérim<strong>en</strong>tal<br />
Le variogramme expérim<strong>en</strong>tal est la clé principale de toute analyse géostatistique. Il met<br />
<strong>en</strong> évid<strong>en</strong>ce les corrélations spatiales existant <strong>en</strong>tre les variables. Sa définition statistique est<br />
donnée par l'équation : γ(h)=<br />
Var [Z(x)-Z(x+h)]<br />
Ainsi, pour les modèles de variogramme montrant un seuil, on a :<br />
portée a : distance où deux observations ne se ressembl<strong>en</strong>t plus du tout <strong>en</strong> moy<strong>en</strong>ne, elles<br />
ne sont plus liées (covariance nulle) linéairem<strong>en</strong>t. À cette distance, la valeur du variogramme<br />
correspond à la variance de la variable aléatoire.<br />
palier σ2 = Co + C: variance de la v.a. (Var (Z(x)), écarts les plus grands, <strong>en</strong> moy<strong>en</strong>ne<br />
<strong>en</strong>tre deux v.a.<br />
effet de pépite: C 0<br />
: variation à très courte échelle, variation non détectée à une micro<br />
échelle, erreurs de localisation, erreurs d'analyse et précision analytique.<br />
Figure 8: Variogramme et covariance<br />
Parfois les variogrammes ne montr<strong>en</strong>t pas de palier (variogramme non borné). Dans ce<br />
cas, la covariance et la variance n'exist<strong>en</strong>t pas. Lorsque les variogrammes montr<strong>en</strong>t un palier<br />
alors on peut facilem<strong>en</strong>t établir le li<strong>en</strong> <strong>en</strong>tre la valeur du variogramme pour la distance h et la<br />
covariance pour deux observations séparées de h.<br />
γ(h)= Var [Z(x)-Z(x+h)] Z(x+h)]<br />
= [Var (Z(x)) + Var (Z(x+h)) – 2 Cov(Z(x), Z(x+h))]<br />
= σ 2 – Cov(Z(x),Z(x+h)) = σ 2 – C(h)<br />
19
Rappels théoriques<br />
donc, γ(h) = σ 2 – C(h)<br />
C(h) est appelé le covariogramme de Z.<br />
On voit que lorsque la portée est atteinte, il n'y a plus de covariance <strong>en</strong>tre les v.a :<br />
C(h) = 0 si h ≥a.<br />
Le variogramme possède deux avantages sur le covariogramme :<br />
le variogramme est défini même s'il n'y a pas de palier.<br />
dans l'expression du variogramme, la constante E [Z(x)] = m n'apparaît pas<br />
et l'on n'a donc pas besoin de l'estimer préalablem<strong>en</strong>t comme c'est le cas lorsqu'on veut calculer<br />
directem<strong>en</strong>t le covariogramme.<br />
Lors des calculs des variogrammes expérim<strong>en</strong>taux, on doit t<strong>en</strong>ir compte de la s<strong>en</strong>sibilité<br />
au choix des classes de calcul, à la taille du champ, aux valeurs aberrantes, aux valeurs fortes et<br />
de leur position dans le champ et à l’homogénéité de la population.<br />
II-2-2-Estimation du variogramme<br />
On estime le variogramme à l'aide de<br />
γ*(h) =<br />
où N(h) est le nombre de paires de points collectés et séparés du vecteur h, les valeurs Z(x i ) et<br />
Z(x i + h) correspond<strong>en</strong>t aux valeurs de la propriété étudiée (résistivité), respectivem<strong>en</strong>t <strong>en</strong> x i et<br />
<strong>en</strong> x i +h (FRYKMAN, 2001).<br />
Cette équation peut être définie comme la moy<strong>en</strong>ne des écarts quadratiques <strong>en</strong>tre les<br />
valeurs Z(x i +h) et Z(x i ).<br />
Pour un champ donné, ri<strong>en</strong> n'assure que la continuité soit id<strong>en</strong>tique dans toutes les<br />
directions. On peut ainsi déterminer le variogramme dans la direction où l’on observe une bonne<br />
continuation spatiale :<br />
γ*(h,<br />
θ) =<br />
où N(h,θ) = nombre de paires séparées de h dans la direction θ.<br />
En pratique on s'accorde une tolérance sur h et sur θ afin d'avoir suffisamm<strong>en</strong>t de paires<br />
pour chaque h et chaque θ. Pour chacune des classes ainsi formées, on évalue le variogramme<br />
expérim<strong>en</strong>tal et ainsi on obti<strong>en</strong>t une série de points expérim<strong>en</strong>taux auxquels on cherche à ajuster<br />
un modèle (expression analytique) permettant de déduire la covariance <strong>en</strong>tre deux points<br />
quelconques <strong>en</strong> fonction de leur espacem<strong>en</strong>t géographique (et, év<strong>en</strong>tuellem<strong>en</strong>t, de leur direction).<br />
Précautions pour l’estimation du variogramme :<br />
le choix des classes (la tolérance) et leur nombre influ<strong>en</strong>c<strong>en</strong>t l'allure du variogramme.<br />
le nombre de paires > 30 et h
Rappels théoriques<br />
la prés<strong>en</strong>ce d'anisotropie dans les données est très importante pour l’ajustem<strong>en</strong>t d’un<br />
modèle.<br />
II-2-3- Variogramme croisé<br />
Une autre fonction de structure croisée que l'on peut utiliser lorsqu'on sait que les<br />
covariances sont symétriques est le variogramme croisé, défini comme:<br />
Le variogramme croisé est donc une fonction symétrique et seuls les points où les 2 variables<br />
connues Z et Y peuv<strong>en</strong>t contribuer à l'estimation du variogramme croisé. Ce lourd handicap est à<br />
comparer aux deux avantages principaux du variogramme croisé : on n’a pas besoin d'estimer les<br />
moy<strong>en</strong>nes de Z et Y, les modèles n'ont pas nécessairem<strong>en</strong>t de palier.<br />
On a la relation <strong>en</strong>tre covariance croisée et variogramme croisé suivante:<br />
Remarque, si on pose Y=Z alors on retrouve l’expression du cas monovariable<br />
II-2-4- Modélisation<br />
Les modèles sont des expressions analytiques que l'on t<strong>en</strong>te d'ajuster le mieux possible<br />
aux points des variogrammes expérim<strong>en</strong>taux. La modélisation choisie est un compromis <strong>en</strong>tre le<br />
calage au plus près du variogramme expérim<strong>en</strong>tal et la stabilisation de son comportem<strong>en</strong>t dans<br />
les grandes distances. Toute fonction ne peut être utilisée isée comme modèle d’où l’utilité d’une<br />
condition d’admissibilité ibilité des modèles ci-dessous.<br />
Soit une combinaison linéaire<br />
. Dans le cas stationnaire (variogramme avec<br />
palier), Var ( ) =<br />
≥ 0<br />
Dans le cas intrinsèque (variogramme sans palier), sous la condition = 0, on a<br />
Var ( ) =<br />
≥ 0<br />
Les types de modèles les plus courants, <strong>en</strong> géologie, sont :<br />
effet de pépite (discontinuité à l'origine du variogramme)<br />
γ(h)= 0 si h = 0<br />
C o<br />
o<br />
si h > 0<br />
puissance (cas particulier : linéaire).<br />
γ(h)= C h b<br />
0
Rappels théoriques<br />
gaussi<strong>en</strong><br />
C<br />
γ(h)= C [1 - exp(-3(h/a)2)]<br />
si h ≥ a<br />
expon<strong>en</strong>tiel<br />
γ(h)= C [1 - exp(-3h/a)]<br />
On remarque qu’on peut combiner plusieurs modèles <strong>en</strong> les additionnant. Ainsi, l'effet de<br />
pépite est presque toujours prés<strong>en</strong>t <strong>en</strong> association avec un ou plusieurs autres modèles décrits<br />
plus haut.<br />
Figure 9: Variogramme expérim<strong>en</strong>tal et modèle<br />
II-2-5- Phénomènes d’anisotropie et d’isotropie<br />
Pour un champ donné, ri<strong>en</strong> n'assure que la continuité soit id<strong>en</strong>tique dans toutes les<br />
directions. Le semi-variogramme, γ(h), ne dép<strong>en</strong>d que de h, (vecteur de translation <strong>en</strong>tre les<br />
points x et x + h). Ce vecteur conti<strong>en</strong>t de l'information sur la distance <strong>en</strong>tre ces deux points, par<br />
l'intermédiaire de sa norme, ainsi que sur l'ori<strong>en</strong>tation de h.<br />
II-2-5-1-Phénomène de structure isotropie<br />
Si le semi-variogramme ne dép<strong>en</strong>d que de la norme de h, il est dit isotrope (variogramme<br />
omnidirectionnel avec une seule portée).<br />
II-2-5-2-Phénomène de structure anisotropie<br />
Si le semi-variogramme dép<strong>en</strong>d à la fois de la norme de h et de la direction du vecteur de<br />
translation, il est alors dit anisotrope. Il peut être classé <strong>en</strong> deux catégories :<br />
l’anisotropie géométrique qui est caractérisée par :<br />
22
Rappels théoriques<br />
-des paliers et des composantes pépitiques id<strong>en</strong>tiques dans diverses directions mais des portées<br />
différ<strong>en</strong>tes (figure 7 a).<br />
-des portées maximales et minimales observées dans deux directions orthogonales.<br />
l’anisotropie zonale qui est caractérisée par des portées id<strong>en</strong>tiques dans ses<br />
directions mais des paliers différ<strong>en</strong>ts (figure 7 b)<br />
Anisotropie géométrique<br />
Anisotropie zonale<br />
(a)<br />
(b)<br />
Figure 10: Anisotropies zonale et géométrique<br />
II-2-6-Voisinage unique et voisinage glissant<br />
Ces termes jou<strong>en</strong>t des rôles importants pour valider le modèle de variogramme.<br />
L’expression « voisinage unique » signifie qu’on considère toutes les données pour l’estimation.<br />
Il est utilisé si le nombre de données à traiter est faible (indiqué sur l’isatis software inférieur à<br />
500).<br />
Pour le « voisinage glissant », on ne considère que des données comprises dans la zone de<br />
recherche circulaire ou elliptique parallèle à la direction de meilleure continuité.<br />
Les conditions nécessaires pour que le voisinage glissant soit acceptable sont :<br />
la corrélation <strong>en</strong>tre la donnée et son estimation est proche de l’unité.<br />
le poids attaché à la moy<strong>en</strong>ne, proche de zéro.<br />
la p<strong>en</strong>te de régression <strong>en</strong>tre la donnée et son estimation est proche de l’unité.<br />
II-2-7-Validation croisée<br />
Une pratique intéressante pour valider le modèle de variogramme et le voisinage utilisé<br />
pour le krigeage consiste à effectuer une validation croisée. La procédure de la validation croisée<br />
permet de comparer l'impact de ces différ<strong>en</strong>ts modèles sur les résultats de l'estimation dont le<br />
principe est le suivant :<br />
soit Z(<br />
) la variable, estimer chaque donnée par krigeage <strong>en</strong> ne t<strong>en</strong>ant compte que des<br />
autres données<br />
et le modèle de variogramme<br />
23<br />
, noté Z*( ), puis à comparer la
Rappels théoriques<br />
valeur estimée à la vraie valeur. En effectuant cela successivem<strong>en</strong>t sur tous les sites de mesures,<br />
on obti<strong>en</strong>t d’une part un nuage de points (valeurs vraies contre valeurs estimées) qui est d’autant<br />
plus proche de la bissectrice que la variable est bi<strong>en</strong> estimée, d’autre part une comparaison de<br />
l'erreur d’estimation expérim<strong>en</strong>tale (différ<strong>en</strong>ce <strong>en</strong>tre la valeur réestimée par krigeage Z*( ) et<br />
la valeur réelle mesurée Z( )) avec l'erreur d’estimation due au modèle de variogramme à<br />
travers le calcul des expressions suivantes :<br />
moy<strong>en</strong>ne de l’erreur :<br />
variance de l’erreur :<br />
moy<strong>en</strong>ne de l’erreur standardisée :<br />
variance de l'erreur standardisée :<br />
La moy<strong>en</strong>ne de l'erreur, qui doit t<strong>en</strong>dre vers zéro, permet de vérifier si le krigeage est<br />
non-biaisé.<br />
La variance de l'erreur standardisée, qui doit se rapprocher de 1, correspond au rapport<br />
<strong>en</strong>tre les variances expérim<strong>en</strong>tale et théorique de krigeage. Elle permet de vérifier que les erreurs<br />
de krigeage sont cohér<strong>en</strong>tes avec la variance calculée. Les points pour lesquels l'erreur<br />
standardisée est comprise dans l'intervalle [-2,5 ; 2,5] sont dits robustes.<br />
II-2-8- Krigeage et Cokrigeage<br />
Dans cette étude, on se limite au cas stationnaire donc on <strong>en</strong> reconnaît 2 types principaux,<br />
selon que la moy<strong>en</strong>ne du processus est connue (Krigeage simple) ou non (Krigeage ordinaire).<br />
Ce dernier est, de loin, le plus fréquemm<strong>en</strong>t utilisé selon Gratton (2002).<br />
II-2-8-1-Krigeage<br />
Le krigeage, appelé « le plus meilleur outil d’estimation », est la première méthode<br />
d'interpolation spatiale à t<strong>en</strong>ir compte de la structure de dép<strong>en</strong>dance spatiale des données.<br />
Nous utilisons le krigeage ordinaire pour le traitem<strong>en</strong>t<br />
Supposons que l'on veuille estimer un bloc v c<strong>en</strong>tré au point x 0 . Notons la vraie valeur<br />
(inconnue) de ce bloc et<br />
* l'estimateur que l'on obti<strong>en</strong>t. Selon Chauvet (1999), des contraintes<br />
de Krigeage sont imposées dans le but de calculer les poids de Krigeage relatifs au point à<br />
estimer. Dans ce cas, l’estimateur pr<strong>en</strong>d la forme<br />
(Contrainte de linéarité).<br />
Pour que l’estimateur soit sans biais, il faut que E[ ] = 0 et donne<br />
On a un problème de minimisation sous contrainte d'égalité que l'on solutionne par la méthode<br />
de Lagrange décrite par<br />
24
Rappels théoriques<br />
où µ est le multiplicateur de Lagrange. Le minimum est atteint lorsque toutes les dérivées<br />
partielles par rapport à chacun des<br />
et par rapport à µ s'annul<strong>en</strong>t. Ceci conduit au système de<br />
krigeage ordinaire:<br />
A l’optimum, la variance d’estimation appelée variance de krigeage est :<br />
D’après γ(h) = σ 2 – C(h) et<br />
variogramme:<br />
, le système de krigeage peut être écrit <strong>en</strong> terme du<br />
et la variance de krigeage est :<br />
Le système de krigeage ordinaire et la variance ordinaire peut s’écrire sous la forme matricielle :<br />
D’où<br />
=<br />
L’estimateur est moins variable que la réalité qu’il cherche à estimer.<br />
25
Rappels théoriques<br />
II-2-8-2-Cokrigeage<br />
Le principe du cokrigeage est le même que celui du krigeage, mais il permet <strong>en</strong> plus d’effectuer<br />
une estimation simultanée de plusieurs variables régionalisées. Deux principales raisons<br />
justifi<strong>en</strong>t le cokrigeage :<br />
profiter, pour estimer une variable sous- échantillonnée, de l’information apportée<br />
par une autre variable, liée à la première, et mieux échantillonnée.<br />
dans le cas où toutes les variables sont connues aux points expérim<strong>en</strong>taux<br />
(isotopiques), améliorer la précision et la cohér<strong>en</strong>ce des résultats d’estimation <strong>en</strong> pr<strong>en</strong>ant <strong>en</strong><br />
compte les li<strong>en</strong>s <strong>en</strong>tre variables.<br />
26
Partie 3<br />
PARTIE III<br />
ANALYSE STATISTIQUE ET TRAITEMENT DES DONNEES PAR<br />
LES TECHNIQUES GEOSTATISTIQUES<br />
27
Analyse statistique<br />
Dans cette partie, nous abordons d’abord l’analyse statistique des données <strong>en</strong>suite le traitem<strong>en</strong>t<br />
des variables par krigeage et cokrigeage et <strong>en</strong>fin la comparaison des résultats obt<strong>en</strong>us avec ces<br />
deux méthodes.<br />
III-1- ANALYSE STATISTIQUE DES DONNEES<br />
L’analyse statistique des données est la plus importante pour les travaux <strong>en</strong><br />
géostatistique. L’objectif principal est de mieux compr<strong>en</strong>dre le comportem<strong>en</strong>t des données de<br />
résistivité comme la répartition spatiale, le minimum et le maximum, la moy<strong>en</strong>ne, l’écart type,<br />
etc. Dans ce cas, la valeur de résistivité joue un rôle important pour mieux connaître la<br />
répartition des formations géologiques correspondantes.<br />
Dans toutes les cartes établies <strong>en</strong> coordonnée Laborde et pour des valeurs de résistivité<br />
données sur la figure 11, les croix représ<strong>en</strong>t<strong>en</strong>t les valeurs des résistivités obt<strong>en</strong>ues pour une<br />
distance constante <strong>en</strong>tre les électrodes d’injection de courant A et B. Les tailles des croix sont<br />
proportionnelles aux valeurs de résistivité qui leur sont affectées.<br />
Les cartes ont été obt<strong>en</strong>ues <strong>en</strong> utilisant le logiciel Isatis 5.1 (voir AnnexeB).<br />
Figure 11: Carte de répartition de ρ 1 et ρ 7<br />
La figure11 prés<strong>en</strong>te les emplacem<strong>en</strong>ts des points de sondage. Ils sont généralem<strong>en</strong>t<br />
irréguliers à cause de l’impossibilité de l’accès à la réalisation des mesures dans certaines zones.<br />
La partie gauche constitue la valeur de résistivité pour une distance AB/3= 4m et la partie droite<br />
montre la répartition des valeurs de résistivité pour une distance de AB/3=<br />
300m. On remarque<br />
que des valeurs de résistivité <strong>en</strong> certains points de la carte correspond à AB/3=4m ne sont plus<br />
visibles sur la carte correspond à AB/3=300m ; les sondages réalisés <strong>en</strong> ces points ne sont pas<br />
28
Analyse statistique<br />
effectués assez profondém<strong>en</strong>t : on peut alors dire que les caractéristiques de la variable résistivité<br />
est hétérotopique.<br />
III-1-1- Extremum de valeur de résistivité<br />
La détermination de l’extremum de résistivité correspondant aux divers sondages<br />
effectués dans la zone d’étude a été réalisée.<br />
III-1-1-1- Statistique des valeurs de résistivité minimum<br />
Les valeurs de résistivité minimum sont obt<strong>en</strong>ues <strong>en</strong> se servant de la valeur minimum de<br />
résistivité <strong>en</strong>tre les résistivités collectées aux longueurs de <strong>ligne</strong> AB/3= 4m, 14m, 30m, 52m,<br />
