Disponible avec une licence Geostatistical Analyst.
Il est possible de convertir des couches géostatistiques au format raster à l’aide des outils de géotraitement Couche GA vers grille et Couche GA vers rasters de la boîte à outils Geostatistical Analyst (voir Vue d’ensemble du jeu d’outils Utilisation des couches géostatistiques).
L’interprétation par bloc est utilisée pour créer un raster à partir d’une couche géostatistique. L’interpolation par bloc est une méthode d’interpolation qui prévoit la valeur moyenne d’un phénomène dans une zone spécifiée. Pour le krigeage bayésien empirique et toutes les autres méthodes qui ne sont pas de type krigeage, l’interpolation par bloc calcule des prévisions pour un nombre de localisations spécifiées dans une zone donnée. Les valeurs sont moyennées et la moyenne est attribuée en tant que prévision à l’ensemble de la zone. Par exemple, si vous spécifiez 10 localisations à prévoir dans une zone, des prévisions sont réalisées pour chacune des 10 localisations à l’aide d’un modèle d’interpolation identifié et des points d’échantillonnage d’origine collectés pour le phénomène.
Pour les méthodes de krigeage (autres que le krigeage bayésien empirique) la valeur de la cellule raster est calculée selon les équations de krigeage par bloc standard (voir la référence à la fin de cette rubrique). Si une transformation est utilisée, les équations de krigeage par bloc standard sont appliquées aux données transformées et une correction est appliquée au cours de la retransformation. Cependant, après la retransformation, ces prévisions par bloc peuvent être biaisées. Dans ce cas, il est conseillé d’utiliser des simulations avec l’outil Simulations géostatistiques gaussiennes.
Lorsque vous convertissez une couche géostatistique en raster, les formes des blocs qui calculent la moyenne se trouvent dans chaque cellule raster. Le diagramme suivant illustre des points d’échantillonnage avec la configuration par bloc (le raster) qui sera utilisée dans l’interpolation par bloc :
Lors de la conversion, vous spécifiez le nombre de localisations de prévision des points dans chaque cellule à utiliser pour calculer la moyenne. Vous pouvez par exemple spécifier des prévisions pour deux points dans la direction x et trois points dans la direction y pour chaque cellule. Les points de prévision seront distribués dans chaque cellule afin qu’ils représentent (ou influencent) la même superficie. Ainsi, aucune pondération n’a lieu pour les points de prévision. Les points de prévision se trouvent au centre de chaque sous-unité. Dans ce cas, il s’agit du centre de chacun des six blocs.
Dans le diagramme suivant, la cellule en surbrillance permettra d’illustrer l’interpolation par bloc pour une seule cellule (ou bloc) dans le raster. Cette procédure s’applique à chaque cellule dans le raster en sortie.
Le diagramme suivant est une vue rapprochée du bloc en surbrillance dans le diagramme précédent. Une prévision sera effectuée pour chacun des six points de la cellule à l’aide du modèle d’interpolation identifié dans la couche géostatistique et des points d’échantillonnage d’origine. Les six prévisions seront moyennées et attribuées à cette cellule.
Si vous spécifiez un seul point dans la direction x et un autre dans la direction y, vous effectuez la prévision pour le centre de chaque cellule en sortie. Le délai de traitement augmente avec le nombre de points de prévision.
Il peut arriver que vous ayez plus de points de prévision dans la direction x ou y afin de tenir compte des tendances directionnelles. Dans l’exemple 2 par 3 ci-dessus, l’espacement des points de prévision dans la direction nord-sud est plus serré que dans la direction est-ouest. Le fait d’avoir davantage de points de prévision dans la direction nord-sud augmente l’échantillonnage dans cette direction pour capturer une plus forte variabilité. En d’autres termes, les valeurs du phénomène évoluent plus rapidement dans la direction nord-sud que dans la direction est-ouest. Pour le capturer, vous avez besoin de plus de points d’échantillonnage dans cette direction.
Bibliographie
- Chiles, J.P. and Delfiner, P., Geostatistics: Modeling Spatial Uncertainty, John Wiley & Sons, New York (1999), Section 3.5 (pp. 203-211)
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?