What

 is  Geosta+s+cs?  
•  A  branch  of  applied  sta+s+cs  that  places  
emphasis  on  the  geological  context  of  the  
data  and  the  spa+al  rela+onship  between  
data.  
•  A  indispensable  part  of  reservoir  
management.  
 Why  use  Geosta+s+cs?  
•  Very  few  direct  observa+ons.  
•  Provide  means  for  popula+ng  a  3D  structural  
model  with  physical  proper+es  in  a  consistent  
way.  
•  Systema+c  way  for  describing  and  handling  
reservoir  uncertainty.  
 Basic  Defini+ons  
•  Probability:  a  measurement  of  the  likelihood  
of  an  event.  
•  Variance:  a  measurement  of  how  different  the  
members  of  a  collec+on  are  from  each  other.  
•  Correla+on:  a  way  to  measure  whether  two  
separate  collec+ons  are  related.  
•  Anisotropy:  a  way  to  measure  whether  
variance  within  a  collec+on  of  data  is  
direc+on-­‐dependent.  
 Sta+onarity  
•  An  assump+on  which  is  made  regarding  the  rules  
of  behavior  of  the  proper+es  we  analyze,  study,  
or  model  with  geosta+s+cal  tools.  
•  It  assumes  that  the  mean  of  a  property  (e.g.,  
average  porosity)  is  constant  and  differences  
from  this  mean  are  seen  as  local  fluctua+ons.  
•  Why  do  we  separate  the  structural  model  into  
“zones”?  Why  do  we  separate  rocks  into  
difference  “facies”?  To  sa+sfy  the  sta+onarity  
assump+on.  
Histogram  and  Probability  Distribu+on  
Func+on  (PDF)  

(e.g.,  grades)  
Cumula+ve  Distribu+on  Func+on  (CDF)  
PDF  and  CDF  in  Petrel  
PDF  and  CDF  in  Petrel  
Common  PDF/CDF  
Normal  Distribu+on  

•  Mean:  loca+on  of  the  distribu+on  

•  Variance:  spread  (unit:  square  of  data)  
•  Standard  devia+on:  posi+ve  square-­‐
root  of  variance  (unit:  same  as  data)    
•  Standard  Normal  Distribu+on:  mean  =  
0,  std  =  1.  
Correla+on  in  Petrel  
 Variogram  
•  A  quan+ta+ve  descrip+on  of  the  varia+on  in  a  
property  as  a  func+on  of  separa+on  distance  
between  (Not  Loca+on  of!)  data  points.  
•  Two  points  close  together  are  more  likely  to  have  
similar  proper+es  than  points  far  from  each  
other.  
•  Two  main  aspects  of  a  variogram:  
–  How  similar  are  two  values  right  next  to  each  other?  
(nugget)  
–  How  far  apart  are  two  points  before  they  bear  no  
rela+on  to  each  other?  (Range)  
•  Lag  distance:  separa+on  distance  between  points  
•  Sill:  variance  at  the  lag  where  the  variogram  fla_ens  out  
•  Nugget:  degree  of  dissimilarity  at  zero  distance  
•  Range:  correla+on  distance  beyond  which  data  points  no  longer  exhibit  
sta+s+cal  similarity  
 Variogram  Calcula+on  Procedure  in  
Petrel    
•  Define  a  search  radius  and  a  lag  increment,  
which  determines  the  number  of  lags  and  the  
lag  distance.  
•  All  pairs  of  points  in  each  lag  bin  are  
compared.  
•  For  each  lag  bin,  the  average  varia+on  is  
calculated  (squared  difference).  
Experimental  
variogram  (fixed)  
Regression  
curve  (fixed)  

Model  
variogram  
(adjustable)  
Rough  
model  

Smooth  
model  
 Kriging  
•  An  es+ma+on  (mapping)  technique  based  on  
fundamental  sta+s+cal  proper+es  of  data  
(mean  and  variance).  
•  Assume  the  data  is  sta+onary  (no  trends)  
•  Inputs:  
–  Data  set  (e.g.,  well  data)  
–  Variogram  
Kriging  is  weighted  linear  es+mates:  combining  
known  values  of  z  at  loca+ons  xi  to  es+mate  
unknown  value  z  at  x0    

Influence  of  
variogram  range  
on  weights