Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Basé sur la version 2.2, dernière mise à jour : 20/07/2010

Module PBT

Le module Statistiques de Win­Tensor permet de caractériser la distribution des données d'orientation et de les séparer
en sous­ensembles. L'analyse de distribution distingue les distributions en clusters des distributions en ceintures et
fournit l'orientation moyenne pour les données de glissement de failles dans le cas des distributions en clusters, ainsi
que le pôle du grand cercle le plus ajusté dans le cas des distributions en ceintures. La séparation des sous­ensembles
repose sur la procédure de séparation d'ensembles hétérogènes de données d'orientation en sous­ensembles
développée par Huang et Charlesworth (1989). Dans ce module, les données planes (définies par leur pôle) et les
données linéaires sont traitées séparément. Les paramètres de concentration sont également fournis : la longueur
normalisée du vecteur résultant R et l'angle du cône de confiance.

1/ Distribution des données d'orientation

Statistiques des données d'orientation groupées

L'orientation moyenne et la dispersion statistique (ou concentration) des données d'orientation linéaire sont calculées par
sommation vectorielle de leurs cosinus directeurs, en tenant compte du facteur de pondération associé à chaque donnée.
Dans ce processus, les pôles des plans et des droites sont considérés comme des vecteurs. Étant définis par leur
direction, les vecteurs sont inversés pour pointer dans la même direction par rapport à l'axe principal avant leur
sommation, considérant ainsi les vecteurs parallèles de direction opposée comme des orientations similaires, comme
dans la distribution bipolaire de Watson (Fisher et al., 1987). L'implémentation de ces statistiques dans Win­Tensor
s'inspire des programmes publiés Watson (Dzik, 1992) et Orient (Charlesworth et al., 1989).

L'orientation de l'axe principal du vecteur résultant représente l'orientation moyenne de l'ensemble des données
d'orientation. La longueur (ou amplitude) des vecteurs unitaires est multipliée par le poids des données d'orientation
correspondantes avant d'être additionnée dans un vecteur résultant R. La longueur de ce dernier est divisée par la
somme de tous les facteurs de pondération (ou le nombre de données si la pondération n'est pas appliquée), ce qui
conduit à un vecteur résultant moyen Rm. La longueur (ou amplitude) de Rm exprime le degré de clustering des vecteurs.
Elle s'étend d'un maximum de 1 pour des populations parfaitement groupées où toutes les données d'orientation sont
strictement parallèles et diminue progressivement avec la dispersion des données jusqu'à environ 0,5 pour des données
uniformément distribuées (parfaitement étalées) sur la sphère.

Le paramètre de concentration de Ficher KA = (n – 2) / n ­ R), où R est la longueur du vecteur résultant, varie de zéro
pour des données uniformément distribuées sur la sphère et à l'infini pour un ensemble de données parfaitement
groupées (Huang et Charlersworth, 1989 ; Charlesworth et al., 1989).

La distance moyenne entre les vecteurs individuels et le vecteur moyen (angle moyen du cône) est définie par l'angle au
demi­sommet MCA = arc cosinus (Rm) du cône circulaire moyen autour de l'axe principal. L'angle moyen du cône est
pertinent pour les distributions de clusters (de Fisher) valides, mais il ne l'est pas davantage pour les distributions
ponctuelles qui ne sont pas des clusters simples.
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Remarque : Les cosinus directeurs sont les trois composantes d'un vecteur unitaire obtenu à partir des paramètres
d'orientation (azimut et inclinaison d'un pôle par rapport à un plan ou à une droite) comme suit :

X = sin(azimut) * cos (plongée)

Y = cos(azimut) * cos(plongée)
Z = ­sin(plongée)

Distributions de ceinture

Une autre façon d'analyser la distribution des données d'orientation est de déterminer les vecteurs propres et les valeurs
propres à partir de la matrice des cosinus de direction au lieu d'utiliser des données vectorielles et d'évaluer la forme de
la distribution (cluster contre ceinture) dans un diagramme de Flynn modifié.

