Depuis la fin des années 1950, un nouvel axe de la statistique visant à étudier des données spatialement dépendantes connait un important développement. Il s’agit de la statistique spatiale. Elle diffère de la statistique classique par le fait que la donnée est l’observation d’une variable en différentes localités (sites) qui sont les indices dans un espace de dimension d > 1.
En effet, tous les indices des observations sont des sites géographiques permettant de situer géographiquement les observations. La statistique spatiale se présente comme une généralisation des séries temporelles où les indices temporels sont unidirectionnels. La notion de dépendance des séries temporelles est aussi présente dans le cas spatial. Cette dépendance est observée à partir des interactions entre les sites d’observations, voir Cressie (1993), Anselin (1988), Gaetan
et Guyon (2008) pour plus de détails. Ainsi la statistique spatiale a-elle trouvé des applications dans de nombreux domaines tels que l’économétrie, l’imagerie, les sciences environnementales, la géostatistique, voir Griffith (2011), Anselin et al. (2004), Diggle (2013), Liao et Wang (2012) etc.
Il est possible d’observer les phénomènes en des sites et de faire de la prédiction en des sites non observés. L’une des méthodes les plus anciennes est le krigeage. Du nom de Daniel Krige, un ingénieur des mines sud-africain, le krigeage est une méthode d’interpolation paramétrique qui a été formalisée par Matheron (1962). A l’instar de toutes les méthodes paramétriques, le krigeage impose des conditions qui sont parfois difficiles à satisfaire dans la pratique comme par exemple l’hypothèse de gaussienneté. Pour pallier à ces difficultés, les auteurs ont recours aux méthodes non paramétriques.

Lire la suite de la thèse: https://cea-valopro.inphb.ci/publications/publication%20these/Memoire_These_KANGA.pdf