Vous êtes sur la page 1sur 72

Ecole Nationale des Ponts et Chausses

D.E.A Sciences et techniques de lenvironnement

HYDROLOGIE

CHAPITRE 5

Hydrologie statistique
Introduction lEtude des Processus Hydromtorologiques Application la Prdtermination des Dbits de Crues

Jacques MIQUEL 2005-2006

SOMMAIRE

Introduction Premire partie : introduction aux processus stochastiques hydromtorologiques 1. dfinitions et proprits des processus 2. utilit de ltude des processus stochastiques en hydromtorologie 3. les modles dinterpolation et de reconstitution 4. les modles de simulation stochastique 5. les modles de prvision 6. les modles de prdtermination Deuxieme partie : la prdtermination des crues 1. quelle variable faut-il tudier ? 2. quelle mthode employer ? 3. la mthodes des Maxima Annuels 4. la mthode du Renouvellement 5. la mthode du Gradex 6. conclusions sur la prdtermination des crues Troisieme partie : valuation des risques de crue de la Garonne Mas dAgenais 1. lanalyse hydromtorologique 2. les donnes et leur critique 3. ltude par la mthode des Maxima Annuels 4. ltude par la mthode du Renouvellement Annexe 1: ajustement de quelques lois usuelles en hydrologie Annexe 2: estimation des paramtres de la mthode du Renouvellement et de leurs incertitudes Annexe 3: tables statistiques et papiers Gauss et Gumbel Rfrences bibliograhiques

INTRODUCTION

Ce cours est organis en trois parties: la premire partie, introduction aux processus stochastiques hydromtorologiques, est destine poser quelques bases gnrales auxquelles tous les travaux dhydrologie statistiques se rattachent plus ou moins. Toute tude hydrologique a pour finalit de comprendre et connatre davantage un ou plusieurs processus stochastiques hydromtorologiques, et/ou dutiliser leurs proprits statistiques pour aider certains dcideurs mieux dimensionner et mieux grer en continu des ouvrages ou des dispositifs soumis aux alas hydromtorologiques. la deuxime partie, la prdtermination des crues, applique les notions vues en premire partie en traitant un processus hydromtorologique particulier: elle prsente les diffrentes approches thoriques les plus frquemment utilises pour rpondre la question de lvaluation du risque de crue en un point dun cours deau. la troisime partie, valuation des risques de crue de la Garonne Mas dAgenais, est une illustration sur un cas rel rel dune classe de mthodes de prdtermination mentionnes en deuxime partie: les mthodes danalyse des sries chronologiques de dbits observs.

En allant du gnral au particulier, ce cours a pour ambition la fois dapporter une vision densemble, permettant de situer les mthodes usuelles, pouvant galement expliquer lintrt actuel des chercheurs pour des thmes comme lanalyse rgionale, ou lidentification des drives et ruptures hydrologiques avec leurs consquences dcisionnelles, mais aussi de se frotter bien concrtement une question hydrologique essentielle avec un premier aperu des outils existants, tout en sachant bien que la pratique et la critique des donnes construisent la vraie comptence.

Ce cours doit beaucoup au professeur Jacques BERNIER qui a introduit en France lessentiel de ces mthodes. La premire partie sinspire en particulier directement des exposs quil faisait lENPC.

PREMIRE PARTIE : INTRODUCTION AUX PROCESSUS STOCHASTIQUES HYDROMTOROLOGIQUES

1. Dfinitions et proprits des processus On suppose connues les bases du calcul des probabilits et les principes de lanalyse statistique, en particulier la notion de variables alatoires, de leurs proprits et des concepts probailistes habituels (si un rafrachissement est ncessaire, les ouvrages de [2] et [5] sont recommands). Les dfinitions suivantes permettent de dcrire un processus stochastique hydromtorologique: Processus stochastique: un processus stochastique est une chronologie de variables ou dvnements inscrit dans le temps qui induit un ordre dans leurs occurences [1]. Il est donc caractris par une ou plusieurs variables alatoires multidimensionelles: Z(x1,x2,....xn). Processus stochastique hydromtorologique : cest un processus stochastique, en gnral deux dimensions, lespace et le temps, caractris par une variable alatoire hydromtorologique, cest dire descriptive dun phnomne hydromtorologique: Z(x, tx) x={x1,x2} coordonnes gographiques tx=={t1,t2 ,.......,tnx} ensemble dinstants o ont t obtenues les observations de Z