100m, 150m, 300m dans tous les sondages électriques implantés dans la zone d’étude. Les<br />
résultats statistiques sont repris dans le tableau suivant :<br />
Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
149 1,70 34,00 28,00 28,75 826,66<br />
Tableau 1: Comportem<strong>en</strong>t statistique du minimum de valeur de résistivité exprimée <strong>en</strong> Ωm<br />
Le minimum de la valeur de résistivité dans tous les sondages électriques ne dépasse pas de 34<br />
Ωm. Cela dép<strong>en</strong>d <strong>en</strong> fait de la prés<strong>en</strong>ce de t<strong>en</strong>eur <strong>en</strong> argile. Plus la résistivité est faible, plus la<br />
t<strong>en</strong>eur de l’argile est plus élevée. La figure 12 illustre la répartition de formations à faibles<br />
résistivités.<br />
Figure 12: Carte de répartition de la résistivité minimum et son histogramme<br />
La figure 12 montre que la valeur de résistivité minimum compris <strong>en</strong>tre 1,7 à 30,0 Ωm est<br />
nombreuse et presque se trouve dans toute la zone d’étude sauf autour de la zone d’Antanimora<br />
et dans quelques sondages dans l’axe Sud Ouest vers Nord Est <strong>en</strong> passant par Ambovombe.<br />
29
Analyse statistique<br />
Beaucoup des sondages électriques ont été implantés au c<strong>en</strong>tre de la zone d’étude ; ceux-ci ont<br />
donné de faibles valeurs de résistivités. La couleur rouge dans la figure 12 gauche montre<br />
l’emplacem<strong>en</strong>t des points où les valeurs de résistivités sont comprises <strong>en</strong>tre 1,7 à 30,0 Ωm.<br />
III-1-1-2- Statistique des valeurs de résistivité maximum<br />
Les valeurs de résistivité maximum sont obt<strong>en</strong>ues <strong>en</strong> se servant de la valeur maximum<br />
des résistivités ρ 1 , ρ 2 , ρ 3 , ρ 4 , ρ 5 , ρ 6 et ρ 7 relatives aux longueurs de <strong>ligne</strong> AB/3= 4m, 14m, 30m,<br />
52m, 100m, 150m, 300m dans tous les sondages électriques implantés dans la zone d’étude.<br />
Le tableau 2 montre la caractéristique statistique des valeurs de résistivités maximum<br />
dans tous les sondages.<br />
Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
149 5,50 1407,00 171,00 185,88 34551,56<br />
Tableau 2: Comportem<strong>en</strong>t statistique du maximum de valeur de résistivité <strong>en</strong> Ωm<br />
D’après le tableau 2, dans certains sondages, le maximum de valeurs de résistivité est<br />
atteint jusqu’à 1407Ωm et le minimum est de 5,50Ωm. La zone d’étude est donc constituée de<br />
formations très résistantes de résistivité électrique de l’ordre de 1400Ωm ; cette valeur<br />
correspond probablem<strong>en</strong>t à une formation du socle cristallin sain. La moy<strong>en</strong>ne et la variance<br />
sont élevées à cause de la prés<strong>en</strong>ce des valeurs de résistivités faibles (5,50 Ωm) et élevées<br />
(1407,00 Ωm) dans les sondages.<br />
III-1-3- Moy<strong>en</strong>ne<br />
L’acquisition de la valeur moy<strong>en</strong>ne suit le même principe que celui de la valeur<br />
précéd<strong>en</strong>te. La moy<strong>en</strong>ne varie de 3,37 Ωm à 653,33 Ωm. Elle dép<strong>en</strong>d uniquem<strong>en</strong>t des valeurs de<br />
résistivités ρ 1 , ρ 2 , ρ 3 , ρ 4 , ρ 5 , ρ 6 et ρ 7 pour chaque sondage. Le minimum de la valeur moy<strong>en</strong>ne<br />
est faible à cause de la dominance de la formation faiblem<strong>en</strong>t résistante et ce, presque dans toute<br />
la zone d’étude ; elle est élevée par la prés<strong>en</strong>ce de la formation cristalline et de la formation des<br />
dunes de sable. Les résistivités élevées, de couleur verte, se trouv<strong>en</strong>t dans les parties Nord Ouest<br />
et Sud Est de la zone d’étude. La variance de la moy<strong>en</strong>ne est grande (7153,11) à cause du grand<br />
contraste des valeurs de résistivité dans les sondages et aussi de l’importance des distances <strong>en</strong>tre<br />
les points de sondages.<br />
30
Analyse statistique<br />
Figure 13: Carte de répartition de la moy<strong>en</strong>ne de résistivité et son histogramme<br />
III-1-4- L’écart type<br />
Même principe pour l’acquisition de la variable minimum mais cette fois-ci la valeur de<br />
l’écart type. L’écart type varie de 1 à 620. En général la moy<strong>en</strong>ne est faible ; par contre la<br />
variance est plus élevée à cause de la prés<strong>en</strong>ce des plus hautes et plus faibles valeurs de<br />
résistivité dans le sondage. L’écart type minimum signifie qu’il n’y a pas beaucoup de variation<br />
<strong>en</strong>tre les résistivités tout le long de chaque sondage. Par contre, pour la valeur maximum, le<br />
contraste de résistivités est évid<strong>en</strong>t pour un sondage électrique implanté sur une formation très<br />
résistante et très conductrice.<br />
III-1-5- Vérification de la stationnarité<br />
La Figure 14 montre les nuages de points <strong>en</strong>tre les résistivités à une profondeur<br />
correspondant pour une distance de AB/3 constante et la longitude <strong>en</strong> haut (coordonnée Y)<br />
(figure 15a) et la latitude <strong>en</strong> bas (coordonnée X) (figure 15b). Ces nuages permett<strong>en</strong>t de vérifier<br />
la t<strong>en</strong>dance (ou dérive) des résistivités ; dans ce cas elles révèl<strong>en</strong>t la prés<strong>en</strong>ce d’une stationnarité<br />
qui se traduit par une variation s<strong>en</strong>siblem<strong>en</strong>t constante des résistivités. Les petites variations sont<br />
dues <strong>en</strong> fait soit aux erreurs de mesure soit à des petites hétérogénéités dans le sous-sol mais pas<br />
de changem<strong>en</strong>t de résistivité <strong>en</strong> passant d’une formation géologique à une autre.<br />
31
Analyse statistique<br />
(a)<br />
(b)<br />
Figure 14: Nuages de points <strong>en</strong>tre les résistivités à différ<strong>en</strong>tes profondeurs<br />
D’après la figure 14 : on voit que la variation des valeurs de résistivité ρ 1, ρ 2, ρ 3 qui est<br />
représ<strong>en</strong>tée par des <strong>ligne</strong>s brisées de couleur noire est s<strong>en</strong>siblem<strong>en</strong>t constante. Donc le<br />
phénomène de stationnarité est vérifié.<br />
III-1-6- Relation <strong>en</strong>tre les différ<strong>en</strong>tes valeurs de résistivité (ρ 1 , …., ρ 7 )<br />
Comme on a vu dans le paragraphe II-1-3, la valeur du coeffici<strong>en</strong>t de corrélation doit être<br />
proche de l’unité pour que les variables soi<strong>en</strong>t linéairem<strong>en</strong>t dép<strong>en</strong>dantes ; par contre si le<br />
coeffici<strong>en</strong>t de corrélation est égal à zéro, il y a abs<strong>en</strong>ce de li<strong>en</strong> linéaire <strong>en</strong>tre les variables.<br />
Le tableau 3 montre les différ<strong>en</strong>tes valeurs des coeffici<strong>en</strong>ts de corrélation <strong>en</strong>tre les variables ρ 1 ,<br />
ρ 2 , ρ 3 , ρ 4 , ρ 5 , ρ 6 , ρ 7.<br />
32
Analyse statistique<br />
Coeffici<strong>en</strong>t<br />
de<br />
Corrélations<br />
ρ 1 ρ 2 ρ 3 ρ 4 ρ 5 ρ 6 ρ 7<br />
ρ 1<br />
1.0000 0,5670 0,4291 0,3049 0,1333 0,1289 0,0025<br />
ρ 2 1.0000 0,9244 0,7803 0,5000 0,2739 0,1151<br />
ρ 3 1.0000 0,9377 0,6689 0,3935 0,2630<br />
ρ 4 1.0000 0,8473 0,5627 0,4199<br />
ρ 5 1.0000 0,8627 0,6154<br />
ρ 6 1.0000 0,7568<br />
Tableau 3: coeffici<strong>en</strong>ts de corrélation <strong>en</strong>tre les 7 variables.<br />
Ce tableau montre que le coeffici<strong>en</strong>t de corrélation est élevé pour les couples de variables<br />
(ρ 2 , ρ 3 ), (ρ 3 , ρ 4 ), (ρ 4 , ρ 5 ), (ρ 5 , ρ 6 ) : 0,9244 ; 0,9377 ; 0,8473 ; 0,8627 respectivem<strong>en</strong>t. Donc il y<br />
a une dép<strong>en</strong>dance linéaire <strong>en</strong>tre ces couples de variables et l’estimation par cokrigeage peut être<br />
utilisée pour améliorer la cohér<strong>en</strong>ce des résultats d’estimation <strong>en</strong> pr<strong>en</strong>ant <strong>en</strong> compte les li<strong>en</strong>s<br />
<strong>en</strong>tre variables.<br />
Par contre le coeffici<strong>en</strong>t de corrélation par exemple celui de (ρ 1 , ρ 7) est très faible ; dans<br />
ce cas, les variables ρ 1 et ρ 7 sont linéairem<strong>en</strong>t indép<strong>en</strong>dantes. Donc l’estimation par cokrigeage<br />
est impossible.<br />
III-2- TRAITEMENT DES DONNEES PAR KRIGEAGE<br />
Dans ce paragraphe, nous allons développer la méthode d’estimation monovariable pour chacune<br />
des sept variables.<br />
III-2-1-Variable ρ 1<br />
Le tableau 4 montre les statistiques de base sur la variable ρ 1 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 1 149 2,30 1407,00 127,00 177,56 31525,79<br />
Tableau 4: Statistiques sur la variable ρ 1 <strong>en</strong> Ωm<br />
Sur les 149 données de résistivités, les résultats statistiques montr<strong>en</strong>t que ρ 1 varie de<br />
2,30 Ωm à 1407,00 Ωm avec la moy<strong>en</strong>ne de 127,00 Ωm et la variance est égale à 31525,79Ωm 2 .<br />
33
Analyse statistique<br />
La figure 15 montre l’histogramme et la répartition spatiale de ρ 1 .<br />
Figure 15: Carte de répartition et histogramme de la variable ρ 1<br />
Selon les résultats de la figure 15, l’histogramme est unimodal, c’est-à-dire qu’il prés<strong>en</strong>te<br />
un maximum unique de fréqu<strong>en</strong>ce, de valeur modale égale à 0.48. Les échantillons ρ 1 ont été<br />
regroupés par classe d’intervalle de 20%.<br />
Ces figures montr<strong>en</strong>t que les points pour lesquels les valeurs de résistivité comprises <strong>en</strong>tre<br />
2,5Ωm et 125Ωm couleur bleue sont répartis presque dans toute la totalité de la zone d’étude<br />
sauf dans l’axe Nord-est Sud-ouest.<br />
III-2-1-1-Analyse variographique<br />
Les paramètres choisis pour le calcul du variogramme sont : pas= 5,1 km, nombre de<br />
pas= 12. Le calcul a été fait avec une tolérance de 50%. Pour mieux compr<strong>en</strong>dre la relation<br />
spatiale de la variable étudiée, l’analyse variographique ainsi que le variogramme nué doiv<strong>en</strong>t<br />
être effectués par calcul directionnel.<br />
La figure 16 montre le calcul du variogramme dans deux directions de la variable ρ 1 pour<br />
visualiser la structure anisotropie.<br />
34
Traitem<strong>en</strong>t par krigeage<br />
Figure 16: Variogrammes directionnels relatifs à ρ 1<br />
La figure 16 prés<strong>en</strong>te le calcul du variogramme dans différ<strong>en</strong>tes directions. La couleur<br />
rouge indique la direction de référ<strong>en</strong>ce (N0°, N45°, N75°, N134°). Les résultats montr<strong>en</strong>t que les<br />
variogrammes arriv<strong>en</strong>t sur la variance de données avec différ<strong>en</strong>tes portées. Le calcul directionnel<br />
de référ<strong>en</strong>ce N75° montre clairem<strong>en</strong>t qu’à une distance inférieure à 35km, le phénomène est<br />
isotrope et sans structure spatiale avec une variation croissante avec la distance. Après cette<br />
distance, le variogramme calculé dans la direction N165° comm<strong>en</strong>ce à diminuer et s’écarte du<br />
variogramme calculé dans la direction N75° ; cela signifie que deux mesures de résistivité ne<br />
sont plus corrélées pour des distances supérieures à 35km car la formation du sous sol peut aussi<br />
changer : il n’y a plus de continuité spatiale. La variable ρ 1 prés<strong>en</strong>te une anisotropie pour des<br />
distances supérieures à 35km; cela est dû à plusieurs facteurs : irrégularité spatiale des données<br />
35
Traitem<strong>en</strong>t par krigeage<br />
dans la zone d’étude, grand contraste de résistivité pour deux échantillons voisines, hétérogénéité<br />
du sous sol. Finalem<strong>en</strong>t, la structure isotropie est considérée pour la modélisation. La carte<br />
variographique nous aide à confirmer cette structure.<br />
Figure 17: Carte variographique de la variable ρ 1<br />
La figure 17 montre la carte variographique de la variable ρ 1 ; cet outil nous permet<br />
d’examiner la corrélation spatiale des données dans toutes les directions de l’espace. Une cellule<br />
de la carte variographique représ<strong>en</strong>te une famille de couples de points dont les directions et les<br />
distances <strong>en</strong>tre points sont égales. La valeur de la cellule représ<strong>en</strong>te la valeur du variogramme<br />
pour cette famille de paires. Si la corrélation spatiale est la même dans toutes les directions de<br />
l’espace (isotropie), on obti<strong>en</strong>drait la même couleur pour toutes les cellules à une même distance<br />
(cercle) du c<strong>en</strong>tre ; au contraire si une direction est privilégiée (anisotropie) on obti<strong>en</strong>drait des<br />
valeurs plus fortes ou plus faibles dans la direction concernée. En général, la carte<br />
variographique montre des valeurs de variogramme non constantes dans toutes les directions et<br />
pour une même distance. A<br />
grande échelle (de l’ordre de dizaine de kilomètre), la structure<br />
isotropie peut être considérée pour la modélisation car elle ti<strong>en</strong>t compte de la continuité spatiale.<br />
Pour la suite, le variogramme expérim<strong>en</strong>tal est calculé dans toutes les directions<br />
(omnidirectionnelles).<br />
Le variogramme nué nous permet d’analyser les conséqu<strong>en</strong>ces et le comportem<strong>en</strong>t du<br />
nombre de couples du variogramme.<br />
36
Traitem<strong>en</strong>t par krigeage<br />
La figure 18 montre le variogramme nué avec les paramètres de calcul du variogramme.<br />
a)<br />
b)<br />
Figure 18: Analyse du variogramme relatifs à ρ 1<br />
La figure 18a montre que la prés<strong>en</strong>ce des fortes valeurs dans les données (figure b)<br />
provi<strong>en</strong>t la variance très élevée et aussi l’instabilité de variogramme : l’augm<strong>en</strong>tation de la<br />
variance et la fluctuation du variogramme sont causée par la prés<strong>en</strong>ce de la forte valeur et par<br />
conséqu<strong>en</strong>t, la continuité spatiale de la formation n’est pas très visible.<br />
III-2-1-2- Modélisation du variogramme<br />
L'intérêt de la modélisation d'un variogramme expérim<strong>en</strong>tal est ess<strong>en</strong>tiellem<strong>en</strong>t pratique :<br />
il s'agit de passer d'une fonction définie par des points à une fonction continue dans l'espace et<br />
possédant une expression mathématique.<br />
La modélisation choisie est un compromis <strong>en</strong>tre le calage au plus près du variogramme<br />
expérim<strong>en</strong>tal et la stabilisation de son comportem<strong>en</strong>t dans les grandes distances. Pour optimiser<br />
le calage de modèles théoriques sur le variogramme expérim<strong>en</strong>tal, on a "joué" sur les paramètres<br />
portée et palier.<br />
La figure 19 prés<strong>en</strong>te les modèles de variogramme qui s'ajust<strong>en</strong>t visuellem<strong>en</strong>t le mieux<br />
aux variogrammes expérim<strong>en</strong>taux.<br />
37
Traitem<strong>en</strong>t par krigeage<br />
Modèle 1<br />
Modèle2<br />
Figure 19: Ajustem<strong>en</strong>t du variogramme expérim<strong>en</strong>tal relatifs à ρ 1<br />
Le variogramme expérim<strong>en</strong>tal de la variable ρ 1 a été modélisé avec deux structures<br />
différ<strong>en</strong>tes dont chacune de modèle comporte deux structures de base. On voit bi<strong>en</strong> que les<br />
courbes expérim<strong>en</strong>tale et théorique sont proches l’une de l’autre.<br />
Le variogramme ainsi défini est borné donc l’hypothèse de stationnarité est vérifiée.<br />
A une distance plus de 30km, la courbe variographique se stabilise autour de 30000 ; cela<br />
signifie que deux mesures de résistivité ne sont plus corrélées pour une distante plus de 30km.<br />
Le tableau 5 montre le résultat de la modélisation.<br />
Modèle 1 Palier Portée (km)<br />
Effet de pépite 2700<br />
Sphérique 31330 29,5<br />
Modèle 2 Palier Portée (km)<br />
Effet de pépite 3680<br />
Gaussi<strong>en</strong> 30748 22<br />
Tableau 5: Paramètres et modèles mathématiques du variogramme<br />
Selon les résultats du tableau 5, chaque modèle du variogramme montre une ordonnée non nulle<br />
à l’origine ; c’est l’effet de pépite. Plus l’effet de pépite est grand, plus la carte d’estimation et la<br />
carte d’écart-type sont lissées. Cet effet de pépite peut prov<strong>en</strong>ir de fortes variations locales des<br />
valeurs de la propriété ou être attribué soit à des erreurs de mesure, soit à des erreurs de<br />
38
Traitem<strong>en</strong>t par krigeage<br />
localisation (précision d’un GPS) qui vi<strong>en</strong>n<strong>en</strong>t fausser les distances et donc fausser le<br />
variogramme expérim<strong>en</strong>tal, soit au fait que les données n’ont pas été récoltées à un intervalle de<br />
mesure suffisamm<strong>en</strong>t petit pour pouvoir observer la structure sous-jac<strong>en</strong>te continue du<br />
phénomène. La continuité spatiale de la formation géoélectriques n’est alors pas bonne car la<br />
formation peut varier d’un <strong>en</strong>droit à un autre.<br />
III-2-1-3-Choix de grille de l’estimation<br />
La grille d’estimation par bloc est la meilleure pour ce travail car la variation des variables<br />
utilisées (résistivité) est visible d’une formation à l’autre et non pas <strong>en</strong> un point. La grille de<br />
