III.
Cas pratique d’étude :
a. Reconstitution d’une image par les méthodes géostatistique : cas d’une
pomme
Pour mieux apprécier la qualité des méthodes et des codes utilisés pour réaliser une
étude géostatistique, nous prendrons quelques échantillons de pixels sur cette image.
Afin de remonter à l’image initiale en utilisant les méthodes géostatistique.
Le code permettant d’obtenir cet échantillonnage est le suivant :
Comme le montre la ligne 8, la méthode getpixel() permet d’obtenir la valeur du pixel à la
position (x, y). Cette méthode retourne une liste constituée de valeur rgb.
1. Carte d’échantillonnage
Cette carte d’échantillonnage est constituée de trois figures qui représentent les points
d’échantillonnage de r, g et b. Et nous réaliserons des interpolations par rapport à r, à g et
b.
2. Histogrammes
Cette figure représente les histogrammes respectifs de notre echantillon.
3. Analyses variographiques
Il s’agit pour nous d’étudier la continuité, la dépendance spatiale qu’il existe entre nos
échantillons. Pour cela nous allons représenter les variogramme respectifs et prélever leurs
caractéristiques.
Modèle sphérique respectivement pour r.g.b :
Modèle gaussien (respectivement pour r.g.b) :
Modèle exponentiel (respectivement pour r.g.b) :
Nous mènerons une étude d’interpolation et simulation à partir de ces trois modèles de
variogramme. Cette étude ayant pour but d’apprécier les différents résultats à partir de ces
03 fonctions structurales.
4. Simulations
Simulation séquentielle gaussienne
Les (03) trois figures ci-dessous représentent les simulations réalisées respectivement pour r,
g et b. Ces simulations ont été réaliser sur le logiciel R. Pour chaque variable d’étude (r, g, b)
nous avons effectué 6 simulations, la septième représente la moyenne des 06 premières
simulations et la huitième le krigeage ordinaire :
Variable r :
Variable g :
Variable b :
5. Krigeage ordinaire
A partir de cette analyse variographique, nous pouvons mener également une étude
comparative entre le krigeage et la simulation séquentielle gaussienne. Les figures suivantes
illustrent le krigeage ordinaire de nos variables d’intérêts.
Variable r :
modèle sphérique modèle gaussien modèle exponentiel
Variable v :
Variable b:
En effectuant une reconstitution (r, g, b) de chaque modèle on obtient les résultats suivant :
Modèle sphérique modèle gaussien modèle exponentiel
Code python :
b. Cas d’une pollution
1. Carte d’échantillonnage
2. Histogrammes
3. Analyses variographiques
Modèle gaussien
Modèle sphérique
Modèle exponentiel
4. Simulations
Simulation séquentielle gaussienne
La figures ci-dessous représente les simulations réalisées sur notre variable d’intérêt qui est
le degré de pollution. Ces simulations ont été réaliser sur le logiciel R. Pour notre variable
d’étude, nous avons effectué 6 simulations, la septième représente la moyenne des
06 premières simulations et la huitième le krigeage ordinaire :
Simulation séquentielle d’indicatrice
Simulation 3D
5. Krigeage ordinaire
L’aspect lisse du krigeage ordinaire.