This course introduces you to Multiple-Point Statistics (MPS), a powerful simulation technique for modeling complex spatial variability using training images. Developed in collaboration with the University of Neuchâtel, the course combines theoretical foundations with hands-on practice using Isatis.neo and its integrated DeeSse engine. You’ll learn to select suitable training images, prepare your data, and generate realistic subsurface models, whether categorical or continuous. Ideal for applications in mining, hydrogeology, remote sensing, and reservoir modeling, MPS equips you to assess uncertainty and model features driven by geological morphology, such as channelized permeability or ore grades in vein deposits.

DAY 1

MORNING

• General introduction
  – Introduction to the geostatistical approach
  – The concept behind conditioning data and training images
  – General principles and introduction to the Direct Sampling algorithm
• Hands-on exercises
  – Isatis.neo fundamentals
  – A first simple application of DeeSse for a stationary categorical and continuous case

AFTERNOON

• From stationary to non-stationary simulations
  – Understanding DeeSse parameters
  – Why training images are needed: how to obtain them and what properties they should have
  – Handling non-stationarity in the simulation grid
  – Multivariate simulations
• Hands-on exercises
  – A simple practical case study: the Areuse delta
  – How to generate a training image and an orientation trend to control simulations
  – Joint simulation of two variables

DAY 2

MORNING

• Applying MPS to real data
  – How to handle non-stationarity using analog data
  – Discussion of examples involving secondary attributes: climate data, a bauxite mine in Australia, bedrock topography, and geophysics
  – Time-series simulation using the Direct Sampling technique
• Hands-on exercises
  – A practical 2D case study using secondary variables: the Herten aquifer (fluvioglacial deposit)
  – Filling gaps in satellite images using multivariate and multi-temporal techniques

AFTERNOON

• Modeling with elementary training images
  – Elementary training images and invariances
  – Application example for a mining site in South Africa
  – Multi-scale simulations based on Gaussian pyramids
• Hands-on exercises
  – Simple examples using elementary training images and invariances
  – Exploring pyramids
  – A first example with a 2D fluvioglacial facies model (Herten aquifer)

DAY 3

MORNING

• Hands-on exercises: modeling a fluvioglacial deposit
  – Building elementary training images
  – Introduction to Python programming for task automation
  – Building the stratigraphic model
  – Modeling the fluvioglacial aquifer from borehole data

AFTERNOON

• An overview of advanced methods
  – Cross-validation
  – Multi-scale simulations on unstructured grids
  – Inequalities and block conditioning
  – Connectivity conditioning

• Balanced learning approach: The course combines theory with practical applications, ensuring concepts are understood and applied effectively.
• Hands-on software training: Engage in computer-based exercises using Isatis.neo software, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

This course is tailored for professionals and researchers involved in spatial modeling who want to enhance their ability to simulate complex geological structures and facies distributions using Multiple-Point Statistics (MPS). Ideal participants include:

• Geologists & geomodellers
  Working in mining, oil & gas, or hydrogeology who need to model intricate geological patterns – such as channels, fractures, or stratigraphy – that are difficult to capture with traditional variogram-based approaches.

• Reservoir engineers
  Focused on building realistic facies or property models that improve reservoir characterization and flow simulations.

• Environmental & hydrogeological scientists
  Needing to simulate spatial heterogeneities in aquifer systems with geological realism.

• Geostatisticians and data scientists
  Looking to deepen their expertise in MPS and apply advanced simulation techniques using training images and high-resolution geological analogs.

• Consultants and technical advisors
  Supporting clients with subsurface modeling projects who want to stay at the forefront of geostatistical innovation.

• Researchers and academics
  Engaged in spatial data analysis, stochastic simulation, or geoscientific modeling who want to explore MPS in practical workflows.

None.
A theoretical understanding of geostatistical approaches is an advantage.

In this hands-on course, you’ll unlock the power of machine learning to elevate mineral resource modeling and geoscientific workflows. You’ll learn how to define geological or geometallurgical domains, apply classification and regression algorithms, and seamlessly integrate Python’s scikit-learn with Isatis.neo—all tailored for mining applications. Through a balanced mix of theory and practical exercises, you’ll build routines that boost exploration accuracy, enhance resource characterization, and support smarter, data-driven decisions throughout the mining lifecycle.

• Module I: General aspects of Machine Learning and introduction to the Python language
• Module II: Unsupervised learning
  Data transformations, clustering techniques – theory and practice, cluster quality evaluation.
• Module III: Supervised learning
  Predictive models – theory and practice, model validation, hyper-parameter tuning, model application. 

** The course can be reduced to two days by removing Module II or Module III from the program.

• Balanced learning approach: The course combines theory with practical applications, ensuring concepts are understood and applied effectively.
• Hands-on software training: Engage in computer-based exercises using Isatis.neo software, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

This course targets professionals seeking to gain both theoretical and practical knowledge of Machine Learning and its applications in geosciences and the mining industry.

Basic knowledge of statistics, algebra, and geostatistics is recommended. Familiarity with Python is optional.

• Understand resource classification principles.
  Gain foundational knowledge of resource reporting and classification frameworks with a specific focus on the JORC Code.
• Master geostatistical methods for confidence assessment.
  Explore a range of geostatistical techniques, such as kriging, conditional simulations, and uncertainty quantification, that help assess the reliability of resource estimates. Identify their strengths, limitations, and suitability for different classification contexts.
• Apply classification criteria to resource models.
  Learn practical approaches to classifying resources using quantitative criteria derived from kriging or simulation results. Develop skills to apply advanced geostatistical tools for robust, auditable classification of resources into Inferred, Indicated, and Measured categories.

• Review of JORC definitions regarding mineral resource classification: Competent Person, inferred-indicated-measured resources, resource reporting, resource classes.
• Resource classification using the kriging neighborhood parameters.
• How to enhance the accuracy of resource estimates through Kriging Neighborhood Analysis and cross-validation to improve the confidence levels.
• Resource classification using linear geostatistics: exploration of various classification criteria that can be applied to kriging outputs, such as standard deviation, variance, kriging efficiency, relative variance, variance of estimator, variance of interpolation, and risk index.
• Resource classification using conditional simulations: exploration of various classification criteria that can be applied to simulation outputs, such as conditional variance, relative conditional variance, probability of deviation from the mean and coefficient of variation.
• Resource classification using advanced quantities such as the global estimation variance, the Spatial Sampling Density Variances (SSDV) and the related specific volume, coefficient of variation, and risk index.

• Balanced learning approach: The course combines theory with practical applications, ensuring concepts are understood and applied effectively.
• Hands-on software training: Engage in computer-based exercises using Isatis.neo software, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

This course is designed for mining professionals who wish to familiarize themselves with the various geostatistical techniques that can be used to assess resource confidence levels and classify mineral resources accordingly. 

As the course covers advanced geostatistical concepts, it is strongly recommended that participants have a solid understanding of variography, kriging, and simulation. Alternatively, participants may have completed the “Mineral Resource Estimation” training course.