Au lieu de cela, nous avons développé une méthode pratique et simple pour analyser des données distribuées le long
d'un grand cercle sur une projection hémisphérique. Elle utilise la

Les plis cylindriques où les normales aux plans de stratification, mesurées de manière inégale sur la surface
cylindriquement pliée, se situent toutes dans un seul plan et se projettent en stéréographie le long d'un grand cercle
ajusté au mieux, l'orientation de l'axe de pli correspondant au pôle de ce plan (par exemple, Lisle et Leyshon, 2004). De
plus, l'intersection entre des paires de plans de stratification situés sur la surface cylindriquement pliée (axes b) se situe
également au voisinage de l'axe de pli. Par extension, et considérant qu'une distribution parfaite des pôles d'orientation
définit un plan dont le pôle est sous­parallèle à l'axe b de toutes les paires de plans qui se croisent, une procédure
rapide a été développée pour décrire statistiquement les distributions des ceintures.

Il s'agit d'abord de calculer l'orientation des axes b de toutes les paires de plans possibles dans l'ensemble de données.
Le nombre d'intersections est nI = (n^2 ­ n)/2, où n est le nombre de données dans l'ensemble.
La distribution des clusters des axes b est calculée comme ci­dessus, l'orientation moyenne représentant le pôle du
grand cercle s'ajustant le mieux à la distribution des pôles des ceintures. La longueur du vecteur moyen résultant
sommant tous les axes b (Rm_b­axes) exprime le degré de clustering des axes d'intersection, comme le paramètre de
concentration KA et l'angle du cône de confiance dérivés. Ces paramètres de dispersion constituent de bonnes
estimations du degré d'ajustement du grand cercle à la distribution des ceintures. Ils peuvent être comparés, pour le
même ensemble de données, aux paramètres de dispersion des distributions des clusters, avec (Rm_poles) comme
longueur du vecteur moyen résultant sommant tous les pôles aux plans.

La forme de la distribution est déterminée en comparant les paramètres de dispersion des distributions de clusters et
de ceintures pour le même ensemble de données. Une distribution est dite de clusters lorsque sa distribution des pôles
présente des axes Rm plus longs et des angles Ka et de cône de confiance plus faibles que la distribution correspondante
des axes b. Inversement, les distributions de ceintures présentent des axes Rm plus longs et des angles Ka et de cône
de confiance plus faibles pour la distribution de l'axe b par rapport à la distribution correspondante des pôles.

De grandes différences entre les paramètres de distribution des pôles et des axes b caractérisent des clusters et des
ceintures bien définis (purs) tandis que des valeurs similaires indiquent des clusters contenant des ceintures faibles ou
des ceintures contenant des clusters faibles.
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Limitation de l'angle d'intersection pour les distributions de ceintures

Des ajustements fins peuvent être effectués pour améliorer la signification des résultats statistiques : l'utilisation du facteur
de pondération et/ou d'un mode de pondération différent, comme la limitation de l'angle d'intersection.

Pour le calcul des b­intersections, il peut être inapproprié de comparer des paires de plans sous­parallèles entre eux et
appartenant au même groupe de données étroitement liées. Dans l'exemple précédent d'une surface pliée cylindrique, le
calcul de plans issus des deux branches du pli et orientés loin l'un de l'autre donnera probablement des axes b plus fiables
que des paires de plans issus de la même branche et orientés près. Il peut donc être nécessaire d'éviter le calcul des
intersections de ces derniers en fixant un angle minimal (angle limite) en dessous duquel les paires de plans ne seront
pas prises en compte. Cet angle peut être considéré comme la moitié de l'angle du cône de confiance pour la distribution
des pôles ou défini manuellement.

Application du facteur de pondération et du mode de pondération

Comme indiqué précédemment, l'orientation moyenne et la dispersion statistique peuvent prendre en compte le facteur
de pondération associé à chaque donnée. Si l'option de pondération est cochée, la longueur du vecteur unitaire (cosinus
directeur) est simplement multipliée par le facteur de pondération.