l’estimation est à maillage de taille 2,5km x 2,5km, les coordonnées de l’origine sont (316 km,<br />
78km), les nombres de nœuds sont de 31 le long de l’axe des abscisses et 32 le long de l’axe des<br />
ordonnée, les données doiv<strong>en</strong>t être à l’intérieur de la grille.<br />
X (km)<br />
310 320 330 340 350 360 370 380 390 400<br />
160 160<br />
150 150<br />
140 140<br />
130 130<br />
Y (km)<br />
120 120<br />
110 110<br />
100 100<br />
90 90<br />
80 80<br />
70 70<br />
310 320 330 340 350 360 370 380 390 400<br />
X (km)<br />
Figure 20: Grille d’estimation des variables par bloc<br />
Y (km)<br />
III-2-1-4-Choix du bloc de discrétisation<br />
Le bloc de discrétisation est créé <strong>en</strong> utilisant un maillage de taille 4 x 4 x 1 car à partir de cette<br />
dim<strong>en</strong>sion que la courbe f(cvv) se stabilise. La figure 21 montre le choix de la grille ; <strong>en</strong><br />
abscisse, la dim<strong>en</strong>sion du bloc discrétisation ; <strong>en</strong> ordonnée, la valeur f(cvv).<br />
39
Traitem<strong>en</strong>t par krigeage<br />
Figure 21: Courbe f(cvv) <strong>en</strong> fonction de la dim<strong>en</strong>sion du bloc discrétisation<br />
III-2-1-5-Voisinage unique et voisinage glissant.<br />
Le test de voisinage est appliqué sur deux modèles de variogramme pour confirmer le<br />
meilleur choix <strong>en</strong>tre le voisinage unique et le voisinage glissant. Les meilleurs paramètres<br />
choisis pour le test de voisinage sont : le nombre minimum de données=1, le nombre de secteur<br />
de l’angle =4 et le nombre maximum de données=15.<br />
Le tableau 6 récapitule les résultats de test de voisinage glissant.<br />
BLOC id C(20,13)<br />
Dim<strong>en</strong>sion de l’ellipsoïde<br />
<strong>en</strong> (km)<br />
8X8 8X10 8.5X10 9X12 9.5X12 15X15<br />
Nombre de voisinages 23 25 25 28 29 38<br />
Poids négatif % 2,74 3,53 3,53 4,39 4,51 7,12<br />
Somme de poids positif 1.02 1.03 1.03 1.04 1.04 1.07<br />
Corrélation de Z/Z* 0.985267 0.985951 0.985951 0.986170 0.986204 0.986528<br />
Poids attaché à la moy<strong>en</strong>ne -0.02744 -0.03535 -0.03035 -0.03990 -0.04108 -0.04420<br />
BLOC id C(12,20)<br />
Dim<strong>en</strong>sion de l’ellipsoïde<br />
<strong>en</strong> (km)<br />
8X8 8X10 8.5X10 9X12 9.5X12 15X15<br />
Nombre de voisinages 5 9 10 10 11 21<br />
Poids négatif % -6,12 2,85 3,92 3,92 4,60 9,60<br />
Somme de poids positif 0.93 1.02 1.03 1.03 1.04 1.09<br />
Corrélation de Z/Z* 0.939804 0.960332 0.962444 0.962444 0.963069 0.964434<br />
Poids attaché à la moy<strong>en</strong>ne 0.06124 -0.03858 -0.02923 -0.03923 -0.04606 -0.07115<br />
Tableau 6: Test de voisinage glissant dans le modèle 2<br />
40
Traitem<strong>en</strong>t par krigeage<br />
Le tableau 6 montre les résultats de test avec différ<strong>en</strong>tes dim<strong>en</strong>sions de l’ellipsoïde pour<br />
le modèle 2 de variogramme. Compte t<strong>en</strong>u des valeurs cont<strong>en</strong>ues dans le tableau 6, le nombre de<br />
voisinages et le poids négatif croiss<strong>en</strong>t quand la dim<strong>en</strong>sion de l’ellipse croît. Par contre la<br />
corrélation <strong>en</strong>tre Z et Z* décroît pour le bloc assez de donné. Le poids attaché à la moy<strong>en</strong>ne est<br />
plus faible et la corrélation est plus proche de l’unité dans l’ellipsoïde de dim<strong>en</strong>sion 8,5 kmx10<br />
km. Donc l’ellipsoïde de dim<strong>en</strong>sion 8,5 km x10 km montre de bon résultat et est utilisé pour<br />
valider le modèle de variogramme.<br />
Le tableau 7 montre les résultats de test utilisant le modèle 1 du variogramme<br />
BLOC id C(20,13)<br />
Dim<strong>en</strong>sion de l’ellipsoïde<br />
<strong>en</strong> (km)<br />
5X5 8X10 8.5X10 8X13 10X12 15X15<br />
Nombre de voisinages 11 19 25 27 29 38<br />
Poids négatif % -2,23 0,77 1,73 2,10 2,15 2,91<br />
Somme de poids positif 0.97 1.00 1.01 1.02 1.02 1.02<br />
Corrélation de Z/Z* 0.958009 0.961164 0.961689 0.961700 0.961700 0.961730<br />
Poids attaché à la moy<strong>en</strong>ne 0.022381 -0.00775 -0.01736 -0.01686 -0.01687 -0.01619<br />
BLOC id C(12,20)<br />
Dim<strong>en</strong>sion de l’ellipsoïde<br />
<strong>en</strong> (km)<br />
5X5 5X10 8.5X10 8X13 10X12 15X15<br />
Nombre de voisinages 2 4 10 9 11 21<br />
Poids négatif % -22,79 -89,95 0,59 -0,2 1,22 4,21<br />
Somme de poids positif 0.772169 0.105098 1.005924 0.998025 1.012284 1.042108<br />
Corrélation de Z/Z* 0.851334 0.882960 0.906511 0.905534 0.906920 0.907603<br />
Poids attaché à la moy<strong>en</strong>ne 0.227831 0.105098 -0.00592 0.001975 -0.01228 -0.03583<br />
Tableau 7: Test de voisinage glissant dans le modèle 1<br />
Même procédé pour le test utilisant le modèle 1, on a pu conclure que la dim<strong>en</strong>sion de l’ellipse<br />
8.5km x 10km est le plus favorable comme résultats.<br />
Le tableau 8 montre le résultat de test <strong>en</strong> utilisant le voisinage unique des deux modèles :<br />
41
Traitem<strong>en</strong>t par krigeage<br />
Modèle<br />
BLOC id C(20,13)<br />
Nombre de<br />
Somme de Corrélation de Poids attaché à<br />
Poids négatif %<br />
voisinages<br />
poids positif Z/Z* la moy<strong>en</strong>ne<br />
Sphérique(1) 149 6,81 1.06 0.961899 0.001047<br />
Gaussi<strong>en</strong>(2) 149 17,86 1.17 0.987735 0.000874<br />
Modèle<br />
BLOC id C(12,20)<br />
Nombre de<br />
Somme de Corrélation de Poids attaché à<br />
Poids négatif %<br />
voisinages<br />
poids positif Z/Z* la moy<strong>en</strong>ne<br />
Sphérique(1) 149 19,53 1.19 0.909506 0.033017<br />
Gaussi<strong>en</strong>(2) 149 36,81 1.37 0.969059 0.021169<br />
Tableau 8: Test de voisinage glissant dans le modèle 1<br />
D’après le tableau 8, on constate que les résultats ne sont pas très différ<strong>en</strong>ts dans les deux<br />
modèles même si le coeffici<strong>en</strong>t de corrélation <strong>en</strong> utilisant le modèle gaussi<strong>en</strong> est légèrem<strong>en</strong>t<br />
supérieur au coeffici<strong>en</strong>t de corrélation <strong>en</strong> utilisant le modèle sphérique.<br />
III-2-1-6- Validation croisée<br />
La validation croisée, réalisée avant d’<strong>en</strong>trepr<strong>en</strong>dre le krigeage sur la grille d’estimation,<br />
fournit des critères statistiques de sélection dans le choix d’un modèle de variogramme.<br />
Les résultats des validations croisées sont prés<strong>en</strong>tés sur les figures suivantes :<br />
Validation croisée du modèle 1 et modèle 2<br />
Figure 22: Résultat de validation croisée du modèle 1 <strong>en</strong> utilisant le voisinage unique<br />
42
Traitem<strong>en</strong>t par krigeage<br />
Cette figure montre le résultat de validation croisé du modèle 1 <strong>en</strong> utilisant le voisinage<br />
unique. La partie droite de la figure montre le nuage des corrélations <strong>en</strong>tre valeurs vraies -<br />
valeurs estimées. Certaines données ne sont pas bi<strong>en</strong> estimées comme indiqué sur la carte de<br />
répartition : les valeurs correspondantes sont relativem<strong>en</strong>t grandes.<br />
Figure 23 : Résultat de validation croisée du modèle 1 <strong>en</strong> utilisant le voisinage glissant<br />
Le résultat de validation croisée du modèle 1 <strong>en</strong> utilisant le voisinage glissant montre un<br />
bon coeffici<strong>en</strong>t de corrélation par rapport au résultat <strong>en</strong> utilisant le voisinage unique. Le tableau<br />
9 récapitule ces résultats.<br />
Modèle1 Moy<strong>en</strong>ne Variance<br />
Données<br />
Coeffici<strong>en</strong>t de<br />
Robustes<br />
corrélation<br />
sur 149<br />
Voisinage glissant<br />
Erreur -0.8414 Erreur 25445.47<br />
Std-erreur -0.0145 Std-erreur 1.40530<br />
143 0.451<br />
Voisinage unique<br />
Erreur -0.4754 Erreur 27231.85<br />
Std-erreur -0.0019 Std-erreur 1.55334<br />
142 0.392<br />
Tableau 9: Récapitulation des résultats de validations croisées du modèle 1 <strong>en</strong> ρ 1 .<br />
D’après ce tableau, les statistiques de ces erreurs constitu<strong>en</strong>t un élém<strong>en</strong>t supplém<strong>en</strong>taire<br />
dans la comparaison des modèles.<br />
La moy<strong>en</strong>ne des erreurs d’estimation et des erreurs standardisées est proche de 0 sauf<br />
pour la moy<strong>en</strong>ne d’erreur <strong>en</strong> utilisant le voisinage glissant ; Ce critère assure l’abs<strong>en</strong>ce de biais.<br />
La variance des erreurs d’estimation est plus faible pour le modèle utilisant le voisinage<br />
glissant. La variance des erreurs standardisées pour le modèle utilisant le voisinage glissant est<br />
43
Traitem<strong>en</strong>t par krigeage<br />
proche de 1 ; ce qui indique que l’écart-type de krigeage est représ<strong>en</strong>tatif de l’erreur d’estimation<br />
commise.<br />
Quant au nombre de données robustes, c’est-à-dire données pour lesquelles l’erreur<br />
standardisée est inférieure à 2,5 <strong>en</strong> valeur absolue, le modèle utilisant le voisinage glissant est<br />
meilleur que celui utilisant le voisinage unique. Cela est confirmé par la bonne valeur de<br />
coeffici<strong>en</strong>t de corrélation (0.451).<br />
La figure 24 montre les résultats de validation croisée du modèle 2 <strong>en</strong> utilisant le<br />
voisinage unique.<br />
Figure 24: Résultat de validation croisée du modèle 2 <strong>en</strong> utilisant le voisinage unique <strong>en</strong> ρ 1<br />
Elle montre à peu près le même résultat mais se distingue d’un bon coeffici<strong>en</strong>t de<br />
corrélation par rapport au modèle 1 utilisant le même voisinage unique. La figure 25 montre le<br />
résultat de validation croisée du modèle 2 <strong>en</strong> utilisant le voisinage glissant.<br />
Figure 25 : Résultat de validation croisée du modèle 2 <strong>en</strong> utilisant le voisinage glissant <strong>en</strong> ρ 1<br />
44
Traitem<strong>en</strong>t par krigeage<br />
Ce modèle 2 utilisant le voisinage glissant prés<strong>en</strong>te un bon coeffici<strong>en</strong>t de corrélation (la<br />
plus proche de zéro) et le nombre de points mal estimés est faible (6). D’après cette carte de<br />
répartition, la prés<strong>en</strong>ce des données qui ne sont pas bi<strong>en</strong> estimées est causée par la forte<br />
variabilité des données c’est-à-dire un grand contraste <strong>en</strong>tre les valeurs des données voisines.<br />
Modèle2 Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 149<br />
Coeffici<strong>en</strong>t de<br />
corrélation<br />
Voisinage glissant<br />
Voisinage unique<br />
Erreur -0.8636 Erreur 24262.05<br />
Std-erreur -0.0066 Std-erreur 1.70885<br />
Erreur -0.6790 Erreur 26835.43<br />
Std-erreur -0.0029 Std-erreur 2.00022<br />
143 0.483<br />
142 0.403<br />
Tableau 10: Récapitulation des résultats de validations croisées du modèle 2 <strong>en</strong> ρ 1 .<br />
Compte t<strong>en</strong>u des résultats dans le tableau 10, le résultat de validation croisée <strong>en</strong> utilisant<br />
le voisinage glissant montre de bons coeffici<strong>en</strong>ts de corrélation (0,483) ; le nombre des données<br />
qui ne sont pas bi<strong>en</strong> estimées et la variance d’erreur est faible ; de plus, la moy<strong>en</strong>ne des erreurs et<br />
l’erreur réduite pour les deux modèles sont proches de zéro.<br />
Les résultats statistiques vari<strong>en</strong>t donc d'un modèle à l'autre. Le résultat de validation<br />
croisée pour les deux modèles montre que la condition de « non biais » semble vérifiée puisque<br />
la moy<strong>en</strong>ne des erreurs est faible ; la variance de l'erreur standardisée, élevée, montre une erreur<br />
de krigeage expérim<strong>en</strong>tale plus importante.<br />
Le modèle2 <strong>en</strong> utilisant le voisinage glissant est donc choisi pour l’estimation afin de se<br />
trouver dans les conditions les plus proches possibles de la variable ρ 1 mesurée.<br />
III-2-1-7-Estimation de la variable ρ 1<br />
En considérant toujours la grille de l’estimation que nous avons choisie, le tableau 11<br />
montre les caractéristiques statistiques des résultats de l’estimation de la variable ρ 1 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 1 605 10 550 119 92.24 8509<br />
Tableau 11: Statistiques des estimations de la variable ρ 1<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 1 (tableau 4), la<br />
moy<strong>en</strong>ne <strong>en</strong>tre les vraies valeurs et les valeurs estimées n’est pas très différ<strong>en</strong>te. L’écart type de<br />
l’estimation est faible par rapport à l’écart type des données initiales. Cela est dû à l’effet de<br />
45
Traitem<strong>en</strong>t par krigeage<br />
lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs minimum et maximum<br />
de l’estimation et le minimum et le maximum de données initiales est dû à l’effet du processus<br />
de krigeage.<br />
III-2-2-Variable ρ 2<br />
Le tableau 12 montre les statistiques de base sur la variable ρ 2<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 2 149 1,7 1001,1 87,0 120,27 14465,66<br />
Tableau 12: Statistiques sur la variable ρ 2<br />
La variable ρ 2 prés<strong>en</strong>te aussi une forte variance 14465,65 (Ω m) ² . Cela est dû à la<br />
prés<strong>en</strong>ce d’un grand contraste <strong>en</strong>tre les valeurs minimum et maximum. On peut dire que<br />
beaucoup de points sont à faible valeur du fait que la moy<strong>en</strong>ne est faible.<br />
L’analyse variographique sera faite par calcul omnidirectionnel du variogramme et<br />
analyse du variogramme nué pour connaître le comportem<strong>en</strong>t des valeurs de variogramme.<br />
Les choix des paramètres pour le calcul du variogramme sont: pas = 1,38 km, nombre de<br />
pas = 21 et tolérance = 50%. La figure 26 prés<strong>en</strong>te le calcul du variogramme de la variable ρ 2<br />
avec une tolérance angulaire de 22,5°.<br />
Figure 26 : Variogramme omnidirectionnel de la variable ρ 2<br />
A partir d’une distance de 20km, la courbe comm<strong>en</strong>ce à fluctuer alors la moy<strong>en</strong>ne n’est<br />
plus significative au-delà de cette distance. Sur une distance inférieure à <strong>en</strong>viron 20 km, on a<br />
donc une structure isotropie. On a une tang<strong>en</strong>te horizontale au voisinage de l’origine selon la<br />
figure 26 ce qui signifie une bonne continuité spatiale du phénomène. Un grand effet de pépite<br />
46
Traitem<strong>en</strong>t par krigeage<br />
est dû aux plusieurs causes (erreur de mesure, grande distance inter échantillon, hétérogénéité du<br />
sous sol). La variance se stabilise autour de 7500 d’où la stationnarité vérifiée.<br />
La figure 27 montre le variogramme nué <strong>en</strong> correspondance avec sa carte de répartition<br />
Figure 27 : Analyse du variogramme<br />
La figure 27 montre que la prés<strong>en</strong>ce de fortes valeurs dans les données provi<strong>en</strong>t de la<br />
variance très élevée et aussi de l’instabilité de variogramme.<br />
III-2-2-1-Modélisation du variogramme.<br />
La figure 28 montre la modélisation du variogramme expérim<strong>en</strong>tal de la variable ρ 2<br />
Figure 28 : Ajustem<strong>en</strong>t de variogramme expérim<strong>en</strong>tal <strong>en</strong> ρ 2<br />
47
Traitem<strong>en</strong>t par krigeage<br />
Le variogramme expérim<strong>en</strong>tal de la variable ρ 2 est modélisé par la somme d’une structure<br />
pépitique (palier = 1216) et d’une structure gaussi<strong>en</strong>ne (palier = 3844, portée = 17 km).<br />
La validité de ces modèles est étudiée par la suite.<br />
III-2-2-2-Test de voisinage<br />
Le test de voisinage sera fait <strong>en</strong> voisinage glissant et <strong>en</strong> voisinage unique sur le modèle<br />
du variogramme. Les paramètres choisis pour le test de voisinage sont : nombre minimum de<br />
données=1, secteur de l’angle =2 et nombre maximum de données =10.<br />
D’après le même principe que pour le test de voisinage de la variable ρ 1 , l’ellipsoïde de<br />
dim<strong>en</strong>sion 14 km x17 km montre de bons résultats.<br />
III-2-2-3-Validation croisée du modèle<br />
La figure 29 montre les résultats de test de voisinage unique et glissant.<br />
Figure 29 : Résultat de validation croisée du modèle <strong>en</strong> utilisant le voisinage glissant<br />
D’après cette figure, le coeffici<strong>en</strong>t de corrélation <strong>en</strong>tre les vraies valeurs de données et les<br />
valeurs estimées est 0,662. Les données mal estimées ici sont des fortes valeurs.<br />
La figure 30 montre les résultats de validation croisée du modèle <strong>en</strong> utilisant le voisinage<br />
unique.<br />
48
Traitem<strong>en</strong>t par krigeage<br />
Figure 30 : Résultat de validation croisée du modèle <strong>en</strong> utilisant le voisinage unique<br />
Les résultats obt<strong>en</strong>us dans les figures 29 et 30 sont différ<strong>en</strong>ts car le coeffici<strong>en</strong>t de<br />
corrélation obt<strong>en</strong>u dans le voisinage glissant est grand par rapport au voisinage unique.<br />
Le tableau 13 récapitule les caractéristiques des résultats de validations croisées.<br />
Modèle Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 149<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Voisinage glissant Erreur -0.9946 Erreur 8127.415 140 0,662<br />
