Jean Felder

Le résultat de la détermination du paramètre M est un meilleur ajustement entre les modèles variographiques et les caractéristiques structurelles des données. En deux dimensions, les deux portées et l'angle de structuration local correspondent à l'ellipse de corrélation.

Contexte et objectifs

La mise en oeuvre et la validation de ces approches dites variographiques est facilitée par l'interprétation relativement simple qu'il est possible de faire de plusieurs paramètres du variogramme. Sans surprise, la partie non stationnaire de la géostatistique a peu d'applications industrielles.

Organisation du manuscrit

La première application (chapitre 6) sera liée à l'étude géostatistique de données bathymétriques 2D. La deuxième étude, qui utilisera des données réelles de champs pétrolifères, comprendra une analyse 2D et 3D, en modes binaire et niveaux de gris, et un exemple d'utilisation de la distance géodésique.

Notion d'espace discret

Introduction
Images
Points
Représentation
Relations de voisinage - connexité

Enfin, d'un point de vue informatique, une image numérique est simplement une suite d'entiers compris entre 0 et 2m1. Dans le cadre d'une image, on revient à la notion de connectivité : elle correspond au voisinage élémentaire non vide d'un pixel p sur une grille numérique.

Figure 2.1: Représentation des trames hexagonale et carrée (4-connexité) par pavage en noir et par maillage en rouge.

Présentation de la géostatistique

Introduction - un bref historique
Variable régionalisée - fonction aléatoire
Hypothèses de stationnarité de la fonction aléatoire

Introduction
Hypothèse de stationnarité d'ordre 2
Hypothèse de stationnarité intrinsèque
Comparaison des deux hypothèses

Le variogramme

Introduction
Caractéristiques du variogramme
Modélisation

Krigeage et simulations

Le krigeage
Les simulations géostatistiques

Dans le cadre de la géostatistique stationnaire, nous nous limitons à l'étude des deux premiers moments d'une fonction aléatoire. Il est généralement difficile de prouver qu'une fonction donnée est un modèle de variogramme admissible.

Figure 2.4: Un jeu de données et son variogramme expérimental isotrope (courbe bleue)

Conclusion

La deuxième difficulté est liée aux outils disponibles pour traiter les phénomènes non stationnaires. Le premier type d'outils est issu d'une géostatistique strictement non stationnaire, pour laquelle les modèles réels non stationnaires sont refusés.

Figure 3.1: Trois échelles de travail pour le même phénomène. Il est non sta- sta-tionnaire pour les échelles 1 et 3, mais stasta-tionnaire pour la seconde échelle.

Géostatistique non stationnaire

Krigeage universel

FAI-k

Limitations des modèles non stationnaires

Les approches non stationnaires par caractérisation locale

Cadre de réalisation unique
Approche par convolutions
Approche par noyaux locaux pondérés
Approche utilisant un gradient
Approche quasi stationnaire

De plus, du fait de sa construction, il est incapable de contrôler un changement brutal dans la structuration spatiale des données. Cependant, cette approche est actuellement limitée aux modèles 2D linéaires, ce qui limite la validité des paramètres variographiques obtenus lors de la dernière itération.

Interprétation des paramètres variographiques

Utilisation des M-Paramètres

Cadre d'utilisation

Principe

Ainsi, si l'on considère l'orientation, elle varie bien cette fois entre 0 et 90. L'ellipse de corrélation est localement adaptée pour structurer les données (figure 3.4e). Paramètres globaux qui traduisent la structure des données à l'échelle globale, on obtient une anisotropie de 42.

Figure 3.4: Synthèse des approches globales et locales (M-GS). Les paramètres globaux traduisant la structuration des données à l'échelle globale, on obtient une anisotropie de 42

Exemple d'utilisation

En effet, l'écart-type de krigeage est généralement très sensible aux paramètres du modèle de variogramme. L'écart-type de krigeage se comporte de manière identique sur tout le domaine avec la méthode globale.