On verra ailleurs que le facteur de pondération lui­même peut être appliqué de différentes manières (ceci peut être
contrôlé dans la boîte de dialogue Options graphiques). En mode 1, la pondération attribuée aux données de la base de
données est utilisée comme facteur multiplicateur. En mode 2, c'est le carré de la pondération qui est utilisé. En mode 3,
la pondération est utilisée comme exposant sur une base 10. Le mode 1 est le plus simple à utiliser et a peu d'impact sur
les résultats. Il est conseillé lorsqu'aucune attention particulière n'a été portée à ce point lors de la collecte des données.
Le mode 2 est adapté aux données de glissement de faille, lorsque la dimension du plan de faille mesuré est exprimée
par un côté d'un carré plan correspondant à la surface de la faille observée. Le mode 3 est spécialement conçu pour les
données de glissement de faille sismique, lorsque le facteur de pondération correspond à la magnitude.

Distribution des données linéaires

Pour les données linéaires, la procédure est identique à celle des données planes. Elle utilise directement les données linéaires au lieu de
les convertir d'abord en pôles. À la fin de la procédure, les résultats sont reconvertis en données linéaires.

2/ Séparation des données en sous­ensembles

La séparation d'un ensemble de données hétérogènes en sous­ensembles homogènes repose en grande partie sur
l'algorithme et le code informatique de Huang et Charlesworth (1989).
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Méthode de séparation

Avec des ensembles hétérogènes de données d'orientation, l'orientation moyenne et la dispersion des données ne
peuvent être estimées numériquement à l'aide du vecteur moyen résultant R, du paramètre de concentration de Ficher
KA ou de l'angle du cône de confiance, tels que décrits par Fisher (1953), Fisher et al. (1987) et mis en œuvre par Dzik
(1992) et Charlersworth et al. (1989). Si les concentrations de données peuvent être observées visuellement sur des
projections stéréographiques, elles peuvent être séparées en sous­ensembles homogènes grâce à la méthode de tri
itératif numérique basée sur l'analyse de clusters dynamiques développée par Hang et Charlersworth (1989).

Cette méthode nécessite une première estimation du nombre de sous­ensembles et de leur orientation. Après avoir tracé
toutes les orientations sur un hémisphère inférieur et les avoir identifiées visuellement, les orientations moyennes
estimées des sous­ensembles sont données. Celles­ci serviront de noyau pour attirer les données d'orientation lors du
processus itératif de séparation. Le nombre maximal de sous­ensembles valides obtenus après la séparation sera limité
par le nombre d'estimations initiales. Si un noyau spécifié n'attire pas de données pendant la procédure, le sous­ensemble
sera considéré comme inexistant. Spécifier plus de sous­ensembles que ce qui est observé visuellement ou spécifier des
orientations initiales incorrectes ne modifiera pas les résultats de la séparation.

À partir des noyaux initiaux, chaque donnée d'orientation sera attribuée au noyau correspondant à l'angle de déviation le
plus faible. Le vecteur moyen de chaque noyau sera calculé à partir des orientations qui viennent de lui être attribuées
afin d'obtenir une meilleure estimation de leur orientation moyenne.
Ce processus est répété jusqu’à ce que chaque donnée d’orientation soit correctement attribuée à un noyau et que le
système se stabilise.

A cette méthode originale, nous avons ajouté un angle de cône limite pour limiter l'influence attractive des noyaux.

Implémentation dans le module Statistiques

Dans le panneau Statistiques de la feuille de calcul Traitement, les listes déroulantes sous les étiquettes « Plans : Sous­
ensembles » et « Lignes : Sous­ensembles » contrôlent le nombre de sous­ensembles pour la séparation des ensembles
de données hétérogènes (Fig.). La valeur de 1 entraîne le calcul des bases statistiques d'orientation des ensembles
individuels et détermine leur distribution par clusters ou ceintures. La sélection d'un nombre supplémentaire de sous­
ensembles (maximum 5) modifie la méthode de séparation.

Après avoir spécifié un nombre de sous­ensembles supérieur à 1, la projection stéréographique est actualisée et une
croix mobile apparaît à l'extrémité de la flèche de la souris, accompagnée d'un petit cercle rouge représentant l'orientation
proposée pour le premier noyau et d'un cercle plus grand de points rouges représentant l'angle limite du cône. L'orientation
actuelle du pointeur est affichée dans la zone de texte au­dessus des angles de plongée et d'azimut du stéréogramme.
L'orientation du premier noyau est fixée par un clic droit de la souris. La croix mobile réapparaît avec le second noyau
proposé. Un clic droit la fixe à nouveau et ces étapes sont répétées jusqu'à ce que tous les noyaux soient définis. La
séparation est effectuée et les résultats s'affichent numériquement dans la zone de texte au­dessus du stéréogramme,
avec le numéro du sous­ensemble et le symbole associé, l'orientation estimée du noyau, l'orientation calculée, l'angle du
cône de confiance et l'angle de confiance.
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

nombre de données attribuées ( ). Les sous­ensembles sont également affichés sur le stéréogramme avec des symboles différents
pour chaque sous­ensemble, un point plein pour les données non attribuées, les orientations calculées et l'angle du cône pour
chaque sous­ensemble (fig. ).