Exemples: La pluie mesure P (x, t1) un instant t1 au point x, est une ralisation observe du processus constitu par la lame deau dune averse. Une chronique de dbits mesurs Q(x, tx) en une station est une ralisation observe du processus constitu par les dbits couls dans les diffrents cours deau dun bassin versant. Le quantile dcennal Q10(x, nx) de dbits en une station est une ralisation observe du processus constitu par les dbits dcennaux dans les diffrents cours deau dun bassin versant.

Champ spatial : cest le domaine de variations spatiales des coordonnes x. Les observations seront diversement distribues en quelques points x1 ,x2 ......xk .

Variable rgionalise: variable hydromtorologique Z(x, tx) pour laquelle tx est indpendant de x. Autrement dit le processus Z(x) est dpendant des seules coordonnes spatiales.
Exemples: La prcipitation totale dune averse sur lensemble dun bassin

Processus intrinsque: cest un processus caractris par une variable rgionalise stationnaire du premier et du deuxime ordre par rapport x. Autrement dit: E[Z(x)]=m(x)=m constante x Var[Z(x)-Z(x+h)]= fonction de h seulement x

Variables spatiales changeables: ce sont des variables qui caractrisent un processus dont lala spatial est spar et indpendant de lala temporel.
Explication: Z(x,t), x fix, constitue une variable alatoire Z(x) de densit de probabilit f(z;(x)). Lala temporel sexprime au travers de cette densit de paramtre . En diffrents points x1 ,x2 ......xk, les (xi) constituent une variable rgionalise i, traduisant lala spatial avec la densit de probabilit (1,2,... k). On dira que les variables Z(xi) sont changeables si toute permutation dans lordre des i ne change pas la densit de probabilit (i), autrement dit (1,2,... k) =(j1,j2,... jk). Exemple: Cest le cas si, aprs changement de variable, une structure de distribution spatiale des pluies mesures permet de constater que i= m + i , o i est une variable rgionalise intrinsque. Les variables seront dites partiellement changeables si cette structure sexprime par une relation du type i= i. i + i , o i sont des variables explicatives et les i des coefficients.

Echantillonage dune variable hydomtorologique: il sagit de la rpartition des instants dobservation. Cet chantillonage peut tre pas de temps constants (lintervalle de temps entre deux mesures est toujours le mme) ou vnementiel (on connait les instants o certains seuils sont franchis par la variable, ou son gradient).
Exemple dchantillonage pas de temps constants: la srie des dbits moyens journaliers en une station.

Exemple dchantillonage vnementiel: les surplus et dficits par rapport diffrents seuil en dbit

Stationnarit du premier ordre dune variable hydomtorologique: une variable hydromtorologique Z(x, t) chantillone pas de temps constant est dite stationnaire du premier ordre si son premier moment est indpendant du temps. Autrement dit: E(Z(xt, t)) = Z(xt, t).f(Z(xt, t),t) dxt= M1 (t) est constant t.