The CFSG (Specialized Training Cycle in Geostatistics) is a high-level training program in mining geostatistics delivered by the Geostatistics Team from Mines Paris and Geovariances. This program aims to equip you with an in-depth understanding of geostatistics for mineral resource estimation, enabling you to create block models your company needs for confident mine planning when you return to work. Throughout the training, you will learn the theoretical aspects of the techniques presented and practice them through various exercises and a real-world project.

CFSG is intended for individuals whose time zone is aligned with Europe (France). It will be delivered online in 4 modules over 7 weeks during the first semester of 2026, starting in March.

This module is the first one of the CFSG series. It is the CFSG core module, presenting the fundamentals of mining geostatistics for resource estimation.

WEEK 1 – STATISTICS FOR MINERAL RESOURCES

THEORY

• The different types of quantities
  – Quantitative (i.e., grade, density or metal quantity) or categorical (i.e., geological facies and rock types)
  – Missing information, limit of detection (LOD), limit of quantification (LOQ)
  – Variables defined on a space (i.e., drillholes, maps, and block models)
  – Additive variables
  – Support of information (size and shape) and volume of selection (i.e., Selective Mining Unit)
• Sampling for spatialized variables
  – Clustered and preferential sampling
  – Sampling geometry: scattered, seismic lines, drill holes, regular grids
  – Declustering and weighted statistics
• Univariate statistics
  – Histograms
  – Summary statistics:  mean, median, mode to capture the centrality, variance, inter-quartile interval, coefficient of variation to capture the dispersion, minimum, maximum, quantiles, box plots to capture the extremes
  – Base maps and swath plots
  – Transform of the variable: logarithm, log, indicator, capping, ranking, proportional effect
  – Continuous and discrete distributions: Gaussian, lognormal, uniform, triangular, exponential, gamma, Bernoulli, Binomial, Poisson
• Selectivity curves
  – Rules for selection: cutoff and support (sample vs. Selective Mining Unit)
  – Tonnage, Average Grade, Metal, and Conventional benefit
  – Support effect
  – Information effect

PRACTICE

Introduction to Isatis.neo Mining Edition to learn how to manage a project and various types of data sets. You will learn how to manage the statistical concept presented in theory in the software.

WEEK 2 – MODELING THE SPATIAL CONTINUITY

THEORY

• Exploratory Data Analysis (EDA)
  – Stationarity analysis using swath plots
  
• Measuring the spatial continuity
  – Spatial covariance and variograms
  – Variogram cloud, variogram map
  – Calculations in one, two, and three-dimensional spaces. The particular case of regular, gridded data.
  – Other empirical structural tools: robust variogram, madogram, rodogram
• Variogram model
  – The basic models: Nugget Effect, Exponential, Spherical, Gaussian, Cubic, Linear
  – Parameters and properties
  – The nested model and its multi-scale interpretation
  – Anisotropies: geometric, zonal, separable
  – Fitting strategy

PRACTICE

Several exercises to learn to import data, achieve exploratory data analysis, compute experimental variograms, and adjust variogram models with Isatis.neo Mining Edition.

WEEK 3 – KRIGING FOR LOCAL RESOURCE ESTIMATION

THEORY

• Estimator
  – Examples: Moving Mean, Nearest Neighbor, Inverse Distances
  – Precision vs. accuracy
  – Dichotomy between (deterministic) Drift and (stochastic) Residuals: (strictly) stationary, intrinsic, or non-stationary
  – Linear, Unbiased, Optimal
  – Estimation and quality of estimation (estimation error)
• Kriging (Best Linear Unbiased Estimation)
  – Simple Kriging with known mean
  – Ordinary Kriging in intrinsic cases
  – Block Kriging (change of support)
  – Extensions: Kriging with Variance of Measurement Errors, Filtering
• Neighborhood parameters
  – The Neighborhood: Moving vs. Global
  – Kriging Neighborhood Analysis (KNA)
• Validating resource models
  – Cross-validation (leave-one-out, K-fold)
  – Kriging estimation validation

PRACTICE

Several exercises to learn to build block models with Isatis.neo Mining Edition using Ordinary and Simple Kriging and to validate the model with cross-validation.

WEEK 4 – MULTIVARIATE GEOSTATISTICS & INTRODUCTION TO SIMULATIONS

THEORY

• Multivariate statistics
  – Experimental statistics: scatter plots, correlation table, regressions (linear and non-linear)
  – Marginal and conditional distributions
  – Linear and empirical regression
  – Transforms: Principal Component Analysis (PCA) and Multiple Factor Analysis (MAF), Indicator Residuals
• Multivariate modeling
  – Simple and cross variograms
  – Modeling: Linear Model of Coregionalization
• Multivariate estimation
  – Cokriging: Simple and Ordinary
  – Collocated Co-kriging
  – Rescaled Co-kriging
  – Factorial Kriging Analysis
• Non-stationary modeling
  – Dichotomy between (deterministic) Drift and (stochastic) Residuals: (strictly) stationary, intrinsic, or non-stationary
  – Exploratory Data Analysis: swath plots, cross plots, experimental variograms (quadratic behavior, or more)
  – Non-stationary Models: Drift and Stationary Residuals
  – Extension to complex drifts: Intrinsic Random Function of order k (Generalized covariances)
• Estimation
  – Kriging with local anisotropies
  – Universal Kriging in more general cases
  – Kriging with External Drift
  – Factorial Kriging Analysis
• Introduction to geostatistical simulations
  – Kriging smoothing effect
  – Uncertainty assessment
  (Please note that if you wish to explore simulations further, they are covered in full in Module C)

PRACTICE

Several exercises to learn how to analyze contacts between domains, compute and adjust multivariate variograms, run co-kriging variants and non-stationary modeling methods with Isatis.neo Mining Edition.

Each module can be attended independently of the others. However, it is essential to note that completion of Module A or having experience in geostatistics and Isatis.neo is a prerequisite for participation in any of these modules.

• Module B: Nonlinear Geostatistics for Recoverable Resource Estimation (optional)
  April 13-17, 2026 – 5 days
  Explore nonlinear techniques to model grade-tonnage curves and estimate recoverable resources while accounting for cutoffs and mining selectivity.
• Module C: Simulation of Continuous Variables for Uncertainty and Risk Analysis (optional)
  May 18-22, 2026 – 5 days
  Learn conditional simulations to generate probabilistic resource models and assess spatial uncertainty, quantify risk, and support informed decision-making.
• Module D: Simulation of Categorical Variables for Geology and Domain Modeling (optional)
  June 15-19, 2026 – 5 days
  Apply geostatistical simulation methods to model geological domains, lithology, and facies. Capture and represent spatial variability in categorical variables.