Std-erreur -0.0104 Std-erreur 1.70863<br />
Voisinage unique Erreur -0.1173 Erreur 8465.209 140 0,647<br />
Std-erreur -0.0012 Std-erreur 1.78205<br />
Tableau 13 : Récapitulation des résultats de validations croisées.<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau, la moy<strong>en</strong>ne d’erreur des<br />
deux modèles est proche de zéro, on a le même nombre de données robuste ; par contre, la<br />
variance d’erreur faible et le coeffici<strong>en</strong>t de corrélation élevé pour le modèle utilisant le voisinage<br />
glissant nous permet d’affirmer que ce modèle sera utilisé pour l’estimation.<br />
III-2-2-4-Estimation de la variable ρ 2<br />
Le tableau 14 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 2 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 2 924 9.44 710.39 90 79.33 6292.57<br />
Tableau 14: Statistiques des estimations de la variable ρ 2<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 2 (tableau 12), la<br />
moy<strong>en</strong>ne des valeurs vraies est presque semblable à la moy<strong>en</strong>ne des valeurs estimées. La<br />
variance de l’estimation est faible par rapport à la variance des données initiales. Cela est dû à<br />
49
Traitem<strong>en</strong>t par krigeage<br />
l’effet de lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs extremum de<br />
l’estimation et l’extremum de données initiales est due à l’effet du processus de krigeage.<br />
III-2-3-Variable ρ3<br />
Le tableau suivant montre les statistiques de base sur la variable ρ 3 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 3 149 2,4 910,0 85 109,78 12052,55<br />
Tableau 15: Statistiques sur la variable ρ3<br />
On a la même constatation à propos de la variance, écart type, moy<strong>en</strong>ne du tableau 12 de la<br />
variable précéd<strong>en</strong>te.<br />
Le variogramme expérim<strong>en</strong>tal, qui r<strong>en</strong>seigne sur l’évolution de l’écart quadratique moy<strong>en</strong><br />
des valeurs de résistivité <strong>en</strong> fonction de la distance est isotrope.<br />
Le variogramme modélisé est la somme d’une structure pépitique (palier=3683) et d’une<br />
structure Sphérique (portée=16,5km, palier=3252,5).<br />
Figure 31 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 3<br />
III-2-3-1-Validation croisée<br />
Le tableau 16 récapitule les caractéristiques des résultats de validations croisées.<br />
Données<br />
Modèle Moy<strong>en</strong>ne Variance Robustes<br />
sur 149<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Voisinage glissant Erreur -0,96 Erreur 7664,45 143 0,621<br />
Sdt-erreur -0,01 Std-erreur 1,40<br />
Voisinage unique Erreur -0,97 Erreur 7766,17 142 0,613<br />
Std-erreur -0,01 Std-erreur 1,42<br />
Tableau 16: Récapitulation des résultats de validations croisées ρ 3 .<br />
50
Traitem<strong>en</strong>t par krigeage<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau. Les résultats ne montr<strong>en</strong>t<br />
pas trop de différ<strong>en</strong>ce <strong>en</strong>tre le voisinage glissant et unique. Par contre, le voisinage glissant du<br />
modèle prés<strong>en</strong>te un coeffici<strong>en</strong>t de corrélation légèrem<strong>en</strong>t meilleure.<br />
Finalem<strong>en</strong>t, le modèle avec voisinage glissant sera utilisé.<br />
III-2-3-2-Estimation de la variable ρ 3<br />
Le tableau 17 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 3 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 3 3941 14,56 441,89 79 61 3722,97<br />
Tableau 17: Statistiques des estimations de la variable ρ 3<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 3 (tableau 15), la<br />
moy<strong>en</strong>ne <strong>en</strong>tre les vraies valeurs et les valeurs estimées est de même ordre de grandeur (80). La<br />
variance de l’estimation est faible par apport à la variance des données initiales. Cela est dû à<br />
l’effet de lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs minimum et<br />
maximum de l’estimation et le minimum et le maximum de données initiales est due à l’effet du<br />
processus de krigeage.<br />
III-2-4-Variable ρ 4<br />
Le tableau 18 récapitule les statistiques de base de la variable ρ 4 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 4 148 2,5 708 80 97 9499,60<br />
Tableau 18: Statistiques des estimations de la variable ρ 4<br />
On a la même constatation à propos de la variance, écart type, moy<strong>en</strong>ne du tableau 12 de la<br />
variable ρ 2 et avec la variance qui diminue lorsqu’on pénètre <strong>en</strong> profondeur.<br />
Le variogramme expérim<strong>en</strong>tal, qui r<strong>en</strong>seigne sur l’évolution de l’écart quadratique moy<strong>en</strong><br />
des valeurs de résistivité <strong>en</strong> fonction de la distance est isotrope.<br />
Le variogramme modélisé est la somme d’une structure pépitique (palier= 3933) et d’une<br />
structure Sphérique (portée=20km, palier=2342).<br />
51
Traitem<strong>en</strong>t par krigeage<br />
Figure 32 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 4<br />
III-2-4-1-Validation croisée<br />
Le tableau 19 récapitule les caractéristiques des résultats de validations croisées.<br />
Modèle Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 148<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Voisinage glissant<br />
Erreur -0,4360 Erreur 5952,3<br />
Std-erreur -0,0054 Std-erreur 1,16<br />
143 0,629<br />
Voisinage unique<br />
Erreur -0,3848 Erreur 5872,8<br />
Std-erreur 0,0004 Std-erreur 1,15<br />
143 0,638<br />
Tableau 19: Récapitulation des résultats de validations croisées ρ 4 .<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau, les résultats ne montr<strong>en</strong>t<br />
pas trop de différ<strong>en</strong>ce <strong>en</strong>tre le voisinage glissant et unique. Par contre, le voisinage unique du<br />
modèle prés<strong>en</strong>te un coeffici<strong>en</strong>t de corrélation légèrem<strong>en</strong>t meilleur que le voisinage glissant<br />
Finalem<strong>en</strong>t, le modèle avec voisinage unique sera utilisé.<br />
III-2-4-2-Estimation de la variable ρ 4<br />
Le tableau 20 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 4 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 4 4050 15.88 291.41 73 48,72 2374<br />
Tableau 20: Statistiques des estimations de la variable ρ 4<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 4 (tableau 18), la<br />
moy<strong>en</strong>ne <strong>en</strong>tre les vraies valeurs et les valeurs estimées est de même ordre de grandeur (70). La<br />
52
Traitem<strong>en</strong>t par krigeage<br />
variance de l’estimation est faible par rapport à la variance des données initiales. Cela est dû à<br />
l’effet de lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs minimum et<br />
maximum de l’estimation et le minimum et le maximum de données initiales est due à l’effet du<br />
processus de krigeage.<br />
III-2-5-Variable ρ 5<br />
Le tableau 21 montre les statistiques de base sur la variable ρ 5 :<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 5 137 2,5 462,0 69 80,61 6498,68<br />
Tableau 21: Statistiques de bases de la variable ρ 5<br />
On a la même constatation à propos de la variance, moy<strong>en</strong>ne, écart type du tableau 12 de<br />
la variable ρ 2 et avec la variance qui diminue lorsqu’on pénètre de plus <strong>en</strong> plus profond.<br />
Le variogramme expérim<strong>en</strong>tal, qui r<strong>en</strong>seigne sur l’évolution de l’écart quadratique moy<strong>en</strong><br />
des valeurs de résistivité <strong>en</strong> fonction de la distance est isotrope d’après III-2-1-1<br />
Le variogramme modélisé est la somme d’une structure pépitique (palier= 3090) et d’une<br />
structure Sphérique (portée=22km, palier=2147) cf figure 33b.<br />
Figure 33 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 5 .<br />
Le point <strong>en</strong> rouge sur le variogramme est un point où le nombre de pair est faible d’où le<br />
point devi<strong>en</strong>t significatif.<br />
53
Traitem<strong>en</strong>t par krigeage<br />
III-2-5-1-Validation croisée<br />
Le tableau 22 récapitule les caractéristiques des résultats de validations croisées.<br />
Modèle Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 137<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Voisinage glissant<br />
Erreur -0,940 Erreur 3570,5<br />
Std-erreur -0,013 Std-erreur 0,888<br />
134 0,678<br />
Voisinage unique<br />
Erreur -0,387 Erreur 3556,4<br />
Std-erreur -0,0005 Std-erreur 0,887<br />
135 0,680<br />
Tableau 22: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 5<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau. Les résultats ne montr<strong>en</strong>t<br />
pas trop de différ<strong>en</strong>ce <strong>en</strong>tre le voisinage glissant et unique. Par contre, le voisinage unique du<br />
modèle prés<strong>en</strong>te un coeffici<strong>en</strong>t de corrélation légèrem<strong>en</strong>t meilleur que le voisinage glissant et<br />
avec une faible erreur.<br />
Finalem<strong>en</strong>t, le modèle avec voisinage unique sera utilisé.<br />
III-2-5-2-Estimation de la variable ρ 5<br />
Le tableau 23 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 5 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 5 3768 11,69 202,37 64 44,23 1957,13<br />
Tableau 23: Statistiques des estimations de la variable ρ 5<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 5 (tableau 21), la<br />
moy<strong>en</strong>ne les vraies valeurs est semblable à la moy<strong>en</strong>ne des valeurs estimées. La variance de<br />
l’estimation est faible par rapport à la variance des données initiales. Cela est dû à l’effet de<br />
lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs extremum de<br />
l’estimation et extremum de données initiales est due à l’effet du processus de krigeage.<br />
III-2-6-Variable ρ 6<br />
Le tableau 24 récapitule les statistiques de base de la variable ρ 6 :<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 6 122 7,7 243,0 50 53,79 2893,77<br />
Tableau 24: Statistiques de bases de la variable ρ 6<br />
54
Traitem<strong>en</strong>t par krigeage<br />
On a la même constatation à propos de la variance, moy<strong>en</strong>ne, écart type du tableau 12 de<br />
la variable ρ 2 et avec la variance qui diminue lorsqu’on pénètre de plus <strong>en</strong> plus profond.<br />
Le variogramme expérim<strong>en</strong>tal, qui r<strong>en</strong>seigne sur l’évolution de l’écart quadratique moy<strong>en</strong><br />
des valeurs de résistivité <strong>en</strong> fonction de la distance est isotrope.<br />
Le variogramme modélisé est la somme d’une structure pépitique (palier= 733) et d’une<br />
structure Sphérique (portée=22km, palier=1277).<br />
Figure 34 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 6 .<br />
III-2-6-1-Validation croisée<br />
Le tableau 25 récapitule les caractéristiques des résultats de validation croisée.<br />
Données Coeffici<strong>en</strong>t<br />
Modèle Moy<strong>en</strong>ne Variance Robustes de<br />
sur 122 corrélation<br />
Voisinage glissant<br />
Erreur -0,526 Erreur 1284<br />
Std-erreur -0,014 Std-erreur 1,041<br />
116 0,747<br />
Voisinage unique<br />
Erreur -0,490 Erreur 1271<br />
Std-erreur -0,013 Std-erreur 1,033<br />
116 0,750<br />
Tableau 25: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 6 .<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau. Les résultats ne montr<strong>en</strong>t<br />
pas trop de différ<strong>en</strong>ce <strong>en</strong>tre le voisinage glissant et unique. Par contre, le voisinage unique du<br />
modèle prés<strong>en</strong>te un coeffici<strong>en</strong>t de corrélation légèrem<strong>en</strong>t meilleure et avec une faible erreur par<br />
rapport au voisinage glissant.<br />
55
Traitem<strong>en</strong>t par krigeage<br />
Finalem<strong>en</strong>t, le modèle avec voisinage unique sera utilisé.<br />
III-2-6-2-Estimation de la variable ρ 6<br />
Le tableau 26 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 6 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 6 3844 8,56 179,58 49 37,68 1420<br />
Tableau 26: Statistiques des estimations de la variable ρ 6<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 6 (tableau 24), la<br />
moy<strong>en</strong>ne des valeurs vraies est semblable à la moy<strong>en</strong>ne des valeurs estimées. La variance de<br />
l’estimation est faible par rapport à la variance des données initiales. Cela est dû à l’effet de<br />
lissage p<strong>en</strong>dant l’opération de krigeage et la différ<strong>en</strong>ce <strong>en</strong>tre les valeurs extremum de<br />
l’estimation et les valeurs extremum de données initiales est due à l’effet du processus de<br />
krigeage.<br />
III-2-7- Variable ρ 7<br />
Le tableau 27 montre les statistiques de base sur la variable ρ 7 :<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 7 48 10,10 263 33 36,37 1322,55<br />
Tableau 27: Statistiques de bases de la variable ρ 7<br />
On a la même constatation à propos de la variance, moy<strong>en</strong>ne, écart type du tableau 12 de la<br />
variable ρ 2 et avec la variance qui diminue lorsqu’on pénètre de plus <strong>en</strong> plus profond.<br />
Le variogramme expérim<strong>en</strong>tal, qui r<strong>en</strong>seigne sur l’évolution de l’écart quadratique moy<strong>en</strong><br />
des valeurs de résistivité <strong>en</strong> fonction de la distance est isotrope d’après III-2-1-1<br />
Le variogramme modélisé est la somme d’une structure pépitique (palier= 115) et d’une<br />
structure Gaussi<strong>en</strong>ne (portée=25km, palier=339).<br />
56
Traitem<strong>en</strong>t par krigeage<br />
Figure 35 : Carte de répartition et variogramme expérim<strong>en</strong>tal modélisé pour ρ 7<br />
Même constatation à propos de l’interprétation que pour la variable ρ 5 . De plus, on observe que<br />
l’effet de pépite diminue lorsqu’on est de plus <strong>en</strong> plus <strong>en</strong> profondeur même si on n’a pas assez<br />
de donner pour l’estimation.<br />
III-2-7-1-Validation croisée<br />
Le tableau 28 récapitule les caractéristiques des résultats de validation croisée.<br />
Modèle Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 48<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Voisinage glissant<br />
Erreur -0,024 Erreur 142,26<br />
Std-erreur -0,015 Std-erreur 0,89<br />
46 0,551<br />
Voisinage unique<br />
Erreur 0,748 Erreur 158,72<br />
Std-erreur 0,044 Std-erreur 0,982<br />
46 0,485<br />
Tableau 28: Récapitulation des résultats de validations croisées <strong>en</strong> ρ 7<br />
Compte t<strong>en</strong>u des résultats de validation croisée dans ce tableau. Les résultats montr<strong>en</strong>t<br />
que le voisinage glissant du modèle prés<strong>en</strong>te un coeffici<strong>en</strong>t de corrélation meilleure et avec une<br />
faible erreur par rapport au voisinage unique. On a le même nombre de données robustes.<br />
Finalem<strong>en</strong>t, le modèle avec voisinage glissant sera utilisé pour l’estimation de ρ 7 .<br />
III-2-7-2-Estimation de la variable ρ 7<br />
Le tableau 29 montre les caractéristiques statistiques des résultats de l’estimation de la variable<br />
ρ 7 .<br />
57
Traitem<strong>en</strong>t par krigeage<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 7 3328 10.54 204,58 4 3,24 42,43 1800<br />
Tableau 29: Statistiques des estimations de la variable ρ 7<br />
Compte t<strong>en</strong>u des statistiques des données initiales de la variable ρ 7 (tableau 27), la<br />
moy<strong>en</strong>ne des valeurs vraies est différ<strong>en</strong>te de la moy<strong>en</strong>ne des valeurs estimées et la variance de<br />
l’estimation est élevée par rapport à la variance des données initiales. Cela est dû non seulem<strong>en</strong>t<br />
à la prés<strong>en</strong>ce d’un point à forte valeur de résistivité mais aussi à la prés<strong>en</strong>ce des grandes<br />
distances <strong>en</strong>tre les points de mesures. Faute de nombre de données, les valeurs extremum de<br />
l’estimation et les valeurs extremum de données initiales sont semblables.<br />
III-3- TRAITEMENT DES DONNEES PAR COKRIGEAGE<br />
Le cokrigeage ordinaire sera utilisé pour la suite. Le principe du cokrigeage est le même<br />
que celui du krigeage, mais il permet <strong>en</strong> plus d’effectuer une estimation simultanée de plusieurs<br />
variables régionalisées.<br />
Dans notre cas, les variables étudiées sont (ρ 2 , ρ 3 ), (ρ 3 , ρ 4 ), (ρ 4 , ρ 5 ) et (ρ 5 , ρ 6 ). Comme<br />
nous l’avons vu au paragraphe III-1-6, ces couples de variables sont linéairem<strong>en</strong>t corrélées donc,<br />
l’estimation par cokrigeage peut être utilisée pour améliorer les résultats.<br />
III-3-1-Cokrigeage <strong>en</strong>tre ρ 2 et ρ 3<br />
Le coeffici<strong>en</strong>t de corrélation obt<strong>en</strong>u <strong>en</strong>tre les variables ρ 2 et ρ 3 lors de l’analyse<br />
statistique laisse à p<strong>en</strong>ser qu’on peut établir une corrélation linéaire <strong>en</strong>tre ces variables.<br />
III-3-1-1-Analyse variographique du variogramme croisé<br />
Comme nous savons que le principe du cokrigeage est le même que celui du krigeage, le<br />
premier travail à faire est l’analyse variographique. D’après les analyses précéd<strong>en</strong>tes, le calcul<br />