Elle est dite stationnaire du deuxime ordre si son second moment et son autocovariance sont indpendants du temps. Autrement dit E([Z(xt, t)-M1(t)]2) =([Z(xt, t)-M1(t)]2).f(Z(xt, t),t) dxt= M2 (t) est constant t. t)-M1(t)].[Z(x t-, t-)-M1(t-)].f(Z(xt, t),Z(x constant t.
t

[Z(x ,

t-

,t-),t,t-) dxtdxt-= cov(,t) est

Exemple de non stationnarit: Z(xt, t)= {dbits journaliers du jour t de lAllier Vieille Brioude}

Mmoire dune variable hydomtorologique: la mmoire dune variable hydromtorologique Z(x, t) chantillone pas de temps constant peut se mesurer par son autocorrlation: (,t)= cov(,t) / [M2(t).M2(t-)]2 qui est dautant plus forte que (,t) est proche de 1.
Exemples de mmoire:

2. Utilit de ltude des processus stochastiques en hydromtorologie En quoi lensemble des dfinitions et proprits mentionnes au paragraphe prcdent intressent elles lhydrologue ? Premirement parce que les phnomnes physiques tudis ont de fortes variations spatiales et temporelles, et ceci quil sagisse de tempratures, de pressions, de vent, de prcipitations, de dbits, etc... Ensuite parce quon identifie des structures aussi bien spatiales que temporelles dans ces variations: la gomorphologie des bassins (pente, superficie, chevelu hydrographique,...), leurs altitudes, leurs reliefs, leur gologie, leur couverture vgtale, ont une influence dterminante sur les structures spatiales, les facteurs climatiques, avec des effets saisonniers mais galement vnementiels sont dterminants aussi bien sur le plan temporel (scheresses) que spatial (orages locaux par opposition aux perturbations gnralises). laction de lhomme, toute proportion garde, nest pas ngligeable quil sagisse de rgulariser (rservoirs de soutien dtiage) ou daccentuer certains contrastes (prlvements). Pour comprendre et mieux agir, les processus et les structures sous-jacents des phnomnes physiques ont t recherchs, et finalement des reprsentations schmatises baptises modles ont t dveloppes. Ces derniers se classent, selon leur finalit, en quatre catgories: les modles dinterpolation ou de reconstitution: ils aident mesurer,observer, constater, estimer. Quil sagisse dacqurir linformation la plus reprsentative pour un effort de mesure donn, et donc de slectionner les futurs lieux dobservation, ou bien dvaluer une grandeur intgratrice dune grande diversit spatiale, ou encore de complter une information momentanment manquante. Ils servent donc autant dcrire qu dcider. les modles de simulation: ils reproduisent un processus, ou une partie de processus, partir dobservation existantes, mails il peuvent aussi gnrer des scnarios possibles et conformes statistiquement au processus tudi. Ces modles sont par exemple trs utiles pour simuler les effets ou le fonctionnement futur dun ouvrage. Ils permettent de faire des projections sur lavenir, et sont intressants au plan dcisionnel, en particulier pour lanalyse des risques, y compris conomiques. les modles de prvision, cest dire utiliss un instant t pour prvoir lavenir. On devine quils auront une finalit essentiellement oprationnelle: alerte en priode de crue, anticipation en priode de scheresse, plus gnralement aide la gestion de la ressource en eau dun bassin. les modles de prdtermination, cest dire qui valuent la probabilit doccurrence dun vnement, mais non le moment o il se produira, est surtout utile aux projeteurs, ceux qui doivent dimensionner un ouvrage soumis aux alas hydromtorologiques, valuer les risques.

Nous voquerons quelques uns de ces modles dans les paragraphes suivants.