• Half of the training program is devoted to methodological presentations, and the other half to practical exercises to deepen understanding of the concepts.
  – Mines Paris professors give the methodological courses.
  – Geovariances consultants will drive the practical sessions from our French office.
  – For more convenience, these courses are recorded and made available to participants during the session and until one month after the end of the course.
• A typical training week would then be:
  – Monday, Tuesday, Wednesday, and Thursday: theoretical course (on a half-day) and hands-on practice with Isatis.neo Mining Edition (on the half-day following the theoretical course).
  – Friday: homework using Isatis.neo Mining Edition with compulsory rendering at the end of the day. Live corrections and comments from the teaching team. Validation of prior learning.
• CFSG is a full-time training. You are required to be present/connected for the duration of the sessions.
• CFSG is a certification training. The knowledge acquired in each module is validated through an examination. At the end of each module, you will receive a training certificate that officially confirms the module’s completion.
• Course material and a temporary software license are provided.
• A minimum of 8 participants is required for a module to proceed.

The CFSG training program is intended for mining geologists and engineers who are willing to achieve a high level of proficiency in geostatistics.

Module A is ideal for newcomers to mining geostatistics. Modules B to D are designed for individuals who wish to delve into more advanced geostatistics.

The course is delivered in English and requires a good level of this language. A sound understanding of mathematics is also recommended.

As the course is online, a good-quality internet connection is required. We also appreciate that the participant’s camera is turned on for the session.​

Benefit from the trainers’ high expertise in geostatistics

From Mines Paris – PSL

From Geovariances

What alumni say about CFSG

This course provides a solid foundation in geostatistical methods for mineral resource estimation. The skills you will develop will assist you in:
– Estimating long-term and short-term resources,
– Producing resource models for mine design,
– Conducting spatial analysis of drillhole data.

It comprises two modules that can be taken separately:

• In Module 1, you will learn and practice the standard workflow for estimating resources in a univariate context. This module covers in-depth data analysis, detailed variographic analyses, block modeling, grade distribution interpolation using kriging, estimation validation, and unbiased grade-tonnage curves for short-term resources.
• This Module 2 allows you to progress into the multivariate context by exploring statistical tools such as Principal Component Analysis, applying kriging and co-kriging methods for estimating multi-element orebodies and obtaining multivariate models respecting the ratio between main metals, oxides, and elements.

– Use Principal Component Analysis (PCA) to extract the most relevant information from complex multivariate datasets.
– Estimate non-stationary variables by applying kriging with external drift or universal kriging for more accurate resource modeling.
– Analyze grade correlations to better understand elements’ relationships and enhance your geostatistical models.
– Examine joint spatial structure by calculating and interpreting cross-variograms and cross-covariances, even on purely heterotopic datasets.
– Interpolate correlated grades using advanced cokriging methods: ordinary cokriging, collocated cokriging, and rescaled cokriging.

• Balanced learning approach: The course combines theory with practical applications, ensuring concepts are understood and applied effectively.
• Hands-on software training: Engage in computer-based exercises using Isatis.neo software, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

Professionals seeking a sound theoretical and practical knowledge of mining geostatistics. 

• A basic understanding of resource concepts such as grade, tonnage, and cut-off is recommended.
• To expand your knowledge, we recommend attending the complementary advanced short course Recoverable Resource Estimation.
• If you want to start with estimation in a univariate context, Module 1 of this course is recommended.

“The DHSA training was really great! Even though it was only a two-day course, everything was clearly explained and easy to follow. I especially liked that, even without much simulation experience, we could still follow along using Isatis.neo. I can already see how it will help me improve my work.”

— Nuresa Riana Nugraha – Resource Geologist, Geoscience Team – Merdeka Mining Servis

Make smarter drilling decisions by mastering geostatistical simulations. Learn how to quantify grade uncertainty as a function of drill spacing and production volume, and design optimal drilling meshes that balance costs, recovery, and dilution. Gain practical skills to improve resource classification, support strategic mining decisions, and effectively reduce geological risk.

Theory

– Review of Turning Bands Simulation (TBS)
– Principles of DHSA
– Recovery versus dilution: evolution of uncertainty as a function of drillhole spacing
– An introduction to the panel as a production domain.

Practice in Isatis.neo

– Review of kriging and its smoothness properties.
– Review of TBS and scenario reduction.
– Overview of the DHSA workflow.
– Defining the production period and calculating associated uncertainties.
– Optimizing the Grade Control hole density for improved mining recovery and dilution control.
– Optimizing drillhole spacing.

• Balanced learning approach: The course combines theory with practical applications, ensuring concepts are understood and applied effectively.
• Hands-on software training: Engage in computer-based exercises using Isatis.neo software, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

This course is designed for mining professionals – including resource, exploration, and mine geologists, as well as mining engineers and consultants – who aim to develop cost-effective sampling strategies and optimize drill programs to achieve more reliable short-term grade estimations, greater classification confidence, and reduced risk.

This course covers advanced concepts in geostatistics. Participants are recommended to have a foundational understanding of variography and kriging. The course Mineral Resource Estimation by Linear Geostatistics provides an excellent foundation.

This course offers a comprehensive introduction to Python programming, demonstrating how our solutions seamlessly integrate with the language to enhance problem-solving and streamline workflows. You’ll start by learning to interpret Python code, then progress to creating your first script, incorporating scientific libraries to generate visuals and graphics, and discover how to automate tasks effortlessly.

• Working in a Python environment: exploring the basics of Anaconda and Python.
• Variables and arrays: defining variables and arrays to easily adapt your workflow to different domains or datasets.
• Control structures: automating workflows using loops and conditional statements.
• Library management: installing and leveraging external Python libraries for enhanced functionality.
• Using Python to automate simple tasks: recording tasks to streamline repetitive computations as input data is updated, or for auditing purpose.

• Hands-on software training: Engage in computer-based exercises using Isatis.py, reinforcing learning through real-world data scenarios.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, Python script files, and datasets, to reinforce learning and facilitate application post-training.

The Isatis.py training program comprises a series of 6 modules that can be completed independently:

• Module 2: Exploratory Data Analysis
  3 hours
  Master Exploratory Data Analysis (EDA) to effectively explore data using Isatis.py.
• Module 3: Kriging
  3 hours
  Master kriging using Isatis.py.
• Module 4: Continuous simulations
  3 hours
  Master simulations and uncertainty quantification using Isatis.py.
• Module 5: Multivariate estimation
  3 hours
  Master multivariate estimation using Isatis.py.
• Module 6: Indicators estimation and simulations
  3 hours
  Master estimation and simulation of indicators and categorical variables using Isatis.py.

Designed for geologists, geoscientists, and data scientists seeking to develop their skills in creating customized, flexible, and efficient geostatistical workflows based on Python scripts and the Isatis.py library.

This course provides an introduction to Python and does not require any prior experience with scripting or Python to enroll.

Unlock the full potential of Isatis.neo and boost productivity by mastering batch mode and Python scripting. Learn how to automate your geostatistical workflows, customize your calculations, and process your data with precision.

• MODULE 1
  Working with batch files
  Automate with ease – Learn how to record tasks and build workflows for mineral resource estimation that run seamlessly across multiple domains or variables.
  ─ Understand the structure of batch files, including variables and arrays
  ─ Record and automate processes using the batch recorder
  ─ Build loops, conditional logic (“if” statements), and stopping rules to create flexible and robust workflows
• MODULE 2
  The Isatis.neo Python Calculator
  Script customized calculations – Enhance your geostatistical modeling by leveraging Python scripting within Isatis.neo.
  ─ Get introduced to the basics of Python scripting
  ─ Import and apply popular Python libraries
  ─ Write and execute scripts to implement your geostatistical routines
  ─ Explore and experiment with different scripting modes and options

Ideal for geoscientists, resource geologists, reservoir engineers, and technical consultants with Isatis.neo experience who want to master automation and scripting or advance their data-driven workflows with Python-enhanced calculations.