Figure 3.6: La modélisation par M-GS produit 3 cartes de paramètres variogra- variogra-phiques : deux paramètres de portée (a, b) et un paramètre d'orientation (c).

Conclusion

Néanmoins, dans ce chapitre, nous avons délibérément évité cette question fondamentale : le calcul proprement dit des paramètres M. Dans le chapitre 3, nous avons défini un cadre général appelé M-GS, dont les fondements reposent sur l'hypothèse de stationnarité locale.

État de l'art de la caractérisation de formes binaires

Introduction
Caractéristiques globales simples
Longueur, rayon, centre et extrémités géodésiques
Codage de contours
Moments
Squelette d'une forme binaire
Conclusion

Il est possible de reconstruire complètement une forme binaire à partir de la connaissance de ses moments. Les moments d'ordre 1 (m10, m01) permettent de déterminer le barycentre de la forme pxc, ycq.

Figure 4.1: Il est nécessaire de combiner le calcul de l'excentricité et de la cir- cir-cularité de ces 3 formes pour les reconnaître.

Méthode basée sur un squelette

Introduction - recherche méthodologique

Cette double opération de calcul de la fonction de distance puis d'extraction des maxima régionaux revient simplement à calculer le squelette en ouvrant la forme (figure 4.12b). Le deuxième défi est de propager l'information calculée aux points du squelette en ouvrant au reste de la forme binaire.

Figure 4.11: Exemples de calcul de la fonction distance discrète et euclidienne.

Présentation de la méthode

Calcul du squelette et décomposition
Estimation de l'orientation, la largeur et la lon-
Propagation des mesures locales à l'ensemble de

La largeur d'un point du squelette, en revanche, correspond à sa distance au point le plus proche du complément de la forme. Enfin, la longueur correspond à la longueur du segment orienté selon la tangente au point le plus proche du complémentaire de la forme (figure 4.16b).

Figure 4.14: Parcours des voisins (a). Nombre de croisements égal à : 0 (b), 1 (c), 2 (d), 3 (e) et 4 (f).

Bilan

Méthode dite du lancer de rayons

Introduction

Présentation de la méthode

Cependant, si l'on considère deux rayons de sens opposés sur la figure 4.20a (par exemple, 90 et 90), ils ont la même direction, mais leur longueur n'est pas identique. Les moments de la forme sont rapidement calculés à partir de sa trajectoire de contour (Yang & Albregtsen (1996)).

Figure 4.20: Les diérentes étapes de la méthode. On commence par tracer des rayons deux par deux de sens opposés dans la forme (a) puis on conserve la longueur minimale (b)

Estimation de l'erreur d'ajustement

Il est possible de corriger directement, pour tous les pixels de la forme, le grand axe de l'ellipse par rapport à l'erreur maximale apparaissant sur la forme (emax), le grand axe a et le petit axe b de l'ellipse E à corrigée. Cependant, on peut combiner les deux approches : on commence par supprimer les membres avec une trop grande erreur d'ajustement, puis on calcule le nouvel axe majeur de l'ellipse.

Figure 4.22: F et F 1 sont les foyers de l'ellipse. La distance correspond à l'inter- l'inter-section de la bissectrice avec l'ellipse : d p X i , E q X i I i

Comparaison des deux méthodes

Passage des mesures locales aux M-Paramètres

Du point de vue de la géostatistique, le passage de la géostatistique stationnaire à la M-GS revient à passer de paramètres globalement fixes à des paramètres variables en chaque point cible. Enfin, si les résultats des calculs de mesure de longueur et de largeur sont donnés en pixels, il faut tenir compte de la résolution de la grille pour les traduire en paramètres M.

Exemple d'application

Dans ce cas on affecte une longueur et une largeur égales, ainsi qu'une valeur d'orientation quelconque comme 0 par exemple : cela n'affecte pas le calcul. utilisons la méthode du rayon sur l'image binaire obtenue et sur son complément pour obtenir une mesure locale pour tous les pixels de l'image. Cependant, choisir de seuiller l'image d'entrée au niveau de la moyenne des données est très risqué.