du variogramme dans ce paragraphe se fait dans toutes les directions (variogramme<br />
omnidirectionnel). Les paramètres choisis pour le calcul du variogramme sont : pas =4,5 km,<br />
nombre de pas =14, tolérance = 50%.<br />
III-3-1-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés<br />
L’ajustem<strong>en</strong>t des variogrammes (ou covariances) simples et croisés doit être<br />
mathématiquem<strong>en</strong>t cohér<strong>en</strong>t, de façon à garantir des variances positives. Les modèles linéaires<br />
de corégionalisation sont les plus couramm<strong>en</strong>t employés. Dans ces modèles, les variables se<br />
décompos<strong>en</strong>t linéairem<strong>en</strong>t <strong>en</strong> composantes élém<strong>en</strong>taires, et leurs structures simple et croisée sont<br />
donc des combinaisons linéaires des schémas élém<strong>en</strong>taires. Un schéma élém<strong>en</strong>taire donné ne<br />
58
Traitem<strong>en</strong>t par cokrigeage<br />
peut apparaître dans la structure croisée <strong>en</strong>tre deux variables s’il n’est pas prés<strong>en</strong>t dans leurs<br />
structures simples. Après ajustem<strong>en</strong>t, un tel modèle permet le cokrigeage des variables. La figure<br />
36 prés<strong>en</strong>te l’ajustem<strong>en</strong>t des variogrammes simples et croisés ; grâce au modèle linéaire de<br />
corégionalisation, un modèle cohér<strong>en</strong>t a pu être ajusté à ces variogrammes.<br />
Figure 36 : Covariogrammes modélisés des variables ρ 2 et ρ 3<br />
Deux structures de base sont utilisées pour modéliser les variogrammes simples et<br />
croisés. Il est composé d’un effet de pépite, d’une structure expon<strong>en</strong>tielle de portée pratique<br />
33,20 km, la matrice des paliers est prés<strong>en</strong>tée dans le tableau 30:<br />
Effet de pépite ρ 2 ρ 3<br />
Structure<br />
ρ 2 ρ 3<br />
ρ 2 4752 4271<br />
expon<strong>en</strong>tielle<br />
ρ 2 9804 8415<br />
ρ 3 4271 4889<br />
ρ 3 8415 7266<br />
Tableau 30 : Paliers du modèle de corégionalisation linéaire<br />
Après avoir ajusté le modèle, on peut effectuer le cokrigeage de chaque variable.<br />
59
Traitem<strong>en</strong>t par cokrigeage<br />
III-3-1-3-Validation croisée des modèles ajustés<br />
La validation croisée consiste à estimer un point dont on connaît la valeur <strong>en</strong> l’éliminant<br />
des données d’<strong>en</strong>trées ; <strong>en</strong> faisant cela successivem<strong>en</strong>t sur tous les sites de mesure, on obti<strong>en</strong>t un<br />
nuage de points (valeurs vraies contre valeurs estimées) qui est d’autant plus proche de la<br />
bissectrice que la carte est bi<strong>en</strong> estimée.<br />
Le voisinage utilisé pour valider ce modèle est le voisinage unique d’après les résultats de<br />
validation croisée dans le chapitre précéd<strong>en</strong>t, le test <strong>en</strong> utilisant le voisinage unique et glissant ne<br />
montre pas trop de différ<strong>en</strong>ce. La figure 37 montre le résultat de validation croisée par<br />
cokrigeage de la variable ρ 2 .<br />
Figure 37: Carte de répartition et Nuage de corrélation de la variable ρ 2<br />
Les résultats de la validation croisée montr<strong>en</strong>t un bon coeffici<strong>en</strong>t de corrélation <strong>en</strong>tre les<br />
valeurs vraies et les valeurs estimées. Il passe de 0,662 à 0,936 pour ρ 2 .<br />
Le tableau 31 représ<strong>en</strong>te les statistiques de validation croisée par cokrigeage de la variable ρ 2 .<br />
Données Coeffici<strong>en</strong>t<br />
Moy<strong>en</strong>ne<br />
Variance<br />
Variable<br />
Robustes de<br />
sur 149 corrélation<br />
ρ 2<br />
Erreur -0.1287 Erreur 1803.2<br />
138 0.936<br />
Sdt-erreur -0.0018 Std-erreur 1.48<br />
Tableau 31: Statistiques de la validation croisée du modèle multivariable pour ρ 2<br />
La contrainte du « non biais » est vérifiée car la moy<strong>en</strong>ne d’erreur est proche de zéro. La<br />
variance d’erreur standardisée est de 1,48 signe que l'erreur de krigeage expérim<strong>en</strong>tale est<br />
60
Traitem<strong>en</strong>t par cokrigeage<br />
légèrem<strong>en</strong>t supérieure, le nombre des données mal estimé n’est pas très élevé. Finalem<strong>en</strong>t, la<br />
variable ρ 2 est bi<strong>en</strong> réestimée par cokrigeage.<br />
III-3-1-4 Résultat de cokrigeage de la variable ρ 2<br />
Le tableau 32 montre les caractéristiques statistiques de l’estimation par cokrigeage de la<br />
variable ρ 2 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 2 636 10,63 575,49 83 75,65 5723,35<br />
Tableau 32 : Statistiques d’estimation par cokrigeage de la variable ρ 2<br />
Les résultats statistiques de l’estimation par cokrigeage de ρ 2 ici sont proches des<br />
statistiques des données initiales (tableau 12) par rapport au résultat d’estimation par krigeage de<br />
ρ 2 . La variance d’estimation par cokrigeage est <strong>en</strong>core beaucoup plus faible que celles de<br />
données initiales. Cela est dû aux effets de lissage.<br />
III-3-2-Cokrigeage <strong>en</strong>tre ρ 3 et ρ 4<br />
Le coeffici<strong>en</strong>t de corrélation obt<strong>en</strong>u <strong>en</strong>tre les variables ρ 3 et ρ 4 lors de l’analyse statistique<br />
(0,94) laisse à p<strong>en</strong>ser qu’on peut établir une corrélation linéaire <strong>en</strong>tre ces variables.<br />
III-3-2-1-Analyse variographique du variogramme croisé<br />
Après plusieurs tests, les paramètres choisis pour le calcul du variogramme dans toutes<br />
les directions sont : pas =5,5 km, nombre de pas =9, tolérance = 50%.<br />
III-3-2-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés<br />
La figure 38 prés<strong>en</strong>te l’ajustem<strong>en</strong>t des variogrammes simples et croisés ; grâce au modèle<br />
linéaire de corégionalisation, un modèle cohér<strong>en</strong>t a pu être ajusté à ces variogrammes.<br />
61
Traitem<strong>en</strong>t par cokrigeage<br />
Figure 38: Covariogrammes modélisés des variables ρ 3 et ρ 4<br />
Deux structures de base sont utilisées pour modéliser les variogrammes simples et<br />
croisés. Il est composé d’un effet de pépite, d’une structure expon<strong>en</strong>tielle de portée pratique<br />
18,28 km, la matrice des paliers est prés<strong>en</strong>tée dans le tableau 33 :<br />
Effet de pépite ρ 3 ρ 4<br />
Structure<br />
ρ 3 ρ 4<br />
ρ 3 3252,71 3951,67<br />
expon<strong>en</strong>tielle<br />
ρ 3 7961,4657 5558,7149<br />
ρ 4 3951,67 4540,20<br />
ρ 4 5558,7149 4257,6438<br />
Tableau 33: Paliers du modèle de corégionalisation linéaire<br />
La stationnarité du phénomène est vérifiée par la prés<strong>en</strong>ce du palier et portée.<br />
Après avoir ajusté le modèle, on peut effectuer le cokrigeage de chaque variable.<br />
62
Traitem<strong>en</strong>t par cokrigeage<br />
III-3-2-3-Validation croisée des modèles ajustés<br />
Le voisinage utilisé pour valider ce modèle est le voisinage unique. Les figures 39, 40 montr<strong>en</strong>t<br />
le résultat de validation croisée par cokrigeage des variables ρ 3 et ρ 4 .<br />
Figure 39: Carte de répartition et Nuage de corrélation de la variable ρ 3<br />
Figure 40: Carte de répartition et Nuage de corrélation de la variable ρ 4<br />
Les résultats de la validation croisée montr<strong>en</strong>t un bon coeffici<strong>en</strong>t de corrélation <strong>en</strong>tre<br />
valeurs vraies et valeurs estimées. Il passe de 0,621 à 0,953 pour ρ 3 et de 0,638 à 0,968 pour ρ 4 .<br />
Le tableau 34 représ<strong>en</strong>te les statistiques de validation croisée par cokrigeage des variables<br />
ρ 3 et ρ 4 .<br />
63
Traitem<strong>en</strong>t par cokrigeage<br />
Variables Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
ρ 3<br />
ρ 4<br />
Erreur -0,66920 Erreur 1149,9<br />
Sdt-erreur -0,01100 Std-erreur 1,0572<br />
Erreur -0,06881 Erreur 419,28<br />
Sdt-erreur -0,03050 Std-erreur 0,6471<br />
146/149 0,953<br />
146/148 0,968<br />
Tableau 34: Statistiques de la validation croisée du modèle multivariable pour ρ 3 et ρ 4 .<br />
La contrainte du « non biais » est vérifiée car la moy<strong>en</strong>ne d’erreur est proche de zéro, la<br />
variance d’erreur standardisée pour ρ 3 est de 1,05, très proche de 1, signe que l'erreur de krigeage<br />
expérim<strong>en</strong>tale est faible, le nombre des données mal estimé n’est pas très élevé. Finalem<strong>en</strong>t, les<br />
variables ρ 3 et ρ 4 sont bi<strong>en</strong> réestimées par cokrigeage.<br />
III-3-2-4- Résultat de cokrigeage des variables ρ 3 et ρ 4<br />
Le tableau 35 montre les caractéristiques statistiques de l’estimation par cokrigeage des variables<br />
ρ 3 et ρ 4 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 3 615 19,49 588,12 81 68,62 4709,24<br />
ρ 4 615 22,71 415,99 76 50,37 2537,64<br />
Tableau 35: Statistiques des estimations par cokrigeage des variables ρ 3 et ρ 4 .<br />
Les résultats statistiques de l’estimation par cokrigeage de ρ 3 et ρ 4 ici sont proches des<br />
statistiques des données initiales (tableau 15 et 18) par rapport au résultat d’estimation par<br />
krigeage de ρ 3 et ρ 4 . La variance d’estimation par cokrigeage est <strong>en</strong>core beaucoup plus faible que<br />
celles de données initiales voir tableau 35, 17, 20. Cela est dû aux effets de lissage p<strong>en</strong>dants le<br />
processus de cokrigeage.<br />
III-3-3-Cokrigeage <strong>en</strong>tre ρ 4 et ρ 5<br />
Le coeffici<strong>en</strong>t de corrélation (0,85) obt<strong>en</strong>u <strong>en</strong>tre les variables ρ 4 et ρ 5 lors de l’analyse<br />
statistique laisse à p<strong>en</strong>ser qu’on peut établir une corrélation linéaire <strong>en</strong>tre ces variables.<br />
III-3-3-1-Analyse variographique du variogramme croisé<br />
Après plusieurs tests, les paramètres choisis pour le calcul du variogramme dans toutes<br />
les directions sont : pas =4,9 km, nombre de pas =9, tolérance = 50%.<br />
64
Traitem<strong>en</strong>t par cokrigeage<br />
III-3-3-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés<br />
La figure 41 prés<strong>en</strong>te l’ajustem<strong>en</strong>t des variogrammes simples et croisés ; grâce au modèle<br />
linéaire de corégionalisation, un modèle cohér<strong>en</strong>t a pu être ajusté à ces variogrammes.<br />
Figure 41: Covariogrammes modélisés des variables ρ 4 et ρ 5<br />
Deux structures de base sont utilisées pour modéliser les variogrammes simples et<br />
croisés. Il est composé d’un effet de pépite, d’une structure expon<strong>en</strong>tielle de portée pratique<br />
32,51 km, la matrice des paliers est prés<strong>en</strong>tée dans le tableau 36:<br />
Effet de pépite ρ 4 ρ 5<br />
Structure<br />
ρ 4 6027,48 3927,22<br />
expon<strong>en</strong>tielle<br />
ρ 4 ρ 5<br />
ρ 4 2816,5490 1952,2643<br />
ρ 5 3927,22 3251,27<br />
ρ 5 1952,2643 2276,4975<br />
Tableau 36: Paliers du modèle de corégionalisation linéaire<br />
La stationnarité est vérifiée par la prés<strong>en</strong>ce de ces paliers.<br />
65
Traitem<strong>en</strong>t par cokrigeage<br />
Après avoir ajusté le modèle, on peut effectuer le cokrigeage de chaque variable mais la variable<br />
ρ 4 prés<strong>en</strong>te de bon résultat pour la couple précéd<strong>en</strong>te donc il ne reste plus que la variable ρ 5 .<br />
III-3-3-3Validation croisée des modèles ajustés<br />
Le voisinage utilisé pour valider ce modèle est le voisinage unique. La figure 42 montre<br />
le résultat de validation croisée par cokrigeage de la variable ρ 5 .<br />
Figure 42: Carte de répartition et Nuage de corrélation de la variable ρ 5<br />
Les résultats de la validation croisée montr<strong>en</strong>t un bon coeffici<strong>en</strong>t de corrélation <strong>en</strong>tre les<br />
valeurs vraies et les valeurs estimées. Le tableau 37 prés<strong>en</strong>te les statistiques de validation<br />
croisée par cokrigeage de la variable ρ 5 .<br />
Variables Moy<strong>en</strong>ne Variance<br />
ρ 5<br />
Erreur 0,04766 Erreur 871,05<br />
Sdt-erreur 0,00095 Std-erreur 0,8019<br />
Données Coeffici<strong>en</strong>t<br />
Robustes de<br />
sur 137 corrélation<br />
132 0,931<br />
Tableau 37: Statistiques de la validation croisée du modèle multivariable pour ρ 5<br />
La contrainte du non biais est vérifiée car la moy<strong>en</strong>ne d’erreur est proche de zéro, la<br />
variance d’erreur standardisée est de 0,80 signe que l'erreur de krigeage expérim<strong>en</strong>tale est<br />
légèrem<strong>en</strong>t supérieure, le nombre des données mal estimé n’est pas très élevé.<br />
Finalem<strong>en</strong>t, la variable ρ 5 est bi<strong>en</strong> réestimée par cokrigeage.<br />
66
Traitem<strong>en</strong>t par cokrigeage<br />
III-3-3-4-Résultat de cokrigeage des variables ρ 5<br />
Le tableau 38 montre les caractéristiques statistiques de l’estimation par cokrigeage de la<br />
variable ρ 5 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 5 624 16,41 215.56 69 48,95 2396,28<br />
Tableau 38: Statistiques des estimations par cokrigeage de la variable ρ 5<br />
Les résultats statistiques de l’estimation par cokrigeage de ρ 5 ici est proches des<br />
statistiques des données initiales (tableau 21) par rapport au résultat d’estimation par krigeage de<br />
ρ 5 . La moy<strong>en</strong>ne est la même ; la variance d’estimation par cokrigeage est <strong>en</strong>core beaucoup plus<br />
faible que celles de données initiales. Cela est dû aux effets de lissage p<strong>en</strong>dants le processus de<br />
cokrigeage.<br />
III-3-4-Cokrigeage <strong>en</strong>tre ρ 5 et ρ 6<br />
Le coeffici<strong>en</strong>t de corrélation (0,86) obt<strong>en</strong>u <strong>en</strong>tre les variables ρ 5 et ρ 6 lors de l’analyse<br />
statistique laisse à p<strong>en</strong>ser qu’on peut établir une corrélation linéaire <strong>en</strong>tre ces variables.<br />
III-3-4-1-Analyse variographique du variogramme croisé<br />
Après plusieurs tests, les paramètres choisis pour le calcul du variogramme dans toutes<br />
les directions sont : pas =2.8 km, nombre de pas =15, tolérance = 50%.<br />
III-3-4-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés<br />
La figure 43 prés<strong>en</strong>te l’ajustem<strong>en</strong>t des variogrammes simples et croisés ; grâce au modèle<br />
linéaire de corégionalisation, un modèle cohér<strong>en</strong>t a pu être ajusté à ces variogrammes.<br />
67
Traitem<strong>en</strong>t par cokrigeage<br />
Figure 43: Covariogrammes modélisés des variables ρ 5 et ρ 6<br />
Deux structures de base sont utilisées pour modéliser les variogrammes simples et<br />
croisés. Il est composé d’un effet de pépite, d’une structure sphérique de portée pratique 27 km.<br />
Le nombre de paires est très faible (≤10) pour le premier point expérim<strong>en</strong>tale du variogramme<br />
donc on ne considère plus du tout le point.<br />
La matrice des paliers est prés<strong>en</strong>tée dans le tableau 39 :<br />
Effet de pépite ρ 5 ρ 6<br />
ρ 5 2751 751<br />
ρ 6 751 705.35<br />
68<br />
Structure<br />
expon<strong>en</strong>tielle<br />
ρ 5 ρ 6<br />
ρ 5 2594,0000 1769,4487<br />
ρ 6<br />
1769,4487 1566,7089<br />
Tableau 39: Paliers du modèle de corégionalisation linéaire<br />
Après avoir ajusté le modèle, on peut effectuer le cokrigeage de chaque variable mais il reste ici<br />
la variable ρ 6 .<br />
III-3-4-3-Validation croisée des modèles ajustés<br />
Le voisinage utilisé pour valider ce modèle est le voisinage unique. La figure 44 montre le
Traitem<strong>en</strong>t par cokrigeage<br />
résultat de validation croisée par cokrigeage de la variable ρ 6 .<br />
Figure 44: Carte de répartition et Nuage de corrélation de la variable ρ 6<br />
Les résultats de la validation croisée montr<strong>en</strong>t un bon coeffici<strong>en</strong>t de corrélation <strong>en</strong>tre<br />
valeurs vraies et valeurs estimées. Le tableau 40 représ<strong>en</strong>te les statistiques de validation croisée<br />
par cokrigeage de la variable ρ 6 .<br />
Variables Moy<strong>en</strong>ne Variance<br />
Données<br />
Robustes<br />
sur 122<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
ρ 6<br />
Erreur 0,01783 Erreur 530,29<br />
Sdt-erreur 0,00053 Std-erreur 0,7196<br />
118 0,922<br />
Tableau 40: Statistiques de la validation croisée du modèle multivariable pour ρ 6<br />
La contrainte du « non biais » est vérifiée car la moy<strong>en</strong>ne d’erreur est très proche de zéro,<br />
la variance d’erreur standardisée est de 0,71 signe que l'erreur de krigeage expérim<strong>en</strong>tale est<br />
légèrem<strong>en</strong>t supérieure, le nombre des données mal estimé n’est pas très élevé. Finalem<strong>en</strong>t, la<br />
variable ρ 6 est bi<strong>en</strong> réestimée par cokrigeage.<br />
III-3-4-4- Résultat de cokrigeage de la variable ρ 6<br />
Le tableau 41 montre les caractéristiques statistiques de l’estimation par cokrigeage de la<br />
variable ρ 6 .<br />
Variable Nombre Minimum Maximum Moy<strong>en</strong>ne Ecart-type Variance<br />
ρ 6 992 7.96 199,64 58 39,98 1598,70<br />
Tableau 41: Statistiques des estimations par cokrigeage de la variable ρ 6<br />
Les résultats statistiques de l’estimation par cokrigeage de ρ 6 ici sont proches des<br />
statistiques des données initiales (tableau 24) par rapport au résultat d’estimation par krigeage de<br />
