Fonctionnement de l'outil Densifier un réseau d'échantillonnage

Disponible avec une licence Geostatistical Analyst.

L'outil Densifier un réseau d'échantillonnage permet de déterminer les meilleurs endroits où ajouter de nouveaux emplacements d'échantillonnage dans un réseau de surveillance, en fonction du critère de sélection prédéfini.

Plusieurs critères permettent de déterminer où un poste doit être ajouté, y compris l'incertitude de prévision maximum et la plus haute probabilité qu'une valeur de seuil spécifiée est dépassée.

L'outil utilise une couche géostatistique, créée à l'aide d'un modèle de krigeage ou de co-krigeage avec des mesures aux postes de surveillances existants, pour déterminer l'erreur de prévision standard, l'écart interquartile et la probabilité qu'un seuil spécifié est dépassé pour chaque emplacement en entrée.

Si l'erreur de prévision standard maximum, stderr(s), est utilisée comme critère, un nouvel emplacement d'échantillonnage est choisi afin de minimiser stderr(s) et le critère d'optimalité O₀(s) peut être exprimé comme suit :

O0(s) = maximum of stderr(s)

La probabilité de dépassement d'une valeur de seuil peut être utilisée pour pondérer l'erreur de prévision standard ou l'écart interquartile (l'écart interquartile Z_0.75(s) - Z_0.25(s) est souvent utilisé à la place de l'erreur de prévision standard si la distribution de la prévision n'est pas symétrique). Par exemple, si cette probabilité a la valeur 0,5, le critère d'optimalité O₁(s) est égal au maximum de l'erreur de prévision standard :

O1(s) = maximum of stderr(s)(1-2·abs(prob[Z(s)>Zthreshold]-0.5))

La valeur du critère diminue au fur et à mesure que l'incertitude quant au dépassement de la valeur de seuil diminue. L'ajout d'emplacements avec l'erreur de prévision standard pondérée la plus importante O₀(s) au réseau de surveillance peut améliorer les prévisions proches de la valeur de seuil.

Souvent, il est utile de multiplier les critères d'optimisation par les valeurs de probabilité a priori d'inclusion (raster de pondération en entrée). Par exemple, des valeurs équivalentes à 1 peuvent être affectées aux zones où de nouveaux postes de surveillance sont autorisés. Sinon, des valeurs équivalentes à 0 sont affectées.

Il convient d'utiliser les erreurs de prévision standard qui dépendent non seulement de la densité du réseau de surveillance, mais également des valeurs de mesure. A cette fin, utilisez les options de décomposition et de transformation des données.