Some familiarity with Isatis.neo is recommended, which you can gain by completing the Isatis.neo Fundamentals course. Prior experience with scripting or Python is helpful but not required.

Isatis.neo offers a streamlined, powerful environment for exploring spatial data, creating accurate models, and easily quantifying uncertainty. This course ensures that, in just one day, you’ll feel confident in boosting your analysis and incorporating best-practice geostatistics into your daily projects.

• Isatis.neo overview
  Navigate the intuitive user interface, 3D viewer, Python-powered calculator, and batch automation tools.
• Data import
  Import diverse data types, including points, block models, and wireframes, and prepare datasets for analysis.
• Data analysis
  Perform robust exploratory data analysis (EDA): QC with histograms, scatter plots, anisotropy analysis, outlier detection, trend analysis, and variography (2D & 3D).
• Estimation
  Conduct estimation workflows including neighborhood analysis, kriging (point and block), cross-validation, and model validation.
• Conditional simulations
  Get an introduction to conditional simulations to better assess uncertainty.

• Hands-on software training: Practice with real-world datasets and receive a temporary Isatis.neo license.
• Personalized feedback: Receive individualized guidance and feedback from experienced trainers during online sessions to support your learning journey.
• Comprehensive resources: Access detailed course materials, including documentation, journal files, and datasets, to reinforce learning and facilitate application post-training.

This course is ideal for professionals with a foundation in geostatistics who want to take full control of their spatial data workflows in Isatis.neo, whether you work in mining, petroleum, or environmental science.

This course is dedicated to practical exercises with Isatis.neo, and no theoretical reminders about geostatistics will be provided. Participants are, therefore, required to have a fundamental knowledge of geostatistics.

The CFSG (Specialized Training Cycle in Geostatistics) is a high-level training program in mining geostatistics delivered by the Geostatistics Team from Mines Paris and Geovariances. This program aims to equip you with an in-depth understanding of geostatistics for mineral resource estimation, enabling you to create block models your company needs for confident mine planning when you return to work. Throughout the training, you will learn the theoretical aspects of the techniques presented and practice them through various exercises and a real-world project.

CFSG is intended for individuals whose time zone is aligned with Europe (France). It will be delivered online in 4 modules over 7 weeks during the first semester of 2026, starting in March.

This module is the third one of the CFSG series. At the end, you will be able to generate simulation realizations for quantified uncertainty analysis.

THEORY

• Introduction
  – Why resort to the Gaussian Model?
  – Transform from Raw to Gaussian quantities: Normal score and Anamorphosis
  – Gibbs Sampler and Zero-Effect management
• Simulation algorithms
  – Sequential Gaussian Simulations (SIS)
  – Turning Bands Simulations (TBS)
  – Direct Block Simulations for integrated support change
  – Stochastic Partial Differential Equations (SPDE) for handling local anisotropies
• Multivariate methods
  – Gaussian Mixture Model (GMM) for completing missing data while preserving statistical relationships
  – Projection Pursuit Multivariate Transform (PPMT) for decorrelating data with complex correlations to generate a coherent block model (correlations, ratios, chemical balance)

PRACTICE

Several exercises to learn how to run simulation variants and post-processing (probabilistic resource estimation, statistics, simulation reduction, grade-tonnage curves) using Isatis.neo Mining Edition.

Each module can be attended independently of each other. However, it is important to note that completion of Module A or having experience in geostatistics and Isatis.neo is a prerequisite for participation in any of these modules.

• Module A: Linear Geostatistics for Local Resource Estimation (mandatory)
  March 2-13 & March 23-April 3, 2026 – 20 days
  Master the fundamentals of spatial analysis, variography, and kriging. Learn to build reliable block models and quantify estimation precision.
• Module B: Nonlinear Geostatistics for Recoverable Resource Estimation (optional)
  April 13-17, 2026 – 5 days
  Explore nonlinear techniques to model grade-tonnage curves and estimate recoverable resources while accounting for cutoffs and mining selectivity.
• Module D: Simulation of Categorical Variables for Geology and Domain Modeling (optional)
  June 15-19, 2026 – 5 days
  Apply geostatistical simulation methods to model geological domains, lithology, and facies. Capture and represent spatial variability in categorical variables.

• Half of the training program is devoted to methodological presentations, and the other half to practical exercises to deepen understanding of the concepts.
  – Mines Paris professors give the methodological courses.
  – Geovariances consultants will drive the practical sessions from our French office.
  – For more convenience, these courses are recorded and made available to participants during the session and until one month after the end of the course.
• A typical training week would then be:
  – Monday, Tuesday, Wednesday, and Thursday: theoretical course (on a half-day) and hands-on practice with Isatis.neo Mining Edition (on the half-day following the theoretical course).
  – Friday: homework using Isatis.neo Mining Edition with compulsory rendering at the end of the day. Live corrections and comments from the teaching team. Validation of prior learning.
• CFSG is a full-time training. You are required to be present/connected for the duration of the sessions.
• CFSG is a certification training. The knowledge acquired in each module is validated through an examination. At the end of each module, you will get a training certificate that officially recognizes the full completion of the module.
• Course material and a temporary software license are provided.
• A minimum of 8 participants is required for a module to proceed.

The CFSG training program is intended for mining geologists and engineers who are willing to achieve a high level of proficiency in geostatistics.

Module A is ideal for newcomers to mining geostatistics. Modules B to D are designed for individuals who wish to delve into more advanced geostatistics.

The course is delivered in English and requires a good level of this language. A sound understanding of mathematics is also recommended.

As the course is online, a good-quality internet connection is required. We also appreciate that the participant’s camera is turned on for the session.​

Benefit from the trainers’ high expertise in geostatistics

From Mines Paris – PSL

From Geovariances

What alumni say about CFSG

Isatis.neo offre un environnement à la fois simple et puissant pour explorer vos données spatiales, construire des modèles précis et quantifier l’incertitude. En une seule journée de formation, vous gagnerez la confiance nécessaire pour améliorer vos analyses et intégrer les meilleures pratiques géostatistiques dans vos projets au quotidien.

• Vue d’ensemble d’Isatis.neo
  Découvrez l’interface utilisateur, manipulez le visualiseur 3D, la calculatrice intégrée basée sur Python, ainsi que les outils d’automatisation en batch.
• Import dess données
  Importez différents types de données – points, modèles de blocs, modèles filaires – et préparez vos jeux de données pour les analyses géostatistiques.
• Analyse des données
  Réalisez une analyse exploratoire complète (EDA) : contrôle qualité des données via histogrammes et nuages de points, analyse de l’anisotropie, détection d’outliers, étude des tendances et variographie en 2D et 3D.
• Estimation
  Réalisez des workflows d’estimation complets : analyse du voisinage, krigeage (point et bloc), validation croisée et évaluation des modèles.
• Simulations conditionnelles
  Initiez-vous aux simulations conditionnelles pour mieux appréhender et quantifier l’incertitude de vos modèles.

