Le krigeage est, en géostatistique, la méthode d’estimation linéaire garantissant le minimum de variance. Le krigeage réalise l'interpolation spatiale d'une variable régionalisée par calcul de l'espérance mathématique d'une variable aléatoire, utilisant l'interprétation et la modélisation du variogramme expérimental. C'est le meilleur estimateur linéaire non biaisé ; il se fonde sur une méthode objective. Il tient compte non seulement de la distance entre les données et le point d'estimation, mais également des distances entre les données deux à deux. Le terme « krigeage » provient du nom de famille de l'ingénieur minier sud-africain Danie G. Krige. Il a été formalisé pour la prospection minière par Georges Matheron (1930-2000) au BRGM puis à l'École des mines de Paris. Depuis, le domaine de ses applications a largement été étendu, touchant notamment la météorologie, les sciences de l’environnement et l’électromagnétisme. Selon les hypothèses sous-jacentes, le krigeage se décline sous plusieurs variantes (simple, ordinaire...) qui toutes utilisent les mêmes principes. Q une quantité (définie de manière quelconque) à estimer en un point ; z la variable régionalisée étudiée ; Z la fonction aléatoire associée à z ; K, m sa covariance et son espérance ; n le nombre de points de mesure ; x le point d'estimation ; xi, i = 1...n les points de mesure ; l'opérateur d'estimation par krigeage; ainsi Z* est l'estimateur de krigeage de Z ; Z la valeur estimée en x par le krigeage considéré ; Zi, i = 1...n les données, connues aux points de mesure x ; λ le poids affecté par le krigeage à la valeur en x ; μ le paramètre de Lagrange utilisé dans le krigeage ; γi,j la valeur du variogramme γ pour une distance xi - xj ; Ki,j la valeur de la covariance K pour une distance xi - xj ; f, l = 1... les fonctions de base dans le cas du krigeage universel, f0 = 1 ; f la valeur de f au point x ; Un krigeage habituel fait se succéder plusieurs actions : recueil et prétraitement de la donnée : il s'agit de nettoyer la variable régionalisée z de ses valeurs aberrantes, valeurs mal codées.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (7)
MATH-414: Stochastic simulation
The student who follows this course will get acquainted with computational tools used to analyze systems with uncertainty arising in engineering, physics, chemistry, and economics. Focus will be on s
ENV-408: Sensing and spatial modeling for earth observation
Students get acquainted with the process of mapping from images (orthophoto and DEM), as well as with methods for monitoring the Earth surface using remotely sensed data. Methods will span from machi
EE-613: Machine Learning for Engineers
The objective of this course is to give an overview of machine learning techniques used for real-world applications, and to teach how to implement and use them in practice. Laboratories will be done i
Afficher plus
Séances de cours associées (32)
Machine Learning pour une densité de paires supérieure
Se plonge dans l'utilisation de l'apprentissage automatique pour prédire la densité des paires sans spin et comprendre la corrélation électronique dans des systèmes complexes.
Séries chronologiques: Estimation et représentation spectrale
Explore en profondeur l'estimation des séries chronologiques, la représentation spectrale et l'analyse des variables p.
Apprentissage du modèle graphique : Exemples de M-Estimateur
Explore l'apprentissage des modèles graphiques avec les estimateurs M, la régression des processus Gaussiens, la modélisation Google PageRank, l'estimation de la densité et les modèles linéaires généralisés.
Afficher plus
Publications associées (81)