Figure 4.26: Coupe 2D d'un cube sismique.

Conclusion

Dès lors, on peut se demander s'il n'est pas possible de travailler directement sur des images en niveaux de gris. Tout au long du chapitre, nous alternons entre images en niveaux de gris et images numériques.

Méthodes de caractérisation de formes en niveaux de gris

Transformation résiduelle
Squelettes en niveaux de gris
Extrema et dynamique
Champ d'orientation
Conclusion

Un exemple de calcul du squelette par ouverture en niveaux de gris est présenté à la figure 5.1. L'équivalent en niveau de gris de cette fonction résiduelle est appelé la quasi-distance (Beucher (2004)).

Figure 5.1: Exemple de calcul du squelette par ouverture en niveaux de gris. Le résultat du squelette calculé a été normalisé pour que l'image soit bien visible.

Généralisation de la méthode du lancer de rayons

Introduction
Retour sur la méthode binaire
Détermination des extrémités sur une image en niveaux de
Algorithme ecace de calcul

Introduction
Détermination des extrémités le long d'une droite 102
Résumé de l'algorithme

Deuxièmement, le problème de la détermination des extrémités se résume à déterminer un contour d'une forme en nuances de gris. A l'issue de cette étape, nous avons donc attribué une extrémité à chaque pixel de la ligne.

Figure 5.6: Reprise de la gure de présentation de la méthode dans le cas binaire.

Exemple d'application

On calcule la quasi-distance de l'image initiale (Figure 5.11a) et de l'image inverse pour indiquer les nuances sombres de l'image (Figure 5.11b), puis on prend le supremum des deux images (Figure 5.11 vs ). Contrairement au seuillage direct de l'image d'étude pour la réduire à une étude binaire, cette fois nous avons utilisé des informations beaucoup plus riches.

Conclusion

Nous avons finalement réalisé que l'interprétation structurelle des paramètres variographiques constitue le lien intéressant entre env. Ce chapitre a une portée pratique : il illustre l'application des méthodes de traitement d'images à la détermination des paramètres M et leur contribution à interpoler efficacement, dans un contexte de canalisation, des données bathymétriques.

Contexte - présentation du jeu de données

Cartographie par krigeage global

Cartographie par krigeage avec M-Paramètres

Principe
Étude binaire

Segmentation du chenal
Estimation des M-Paramètres et krigeage

Étude en niveaux de gris
Combinaison des deux approches

Comme on peut le voir sur la figure 6.12, l'estimation en niveaux de gris permet de mieux reconstruire les parties étroites du canal. La troisième approche, l'approche M-GS en niveaux de gris, fournit une solution au problème de reconstruction de canal.

Figure 6.5: Les diérentes étapes de la segmentation. Partant de l'image krigée (a), on calcule la transformée en chapeau haut de forme (b), puis on seuille l'image obtenue (c), et on eectue une reconstruction géodésique (d).

Bilan

Le calcul des paramètres M avec la méthode des niveaux de gris prend moins de 5 secondes. Ainsi, d'un point de vue pratique, le traitement de données 3D peut être très coûteux en temps de calcul, tant pour déterminer les paramètres variographiques que pour les exploiter.

Présentation des nouveaux paramètres 3D

D'un point de vue théorique, il est nécessaire de calculer un plus grand nombre de paramètres variographiques. Il est également nécessaire de disposer d'outils de visualisation performants pour les données tridimensionnelles.

Figure 7.1: Convention des angles d'Euler. Image reprise du site internet http:

Méthode de calcul des mesures locales 3D

Introduction
Tracé des rayons
Calcul des extrémités
Ajustement de l'ellipsoïde

Introduction
Ajustement de l'ellipsoïde par moindres carrés
Ajustement de l'ellipsoïde par le calcul des mo-
Comparaison des deux méthodes d'ajustement

A partir de ces notations, le problème de minimisation est reformulé sous la forme de la méthode des multiplicateurs de Lagrange. Les éléments diagonaux de la matrice d'inertie (équation 7.17) sont appelés les moments d'inertie, les autres éléments sont les produits d'inertie.