Afin d'illustrer la robustesse de la méthode de séparation, nous avons défini, pour les mêmes jeux de données initiaux, quatre
noyaux : trois à proximité des sous­ensembles identifiés, mais pas à leur centre approximatif, et le dernier dans une zone dépourvue
de données. Le processus sépare correctement le jeu de données initial en trois sous­ensembles valides, avec des résultats
quasiment identiques à ceux obtenus lors de l'exécution précédente avec seulement trois noyaux initiaux. Le quatrième noyau n'a
aucune donnée attribuée et deux données n'ont été attribuées à aucun sous­ensemble, étant trop éloignés des noyaux initiaux
compte tenu d'un angle de cône limite de 30°.

Là encore, le processus peut être personnalisé en ajustant l’angle de limitation et le facteur de pondération comme pour les
ensembles de données uniques.

Évaluation des index de sous­ensembles des données séparées

Cliquez sur Évaluer les index de sous­ensemble

Boîte de
dialogue définissant la plage de données
affectée à l'index du sous­ensemble mineur à attribuer

valider en cliquant sur Appliquer la séparation

Les index de sous­ensemble sont affectés et le gestionnaire de sous­ensembles est actualisé

Le petit bouton « Appliquer » est activé pour les sous­ensembles dans la boîte de dialogue. Cliquez dessus pour
sélectionner un sous­ensemble mineur et le traiter séparément.

Références

Angelier, J., Manoussis, S., 1980. Classification automatique et distinction des phases superposées en tectonique de faille. Compte
rendus de l'Académie des Sciences de Paris 290(D), 651­
654.

Huang, Q., Angelier, J., Mechler, P., 1987. Filtrage et diagrammes d'iso­densité : un rapport à l'analyse de données orientées.
Compte rendus de l'Académie des Sciences de Paris 304(II, 8), 377­382.

Charlersworth, H., Cruden, D., Ramsden, J., Huang, Q., 1989. Orient : un programme Fortran 77 interactif pour le traitement des
orientations sur micro­ordinateur. Computer and Geosciences 15(3), 275­293.

Dzik, DJ, 1992. Watson : un programme informatique pour calculer l'orientation de l'axe principal et le cône de confiance pour les
données d'orientation bipolaire unimodale. Computer and Geosciences 18(2/3), 367­383.
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Fisher, NI, Lewis, TL, Embleton, BJJ, 1987. Analyse statistique de données sphériques. Cambridge University
Press, Cambridge, 329 p.
Fisher, RA, 1953. Dispersion sur une sphère. Proc. Roy. Soc. Londres. Ser. A, 217, 295­305.
Huang, G., Charlesworth, H., 1989. Un programme FORTRAN­77 pour séparer un ensemble hétérogène
d'orientations en sous­ensembles. Computer and Geosciences 15, 1­7.
Lisle, RJ et Leyshon, PR, 2004. Techniques de projection stéréographique pour les géologues et les ingénieurs civils
Presses universitaires de Cambridge, Cambridge, 112 p.
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Distribution des clusters

Calculé avec un angle limite de 30° Intersections pour un angle limite de 30°

Intersections pour un angle limite de 30° Toutes les intersections de l'autoroute 406

A : 29 pôles de plans (noir), orientation moyenne des pôles (petit cercle rouge gras), angle du cône de confiance (20,2°, petit cercle
rouge continu), angle du cône limite de 30° (petit cercle avec de fins points rouges) et grand cercle normal à l'orientation moyenne
(gros points rouges).
B : Similaire à A, avec des plans représentés par de grands cercles sombres.
C. Similaire à A, avec les intersections représentées par de petits points. Notez la bonne correspondance entre le grand cercle et
la distribution des ceintures des intersections. D. Similaire
à D, avec les 406 intersections (0°) limitant l'angle.

