Concepts fondamentaux de la géostatistique en géophysique
La géostatistique est une branche des statistiques spécifiquement conçue pour analyser les données spatialement corrélées, c'est-à-dire les données dont les valeurs sont influencées par la localisation. En géophysique, les données sont presque toujours de nature spatiale : les mesures de gravité, de magnétisme, de sismique et de résistivité, ainsi que les données géochimiques et de diagraphie, sont toutes liées à des coordonnées précises. Par conséquent, la géostatistique constitue un fondement essentiel pour comprendre la distribution des paramètres du sous-sol, estimer les valeurs aux emplacements non mesurés et évaluer l'incertitude des interprétations. Cet article présente les concepts fondamentaux de la géostatistique les plus fréquemment utilisés en géophysique.
Pourquoi la géostatistique est-elle importante en géophysique ?
Les levés géophysiques sont constamment confrontés à des limitations d'échantillonnage. Il est impossible de mesurer chaque point en surface ou en sous-sol en raison des contraintes de coût, de temps et d'accès. Par conséquent, l'interprétation géophysique requiert interpolation et modélisation. Les interpolations simples, telles que la pondération par l'inverse de la distance (IDW), sont pratiques, mais elles ignorent souvent les structures de corrélation spatiale et ne fournissent aucune mesure de l'incertitude. La géostatistique répond à deux besoins essentiels : (1) exploiter les corrélations spatiales des données pour des estimations plus réalistes, et (2) fournir un cadre quantitatif pour l'évaluation de l'incertitude afin d'éclairer les décisions d'exploration.
En géophysique, la géostatistique est utilisée pour la création de cartes d'anomalies plus précises et cohérentes, la modélisation des propriétés des roches (porosité, perméabilité, vitesse des ondes), l'intégration de données multi-sources (par exemple sismiques et de puits) et la simulation de modèles de sous-sol pour les scénarios de risque.
Données spatiales et concept de champs aléatoires
L'essence de la géostatistique réside dans la conception des phénomènes géologiques ou géophysiques comme des fonctions aléatoires ou des champs aléatoires. Cela signifie que les valeurs de paramètres tels que la densité, la susceptibilité magnétique ou la vitesse P en chaque point sont considérées comme des réalisations d'un processus aléatoire doté d'une structure spécifique. Dans cette approche, notre objectif n'est pas simplement de « tracer une carte », mais plutôt d'estimer la distribution des valeurs et les corrélations entre les points.
Un modèle géostatistique comporte deux composantes essentielles : la tendance et la variabilité locale. La tendance décrit les changements à grande échelle (par exemple, une augmentation de la densité du nord au sud due à des variations lithologiques régionales). La variabilité locale décrit les fluctuations à petite échelle, souvent liées à l’hétérogénéité de la roche, aux fractures ou aux changements de faciès. La distinction entre tendance et variabilité nous aide à choisir la méthode appropriée : supposer des conditions stationnaires ou intégrer explicitement la dérive/tendance.
Stationnarité : une hypothèse de base couramment utilisée
De nombreuses méthodes géostatistiques classiques reposent sur l'hypothèse de stationnarité, c'est-à-dire que les propriétés statistiques des données restent inchangées malgré les variations de position. La forme la plus courante est la stationnarité du second ordre : la moyenne est constante et la covariance ne dépend que de la distance et de la direction de séparation (décalage), et non de la position absolue.
En géophysique, cette hypothèse n'est pas toujours vérifiée car les conditions géologiques évoluent souvent progressivement. Cependant, à certaines échelles (par exemple, au sein d'un même domaine lithologique), l'hypothèse de stationnarité est souvent tout à fait raisonnable. Si les données présentent une tendance marquée, on procède généralement à un détrendage ou on utilise une variante de méthode, telle que le krigeage universel, qui prend en compte cette tendance.
Variogramme : Le cœur de la géostatistique
Le concept le plus emblématique de la géostatistique est le variogramme (ou semi-variogramme). Un variogramme illustre comment la similarité des valeurs de données évolue avec la distance. Intuitivement, deux points proches tendent à avoir des valeurs similaires, tandis que des points éloignés tendent à avoir des valeurs différentes. Le variogramme quantifie ce principe.
Le semi-variogramme empirique est généralement calculé par :
\[
\gamma(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2
\]
où \(h\) est le décalage (distance et direction), \(N(h)\) est le nombre de paires de données à ce décalage, et \(Z(x)\) est la valeur des données.
Trois paramètres importants du variogramme :
1. Effet de pépite : valeur du semi-variogramme à un décalage proche de zéro. L’effet de pépite reflète l’erreur de mesure, le bruit ou l’hétérogénéité à une échelle inférieure à la distance d’échantillonnage.
2. Seuil : valeur du semi-variogramme lorsqu’il atteint un plateau. Ceci est lié à la variance totale des données dans ce domaine.
3. Portée : distance à laquelle le variogramme s’approche du seuil. En dessous de cette portée, les données restent corrélées ; au-dessus, la corrélation est faible, voire inexistante.
Les variogrammes peuvent également révéler l'anisotropie, c'est-à-dire une corrélation qui varie selon la direction. En géophysique, l'anisotropie résulte souvent de structures géologiques telles que la stratification, les failles ou la direction d'écoulement des sédiments. Un variogramme directionnel permet de déterminer les directions de continuité maximale et minimale, ce qui est crucial pour la modélisation des réservoirs et l'interprétation structurale.