ρ 6 . La moy<strong>en</strong>ne est la même ; la variance d’estimation par cokrigeage est <strong>en</strong>core beaucoup plus<br />
69
Comparaison des résultats<br />
faible que celles de données initiales. Cela est dû aux effets de lissage p<strong>en</strong>dant le processus de<br />
cokrigeage.<br />
III-4- COMPARAISON DES RESULTATS DES DEUX METHODES<br />
Vue sur les différ<strong>en</strong>ts types de modèles ajusté aux variables par krigeage et cokrigeage, la<br />
contrainte du non biais est vérifiée ; le nombre de données mal estimées n’est pas très différ<strong>en</strong>t.<br />
L’estimation directe par krigeage fournit des valeurs (tableau 14) pour ρ 2 , (tableau 17) pour ρ 3 ,<br />
(tableau 20) pour ρ 4 , (tableau 23) pour ρ 5 , (tableau 26) pour ρ 6 , tandis que l’estimation par<br />
cokrigeage donne des valeurs proches de ces valeurs.<br />
Cep<strong>en</strong>dant les résultats de la validation croisée des deux méthodes sont très différ<strong>en</strong>ts.<br />
Variables Moy<strong>en</strong>nes Variances<br />
Données<br />
Robustes<br />
Coeffici<strong>en</strong>t<br />
de<br />
corrélation<br />
Cokrigeage ρ<br />
Erreur -0.128 Erreur 1803,2<br />
2<br />
Sdt-erreur -0,001 Std-erreur 1,480<br />
138/149 0,936<br />
Krigeage ρ<br />
Erreur -1,750 Erreur 8748,7<br />
2<br />
Std-erreur -0,020 Std-erreur 1,580<br />
142/149 0,636<br />
Cokrigeage ρ<br />
Erreur -0,669 Erreur 1149,9<br />
3<br />
Std-erreur -0,011 Std-erreur 1,057<br />
146/149 0,953<br />
Krigeage ρ<br />
Erreur -0,960 Erreur 7664,4<br />
3<br />
Std-erreur -0,010 Std-erreur 1,400<br />
143/149 0,621<br />
Cokrigeage ρ<br />
Erreur -0,068 Erreur 419,2<br />
4<br />
Std-erreur -0,030 Std-erreur 0,647<br />
146/148 0,968<br />
Krigeage ρ<br />
Erreur -0,384 Erreur 5872,8<br />
4<br />
Std-erreur 0,0004 Std-erreur 1,150<br />
143/148 0,638<br />
Cokrigeage ρ<br />
Erreur 0,047 Erreur 871,0<br />
5<br />
Std-erreur 0,0009 Std-erreur 0,801<br />
132/137 0,931<br />
Krigeage ρ<br />
Erreur -0,387 Erreur 3556,4<br />
5<br />
Std-erreur -0,0005 Std-erreur 0,880<br />
135/137 0,680<br />
Cokrigeage ρ<br />
Erreur 0.017 Erreur 530.2<br />
6<br />
Std-erreur 0.0005 Std-erreur 0.719<br />
118/122 0,922<br />
Krigeage ρ<br />
Erreur -0,490 Erreur 1271,0<br />
6<br />
Std-erreur 0,013 Std-erreur 1,030<br />
116/122 0,750<br />
Tableau 42: Statistiques de la validation croisée du modèle multivariable et monovariable<br />
Le tableau 42 est un peu fastidieux pour l’interprétation donc nous avons établi une<br />
figure 45 récapitulative qui facilite la comparaison des deux méthodes d’estimations.<br />
70
Comparaison des résultats<br />
Figure 45: Comparaison des résultats obt<strong>en</strong>us par krigeage et cokrigeage<br />
D’après la figure 45, on voit que l’erreur d’estimation (std erreur) soit par krigeage, soit<br />
par cokrigeage est proche de zéro (courbes <strong>en</strong> rouge et <strong>en</strong> bleu presque superposées pour<br />
l’ordonnée zéro), mais les courbes de corrélation <strong>en</strong>tre les données de résistivité mesurées et<br />
celles estimées (courbes <strong>en</strong> violet et <strong>en</strong> vert-jaune) sont très distinctes ; ce qui montre que les<br />
valeurs des coeffici<strong>en</strong>ts de corrélation sont meilleures pour l’estimation par cokrigeage que<br />
celles par krigeage. Le nombre de données robustes (erreur standardisée comprise dans<br />
l'intervalle [-2,5 ; 2,5]), donné par l’avant dernière colonne du tableau 42 à titre d’exemple<br />
pr<strong>en</strong>ant le cas de la première <strong>ligne</strong> où le nombre de donnée robuste indiqué dans la colonne est<br />
138/149 ; cela signifie qu’il y a 138 donnée robuste sur 149 donnée initiale, est à peu près le<br />
même. C’est ainsi que l’estimation par cokrigeage des variables ρ 2 , ρ 3 , ρ 4 , ρ 5 , ρ 6 améliore<br />
s<strong>en</strong>siblem<strong>en</strong>t la qualité de l’estimation par krigeage.<br />
Finalem<strong>en</strong>t, la méthode de krigeage a été utilisée pour estimer les variables ρ 1 et ρ 7 ; la<br />
méthode de cokrigeage a été utilisée pour estimer les variables ρ 2 , ρ 3 , ρ 4 , ρ 5 , et ρ 6 .<br />
Le dernier paragraphe de ce mémoire nous montre les cartes ainsi obt<strong>en</strong>ues et leurs<br />
interprétations.<br />
71
Partie 4<br />
PARTIE IV<br />
CARTES DE RESISTIVITE ET DISCUSSIONS<br />
72
Cartes de résistivité et discussions<br />
La dernière partie de ce prés<strong>en</strong>t mémoire concerne la visualisation des cartes obt<strong>en</strong>ues <strong>en</strong><br />
utilisant la méthode d’estimation par krigeage pour les deux variables (ρ 1 , ρ 7 ) et la méthode par<br />
cokrigeage pour les variables ρ 2 , ρ 3 , ρ 4 , ρ 5 et ρ 6 .<br />
Les cartes représ<strong>en</strong>t<strong>en</strong>t la variation de la résistivité appar<strong>en</strong>te <strong>en</strong> deux dim<strong>en</strong>sions, pour<br />
une longueur de <strong>ligne</strong> donnée AB/3 afin de mettre <strong>en</strong> évid<strong>en</strong>ce l’évolution latérale des structures<br />
géoélectriques.<br />
Carte de résistivité électrique à AB/3 = 4m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 46 est <strong>en</strong>viron à<br />
2 m de profondeur.<br />
Figure 46 : Estimation par krigeage de la variable ρ 1<br />
La figure 46 nous montre trois gammes de résistivités différ<strong>en</strong>tes :<br />
la première, de résistivité inférieure à 52Ωm, représ<strong>en</strong>te une couche conductrice. Selon<br />
les données des forages existants, elle correspond à des argiles alluvionnaires et à des sables<br />
argileux ; il occupe presque la totalité de la zone d’étude.<br />
la seconde, une résistivité comprise <strong>en</strong>tre 52Ωm à 150Ωm se trouve sur l’axe Sud Ouest<br />
-Nord Est de la zone d’étude. Elle représ<strong>en</strong>te des sables et graviers imbibés d’eau douce.<br />
et <strong>en</strong>fin une couche ayant une résistivité élevée supérieure à 150Ωm, représ<strong>en</strong>tant des<br />
sables roux et des carapaces sableux.<br />
73
Cartes de résistivité et discussions<br />
Carte de résistivité électrique à AB/3 = 14m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 47 est <strong>en</strong>viron à<br />
7 m de profondeur.<br />
Figure 47: Estimation par cokrigeage de la variable ρ 2<br />
La figure 47 montre une formation id<strong>en</strong>tique à celle prés<strong>en</strong>tée sur la carte de la figure 46<br />
sauf que sur la partie Nord Ouest une formation moy<strong>en</strong>nem<strong>en</strong>t résistante comprise <strong>en</strong>tre 52 Ωm à<br />
150Ωm apparaît. Elle correspond à une formation prés<strong>en</strong>tant des marnes, des calcaires ainsi que<br />
des carapaces sableuses. Deux discontinuités latérales des résistivités appar<strong>en</strong>tes ont été<br />
constatées <strong>en</strong>tre la zone 1 et la zone 2 puis la zone 2 et la zone 3. Elle marque la variation<br />
latérale des structures (passage de la formation sédim<strong>en</strong>taire du bassin d’Ambovombe vers<br />
l’affleurem<strong>en</strong>t du socle cristallin au <strong>en</strong>viron d’Antanimora et vers la formation des dunes de<br />
sable côtière).<br />
Carte de résistivité électrique à AB/3 = 30m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 48 est <strong>en</strong>viron à<br />
15 m de profondeur.<br />
74
Cartes de résistivité et discussions<br />
Figure 48: Estimation par cokrigeage de la variable ρ 3<br />
La figure 48 nous montre les mêmes gammes de résistivités dont la première,<br />
conductrice, se situe presque au c<strong>en</strong>tre de la zone d’étude (zone 2). Selon la coupe des forages<br />
existant dans cette zone, elle correspond à une formation d’argile, de sédim<strong>en</strong>ts alluvionnaires.<br />
La seconde de résistivité moy<strong>en</strong>nem<strong>en</strong>t résistante, apparait au Nord Ouest et sur la côte Sud Est<br />
de la zone ; elle correspond à des marnes, des calcaires, des dunes réc<strong>en</strong>tes.<br />
Carte de résistivité électrique à AB/3 = 52m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 49 est <strong>en</strong>viron à<br />
26 m de profondeur.<br />
Figure 49: Estimation par cokrigeage de la variable ρ 4<br />
La figure 49 met <strong>en</strong> évid<strong>en</strong>ce l’exist<strong>en</strong>ce de trois gammes de résistivités :<br />
75
Cartes de résistivité et discussions<br />
la première, conductrice, de couleur bleu claire, prés<strong>en</strong>te la même formation au c<strong>en</strong>tre de<br />
la zone d’étude (le bassin fermé d’Ambovombe : zone 2).<br />
la deuxième, moy<strong>en</strong>nem<strong>en</strong>t résistante, de couleur bleu foncé, apparait <strong>en</strong>core au Nord<br />
Ouest (zone 1) sur une formation de marnes et de calcaires de plus <strong>en</strong> plus volumineux et sur<br />
l’axe de la côte Sud Est (zone 3) d’une formation de dunes de sable.<br />
la troisième, résistante, de couleur jaune, n’est autre que la formation au Nord Ouest<br />
(zone 1) caractérisée par un socle et au Sud Est (zone 3) par des Dunes de Sable.<br />
Carte de résistivité électrique à AB/3 = 100m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 50 est <strong>en</strong>viron à<br />
50 m de profondeur.<br />
Figure 50: Estimation par cokrigeage de la variable ρ 5<br />
La figure 50 nous montre égalem<strong>en</strong>t trois gammes de résistivités : la première de<br />
résistivité inférieure à 52 Ωm couvre la même partie c<strong>en</strong>trale (zone 2) avec les mêmes<br />
formations donc c’est un épais sédim<strong>en</strong>t de quelques dizaines de mètre. La seconde, comprise<br />
<strong>en</strong>tre 52 Ωm à 150 Ωm, une interface <strong>en</strong>tre la formation conductrice et la formation résistante<br />
correspond probablem<strong>en</strong>t à une altération de cette dernière. La troisième, de résistivité<br />
supérieure à 200 Ωm, de couleur verte jaune, se trouve nettem<strong>en</strong>t au Nord Ouest de la zone<br />
d’étude (zone 1) : c’est la terminaison du socle cristallin ; au Sud Est (zone 3) apparait aussi la<br />
formation de dunes de sable épaisse de quelques dizaines de mètre selon la carte géologique.<br />
76
Cartes de résistivité et discussions<br />
Carte de résistivité électrique à AB/3 = 150m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 51 est <strong>en</strong>viron à<br />
75 m de profondeur.<br />
Figure 51: Estimation par cokrigeage de la variable ρ 6<br />
Les trois gammes de résistivité ainsi que leur emplacem<strong>en</strong>t dans la zone d’étude sont<br />
<strong>en</strong>core visibles mais sur la partie Nord Ouest (zone 1), le socle cristallin apparaît très net et sa<br />
limite est très visible.<br />
Carte de résistivité électrique à AB/3 = 300m<br />
D’après le paragraphe I-2-1-3, la carte de résistivité représ<strong>en</strong>tée par la figure 52 est <strong>en</strong>viron à<br />
150 m de profondeur.<br />
Figure 52: Estimation par krigeage de la variable ρ 7<br />
77
Cartes de résistivité et discussions<br />
Les trois gammes de résistivité persist<strong>en</strong>t <strong>en</strong>core même si on n’a pas assez de données pour<br />
l’estimation. Cela est dû par le fait qu’à cette profondeur les techniques de SEV ne donn<strong>en</strong>t plus<br />
de bons résultats.<br />
En p<strong>en</strong>sant à des interprétations suivant la verticale, la figure 53 nous montre la<br />
superposition des sept cartes de résistivité.<br />
Figure 53:superposition des 7 cartes<br />
D’après la figure 53, on peut dire qu’<strong>en</strong> pénétrant de plus <strong>en</strong> plus <strong>en</strong> profondeur :<br />
la couche ayant une résistivité élevée aux <strong>en</strong>virons d’Antanimora augm<strong>en</strong>te de<br />
volume et comm<strong>en</strong>ce à apparaître à partir d’une profondeur d’<strong>en</strong>viron 26 m. C’est la formation<br />
du socle cristallin de p<strong>en</strong>dage Est car il prolonge légèrem<strong>en</strong>t dans la direction Sud Est et<br />
disparaît sous les sédim<strong>en</strong>ts.<br />
78
Cartes de résistivité et discussions<br />
la couche faiblem<strong>en</strong>t résistante apparaît toujours, c’est un épais sédim<strong>en</strong>t qui est<br />
le bassin fermé d’Ambovombe constitué de sable argileux légèrem<strong>en</strong>t sablonneux, sable fin très<br />
argileux, argiles grises compactes légèrem<strong>en</strong>t sableuses, Néogène Quaternaire. La persistance de<br />
cette couche est l’effet vraisemblablem<strong>en</strong>t de la prés<strong>en</strong>ce de la couche très conductrice <strong>en</strong><br />
surface.<br />
les dunes de sable constituées de sables (fins et moy<strong>en</strong>s) et d’argiles dans l’axe<br />
Sud Ouest- Nord Est de la zone d’étude persist<strong>en</strong>t aussi.<br />
Les cartes nous montr<strong>en</strong>t aussi les limites des formations (socle qui affleure aux <strong>en</strong>virons<br />
d’Antanimora, l’épais sédim<strong>en</strong>t du bassin fermé d’Ambovombe Androy et les dunes de sable<br />
côtière).<br />
Le forage donne <strong>en</strong> un point donné et à une profondeur donnée la nature de la couche ou<br />
de la formation. L’avantage de l’étude géostatistique des données de résistivité est de suggérer à<br />
cette profondeur l’ext<strong>en</strong>sion latérale de cette couche ou de formation sans faire de nouvelles<br />
mesures et toute <strong>en</strong> rappelant que les données de résistivité doiv<strong>en</strong>t être fiables pour que l’étude<br />
géostatistique soit valable. Toute les ext<strong>en</strong>sions latérales correspondantes à une résistivité donné<br />
et donc à une couche donnée sont validées par au moins un forage effectué au voisinage de<br />
l’emplacem<strong>en</strong>t de la couche ou de la formation.<br />
79
CONCLUSION<br />
Conclusion<br />
L’objectif principal dans cette étude était d’établir les cartes d’iso valeur de résistivité<br />
appar<strong>en</strong>te tant <strong>en</strong> superficie qu’<strong>en</strong> profondeur à l’aide d’outils géostatistiques, à partir de<br />
données de sondages électriques disponibles. Les données ne sont pas régulières et sont<br />
<strong>en</strong>tachées de diverses incertitudes, comme l’erreur de mesure, d’où l’importance d’une étape<br />
préalable dans ce rapport, d’analyser et de critiquer les comportem<strong>en</strong>ts de ces données.<br />
L’approche monovariable dans un premier temps est nécessaire pour la recherche des<br />
anisotropies, pour avoir les statistiques d’estimation de chaque variable.<br />
L’analyse exploratoire des données a montré que les couples de variables (ρ 2 , ρ 3 ), (ρ 3 , ρ 4 ),<br />
(ρ 4 , ρ 5 ), (ρ 5 , ρ 6 ) montr<strong>en</strong>t une bonne corrélation donc l’estimation par cokrigeage est possible ;<br />
cela nous conduit à l’approche multivariable qui permet de travailler avec le deux variables <strong>en</strong><br />
même temps.<br />
Le cokrigeage des variables ρ 2 , ρ 3, ρ 4, ρ 5, ρ 6 améliore très s<strong>en</strong>siblem<strong>en</strong>t la qualité de<br />
l’estimation par krigeage.<br />
Les différ<strong>en</strong>tes cartes obt<strong>en</strong>ues par krigeage des variables ρ 1, ρ 7 et par cokrigeage des<br />
variables ρ 2 , ρ 3, ρ 4, ρ 5, ρ 6 ont mis <strong>en</strong> évid<strong>en</strong>ce les variations <strong>en</strong> profondeur et latérales des valeurs<br />
de résistivité. Ces variations de résistivité sont calées par rapport à des données de forage pour<br />
id<strong>en</strong>tifier la nature de la couche ou de la formation.<br />
La zone d’étude peut être divisée <strong>en</strong> trois secteurs :<br />
au Nord et Nord Ouest où le Socle, de résistivité supérieure à 225Ωm, se trouve à<br />
quelques dizaines de mètres.<br />
le bassin sédim<strong>en</strong>taire d’Ambovombe Androy, de résistivité moy<strong>en</strong>ne 20Ωm, (partie<br />
c<strong>en</strong>trale) où la formation argileuse domine.<br />
la zone littorale, de résistivité moy<strong>en</strong>ne 150Ωm, (partie sud) formée par des dunes de<br />
sables.<br />
Ainsi les cartes obt<strong>en</strong>ues à partir de la méthode géostatistique et tout <strong>en</strong> t<strong>en</strong>ant compte<br />
des données des forages existants dans la zone d’étude apport<strong>en</strong>t un intérêt non négligeable à<br />
l’id<strong>en</strong>tification et à la modélisation des structures du sous sol. L’avantage de cette étude réduit<br />
beaucoup les travaux de terrain qui coûte cher (matériel, déplacem<strong>en</strong>t et personnel).<br />
80
Annexes<br />
ANNEXE A<br />
Le tableau 1 montre l’ordre de grandeur de résistivité électrique dans la zone d’étude:<br />
Tableau 1: Ordre de grandeur de résistivité électrique dans la zone d’étude [RAKOTO H., 2003]<br />
La résistivité électrique des dépôts sédim<strong>en</strong>taires est relativem<strong>en</strong>t faible, inférieure à 50<br />
Ωm et les résistivités électriques des formations affleurantes sont beaucoup plus élevées. Les<br />
fortes valeurs de la résistivité électrique des formations superficielles justifi<strong>en</strong>t <strong>en</strong> outre<br />
l’abs<strong>en</strong>ce de l’humidité, due à la forte évaporation et à l’insuffisance de la précipitation.<br />
ANNEXE B<br />
A propos du logiciel Isatis<br />