Angle limite : 30° Angle limite : 0°

Statistiques d'orientation des pôles des plans (n=29) Statistiques d'orientation des pôles des plans (n=29)
N Data Orient. Rm Ka MCA Distrib. N Données Orient. Rm Ka MCA Distrib 29 Pôles 23/151
29 pôles 23/151 0,94 15,7 20,2° Groupe 153 axes b 10/213 0,94 15,7 20,2° Cluster 406 axes b 10/215 0,65 2,9 49,2°
0,69 3,2 46,3°
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Distribution des ceintures

Calculé avec un angle limite de 30° Intersections pour un angle limite de 30°

Intersections pour un angle limite de 30° Toutes les intersections de l'autoroute 406

A : 29 pôles de plans (violet), orientation moyenne des axes b (triangle rouge gras), angle du cône de confiance pour les axes b
(20,2°, petit cercle rouge plein), angle du cône limite de 30° (petit cercle avec de fins points rouges) et grand cercle normal à l'axe
b moyen correspondant à la distribution des pôles de ceinture (gros points rouges).
B : Similaire à A, avec des plans représentés par de grands cercles sombres.
C. Similaire à A, avec les intersections représentées par de petits points. Notez la bonne correspondance entre le grand cercle et
la distribution des ceintures des intersections. D. Similaire
à D, avec les 406 intersections (0°) limitant l'angle.

Angle limite : 30° Angle limite : 0°

Statistiques d'orientation des pôles des plans (n=29) Statistiques d'orientation des pôles des plans (n=29)
N Data Orient. Rm Ka MCA Distrib. N Données Orient. Rm Ka MCA Distrib. 29 pôles 27/160
29 pôles 27/160 0,77 4,2 39,8° 238 axes b 27/146 0,77 4,2 39,8° 406 axes b 25/147 0,88 8,1 28,7°
0,98 55,4 10,9° Ceinture Ceinture
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Distribution mixte

1653 intersections pour un angle limite de 0° 1300 intersections pour un angle limite de 20°
Orientation privilégiée : Cluster Orientation privilégiée : Cluster

999 intersections pour un angle limite de 30° 470 intersections pour un angle limite de 50°
Orientation privilégiée : Ceinture Orientation privilégiée : Ceinture

30°

Ensemble de données mixte formé de 29 pôles de plans issus des ensembles de données de clusters utilisés ci­dessus (en noir) et de 23 pôles
issus de la distribution des ceintures (en violet). Orientations moyennes, angle de cône de confiance, angle de cône limite et grands cercles sont
identiques à ceux indiqués ci­dessus.
Cette série de stéréogrammes illustre l'effet de l'augmentation progressive de l'angle limite entre paires de plans pour le calcul des axes b. Les
intersections b sont largement dispersées, sans limitation angulaire ou avec une limitation angulaire limitée (angle limite < 21°), et les pôles
sont plus groupés que les axes b. Avec l'augmentation de l'angle de limitation, les axes b deviennent progressivement plus groupés et leur
groupement dépasse celui des pôles. Par conséquent, la distribution privilégiée est groupée lorsque l'angle limite est faible, et cendrée
lorsqu'il est élevé (plus de 21° dans le cas présent).
Machine Translated by Google

Guide de l'utilisateur de Win­Tensor : module PBT

Par Damien Delvaux

Séparation en sous­ensembles

Angle limite : 30° Sous­

ensemble N Estim. Calcul. Rm Ka MCA (+) 1 : 15 49/210
48/210 0,97 34,5 12,9 (x) 2 : 28 24/148 25/154 0,95
20,1 17,5 (o) 3 : 14 50/082 44/087 0,97 31,7 13,3
Données non attribuées :1

Angle limite : 30° Sous­

ensemble N Estim. Calcul. Rm Ka MCA (+) 1 : 11 75/082
47/084 0,98 45,4 10,9 (x) 2 : 25 52/140 28/142 0,96
23,1 16,2 (o) 3 : 20 50/235 42/209 0,96 21,7 16,6 (^)
4 : 0 56/337 Données non attribuées :2