3. Les modles dinterpolation et de reconstitution objectifs et principes: si, en un point donn, un dispositif de mesures de pluie ou de dbit tombe en panne momentanment, alors on va chercher reconstituer tout ou partie de linformation manquante. Plus gnralement, pour des raisons conomiques videntes, il est impossible de mesurer tout et partout: se pose alors la question de choisir des emplacements de mesures de telle sorte qu partir de cette information il soit possible destimer les valeurs de la variable hydrologique en tout point du champ spatial. Cest donc une sorte dinterpolation. Dans tous les cas le principe est le mme: il sagit de reconstituer au mieux la ralisation dun processus dont on en connait une partie, et ceci compte tenu des structures de processus que lon mettra en vidence. Transfert dinformation entre deux sites par rgression linaire: Considrons deux sries (par exemple de dbits en deux points dun mme cours deau), lune X1 de n observations xi(i) rgulirement espaces, et lautre X2 de p observations x2(i) concommittantes avec une partie des observations de X1 (autrement dit p<n). Comment reconstituer les informations manquantes de la srie X2 ? Lensemble des triplets {xi(i);x2 (i); i} peut tre considr comme une ralisation du processus constitu par la variable Z[X; t] , aux points X1 et X2 , avec t=i.t o est un intervalle de temps fix. Z[X; t] est une variable chantillone. Si elle est partiellement changeable, et que les paramtres de X1 et X2 sont leurs moyennes et carts-type, si enfin les xi(i) et x2(i) sont lis par une structure de type rgression simple, cest dire lorsquil existe une relation X2= 0+1X1+ , alors on peut prolonger lestimation m2,p et s2,p des paramtres de X2 faite partir des p observations. Pour cela, on commence par faire une rgression simple sur les p observations communes: autrement dit on va chercher les coefficients 0 et 1 qui permettent de minimiser la variance de . On se reportera aux rsultats classiques de la rgression simple: si r est le coefficient de corrlation obtenu, 0= m2,p - m1,p.r.s2,p/s1,p et 1 = r. s2,p/s1,p Il faut que les hypothses de la rgression linaire soient respectes, commencer bien sr par la linarit (graphique de rgression classique), mais aussi indpendence des et X1 successifs, Normalit et homocdasticit des . Parfois une transformation de variables est ncessaires pour que les hypothses de la rgression linaire soient vrifies. Le modle rgressif ayant t tabli et valid, alors les valeurs prolonges des paramtres de X2 deviennent: m2,n = m2,p - r.(s1,n /s1,p ). (m1,p - m1,n) s2,n2 = s2,p2- r2.(s1,n2/s1,p2). (s1,p2- s1,n2) Ces estimations sont entoures dincertitudes, plus facilement calculables pour la moyenne: Var(m2,n) = {1 - (n-p).[1-(p-2).r2]/[p.(p-3)]}. s22/p

Le gain correspondant linformation des (n-p) observations suplmentaires peut galement sestimer: G= Var(m2,p)/Var(m2,n)= 1 / {1 - (n-p).[1-(p-2).r2]/[p.(p-3)]} A noter que ce raisonnement fait deux dimensions peut stendre de faon analogue k dimensions, cest dire lorsquil existe une relation Xk= 0+1X1+....+k-1.Xk-1 + . Interpolation spatiale par la mthode du Kriegeage: Il sagit de calculer la valeur dune variable rgionalise en un point X non mesur, partir dobservations faites en k points Xk . Ceci est particulirement utile pour tracer des courbes iso-valeurs dune grandeur rpartie spatialement comme par exemple la pluie. On cherche alors approcher la valeur inconnue de Z(X) par une valeur approche Z(X)=i(X).Z(Xi). Si le processus est intrinsque et sans drive, cela signifie que la variable Z(X) est telle que x E[Z(x)]=m(x)=0 Var[Z(x)-Z(x+h)]= Variogramme = 2.(h) (fonction ne dpendant que de h) On calcule alors les i de faon que E[Z(X)-Z(x)]=0 et E[Z(X)-Z(x)]2= minimum. On peut alors montrer [13] que cela revient rsoudre le systme:

i . i,j + i = 1
avec:

= X,j

( j=1,...,k )

i,j = ( distance[Xi;Xj] ) X,j = ( distance[X;Xj] ) = multiplicateur de Lagange

La principale difficult de cette mthode est lestimation de la fonction qui peut tre sensible des phnomnes locaux et ponctuels. La mthode peut tre tendue au cas o la drive nest pas nulle, mais fixe, par exemple en fonction des coordonnes gographiques des X. Interpolation spatiale par lAnalyse en Composantes Principales: Il sagit encore de calculer la valeur dune variable rgionalise Z en un point X non mesur, partir dobservations faites en k points Xk mais cette fois en supposant quil existe un processus sous jacent Y; Autrement dit Z(X,t)=aX,i.Yj(t) + (X,t) jacent, cest dire aX,i.Yj(t). (j=1,...,k)

avec (X,t) = rsidu en un point x entre Z(X,t) et la partie explique par le processus sous

