102
Water In Ecosystems: A Non Renewable Resource
Par exemple, en analyse des risques (gestion des ressources en eau, previsions des
inondations, gestion de la pollution), it est important de pouvoir estimer la valeur
maximum, ou de detecter des anomalies du parametre mesure.
Dans ce cadre, les techniques classiques de cartographie automatique telles que
les methodes splines, les methodes de regression multivariables ou d'interpolation
tel que Ie krigeage, s' ave rent peu utiles, car elles fournissent une estimation locale
de la valeur moyenne du parametre etudie, alors que la loi conditionnelle du
parametre sera it bien plus utile.
Nous presentons dans cet expose une technique de simulation stochastique basee
sur les fonctions indicatrices. Cette methode fournit en chaque point de ['espace
une estimation de la loi de probabilite conditionnelle du parametre etudie. Cette
estimation peut ensuite are utilisee pour construire une "image stochastique" ou
bien une carte de simulation realiste d'un parametre inconnu. Cette technique est
egalement utilisee pour construire differents estimateurs non-parametriques de la
variable etudiee (telle que sa valeur minimum, maximum, mediane, variation interquartile) qui peuvent etre utilises dans une analyse des risques.
Une etude de cas concernant la gestion de polluant est presentee afin d'illustrer la
methodologie proposee.
1
INTRODUCTION
Compared to other types of geodata, environmental data have specific features.
They are defined on a spatial support (surface, volume, time, ... ); they present a
high spatial variability implying non robustness in estimators; they are multivariate
with several components measured at the same location; their sampling is highly
uncertain, and, finally, but not least, they are most of the time irregularly sampled
in space.
Such features make the interpretation of environmental data difficult because one
is confronted with the problem of estimating the spatial variation of a parameter
from a limited number of sample points irregularly distributed in space. The
challenge is then to extract the relevant information for a given problem from the
individual observations at control points.
For example, in risk analysis (water resource monitoring, overflow forecasting,
pollution monitoring), the emphasis is on detecting the maximum value or the
anomalies of the appropriate parameter.
The objective is to produce reliable maps from irregular sampling points and to
forecast maximum (or minimum) values of the given parameters, induding a
confident range of the estimated values.
Within this framework, classical numerical mapping techniques such as spline
interpolation, multivariate regression or kriging, are of little use, because they
provide an estimation of the mean local value while the expected distribution of
the parameter would be more relevant.
Water In Ecosystems: A Non Renewable Resource
Par exemple, en analyse des risques (gestion des ressources en eau, previsions des
inondations, gestion de la pollution), it est important de pouvoir estimer la valeur
maximum, ou de detecter des anomalies du parametre mesure.
Dans ce cadre, les techniques classiques de cartographie automatique telles que
les methodes splines, les methodes de regression multivariables ou d'interpolation
tel que Ie krigeage, s' ave rent peu utiles, car elles fournissent une estimation locale
de la valeur moyenne du parametre etudie, alors que la loi conditionnelle du
parametre sera it bien plus utile.
Nous presentons dans cet expose une technique de simulation stochastique basee
sur les fonctions indicatrices. Cette methode fournit en chaque point de ['espace
une estimation de la loi de probabilite conditionnelle du parametre etudie. Cette
estimation peut ensuite are utilisee pour construire une "image stochastique" ou
bien une carte de simulation realiste d'un parametre inconnu. Cette technique est
egalement utilisee pour construire differents estimateurs non-parametriques de la
variable etudiee (telle que sa valeur minimum, maximum, mediane, variation interquartile) qui peuvent etre utilises dans une analyse des risques.
Une etude de cas concernant la gestion de polluant est presentee afin d'illustrer la
methodologie proposee.
1
INTRODUCTION
Compared to other types of geodata, environmental data have specific features.
They are defined on a spatial support (surface, volume, time, ... ); they present a
high spatial variability implying non robustness in estimators; they are multivariate
with several components measured at the same location; their sampling is highly
uncertain, and, finally, but not least, they are most of the time irregularly sampled
in space.
Such features make the interpretation of environmental data difficult because one
is confronted with the problem of estimating the spatial variation of a parameter
from a limited number of sample points irregularly distributed in space. The
challenge is then to extract the relevant information for a given problem from the
individual observations at control points.
For example, in risk analysis (water resource monitoring, overflow forecasting,
pollution monitoring), the emphasis is on detecting the maximum value or the
anomalies of the appropriate parameter.
The objective is to produce reliable maps from irregular sampling points and to
forecast maximum (or minimum) values of the given parameters, induding a
confident range of the estimated values.
Within this framework, classical numerical mapping techniques such as spline
interpolation, multivariate regression or kriging, are of little use, because they
provide an estimation of the mean local value while the expected distribution of
the parameter would be more relevant.