• Formation pratique sur le logiciel : exercez-vous avec des jeux de données réels issus de divers secteurs d’activité – qualité de l’air, pollution des sols, exploration pétrolière, exploration minière, etc.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individuels de formateurs expérimentés tout au long des sessions.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation. Une licence temporaire d’Isatis.neo vous sera transmise.

Ce cours s’adresse aux professionnels disposant d’une base en géostatistique et souhaitant maîtriser l’ensemble de leurs workflows dans Isatis.neo, quel que soit leur domaine d’activité.

Formation accessible aux personnes en situation de handicap.

Ce cours est entièrement consacré à des exercices pratiques avec Isatis.neo et ne propose aucun rappel théorique de géostatistique. Il est donc recommandé que les participants disposent déjà de connaissances fondamentales dans ce domaine.

Ce cours a pour objectif de vous donner les compétences essentielles pour analyser vos données en profondeur grâce à des outils géostatistiques avancés, produire des cartes fiables et détaillées en intégrant différents types d’informations, et quantifier de manière rigoureuse les incertitudes associées à vos modèles. Vous apprendrez également à comprendre les hypothèses fondamentales des principales méthodes géostatistiques afin de choisir l’approche la mieux adaptée à vos données et à vos objectifs opérationnels.

JOUR 1 : ANALYSER LES DONNÉES, COMPRENDRE LA VARIABILITÉ SPATIALE ET CARTOGRAPHIER LE PHÉNOMÈNE ÉTUDIÉ

• Introduction à la géostatistique :
  – Comprendre l’apport de la géostatistique par rapport aux méthodes d’interpolation spatiale déterministes, et identifier les situations où elle offre une réelle valeur ajoutée.
  – Revue des méthodes d’interpolation déterministes courantes (plus proche voisin, moyenne glissante, inverse de la distance, etc.) et mise en évidence de leurs limites.
• Analyse exploratoire des données (EDA) et validation :
  – Utilisation d’outils statistiques pour analyser, contrôler la qualité et détecter les valeurs atypiques : moyenne, variance, histogrammes, coefficients de corrélation, régression linéaire, etc.
  – Visualisation 2D et 3D pour mieux comprendre la distribution et la structure spatiale des données.
• Evaluation de la variabilité spatiale :
  – Calcul, interprétation et modélisation du variogramme expérimental, afin d’identifier les structures spatiales présentes dans les données.
  – Présentation des principaux modèles théoriques de variogramme et apprentissage de leur ajustement aux données
• Interpolation par krigeage :
  – Principes fondamentaux et propriétés du krigeage, y compris ses effets caractéristiques, tels que le lissage.
  – Choix du voisinage optimal : voisinage unique ou glissant, taille de la recherche, nombre d’échantillons, etc).
  – Analyse des poids de krigeage en fonction des paramètres d’interpolation (position, voisinage, effet de pépite, etc.).

JOUR 2 : AFFINER LA CARTOGRAPHIE

• Validation croisée :
  – Mise en œuvre de la validation croisée pour évaluer les modèles de variogramme et vérifier la fiabilité des résultats d’interpolation.
• Variantes du krigeage :
  – Découverte et application des différents types de krigeage : simple, ordinaire, avec erreur de mesure, etc., afin de choisir l’approche la plus adaptée aux données.
• Géostatistique multivariable : réduire les incertitudes d’interpolation
  – Analyse des corrélations entre variables, qu’elles soient quantitatives ou semi-quantitatives (télédétection, MNT, occupation des sols, modèles physico-chimiques, polluants, etc.), à l’aide de nuages de points et de coefficients de corrélation.
  – Étude des relations spatiales entre variables à l’aide de variogrammes croisés.
  – Intégration de variables secondaires dans l’interpolation, avec la mise en œuvre du co-krigeage et du co-krigeage colocalisé : principes, applications et avantages par rapport au krigeage classique.
• Géostatistique non stationnaire :
  – Prise en compte des tendances et des dérives spatiales à l’aide de méthodes adaptées aux situations de non-stationnarité.
• Simulations et analyse de risque :
  – Introduction aux méthodes de simulation géostatistique pour quantifier les incertitudes et analyser les risques, illustrée par des exemples concrets.
• Mise en pratique :
  – Exercices appliqués à des cas réels, pour consolider les acquis théoriques et développer des compétences opérationnelles immédiatement réutilisables.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individuels de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation. Une licence temporaire d’Isatis.neo vous sera transmise.

Ce cours est idéal pour les professionnels travaillant avec des données spatiales dans différents domaines, notamment :
– les géoscientifiques et les ingénieurs de réservoir impliqués dans la géomodélisation et la caractérisation des réservoirs, qui recherchent une introduction pratique, synthétique et pragmatique aux méthodes géostatistiques pour la caractérisation des réservoirs ;
– les consultants et ingénieurs en environnement qui souhaitent améliorer leurs capacités d’analyse de données et de cartographie.
– Les universitaires et les chercheurs.
– Les ingénieurs agronomes, spécialistes de la qualité de l’air, climatologues, épidémiologistes, forestiers, ingénieurs géotechniciens, pédologues et autres personnes intéressées par l’analyse des données spatiales.

La formation est accessible aux personnes en situation de handicap.

Le cours ne nécessite pas de connaissance en géostatistique. Toutefois, une connaissance des statistiques élémentaires est recommandée pour mieux comprendre les concepts abordés.

Ce cours vous initie aux statistiques multipoints (MPS), une méthode de simulation puissante permettant de modéliser des variabilités spatiales complexes à partir d’images d’entraînement. Développé en collaboration avec l’Université de Neuchâtel, il combine bases théoriques et mise en pratique avec Isatis.neo et son moteur intégré, DeeSse. Vous apprendrez à sélectionner des images d’entraînement adaptées, à préparer vos données et à générer des modèles du sous-sol réalistes, qu’ils soient catégoriels ou continus. Idéale pour des applications en exploitation minière, en hydrogéologie, en télédétection ou en modélisation de réservoirs, la méthode MPS vous permettra d’évaluer l’incertitude et de représenter des structures contrôlées par la morphologie géologique, telles que la perméabilité en chenaux ou la teneur en minerai dans des dépôts filoniens.