Figure 7.3: Exemple de détermination des extrémités pour une forme binaire 3D. Les extrémités correspondent aux points bleus.

Visualisation des M-Paramètres 3D

La représentation des vecteurs sur un plan 2D semble plus pertinente que sur l'ensemble du volume 3D (Figure 7.8). Il est possible de visualiser les champs d'ellipsoïdes sur tout le volume 3D ou sur des coupes selon des plans 2D.

Exemple d'utilisation

D'une manière générale, il n'existe pas de moyen générique de représentation de paramètres M tridimensionnels ni de solution clé en main comme nous l'avons vu dans cet exemple volontairement très simple et facilement interprétable. Notons que les représentations vues précédemment de ces paramètres sous forme de vecteurs (figure 7.11) et d'ellipsoïdes (figure 7.12) sont particulièrement intéressantes pour les données de type canal.

Conclusion du chapitre

Ce dernier représente un champ d'étude qui n'est pas convexe et à l'intérieur duquel la distance réelle entre les points de données n'est pas euclidienne. Après tout, dès que le domaine d'étude n'est pas convexe, il semble plus cohérent d'utiliser des distances non euclidiennes.

De la diculté d'utiliser des distances non-euclidiennes

Validité du variogramme

En utilisant la distance de Manhattan (également appelée distance de pâté de maisons), c'est-à-dire. la distance discrète sur un repère 4-connexe défini en 2D par dpi, jq. xjxi| |yjyi|, on obtient la matrice de distance suivante entre ces 4 points. Puisque cette matrice n'est pas positive négative, nous pouvons conclure que la fonction de covariance gaussienne n'est pas positive négative pour la distance.

Figure 8.2: 4 points 2D régulièrement espacés.

Calcul des distances

En partant de l'un des bords de la forme précédente et en utilisant une implémentation optimisée de distance géodésique discrète à 4 liens basée sur l'espérance, nous obtenons un temps de propagation géodésique de 0,048 seconde. De plus, le temps de propagation précédent était à partir d'un bord de la forme, ce qui est un temps de propagation maximum.

Figure 8.3: Exemple de calcul de la distance géodésique binaire le long d'une forme très tortueuse et d'une estimation par krigeage avec une distance non-euclidienne.

Bilan

En supposant un temps de propagation moyen de 0,023 seconde, nous obtenons un temps total de 554,48 secondes ou 9 minutes et 14 secondes. Enfin, nous avons effectué une estimation par krigeage dans le binaire précédent en utilisant un modèle de variogramme sphérique, une plage de 300 pixels et un seul environnement (Fig. 8.3b).

Les diérentes distances utilisées

Introduction
Water distance
Fonction distance basée sur un temps de parcours
Distance le long de rivières
Bilan

En morphologie mathématique, la distance basée sur le temps de parcours correspond à la notion de temps géodésique qui est une généralisation de la distance géodésique binaire (Soille (1992), Soille (1994)). Enfin, l'ajout ou la suppression de points de données peut modifier considérablement l'apparence de la matrice approximative.

Figure 8.4: Exemple de calcul du temps géodésique suivant deux milieux dié- dié-rents partant du point en haut à gauche de l'image

Étude de cas - estimation de la pollution de l'air en milieu urbain 171

Présentation des données

Pour le calcul de la distance géodésique binaire euclidienne, Soille (1992) propose également un algorithme de calcul, tout comme Cárdenes et al. Lors des différentes tentatives de calcul de la distance géodésique exacte, la méthode de Cárdenes et al. (2010) a toujours été plus rapide que celle de Soille (1992) avec des résultats identiques.

Variogramme géodésique

Nous avons vérifié précédemment que la distance géodésique binaire correspond particulièrement bien à la répartition d'un polluant le long d'une route. Pour une propagation effectuée à partir d'un point au milieu du réseau routier, on obtient un temps de propagation total de 2,01 secondes pour une distance euclidienne géodésique.

Krigeage euclidien et géodésique