Il faut donc identifier les aX,i et lesYj(t). Pour cela on va exploiter les covariances ri,j existant entre les Z(Xi, t) pour les diffrents i = 1,...,k, (ou sur leurs variables centres rduites). Soit R la matrice des covariances ri,j. Soit j ses valeurs propres, obtenues en rsolvant le dterminant de [R-I] avec I=matrice unit, et ranges de la plus forte la plus faible. Soit B=[bij] la matrice des vesteurs propres associs aux j , et A=[aij]=B-1=BT Alors on peut montrer que les aij de la matrice A, et les Yj(t)= bj,i. Z(Xi, t) sont une dcomposition possible des Z(Xi, t) initiaux, respectant la structure des corrlations.

Il est possible de dfinir un processus sous jacent Y, obtenu en prenant non pas les k vecteurs propres, mais les plus essentiels, par exemple les p premiers: le pourcentage de variance explique sera alors gale

p / k , o p=j

avec j= 1,...,p et

k= j avec j= 1,...,k.

Dun point de vue pratique cela parmet de rechercher les 2 ou 3 facteurs explicatifs prpondrants dun phnomne spatial observ. Par exemple, pour expliquer les hauteurs de plusieurs pisodes pluvieux, la cartographie des coordonnes dun vecteur propre peut aider comprendre diffrents effets, comme leffet orographique. Cett e mth ode peut tre trs intressante pour optimiser un rseau, en montrant lapport dun point de mesure sur la variance explique, ou ce qui revient au mme sur les rsidus. Exemple dACP sur des pluies mensuelles (BV Allier) daprs CREUTIN [12]

10

4. Les modles de simulation stochastique objectifs et principes: Les modles de simulation ne cherchent pas reproduire une partie de la ralisation dun processus, mais gnrer des scnarios possibles dun processus dont on connait une ralisation. Dun point de vue pratique ces scnarios, par exemple sil sagit de dbits, peuvent tre utiles comme donnes dentre pour vrifier le bien fond dune gestion de crue, pour calculer le bilan conomique de lexploitation dun rservoir, etc. Les modles de simulation souvent sollicits pour dcrire les volutions temporelles, autant que spatiales, en gnrant des sries. Par exemple gnrer plusieurs centaines dannes de dbits journaliers. Leur principe est dutiliser des gnrateurs de variables alatoires qui devront respecter la structure statistique des processus reproduire. Modle Markovien stationnaire dordre 1 Il sagit dun processus dont la variable alatoire X(t) peut se reprsenter par lquation suivante: X(t)- m = .[X(t-1)-m] + (t). .[1-2]2 X= variable Normale (si ncessaire transforme de la variable initiale) de moyenne m et dcart type constants (processus stationnaire) = variable alatoire Normale centre rduite, indpendante de X et de (t-k) = constante On peut montrer que = E[X(t)-m ; X(t-1)-m]/2 k= E[X(t)-m;X(t-k)-m]/2 = k. et plus gnralement

La gnration dune srie respectant ce processus Markovien de paramtres [m;; ] consistera tirer au hazard une srie de valeurs {a1,a2,...ai,...an} suivant une loi Normale centre rduite grce un gnrateur, puis gnrer le scnario: X(1)=m + a1. X(2)=m + .[X(1)-m] +a2 ..[1-2]2 ............... X(i)=m + .[X(i-1)-m] +ai ..[1-2]2

(i=3,....,n)

A noter que lorsque la moyenne et lcart type ne sont plus stationnaire, on peut parfois se ramener un processus analogue en effectuant le changement de variable X(t)=[X(t)-m(t)]/(t). Modle Markovien gnral Cette fois, la moyenne et lcart-type ne sont plus stationnaires, et la condition k= k nest plus vrifie. Lexpression gnrale de ce modle scrit: (X(t)- m)/(t) = .[(X(t-1)-m)/(t-1)] + (t).[1-2]2

11

et le processus sera Markovien si: t,t-2=t.t-1 t,t-3=t.t-1.t-2 etc...