JOUR 1

MATIN

• Introduction générale
  – Présentation de l’approche géostatistique
  – Le concept sous-jacent aux données d’apprentissage et à l’image d’apprentissage
  – Principe général et introduction à l’algorithme d’échantillonnage direct
• Exercices de laboratoire
  – Les fondamentaux d’Isatis.neo
  – Une première application simple de DeeSse pour un cas stationnaire catégoriel et continu

APRES-MIDI

• Des simulations stationnaires aux simulations non-stationnaires
  – Compréhension des paramètres de DeeSse
  – Besoin d’une image d’apprentissage : comment l’obtenir et quelles doivent être ses propriétés
  – Traitement de la non-stationnarité dans la grille de simulation
  – Les simulations multivariables
• Exercices de laboratoire
  – Un cas pratique simple : le delta de l’Areuse
  – Comment générer une image d’apprentissage et une tendance d’orientation pour contrôler les simulations
  – Simulation conjointe de deux variables

JOUR 2

MATIN

• Application des MPS avec données réelles
  – Comment traiter la non-stationnarité avec des données analogiques
  – Discussions autour d’exemples, sur l’utilisation d’attributs secondaires : données climatiques, mine de bauxite en Australie, topographie du substratum rocheux et géophysique
  – Simulation de séries temporelles avec la technique d’échantillonnage direct
• Exercices de laboratoire
  – Une étude de cas pratique en 2D utilisant des variables secondaires : l’aquifère de Herten (dépôt fluvioglaciaire)
  – Comblement des lacunes dans les images satellitaires par des techniques multivariables et multi-temporelles

APRES-MIDI

• Modélisation avec des images d’apprentissage élémentaires
  – Images d’apprentissage élémentaires et invariancess
  – Exemple d’application pour un site minier en Afrique du Sud
  – Simulations multi-échelles basée sur les pyramides gaussiennes
• Exercices de laboratoire
  – Exemples simples avec des images d’apprentissage et des invariances élémentaires
  – Exploration des pyramides
  – Un premier exemple avec un modèle de faciès fluvioglaciaire en 2D (l’aquifère de Herten)

JOUR 3

MATIN

• Exercices de laboratoire : modélisation d’un dépôt fluvioglaciaire
  – Construction d’images d’apprentissage élémentaires
  – Initiation à la programmation Python pour l’automatisation des tâches
  – Construction du modèle stratigraphique
  – Modélisation de l’aquifère fluvioglaciaire à partir des données de forage

APRES-MIDI

• Un aperçu des méthodes avancées
  – Validation croisée
  – Simulations multi-échelles sur des grilles non structurées
  – Inégalités et conditionnement par bloc
  – Conditionnement de la connectivité

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individuels de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Ce cours s’adresse aux professionnels et aux chercheurs impliqués dans la modélisation spatiale qui souhaitent renforcer leur capacité à simuler des structures géologiques complexes et des distributions de faciès à l’aide des statistiques à points multiples (MPS). Il est particulièrement pertinent pour :

• Les géologues et modélisateurs géologiques
  Travaillant en exploitation minière, en pétrole et gaz ou en hydrogéologie, et cherchant à représenter des motifs géologiques complexes – tels que chenaux, fractures ou architectures stratigraphiques – difficiles à modéliser avec des approches traditionnelles basées sur les variogrammes.
• Les ingénieurs de réservoir
  Souhaitant construire des modèles de faciès ou de propriétés plus réalistes pour améliorer la caractérisation des réservoirs et les simulations d’écoulement.
• Les professionnels de l’environnement et de l’hydrogéologie
  Ayant besoin de simuler les hétérogénéités des systèmes aquifères avec un haut niveau de réalisme géologique.
• Les géostatisticiens et data scientists
  Désireux d’approfondir leur maîtrise de la méthode MPS et d’appliquer des techniques avancées de simulation fondées sur des images d’entraînement et des analogues géologiques de haute résolution.
• Les consultants et conseillers techniques
  Accompagnant des projets de modélisation souterraine et souhaitant rester à la pointe des méthodes innovantes en géostatistique.
• Les chercheurs et universitaires
  Engagés dans l’analyse de données spatiales, la simulation stochastique ou la modélisation géoscientifique, souhaitant explorer les MPS dans des workflows opérationnels.

Aucun.
Une connaissance théorique des approches géostatistiques est un plus.

Ce cours offre une base solide en géostatistique pour l’estimation des ressources minérales. Les compétences que vous développerez vous permettront de :
– Estimer les ressources à court et à long terme,
– Produire des modèles de ressources pour la conception minière,
– Réaliser des analyses spatiales des données de forage.

Il se compose de deux modules, pouvant être suivis séparément :

• Dans le Module 1, vous apprendrez et mettrez en pratique le processus standard d’estimation des ressources dans un contexte univarié. Ce module couvre l’analyse approfondie des données, l’étude variographique détaillée, la modélisation par blocs, l’interpolation de la teneur par krigeage, la validation de l’estimation, ainsi que la génération de courbes teneur-tonnage non biaisées pour les ressources à court terme.
• Le Module 2 vous permet d’approfondir vos connaissances en abordant le contexte multivarié. Vous y explorerez des outils statistiques tels que l’analyse en composantes principales (ACP), l’application du krigeage et du co-krigeage pour l’estimation de gisements multi-éléments, ainsi que la construction de modèles multivariés tenant compte des rapports entre les métaux principaux, les oxydes et les autres éléments.

– Comprendre l’importance de la géostatistique dans l’estimation des ressources minérales : posez des bases solides pour des décisions éclairées.
– Explorer et analyser vos données efficacement grâce à l’Analyse Exploratoire des Données (EDA) et à l’analyse spatiale.
– Évaluer la stationnarité des données pour garantir la cohérence et la fiabilité des estimations.
– Préparer vos données : techniques de régularisation (compositing et déclustering) pour éliminer les biais.
– Maîtriser l’analyse variographique : nuages de variogrammes, variogrammes directionnels, interprétation des structures spatiales.
– Modéliser vos variogrammes avec des outils automatiques, semi-automatiques, manuels et interactifs adaptés à vos besoins.
– Appliquer les méthodes de krigeage les plus pertinentes : krigeage ordinaire, sur blocs, et analyse de la distribution des poids.
– Construire un voisinage de krigeage optimal à l’aide de l’analyse du voisinage de krigeage (KNA) afin d’améliorer la précision.
– Valider vos modèles et estimations à l’aide de techniques de validation croisée et de statistiques robustes.
– Générer des courbes et des tableaux de teneur-tonnage pour appuyer vos modèles économiques et techniques.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur le logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Ce cours est destiné aux professionnels de l’industrie minière souhaitant acquérir une connaissance à la fois méthodologique et appliquée de le géostatistique minière.

• Une compréhension de base des notions de teneur, tonnage et seuil de coupure est recommandée.
• Pour approfondir vos connaissances, nous vous conseillons de suivre le cours complémentaire avancé : Estimation des ressources récupérables avec la géostatistique non linéaire.
• Si vous souhaitez développer vos compétences en estimation dans un contexte multivarié, nous vous recommandons le Module 2 de ce cours.

• Comprendre les attendus des codes miniers en matière de reporting et de classification des ressources (exemple spécifique du code JORC).
• Acquérir une vue d’ensemble des principales techniques géostatistiques utilisées pour évaluer le niveau de confiance des estimations, en comprenant leurs atouts et limites.
• Apprendre à classer les ressources en s’appuyant sur des critères fondés sur les résultats du krigeage, des simulations ou des méthodes avancées.