Le logiciel ISATIS a été créé <strong>en</strong> 1998 par la société française Geovariance <strong>en</strong> collaboration avec<br />
l’Ecole des Mines de Paris. Les algorithmes sont conçus et codés <strong>en</strong> programme C++ au C<strong>en</strong>tre de<br />
Géostatistique de l’École des Mines de Paris. ISATIS est un logiciel multifonction et interactif<br />
intégrant des modules diverses pour l’étude raisonnée des données. Il permet <strong>en</strong> d’autres l’analyse<br />
exploratoire des données et l’obt<strong>en</strong>tion d’une carte d’iso valeur <strong>en</strong> deux et trois dim<strong>en</strong>sions avec<br />
carte de l’erreur d’estimation : c’est une interface graphique autonome.<br />
Ce logiciel réalise deux fonctions principales :<br />
la première est d’interpoler l’information <strong>en</strong>tre les points de collecte, nécessairem<strong>en</strong>t <strong>en</strong><br />
nombre limité, et donc de créer la continuité spatiale à partir d’un espace discret : la technique<br />
utilisée est le krigeage, selon Georges Matheron, fondateur de la discipline, <strong>en</strong> hommage au<br />
Docteur Krige pour ses travaux sur les gisem<strong>en</strong>ts d’or sud-africains;<br />
la seconde est de pouvoir qualifier la confiance que l’on peut accorder à la carte obt<strong>en</strong>ue<br />
alors que l’on sait qu’il existe une erreur d’estimation (variance de krigeage). La fiabilité et la<br />
robustesse de la technologie ISATIS sont reconnues par de nombreuses organisations dans des<br />
domaines divers.<br />
II
III<br />
Annexes<br />
Son apport dans la modélisation est certainem<strong>en</strong>t l’atout majeur du logiciel dans son<br />
appr<strong>en</strong>tissage à part ses multiples modules pour l’analyse des données et l’obt<strong>en</strong>tion d’une carte<br />
précise de l’estimation effectuée.<br />
ANNEXE C<br />
Le tableau 2 montre les données de résistivité initiale. La première colonne prés<strong>en</strong>te le numéro<br />
des stations de mesures, la deuxième et la troisième prés<strong>en</strong>te les coordonnés Laborde et le reste<br />
des colonnes prés<strong>en</strong>t<strong>en</strong>t les variables de résistivités à différ<strong>en</strong>tes profondeurs.<br />
numerostation X(m) Y(m) ρ 1 ρ 2 ρ 3 ρ 4 ρ 5 ρ 6 ρ 7<br />
w001 387792 106128 489 390 340 283 198 147 53<br />
w002 381065 106397 174 155 165 175 168 130 68<br />
w003 371854 106051 84 68 61 37 25 22 24<br />
w004 364198 105804 35 13 10 8 7 8<br />
w005 356523 105692 138 35 28 23 15 15<br />
w006 346590 106491 215 85 102 78 35 21 18<br />
w007 339766 106190 183 21 11 9 13 15 17<br />
w008 330546 105139 10 9 12 16 17 17<br />
w009 362436 97135 192 349 327 254 130 87 27<br />
w010 355005 97564 370 131 118 91 50 39 28<br />
w011 347105 97991 254 149 107 96 73 54 23<br />
w012 338938 97039 122 58 50 39 26 28 25<br />
w013 330508 96746 143 19 13 12 13 10 13<br />
w014 330094 87814 72 87 52 24 10 9<br />
w015 339312 88525 75 76 93 45 33 36 39<br />
w016 347457 89186 178 146 108 78 45 34 15<br />
w017 329512 79313 124 203 230 132 56 30 21<br />
w018 321299 87515 56 28 7 4 6 9<br />
w019 322055 96936 12 5 5 5 7 9<br />
w020 330262 116097 20 19 22 22 17 17<br />
w021 336093 116142 13 10 15 21 20 20<br />
w022 347158 116621 70 25 18 20 14 11 13<br />
w023 354989 115290 29 5 4 5 8 11<br />
w024 363546 116136 189 120 81 46 27 26<br />
w025 373817 115199 132 32 27 27 26 25 25<br />
w026 380743 115266 126 42 39 38 45 47 32<br />
w027 369946 124472 137 24 22 25 29 32<br />
w028 363259 124770 327 54 36 53 35 26<br />
w029 356787 124726 172 75 66 35 14 11<br />
w030 345055 124957 24 8 5 6 9 14<br />
w031 337869 124878 4 5 5 8 11 15 28<br />
w032 329759 125146 22 11 6 7 10 15<br />
w033 322914 124879 420 29 17 19 32 49<br />
w034 322330 133832 31 79 139 188 210 204 263<br />
w035 328194 131285 18 8 11 15 24 32<br />
w036 335685 133502 16 10 9 12 20 27<br />
w037 345829 133817 4 5 7 9 12 16<br />
w038 354535 134168 55 10 9 11 15 16<br />
w039 368611 136207 18 13 11 11 13 16 26<br />
w040 321963 143010 132 236 324 405 462<br />
w041 328849 143072 15 39 63 88 121 155<br />
w042 339017 143306 8 26 67 78 133<br />
w043 346487 146382 136 142 164 248
Annexes<br />
w044 357334 143654 103 89 80 69 91<br />
w045 319640 152307 50 62 93 132 201 240<br />
w046 328540 153798 76 111 156 209<br />
w047 337360 150765 73 144 249 305<br />
w048 384256 111673 129 45 53 72 86 80 53<br />
w049 377518 110743 140 95 77 81 91 77 44<br />
w050 367996 111791 78 65 57 37 26 21<br />
w051 360782 112066 12 13 15 15 13 14<br />
w052 350994 111708 80 50 29 19 16 17 14<br />
w053 342461 111799 18 11 12 15 19 19 17<br />
w054 335341 110815 14 10 10 11 16 18<br />
w055 325033 111763 23 27 26 23 24 31<br />
w056 377695 102041 345 539 441 334 223 114<br />
w058 358821 101486 148 132 131 109 61 42 27<br />
w059 351396 102596 192 243 347 370 244 147 57<br />
w060 343029 101059 173 115 133 141 84 59 43<br />
w061 334166 101634 303 52 19 13 17 19<br />
w062 350836 93659 295 371 237 166 126 87 38<br />
w063 342583 92563 73 109 94 74 40 26 15<br />
w064 333889 92686 144 135 42 12 8 9<br />
w065 335380 83389 64 44 48 52 54 54 46<br />
w066 376401 119667 103 47 31 24 24 25<br />
w067 367121 121982 150 69 60 49 36 28<br />
w068 358337 120460 44 14 15 15 14 14<br />
w069 348793 120125 2 2 2 4 6 8<br />
w070 342625 119589 26 25 26 17 10 11 19<br />
w071 335132 120096 163 8 8 8 9 12<br />
w072 324482 119936 29 44 40 39 55 66<br />
w073 369894 129752 117 26 29 31 29 20<br />
w074 360614 130370 206 94 94 74 41 30<br />
w075 350275 130257 31 11 10 10 14 18<br />
w076 341267 128268 7 5 5 6 10 15 28<br />
w077 336502 129437 4 5 8 11 17 25<br />
w078 322173 130134 47 33 49 71 126 189<br />
w079 316329 129941 55 114 285<br />
w080 358298 138579 40 13 19 24<br />
w081 351453 139735 98 49 82 84 73 88<br />
w082 340214 138946 35 28 68 117 226<br />
w083 332574 138771 19 9 10 15 26 36<br />
w084 324107 137355 170 70 48 77 100 145<br />
w085 325787 148473 17 38 92 146<br />
w086 332292 149119 123 158 167 230 260<br />
w087 324857 116091 1407 57 22 14 3<br />
w088 326486 92337 11 6 5 5 6 8 13<br />
w089 368079 124481 164 235 203 135 89 72 39<br />
w095 364216 109038 8 4 6 9 12 14<br />
w097 367745 109268 123 76 66 51 37 29 16<br />
w099 362644 109096 14 9 13 15 12 9<br />
w102 359840 104016 115 83 108 140 122 87 29<br />
w103 356961 103692 205 142 99 100 103 85 42<br />
w104 368170 103677 131 56 67 77 58 41 24<br />
w105 362071 101206 224 143 168 172 154 108 40<br />
w106 363840 101361 142 117 94 93 97 70 31<br />
w107 366018 111587 137 139 102 55 29 18<br />
IV
Annexes<br />
w109 365162 105208 82 57 17 10 15 20 22<br />
w111 360978 103072 231 94 128 155 161 130 64<br />
w114 363606 107346 8 12 16 14 11 10<br />
w115 367177 107431 28 32 34 35 24 22<br />
w118 365516 102882 237 145 67 60 50 41 25<br />
w120 360621 107694 82 101 112 110 74 35<br />
w151 327012 145718 49 69 116 128 155 217<br />
w152 325636 145784 91 45 60 76 120 189<br />
w153 325467 147641 114 202 228 235 305<br />
w154 320339 147526 11 23 36 56 101<br />
w155 319014 146872 35 36 33 46 61 73<br />
w156 325109 143453 66 93 113 153<br />
w157 322585 142579 26 24 42 81 113 149<br />
w158 319115 144712 59 95 170 229 302<br />
w159 335358 125314 49 19 14 11 12 14<br />
w160 331736 130552 16 9 10 11 17 24<br />
w161 316981 124327 21 27 45 84 197<br />
w162 322586 135873 24 32 50 99 141 166<br />
w163 321412 145337 12 31 54 96 205<br />
w164 323158 145618 93 169 311 375<br />
w165 328902 144968 23 72 126 160 269<br />
w166 317370 145047 49 72 103 136<br />
w167 320073 144630 7 26 46 95 186 243<br />
w168 322390 140330 13 32 62 136<br />
w169 329148 142280 17 18 28 38 56<br />
w170 332516 141196 13 20 33 49 80<br />
w171 322322 133060 13 15 21 31 51 68<br />
w172 324608 126116 9 12 14 16 20 27<br />
w173 369845 145435 24 15 8 14 29 42<br />
w175 352595 112379 29 41 54 41 23<br />
w177 366293 105738 231 68 71 83 93 85<br />
w178 372613 107565 60 78 63 58 55 35<br />
w179 383874 114286 56 18 23 29 33 33<br />
w180 390269 104352 816 192 31 17<br />
w181 368011 96825 573 407 283 138 32 11<br />
w182 354312 91034 760 147 121 67 19 11<br />
w183 345300 85619 6 3 3 3<br />
w184 335863 80673 460 438 235 115 40 19<br />
w185 330595 78809 179 162 195 157 73 33<br />
w186 340420 91980 111 138 93 49 29 22 12<br />
w187 333890 98082 23 16 15 16 17 18<br />
w188 338339 111423 5 8 9 12 17 21<br />
w189 353795 102624 307 237 224 185 153 139<br />
w190 369847 128777 28 19 25 24 21 21 21<br />
w191 349347 114647 43 13 16 17 15 12 10<br />
w192 362501 112929 295 334 142 52 37 26<br />
w193 370216 114558 197 63 40 33 25 22<br />
w194 356707 108209 82 56 32 17 10 11 13<br />
w195 370635 108620 138 127 122 79 39 31 25<br />
w197 357397 93545 195 137 109 96 80 53 13<br />
w199 375242 100801 793 1001 910 708 361 147<br />
w200 380509 102618 340 265 308 268 149 66<br />
Tableau 2: les données de résistivité<br />
V
Annexes<br />
ANNEXE D<br />
Voici quelques coupes des forages effectués dans la zone d’étude.<br />
Tableau3: Manavy, coupe lithologique au<br />
niveau du forage d’essai<br />
Tableau4 : Soalapa, coupe lithologique au<br />
niveau du forage d’essai<br />
Tableau5: Ambovombe, coupe lithologique au<br />
niveau du forage d’essai<br />
Tableau6: Sarihangy, coupe lithologique au<br />
niveau du forage d’essai<br />
VI
Annexes<br />
Tableau7: Talaky, coupe lithologique au niveau<br />
du forage d’essai<br />
VII
Référ<strong>en</strong>ces bibliographiques et webographiques<br />
REFERENCES BIBLIOGRAPHIQUES<br />
ET WEBOGRAPHIQUES<br />
[1]Ag<strong>en</strong>ce Japonaise de Cooperation Internationale (JICA), 2006. Etude sur<br />
l’approvisionnem<strong>en</strong>t <strong>en</strong> eau potable, autonome et durable dans la région du sud de la république<br />
de Madagascar. Rapport final.<br />
[2]Bez, N., 1997. Statistiques individuelles et géostatistique transitive <strong>en</strong> écologie<br />
halieutique.Thèse de Docteur <strong>en</strong> Géostatistique, Ecole des Mines de Paris.<br />
[3] Bleines,C, Deraisme,J. Geffroy, F,<br />
Perseval,S,Poisson,J,Rambert,F,R<strong>en</strong>ard,D,Torres,O,Touffait Y :(2008) Isatis release 8.0,<br />
[4] Chauvet, P., 1999. Aide-mémoire de géostatistique linéaire. Les Presses de l'Ecole des<br />
Mines.<br />
[5] Chilès, J.P., 1991. Application du krigeage avec dérive externe à l’implantation d’un réseau<br />
de surveillance piézométrique. Sci<strong>en</strong>ces de la Terre - Informatique Géologique, Vol. 30, pp. 131-<br />
147.<br />
[6]Chilès J.P., Delfiner, 1984. Reconstruction par Krigeage de la surface topographique à partir<br />
de divers schéma d’échantillonnage photogrammetrique.p.42-50.<br />
[7] Christophe L, Sebastian G, Christophe P. Statistiques Appliquées à l’expérim<strong>en</strong>tation <strong>en</strong><br />
Sci<strong>en</strong>ces Humaines.<br />
[8]Cirac, P., 1987. Le bassin sud rifain occid<strong>en</strong>tal au Néogène supérieur : Evolution de la<br />
dynamique sédim<strong>en</strong>taire et de la paléogéographie au cours d’une phase de comblem<strong>en</strong>t,<br />
Mémoires de l’institut de géologie du bassin d’Aquitaine, Univ. Bordeaux1.<br />
[9] Delhomme, J .P., 1978. Kriging in hydrosci<strong>en</strong>ces Advances in water Ressources, vol.1,n°5.<br />
[10]Essahlaoui, A., 2000. Contribution à la reconnaissance des formations aquifères dans le<br />
basin de Meknès-Fès (Maroc) prospection géoélectriques, étude hydrogéologique et inv<strong>en</strong>taire<br />
des ressources <strong>en</strong> eau. Doct. Sc. App. Ecole Mohammadia Ing., Rabat Maroc, 258p.<br />
[11] Eti<strong>en</strong>ne,B., 2005. Dynamique et bilan de masse des glaciers de montagne (Alpes, Islande,<br />
Hymalaya). Thèse de docteur <strong>en</strong> géologique et géophysique université de Toulouse III<br />
[12]Famantanantsoanirina, M. R., 2004. Etude de la s<strong>en</strong>sibilité des dispositifs W<strong>en</strong>ner,<br />
W<strong>en</strong>ner-Schlumberger et Dipôle-Dipôle <strong>en</strong> prospection électrique application a l’hydrogéologie<br />
et a la détection de cavités. Rapport de stage DEA, faculté des sci<strong>en</strong>ces, Université<br />
d’Antananarivo.<br />
[13] Géorges, H., 2002. Aide à la décision par l’exploitation secondaire des bases de données<br />
d’<strong>en</strong>treprise. Habilitation Dirige de Recherche. Université Pierre et Marie Curie.<br />
[14] Guiblin, Ph., 1997. Analyse géostatistique de campagnes (acoustique et chalutage) sur le<br />
4
Référ<strong>en</strong>ces bibliographiques et webographiques<br />
har<strong>en</strong>g écossais. Thèse de Docteur <strong>en</strong> Géostatistique, Ecole des Mines de Paris.<br />
[15] Jacques R. Course on Multivariate Geostatistics, Cours C-173, C<strong>en</strong>tre de géostatistique,<br />
Ecole des mines de Paris, February 2003.<br />
[16] Juli<strong>en</strong>, M., 2007. Variabilité spatiale et déterminismes agro–pédagogiques du dev<strong>en</strong>ir<br />
d’un herbicide dans l’horizon de surface. Thèse de Docteur <strong>en</strong> Sci<strong>en</strong>ce de la terre, l’Institut<br />
des Sci<strong>en</strong>ces et Industries du Vivant et de l’Environnem<strong>en</strong>t.<br />
[17] Matheron G., 1969. Cours de géostatistique Ecole des mines de Paris<br />
[18] Malherb L. & Card<strong>en</strong>as G. Géostatistique et prise <strong>en</strong> compte de l’aspect temporel (2004).<br />
[19] Margaret A. Basic linear geostatistics. Springer.<br />
[20] Monjoie A., 1987. Méthodologie des études <strong>en</strong> hydrogéologie. Actes du congrès<br />
sci<strong>en</strong>tifiques sur les eaux souterraines <strong>en</strong> Wallone. Ministère de la région Wallone.<br />
[21] Nicolas, J., 2001. Caractérisation géostatistique de pollutions industrielles de sols<br />
Cas des hydrocarbures aromatiques polycycliques sur d'anci<strong>en</strong>s sites de cokeries. Thèse de<br />
Docteur <strong>en</strong> Géostatistique, Ecole des Mines de Paris.<br />
[22]Taltasse, P., 1953. Recherches géologiques et hydrogéologiques dans le bassin de Fès-<br />
Meknès.Notes et Mém. Serv. Géol. Maroc, N°115, 300 p.<br />
[23] Vann, J, Jackson,J, & Bertoli, O., 2003. Quantitative kriging Neighborhood Analysis<br />
for the mining geologist. A description of the Method with worked case examples, in<br />
proceedings 5th international Mining Geology Cofer<strong>en</strong>ce (2003), B<strong>en</strong>digo.<br />
[24] Youcef, H, Laur<strong>en</strong>t, M, Dominique, M .Caractérisation hydrogéophysique d’un aquifère<br />
poreux complexe à l’aide des méthodes électriques et diagraphies, cas du site test kappel<strong>en</strong>.<br />
[25] Rabemanana, V., 2002. Origine et Caractérisation de la salinité des eaux dans les aquifères<br />
de socle : cas de la région de l’Androy (Sud de Madagascar). Thèse de doctorat de 3 ème cycle<br />
<strong>en</strong> Sci<strong>en</strong>ces de la terre, Université de Paris 6.<br />
[26] Rakoto, H., 2003. Caractérisation par géophysique, hydrogéologie classique et hydrochimie<br />
des aquifères <strong>en</strong> zone semi-aride.<br />
[27]Rakotondramano Heliarivonjy, S., 2005. Hydrogéophysique et alim<strong>en</strong>tation <strong>en</strong> eau<br />
potable cas de Manakara et d’ambovombe-Androy. Rapport de stage DEA, Faculté des sci<strong>en</strong>ces,<br />
Université d’Antananarivo.<br />
[28] http://www.geovariance.com(Juin 2010)<br />
[29] http://www.les-mathematiques.net/phorum/read.php?13,372710 (Juillet 2010)<br />
[30] http://www.forumsig.org/showthread.php?t=3427 (Juillet 2010)<br />
[31] http://cybergeo.revues.org/index54.htm (Juillet 2010)<br />
[32] http://cg.<strong>en</strong>smp.fr/bibliotheque/public/CHILES_These_00401.pdf (Août 2010)<br />
5
TABLE DES MATIERES<br />
Table des matières<br />
INTRODUCTION………………………………………………………………………… .......... 1<br />
PARTIE I ................................................................................................................................................ 3<br />
PRESENTATION DE LA ZONE D’ETUDE ET PRESENTATION DES DONNEES .................. 3<br />
I-1- PRESENTATION DE LA ZONE D’ETUDE .............................................................................................. 4<br />
I-1-1- Contexte général de la zone d’étude ..................................................................................................... 4<br />
I-1-2-Cadre géologique, hydrologique et hydrogéologique ............................................................................ 5<br />
I-1-2-1-Contexte géologique (H. Besairie, 1963). ..................................................................................... 5<br />
I-1-2-2-Hydrologie et hydrogéologie ......................................................................................................... 7<br />
I-1-2-2-1-Hydrologie ............................................................................................................................. 7<br />
I-1-2-2-2-Hydrogéologie ....................................................................................................................... 8<br />
I-2- PRESENTATION DES DONNEES ............................................................................................................ 9<br />
I-2-1-Les données issues des prospections géophysiques ............................................................................... 9<br />
