Professional Documents
Culture Documents
clAu
~
edited by
M . GUARAS C IO
1.\"lil li lo di GeO/OKill A p.pliclI lII. Uni\"l'rsillllli ROllla, ROil/I', I lu/y
M . DAV ID
Dept. ,II' Gellie M illeral, Eco/,> P"lI'lecirn iqlll', M Olllreal, Cana da
C. H U IJB REGTS
Celllr" r/I' Mo rplwfoJ:ie M(lIhhl!Oliqlll'. ENSMP . FOlllai,reblellll, Frn nce
FOREWORD IX
ACKNOWLEDGEMENTS X
LIST OF PARTICIPANTS XI
PART II - KRIGING
LA GEOSTATISTIQUE AU B.R.G.M.
B. Lallement 32J
Massimo Guarascio
Michel David
Charles Huijbregts
I.E DO, Raymonde: Student, Dept. de Genie Mineral, Ecole Poly tech-
nique, C. P. 6079 Succ. A, Montreal, Quebec H3C 3A7, Canada
REYES , Italo: Mining Engineer, Aceries Paz del Rio, S.A., Bogota,
Colombia
BASIC CONCEPTS
LES CONCEPTS DE BASE ET L' EVOLtrrION DE LA GEOSTATlSTlQUE MINIERE
G. Hatheron
I . INTRODUCTION
M. Guarascio el al. (edf.J. Advanced Ge(ls/a/istics in the Mini"g I"dumy. 3·10. All Rights Rese,ved.
Copyright (l 1976 by D. Reidel Publish"1}: Compa"y. Do,d'echt.Hol/and.
4 G.MATH£RON
Le mineur, a dire vrai, n'en demande pas tant.Si on lui fourni ssai
une image fidele de son gisement exactement informee au niveau
des blocs elementaires(correspondant par exemple a la production
journaliere), il saurait bien, par taconnement .et approximations
successives, trouver une solution raisonnable (non exactement op-
timale peut-ecre, mais eel a n'a pas beaucoup d'importance). Natu-
rellement. cette image exacte reste inaccessible. Mais il est pos-
sible de la remplacer par une simulation dite conditionnel1e qui
rendra les memes services en pratique. II s'agit dlune r~&li8atiot
d'une autre F.A, assujettie a respecter les informations experimeI
talement connues (histogrammes . variogrammes et valeurs numerique!
des teneurs aux points ou l'on a preleve des echantillons). Ces
techniques, que la Geostatistique maltrise depuis quelques annees
deja, ont constitue une premiere voie d'acces dans Ie domaine du
non lineaire.
REFERENCES.
G. Matheron
A. BUTS DE LA GEOSTATISTIQUE
M. Gllllrim:io I!I al. (eds.). AdwlIIced GOOf/lI/is/in in the Mining Indllury. 11-27. All R ighfl Re$t1r~ed.
Copyright C 1976 by D. Reidel Publifhlng Comp'lIty. Oord~ch/·lloIIQnd.
12 G. MATHERON
B. L'INSTRUMENT PROBABILISTE
Z (x ) .:. z
n n
J
pour tous les entiers n = 1,2 ... et pour tous les choix possibles
des points d'appui Xl , ... x ' II n'est evidemment pas possible de
n
proceder a 1 'estimation de toutes ces lois a partir de 1 'informa-
tion disponible, qui est constituee d ' un nombre fini d'echantillons
preleves dans Ie gisement. Contrairement a ce qui se passe en phy-
sique, par exemple, ou l ' on a en principe la possibilite de repeter
aussi souvent que l ' on veut une meme experience et ou l'on peut
ainsi disposer de plusieurs realisations d ' une meme FA, nous avons
ici affaire a une realisation unique echantillonnee en un nombre
fini de points de prelevement.
Par consequent, nous devons d'une fa~on ou d'une autre introduire
des hypotheses limitatives , ayant pour objet de diminuer Ie nombre
des parametres a estimer et de rendre possible l'inference statis -
tique. Cela veut dire qu'au lieu de che r cher notre FA Z(x) dans
l'ensemble infiniment trop vaste de toutes les FA possibles, nous
nous imposerons de la chercher dans une famille ~ beaucoup plus
restreinte ou nous n'aurons plus a estimer qu'un petit nombre de
parametres . Nous dirons qu 'une telle famille '51 constitue un modele
de FA. Naturellement. il y aura des modeles plus ou moins generaux,
et des classes de modeles S'0 ::J ~::> ••• allant du plus general au
plus particulier .
Par exemple, la famille des FA stationnaires et gaussiennes
14 G. MATHERON
Z , ,
m. r A.(Z(X.)-m.) ,
,
au m est l'esperance du panneau et m. celIe de l'echantillon x .• ,
Pour que 1 'inference statistique de m, de m. et de la covariance
soit possible, i1 faut une stationnarite as~ez stricte , et Ie mo-
dele correspondant est celui des FA stationnaires d'ordre 2. En
pratique , et meme si on arrive a verifier la condition c/, ces
estimateurs ne sont pas utilises: car, du fait qu'il faut aussi
estimer l ' esperance m par une combinaison lineaire r A~ Z(x.) , ,
,
avec r J..! • I , l'e s timateur aff i n e r entre toujours, en realite ,
.
dans la classe SUlvante ;
- Les estimateurs 1ineaires autorises a l'ordre 0, du type
z ", r ,
A. Z(x.), avec , '.,
C'est Ie type Ie plus frequemment utilise en geostatistique
miniere. A titre de prerequisite, il faut connaitre Ie variogramme
ou-Y(x) est une fanction lentement variable dans l ' espace a l'e-
chelle des donnees , et R la dimension du voisinage sur lequel on
veut faire porter Ie krigeage. En pratique, ~x) est assimilable
a une constante sur chaque boulp de rayon R, done peut fa ire l'ob-
jet d ' une estimation locale, tandis que r(h) peut etre estime sur
Is totalite des donnees . L 'inference statistique (condition a/)
est done possible dans la plupart des cas usuels en geostatistique
miniere. et Ie plus souven t la compatibilite avec les donnees
(condition c/) est realisee de maniere satisfaisante . On voit que
ce modele (qui est de loin Ie plus utilise en pratique) ne · neces -
site pas l'hypothese de la stationnarite stricte. et encore moins
celIe de l'ergodicite.
Le cas echeant, on peut utiliser des modeles moins exigeants
encore du type "FA localement intrinseque d'ordre kIt. C'est tres
souvent Ie ca s en cartographie, beaucoup plus rarement en geosta-
tistique miniere.
Une remarque, en passant, a propos du phenomene experimental
connu sous Ie nom d' Lorsque l ' on construit
des variogrammes locaux portions d ' un gise-
ment , on cons tate souvent que I e vari ogramme experimental local
Y,oe est, en gros, proportionnel au variogramme experimental gene-
ral y avec un facteur de proportionnalite a lie a la teneur
moyenne l ocale m :
loc
Y, (h). a(m, ) Y(h)
oc oc
REFERENCES
(On n'a cite ici que des textes comportant des considerations de
nature epistemologique sur la Geostatistique et ses demarches).