A titre dexemple, pour le Rhin Ble, les corrlations des dbits mensuels de la priode 1908-1926 taient:

mois janv-fv fv-avril juin-aot

t.t-1 0.25 0.31 0.43

t,t-2 0.23 0.26 0.38

mois janv-avril fv-mai juin-sept

t.t-1.t-2 0.15 0.18 0.28

t,t-3 0.04 0.25 0.26

Ces valeurs montrent que la srie des dbits mensuels est assez bien reprsente par un processus de Markov de paramtres [m(t);(t);(t)] t=1,...12 o t est le numro de mois.

Modles Autorgressifs stationnaires: AR(p) Le modle rgressif voqu pour linterpolation, peut tre utilis en simulation: il suffit de gnrer des rsidus par tirage dans une loi Normale. Mais nous avons vu avec le modle de Markov lintrt en simulation dun modle linaire qui prennent en compte non pas seulement un processus support diffrent du processus tudi, mais galement les ralisations antrieures de la variable elle mme. Sous lhypothse de stationnarit, ceci a t gnralis, principalement par BOX et JENKINS [ ] en distinguant les modles autorgressifs simples (AR(p)), les modles de moyennes mobiles (MA(q)) et les modles mixtes (ARMA(p,q)). Lorsque des non stationnarits priodiques sont bien identifies, alors une version non stationnaire de ARMA peut tre utilise: ARIMA(p,d,q) . Commenons par le modle AR(p), dont la formulation gnrale est : Z(t)=i.Z(t-i) + (t) hypothses: E[(t)]=0 E[(t). (t-k)]=0 E[(t). (t-k)]=0 k>0 k>0 (j=1,...,k)

Le processus tant stationnaire, on peut trouver un ensemble {i} qui respecte les covariances: E[(t). (t-k)]=i. E[(t-j). (t-k)] (t-k)]=0) k=i.i-k (j=1,...,k) (j=1,...,k) (car E[(t).

ou encore []=[P].[] avec

12

[]=
..

1 2 .. k p

[]=
..

1 2 .. k p

[P]=

1 1 2 .......................p-1 1 1 1 ......................p-2 ........................................ k-1 .............1 j ........... p-k ........................................ p-1 .................................1

Rsoudre ce systme, dit de YULE WALKER, revient calculer ainsi les i : [] =[P] .[]
1

Comme prcdement, la simulation dun scnario consiste tirer alatoirement des (t), et un terme Z(1) initial, puis, connaissant les i et i, en dduire la srie des Z(t). Les autres modles Autorgressifs : MA(q), ARMA(p,q) et ARIMA(p,d,q) Le modle MA(q), Moving Average ou moyenne glissante, exprime que le processus est une sorte de lissage dun processus sous jacent: Z(t)=

- i. (t-i) + (t)

(j=1,...,k)

dans ce cas 2= Z2 / (1+ i2) et k=[-2. i.+]/(1+ i2) Le modle ARMA(p,q) combine les deux modles prcdents: Z(t)=i.Z(t-i) i. (t-i) + (t) (j=1,...,k)

enfin le modle ARIMA(p,d,q) est un cas particulier du modle ARMA appliqu une variable transforme: Z(t)= Z(t)-Z(t-d), de faon gommer les nonstationnarits de priode d.