• Revue des définitions du code JORC relatives à la classification des ressources minérales : notions de Personne Compétente, catégories de ressources (inférées, indiquées, mesurées), reporting et classification.
• Utilisation des paramètres de voisinage de krigeage pour la classification des ressources.
• Amélioration de la précision des estimations des ressources grâce à l’analyse du voisinage de krigeage (Kriging Neighborhood Analysis) et à la validation croisée, afin de renforcer la confiance dans les estimations des ressources.
• Classification basée sur la géostatistique linéaire : exploration de différents critères applicables aux résultats du krigeage, tels que l’écart-type, la variance, l’efficacité du krigeage, la variance relative, la variance de l’estimateur, la variance d’interpolation et l’indice de risque.
• Classification à partir de simulations conditionnelles : exploration de critères tirés des résultats de simulation, notamment la variance conditionnelle, la variance conditionnelle relative, la probabilité d’écart à la moyenne et le coefficient de variation.
• Approche avancée de la classification à l’aide de mesures telles que la variance d’estimation globale, la variance de la densité d’échantillonnage spatial (SSDV), le volume spécifique associé, le coefficient de variation et l’indice de risque.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur le logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation. Une licence temporaire d’Isatis.neo vous sera transmise.

Cette formation s’adresse aux professionnels du secteur minier souhaitant se familiariser avec les différentes techniques géostatistiques permettant d’évaluer le niveau de confiance des ressources et de les classer en conséquence.

Cette formation aborde des notions géostatistiques avancées. Il est donc recommandé d’avoir de bonnes bases en variographie, krigeage et simulations.
Les personnes ayant suivi la formation “Estimation des ressources minérales avec la géostatistique linéaire” sont bien préparées pour y participer.

Ce cours offre une base solide en géostatistique pour l’estimation des ressources minérales. Les compétences que vous développerez vous permettront de :
– Estimer les ressources à court et à long terme,
– Produire des modèles de ressources pour la conception minière,
– Réaliser des analyses spatiales des données de forage.

Il se compose de deux modules, pouvant être suivis séparément :

• Dans le Module 1, vous apprendrez et mettrez en pratique le processus standard d’estimation des ressources dans un contexte univarié. Ce module couvre l’analyse approfondie des données, l’étude variographique détaillée, la modélisation par blocs, l’interpolation de la teneur par krigeage, la validation de l’estimation, ainsi que la génération de courbes teneur-tonnage non biaisées pour les ressources à court terme.
• Le Module 2 vous permet d’approfondir vos connaissances en abordant le contexte multivarié. Vous y explorerez des outils statistiques tels que l’analyse en composantes principales (ACP), l’application du krigeage et du co-krigeage pour l’estimation de gisements multi-éléments, ainsi que la construction de modèles multivariés tenant compte des rapports entre les métaux principaux, les oxydes et les autres éléments.

– Utiliser l’Analyse en Composantes Principales (ACP) pour extraire les informations essentielles de vos données.
– Estimer les variables non stationnaires en recourant au krigeage avec dérive externe ou au krigeage universel, afin d’obtenir des estimations plus précises.
– Analyser les corrélations entre les teneurs afin de mieux comprendre les relations entre les éléments et d’optimiser vos modèles.
– Analyser la structure spatiale conjointe : calcul et interprétation des cross-variogrammes et des covariances croisées, même sur des jeux de données purement hétérotopiques.
– Interpoler des teneurs corrélées à l’aide des méthodes avancées de co-krigeage : co-krigeage ordinaire, co-krigeage colocalisé et co-krigeage redimensionné.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Ce cours est destiné aux professionnels de l’industrie minière souhaitant acquérir une connaissance à la fois méthodologique et appliquée de le géostatistique minière.

• Une compréhension de base des notions de teneur, tonnage et seuil de coupure est recommandée.
• Pour approfondir vos connaissances, nous vous conseillons de suivre le cours complémentaire avancé : Estimation des ressources récupérables avec la géostatistique non linéaire.
• Si vous souhaitez développer vos compétences en estimation dans un contexte univarié, nous vous recommandons le Module 1 de ce cours.

Ce cours offre une base solide en géostatistique pour l’estimation des ressources récupérables. Les compétences que vous développerez vous permettront de :
– Estimer les ressources à long terme
– Générer des courbes teneur-tonnage durant la phase d’exploration.

Le cours est structuré en trois modules, pouvant être suivis indépendamment :

• Le Module 1 met en lumière l’importance des techniques non linéaires pour générer des courbes teneur-tonnage non biaisées, en particulier dans des contextes d’échantillonnage peu dense. Vous y acquerrez une compréhension approfondie du Conditionnement Uniforme (UC) et saurez l’appliquer avec confiance pour calculer teneur, tonnage et quantités métal en fonction de différentes teneurs de coupure.
• Le Module 2 explore le krigeage d’indicatrices multiples et l’espérance conditionnelle. Vous identifierez les situations où chaque méthode est la plus adaptée, et apprendrez à les utiliser efficacement.
• Le Module 3 vous initie à deux techniques efficaces de simulation conditionnelle pour des variables continues telles que les teneurs. Vous apprendrez également à générer des courbes teneur-tonnage précises à partir des résultats.

• Introduction
  
  – Maîtrisez les fondamentaux de l’estimation des ressources récupérables et comprenez son rôle clé dans la modélisation des ressources et la planification minière.
  
• Simulations
  – Assimilez les concepts généraux des simulations et comprenez leur cadre théorique.
  – Modélisez l’anamorphose gaussienne : transformez toute distribution en une distribution gaussienne — une étape indispensable pour les méthodes non linéaires.
  – Découvrez deux méthodes de simulation conditionnelle largement utilisées : les Simulations par Bandes Tournantes (TBS) et les Simulations Gaussiennes Séquentielles (SGS).Comprenez leurs fondements théoriques, leurs domaines d’application et identifiez les contextes dans lesquels chaque méthode donne les meilleurs résultats.
  – Découvrez les simulations directes à l’échelle du bloc : générez des modèles de blocs sans passer par l’étape des modèles ponctuels, gagnez en temps de calcul et en espace de stockage tout en préservant une précision élevée.
• Post-traitement des résultats de simulation
  – Produisez des courbes teneur-tonnage fiables à partir des simulations afin de renforcer la qualité et la robustesse de vos évaluations des ressources.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Géologues, ingénieurs miniers et professionnels impliqués dans les études de faisabilité ou la planification à moyen et long terme, souhaitant approfondir leurs connaissances théoriques et pratiques en géostatistique minière.

La formation est accessible aux personnes en situation de handicap.

• Une compréhension de base de la géostatistique linéaire et des concepts de ressources tels que teneur, tonnage et seuil — ou avoir suivi le cours Estimation des ressources minérales avec la géostatistique linéaire, qui couvre les fondamentaux de la géostatistique appliquée à l’estimation des ressources — constitue une base idéale pour ce cours avancé.
• Vous pouvez renforcer vos compétences en suivant les deux modules complémentaires de ce cours : le Module 2 est consacré au krigeage d’indicatrices multiples, tandis que le Module 3 porte sur les simulations de variables continues, les deux modules permettant le calcul des quantités métal et des tonnages.