Modèles de variogramme : des fonctions empiriques aux fonctions mathématiques
Les variogrammes empiriques sont souvent bruités et ne répondent pas toujours aux exigences mathématiques requises pour le krigeage. Il est donc nécessaire de les ajuster à un modèle théorique tel que :
– Sphérique
– Exponentiel
– Gaussienne
– Matérn (plus flexible, mais plus complexe)
Le choix du modèle est guidé par la forme du variogramme empirique et les connaissances géologiques. Par exemple, les modèles gaussiens produisent souvent des transitions très douces sur de courtes distances, convenant aux paramètres très continus. Les modèles exponentiels, quant à eux, présentent des transitions plus abruptes sur de courtes distances, convenant aux phénomènes à variations rapides.
Krigeage : estimation optimale basée sur le variogramme
Le krigeage est une méthode d'interpolation géostatistique qui utilise un variogramme pour fournir la meilleure estimation linéaire sans biais (BLUE). Contrairement aux méthodes d'interpolation déterministes, le krigeage :
1. Tenir compte de la distance et de la corrélation spatiale.
2. Produit une carte d'estimation ainsi qu'une carte de variance de krigeage (incertitude).
Types courants de krigeage :
– Krigeage simple (SK) : la moyenne est connue et constante.
– Krigeage ordinaire (OK) : la moyenne est inconnue mais est supposée constante dans le voisinage local.
– Krigeage universel (Royaume-Uni) : inclut la tendance/dérive (par exemple, une fonction polynomiale par rapport aux coordonnées).
– Co-krigage : utilisation de variables secondaires (par exemple, estimation de la porosité à l’aide de l’impédance sismique).
– Krigeage d’indicateurs : pour les données catégorielles/événementielles (par exemple, la probabilité d’une lithologie particulière).
En géophysique appliquée, le krigeage ordinaire est souvent un excellent choix initial car il est flexible et ne nécessite pas l'hypothèse d'une moyenne globale connue.
Simulation géostatistique : bien plus qu’une simple carte
L’interpolation produit un seul modèle « optimal », mais la nature du sous-sol reste incertaine. Pour évaluer les risques et élaborer des scénarios, on utilise des simulations géostatistiques, telles que :
– Simulation gaussienne séquentielle (SGS) pour les variables continues.
– Simulation d’indicateurs séquentiels (SIS) pour les variables catégorielles.
– Statistiques multipoints pour les modèles géologiques complexes basées sur des images d'apprentissage.
Les simulations produisent de multiples réalisations cohérentes avec les données et le variogramme, permettant ainsi de calculer les intervalles de vraisemblance, les quantiles et les probabilités. En géophysique, les simulations sont essentielles pour la planification des forages, l'évaluation de l'incertitude volumétrique et l'intégration à la modélisation des écoulements.
Validation du modèle : validation croisée et diagnostics
Une bonne géostatistique ne se limite pas à la création de variogrammes et au krigeage. Des évaluations doivent être menées, par exemple :
– Validation croisée leave-one-out : chaque point est prédit à l’aide d’autres points, puis comparé à la valeur réelle.
– Analyse des résidus : déterminer si les résidus sont distribués aléatoirement et s’il existe un biais systématique.
– Vérification de la variance du krigeage : déterminer si l’incertitude est raisonnable (élevée dans les zones où les données sont rares, faible dans les zones où les données sont denses).
La validation permet de déterminer si le variogramme est trop « lisse », si la portée est trop longue/courte ou s'il existe une anisotropie qui n'a pas été capturée.
Défis courants dans les applications géophysiques et géostatistiques
Voici quelques difficultés qui se présentent souvent :
1. Bruit et distribution non gaussienne : les données géophysiques contiennent souvent des valeurs aberrantes et des distributions non normales. Des transformations (par exemple, un score normal) sont parfois nécessaires.
2. Échantillonnage inégal : le chemin de mesure (trajectoire) fait que les données sont denses dans une direction et clairsemées dans l'autre direction.
3. Non-stationnarité : les changements de lithologie ou de structure régionale produisent des tendances marquées.
4. Intégration multi-échelle : la sismique est à grande échelle, mais sa résolution est différente de celle des données de puits très détaillées.
Pour surmonter ces défis, il faut allier compréhension statistique et intuition géologique/géophysique.
Clôture
Les concepts fondamentaux de la géostatistique — stationnarité, variogramme, krigeage et simulation — offrent un cadre puissant pour le traitement des données géophysiques géoréférencées. Le variogramme permet de cartographier la structure de corrélation spatiale ; le krigeage, d’obtenir des estimations optimales et leurs incertitudes ; et la simulation, de construire de multiples scénarios qui représentent plus fidèlement les incertitudes du sous-sol. En définitive, la géostatistique n’est pas seulement une technique de cartographie, mais une approche quantitative permettant de prendre des décisions plus éclairées en matière d’exploration et d’interprétation géophysiques.
Si vous le souhaitez, je peux également ajouter des exemples d'application (par exemple, la cartographie des anomalies magnétiques ou l'estimation de la vitesse sismique), ou inclure un flux de travail pratique allant du calcul du variogramme au krigeage dans un logiciel spécifique.