I-2-1-1- Définition de la résistivité du sous sol ........................................................................................ 10<br />
I-2-1-2- Prospection électrique ................................................................................................................ 10<br />
I-2-1-3-Dispositif W<strong>en</strong>ner ........................................................................................................................ 11<br />
I-2-2-Les données des résultats des forages. ................................................................................................. 13<br />
PARTIE II ............................................................................................................................................ 16<br />
RAPPELS THEORIQUES.................................................................................................................. 16<br />
II-1- ANALYSE STATISTIQUE DES DONNEES .......................................................................................... 17<br />
II-1-1-Variables régionalisées Z(x), x à 2, 3 ou 4D ...................................................................................... 17<br />
II-1-2- Support et champ............................................................................................................................... 17<br />
II-1-3- Rappels des grandeurs fréquemm<strong>en</strong>t utilisées <strong>en</strong> statistique ............................................................. 17<br />
II-1-4- Hypothèses de base ........................................................................................................................... 18<br />
II-1-4-1-Stationnarité du second ordre ..................................................................................................... 18<br />
II-1-4-2-Hypothèse intrinsèque ................................................................................................................ 18<br />
II-2- ANALYSE VARIOGRAPHIQUE ............................................................................................................ 19<br />
II-2-1- Variogramme expérim<strong>en</strong>tal ............................................................................................................... 19<br />
II-2-2-Estimation du variogramme .......................................................................................................... 20<br />
II-2-3- Variogramme croisé .......................................................................................................................... 21<br />
II-2-4- Modélisation ...................................................................................................................................... 21<br />
II-2-5- Phénomènes d’anisotropie et d’isotropie .......................................................................................... 22<br />
II-2-5-1-Phénomène de structure isotropie .............................................................................................. 22<br />
II-2-5-2-Phénomène de structure anisotropie ........................................................................................... 22<br />
II-2-6-Voisinage unique et voisinage glissant .............................................................................................. 23<br />
II-2-7-Validation croisée............................................................................................................................... 23<br />
II-2-8- Krigeage et Cokrigeage ..................................................................................................................... 24<br />
II-2-8-1-Krigeage ..................................................................................................................................... 24<br />
II-2-8-2-Cokrigeage ................................................................................................................................. 26<br />
PARTIE III ........................................................................................................................................... 27<br />
ANALYSE STATISTIQUE ET TRAITEMENT DES DONNEES PAR LES TECHNIQUES<br />
GEOSTATISTIQUES ......................................................................................................................... 27<br />
III-1- ANALYSE STATISTIQUE DES DONNEES ....................................................................................... 28<br />
III-1-1- Extremum de valeur de résistivité .................................................................................................... 29<br />
III-1-1-1- Statistique des valeurs de résistivité minimum ........................................................................ 29<br />
III-1-1-2- Statistique des valeurs de résistivité maximum ....................................................................... 30<br />
III-1-3- Moy<strong>en</strong>ne .......................................................................................................................................... 30<br />
III-1-4- L’écart type ..................................................................................................................................... 31<br />
III-1-5- Vérification de la stationnarité ......................................................................................................... 31<br />
III-1-6- Relation <strong>en</strong>tre les différ<strong>en</strong>tes valeurs de résistivité (ρ 1 , …., ρ 7 ) ....................................................... 32<br />
III-2- TRAITEMENT DES DONNEES PAR KRIGEAGE ............................................................................. 33<br />
III-2-1-Variable ρ 1 ........................................................................................................................................ 33<br />
III-2-1-1-Analyse variographique ............................................................................................................ 34<br />
III-2-1-2- Modélisation du variogramme ................................................................................................. 37<br />
III-2-1-3-Choix de grille de l’estimation .................................................................................................. 39<br />
3
Table des matières<br />
III-2-1-4-Choix du bloc de discrétisation ................................................................................................. 39<br />
III-2-1-5-Voisinage unique et voisinage glissant. .................................................................................... 40<br />
III-2-1-6- Validation croisée .................................................................................................................... 42<br />
III-2-1-7-Estimation de la variable ρ 1 ...................................................................................................... 45<br />
III-2-2-Variable ρ 2 ........................................................................................................................................ 46<br />
III-2-2-1-Modélisation du variogramme. ................................................................................................. 47<br />
III-2-2-2-Test de voisinage ...................................................................................................................... 48<br />
III-2-2-3-Validation croisée du modèle.................................................................................................... 48<br />
III-2-2-4-Estimation de la variable ρ 2 ...................................................................................................... 49<br />
III-2-3-Variable ρ3 ........................................................................................................................................ 50<br />
III-2-3-1-Validation croisée ..................................................................................................................... 50<br />
III-2-3-2-Estimation de la variable ρ 3 ...................................................................................................... 51<br />
III-2-4-Variable ρ 4 ........................................................................................................................................ 51<br />
III-2-4-1-Validation croisée ..................................................................................................................... 52<br />
III-2-4-2-Estimation de la variable ρ 4 ...................................................................................................... 52<br />
III-2-5-Variable ρ 5 ........................................................................................................................................ 53<br />
III-2-5-1-Validation croisée ..................................................................................................................... 54<br />
III-2-5-2-Estimation de la variable ρ 5 ...................................................................................................... 54<br />
III-2-6-Variable ρ 6 ........................................................................................................................................ 54<br />
III-2-6-1-Validation croisée ..................................................................................................................... 55<br />
III-2-6-2-Estimation de la variable ρ 6 ...................................................................................................... 56<br />
III-2-7- Variable ρ 7 ....................................................................................................................................... 56<br />
III-2-7-1-Validation croisée ..................................................................................................................... 57<br />
III-2-7-2-Estimation de la variable ρ 7 ...................................................................................................... 57<br />
III-3- TRAITEMENT DES DONNEES PAR COKRIGEAGE ....................................................................... 58<br />
III-3-1-Cokrigeage <strong>en</strong>tre ρ 2 et ρ 3 ................................................................................................................... 58<br />
III-3-1-1-Analyse variographique du variogramme croisé ....................................................................... 58<br />
III-3-1-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés ..................................................................... 58<br />
III-3-1-3-Validation croisée des modèles ajustés ..................................................................................... 60<br />
III-3-1-4 Résultat de cokrigeage de la variable ρ 2 .................................................................................... 61<br />
III-3-2-Cokrigeage <strong>en</strong>tre ρ 3 et ρ 4 ................................................................................................................... 61<br />
III-3-2-1-Analyse variographique du variogramme croisé ....................................................................... 61<br />
III-3-2-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés ..................................................................... 61<br />
III-3-2-3-Validation croisée des modèles ajustés ..................................................................................... 63<br />
III-3-2-4- Résultat de cokrigeage des variables ρ 3 et ρ 4 ........................................................................... 64<br />
III-3-3-Cokrigeage <strong>en</strong>tre ρ 4 et ρ 5 ................................................................................................................... 64<br />
III-3-3-1-Analyse variographique du variogramme croisé ....................................................................... 64<br />
III-3-3-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés ..................................................................... 65<br />
III-3-3-3Validation croisée des modèles ajustés ...................................................................................... 66<br />
III-3-3-4-Résultat de cokrigeage des variables ρ 5 .................................................................................... 67<br />
III-3-4-Cokrigeage <strong>en</strong>tre ρ 5 et ρ 6 ................................................................................................................... 67<br />
III-3-4-1-Analyse variographique du variogramme croisé ....................................................................... 67<br />
III-3-4-2-Ajustem<strong>en</strong>t des variogrammes simples et croisés ..................................................................... 67<br />
III-3-4-3-Validation croisée des modèles ajustés ..................................................................................... 68<br />
III-3-4-4- Résultat de cokrigeage de la variable ρ 6 .................................................................................. 69<br />
III-4- COMPARAISON DES RESULTATS DES DEUX METHODES ........................................................ 70<br />
PARTIE IV ........................................................................................................................................... 72<br />
CARTES DE RESISTIVITE ET DISCUSSIONS ............................................................................ 72<br />
CONCLUSION…………………………………………………………………………………. 80<br />
4
Titre du mémoire:<br />
MODELISATION DE STRUCTURES GEOELECTRIQUES DU<br />
BASSIN SEDIMENTAIRE AMBOVOMBE ANDROY PAR<br />
METHODE GEOSTATISTIQUE<br />
RESUME<br />
La géophysique combinée à la géostatistique avec la validation des données de forage peut<br />
contribuer à réduire ces travaux de terrain dans le cas de la recherche <strong>en</strong> eaux souterraines dans la partie<br />
sud de Madagascar où l’eau reste un problème fondam<strong>en</strong>tal. C’est ce qui a été réalisé dans ce mémoire où<br />
l’on a disposé des données de 149 sondages électriques et 8 forages.<br />
Les variogrammes expérim<strong>en</strong>taux obt<strong>en</strong>us par calcul omnidirectionnel prés<strong>en</strong>t<strong>en</strong>t un effet de<br />
pépite pot<strong>en</strong>tiellem<strong>en</strong>t dû à des erreurs de mesures. Après ajustem<strong>en</strong>t, les estimations des données par<br />
krigeage et cokrigeage sont réalisées pour chaque variable. Le cokrigeage des variables ρ 2 , ρ 3 , ρ 4 , ρ 5 , et ρ 6<br />
amélior<strong>en</strong>t très s<strong>en</strong>siblem<strong>en</strong>t la qualité de l’estimation par krigeage.<br />
Les différ<strong>en</strong>tes cartes obt<strong>en</strong>ues par krigeage des variables ρ 1 , ρ 7 et par cokrigeage des variables ρ 2 ,<br />
ρ 3 , ρ 4 , ρ 5 , et ρ 6 ont mis <strong>en</strong> évid<strong>en</strong>ce les variations latérales et <strong>en</strong> profondeur des valeurs de résistivité. Ces<br />
variations de résistivité ont été calées par rapport à des données de forage pour id<strong>en</strong>tifier la nature de la<br />
couche ou de la formation.<br />
Les modèles des cartes ainsi obt<strong>en</strong>ues ont mis <strong>en</strong> évid<strong>en</strong>ce trois secteurs : au Nord Ouest, le socle<br />
cristallin, l’épais sédim<strong>en</strong>t au c<strong>en</strong>tre (bassin fermé d’Ambovombe) et les dunes de sable sur l’axe Sud<br />
Ouest – Nord Est autour de la ville d’Ambovombe.<br />
Mots clé : Ambovombe Androy, modélisation, géostatistique, structure géoéléctrique, krigeage,<br />
cokrigeage<br />
ABSTRACT<br />
Geophysics and geostatistics method using drilling data validation can lead to reduce fieldworks<br />
in the case of groundwater exploration in the southern part of Madagascar, where water remains a<br />
fundam<strong>en</strong>tal problem. This has be<strong>en</strong> achieved in this study report where data were available from 149<br />
electrical soundings and 8 boreholes.<br />
By the experim<strong>en</strong>tal variograms using omnidirectionel, moreover, show a pot<strong>en</strong>tial nugget effect<br />
produced by measurem<strong>en</strong>t errors. After fitting , the estimates by kriging and cokriging are effective for<br />
each variable. The cokriging variables ρ2, ρ3, ρ4, ρ5 and ρ6 improve substantially the quality of<br />
estimation by kriging.<br />
The obtained map models using the kriging variables ρ1, ρ7 and the cokriging variables ρ2, ρ3,<br />
ρ4, ρ5 and ρ6 revealed lateral and depth variations of the resistivity values. These variations in resistivity<br />
were fitted to drilling data for id<strong>en</strong>tifying lithological nature.<br />
The final maps showed three zones: in the North West, crystalline basem<strong>en</strong>t, in the c<strong>en</strong>ter there is<br />
a thick sedim<strong>en</strong>t (closed basin Ambovombe) and in the North West –South East there are sand dunes.<br />
Keywords: Ambovombe Androy, modeling, geostatistics, geoelectric structure, electrical soundings,<br />
kriging, cokriging<br />
Encadreur<br />
Pr RATSIMBAZAFY Jean Bruno<br />
Impétrant :<br />
Nom et prénom : RAZAFIMAHATRATRA Heritiana<br />
Adresse : Lot VF 85 Ankorahotra<br />
Tel : 032 49 172 66<br />
E-mail : razheritiana1@gmail.com<br />
4