Ce cours offre une base solide en géostatistique pour l’estimation des ressources récupérables. Les compétences que vous développerez vous permettront de :
– Estimer les ressources à long terme– Générer des courbes teneur-tonnage durant la phase d’exploration.

Le cours est structuré en trois modules, pouvant être suivis indépendamment :

• Le Module 1 met en lumière l’importance des techniques non linéaires pour générer des courbes teneur-tonnage non biaisées, en particulier dans des contextes d’échantillonnage peu dense. Vous y acquerrez une compréhension approfondie du Conditionnement Uniforme (UC) et saurez l’appliquer avec confiance pour calculer teneur, tonnage et quantités métal en fonction de différentes teneurs de coupure.
• Le Module 2 explore le krigeage d’indicatrices multiples et l’espérance conditionnelle. Vous identifierez les situations où chaque méthode est la plus adaptée, et apprendrez à les utiliser efficacement.
• Le Module 3 vous initie à deux techniques efficaces de simulation conditionnelle pour des variables continues telles que les teneurs. Vous apprendrez également à générer des courbes teneur-tonnage précises à partir des résultats.

• Introduction
  – Maîtrisez les fondamentaux de l’estimation des ressources récupérables et comprenez son rôle clé dans la modélisation des ressources et la planification minière.
  
• Krigeage d’Indicatrices Multiples (MIK)
  – Explorez la théorie du MIK, ses variantes et le workflow complet.
  – Configurez et utilisez efficacement MIK dans Isatis.neo, en suivant les meilleures pratiques.
  – Identifiez les avantages et limites du MIK, et les contextes où il est le plus performant.
  – Générez des courbes teneur-tonnage précises à partir des résultats MIK pour une prise de décision optimisée.
• Espérance Conditionnelle (CE)
  – Maîtrisez les fondamentaux théoriques et pratiques de l’espérance conditionnelle et découvrez ses différentes variantes.
  – Utilisez le krigeage multigaussien ordinaire comme base pour la mise en œuvre concrète de l’espérance conditionnelle.
  – Analysez les avantages et les limites de l’espérance conditionnelle et ses domaines d’application.
  – Générez des courbes teneur-tonnage pour étayer rigoureusement vos rapports de ressources.
  – Explorez les différentes options de l’espérance conditionnelle dans Isatis.neo: estimation de blocs et estimation multivariable.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Géologues, ingénieurs miniers et professionnels impliqués dans les études de faisabilité ou la planification à moyen et long terme, souhaitant approfondir leurs connaissances théoriques et pratiques en géostatistique minière.

La formation est accessible aux personnes en situation de handicap.

• Une compréhension de base de la géostatistique linéaire et des concepts de ressources tels que teneur, tonnage et seuil — ou avoir suivi le cours Estimation des ressources minérales avec la géostatistique linéaire, qui couvre les fondamentaux de la géostatistique appliquée à l’estimation des ressources — constitue une base idéale pour ce cours avancé.
• Vous pouvez renforcer vos compétences en suivant les deux modules complémentaires de ce cours : le Module 2 est consacré au krigeage d’indicatrices multiples, tandis que le Module 3 porte sur les simulations de variables continues, les deux modules permettant le calcul des quantités métal et des tonnages.

Ce cours offre une base solide en géostatistique pour l’estimation des ressources récupérables. Les compétences que vous développerez vous permettront de :
– Estimer les ressources à long terme,
– Générer des courbes teneur-tonnage durant la phase d’exploration.

Le cours est structuré en trois modules, pouvant être suivis indépendamment :

• Le Module 1 met en lumière l’importance des techniques non linéaires pour générer des courbes teneur-tonnage non biaisées, en particulier dans des contextes d’échantillonnage peu dense. Vous y acquerrez une compréhension approfondie du Conditionnement Uniforme (UC) et saurez l’appliquer avec confiance pour calculer teneur, tonnage et quantités métal en fonction de différentes teneurs de coupure.
• Le Module 2 explore le krigeage d’indicatrices multiples et l’espérance conditionnelle. Vous identifierez les situations où chaque méthode est la plus adaptée, et apprendrez à les utiliser efficacement.
• Le Module 3 vous initie à deux techniques efficaces de simulation conditionnelle pour des variables continues telles que les teneurs. Vous apprendrez également à générer des courbes teneur-tonnage précises à partir des résultats.

• Introduction
  – Pourquoi le krigeage ne suffit pas : Comprendre les limites du krigeage et comment un échantillonnage peu dense peut entraîner des effets de lissage qui sous-estiment la variabilité.
  – Maîtrisez les bases de l’estimation des ressources récupérables et apprenez à les appliquer concrètement à vos projets miniers.
• Transformation des données
  – Modélisez l’anamorphose gaussienne : transformez toute distribution en une distribution gaussienne, une étape nécessaire à la modélisation non linéaire.
  – Le changement de support : analysez l’impact de la taille du support de la donnée sur la variance des teneurs – carottes vs. blocs.
• Le Conditionnement Uniforme (UC)
  – Apprenez les principes de base du Conditionnement Uniforme pour estimer les ressources récupérables en fonction de différentes teneurs de coupure.
  – L’effet d’information : évaluez et corrigez l’impact de la densité d’échantillonnage sur les estimations.
• Le Conditionnement Uniforme Localisé (LUC) :
  – Appliquez le Conditionnement Uniforme à l’échelle locale (blocs ou SMU) afin de produire des modèles compatibles avec la planification minière.
  – Gérez les gisements multidomaines et multivariés.
  – Générez des courbes teneur-tonnage fiables et des estimations robustes des teneurs, des tonnages et des quantités de métal par teneur de coupure à partir des résultats du Conditionnement Uniforme.

• Apprentissage équilibré : le cours allie théorie et mise en pratique pour une compréhension claire et une application concrète des concepts.
• Exercices sur logiciel : mettez en pratique vos connaissances avec des exercices utilisant des données réelles sur Isatis.neo.
• Accompagnement personnalisé : bénéficiez de conseils et de retours individualisés de formateurs expérimentés tout au long des sessions en ligne.
• Ressources complètes : accédez à une documentation détaillée, à des fichiers journaux et à des jeux de données pour consolider vos acquis et faciliter la mise en œuvre après la formation.

Géologues, ingénieurs miniers et professionnels impliqués dans les études de faisabilité ou la planification à moyen et long terme, souhaitant approfondir leurs connaissances théoriques et pratiques en géostatistique minière.

La formation est accessible aux personnes en situation de handicap.

• Une compréhension de base de la géostatistique linéaire et des concepts de ressources tels que teneur, tonnage et seuil — ou avoir suivi le cours Estimation des ressources minérales avec la géostatistique linéaire, qui couvre les fondamentaux de la géostatistique appliquée à l’estimation des ressources — constitue une base idéale pour ce cours avancé.
• Vous pouvez renforcer vos compétences en suivant les deux modules complémentaires de ce cours : le Module 2 est consacré au krigeage d’indicatrices multiples, tandis que le Module 3 porte sur les simulations de variables continues, les deux modules permettant le calcul des quantités métal et des tonnages.