Les modles conceptuels Ces modles intgrent dans la structure du processus des lments physiques : ainsi le processus des dbits sera reconstitu soit en partant du processus des pluies, en utilisant une schmatisation pluie-dbit trs globale, et en compltant par des termes alatoires dont les caractristiques auront t identifis sur des ralisations concommitantes.
Exemple du modle vidange-impulsion: cest la combinaison dun modle stochastique simulant des pisodes pluvieux et dun modle pseudo-dterministe utilisant une relation pluie-dbit pour gnrer des dbits journaliers complt par un terme alatoire. Q(i)=i.Q(i1) + i. P(i) + (i)

13

Q(i) reprsente le dbit moyenne observ au jour.i.; P(i) la pluie moyenne tombe le jourX; i le paramtre de tarissement de la nappe i est le paramtre de rponse la pluie (reprsente la raction la pluie) (i) est un rsidu qui suit une loi normale centre, dcart-type

Le paramtre de tarissement traduit la chute du dbit en labsence de pluie : on a alors un modle autorgressif paramtre variable: Q(i) =i . Q(i-1) + (i) La quantit i. P(i) est interprte comme tant le volume de pluie efficace cest--dire la fraction de la pluie brute P(i) qui est suppose atteindre lexutoire du bassin par ruissellement superficiel.

Le schma ci-contre reprsente, de faon simplifie, lvolution des dbits au cours du temps. On constate quil y a dcroissance exponentielle des dbits en labsence de pluie (cest lalimentation par la nappe) et des sauts sinon (cest le ruissellement conscutif une pluie).

La qualit du modle dpendra la fois de lidentification du processus simulant les pluies et de la qualit du modle pseudo-dterministe simulant les alas de la raction pluie-dbit. Ce dernier peut tre contrl ds quon connait des ralisations de pluies et de dbits concommitantes:

Exemple du modle DEJOREG-TIERCELIN: le principe de schmatisation et de simulation reste le mme que prcdemment, sauf que ce modle ne travaille pas sur des impulsions de pluies, mais sur des averses de volume V(i) quil rpartit de faon triangulaite sur une dure T(i)

14

Exemple du modle DPFT: ce modle affine le devenir de la pluie prcipite en modlisant la part efficace de la pluie qui participe directement lcoulement (le reste tant infiltr ou vapotranspir), et recompose les dbits partir des pluies nettes successives (schmatisation linaire comme lhydrogramme unitaire). Ainsi la pluie efficace PE se dduit de la pluie brute P: PE(i)=P(i)2 / [P(i)=b(i)] o b(i) est une fonction de ltat du sol au moment de laverse. Les dbits se calculent par une expression de la forme: Q(j)=Q(j-1)+i. PE(i)+(j) o les sont des coefficients. Lidentification des b(i) et desi est itrative et fait loriginalit de la mthode.

Exemple des modles rservoirs: en modlisant les stocks et les flux globaux pour mieux prciser le devenir de la pluie, on atteint le stade le plus explicatif des modles conceptuels. A titre dexemple voici un shma de ce type de modle:

Modle MORDOR: il reproduit jour par jour les flux depuis la pluie brute jusquau flux coul, en les rpartissant entre le rservoir ddi lvapotranspiration, les diffrents rservoirs souterrains de profondeurs diffrentes, et la composition des flux issus des rservoirs.

5. Les modles de prvision objectifs et principes: Les modles de prvision cherchent, un instant donn t, prvoir pour des instants futurs (t+t) le devenir dune ralisation connue jusqu t. Par exemple, connaissant jusqu aujourdhui le dbit dun cours deau en un point donn ainsi que les prcipitations en quelques

15

endroits du bassin versant, comment prvoir le dbit du mme cours deau, au mme endroit, demain, aprs demain, etc...? Leur principe est finalement proche des modles de simulation: chaque pas de temps t, prvoir revient gnrer un, ou plusieurs scnarios, pour en tirer le comportement futur le plus probable, conditionn linformation connue. Pratiquement tous les modles passs en revue pour simuler, sont utilisables en prvision. Ce qui distingue les modles de prvision des modles de reconstitution, cest dune part le traitement qui est fait des erreurs, et dautre part lintgration de linformation connue, parfois appele a priori. Des procdures ont t labores, consistant utiliser plusieurs modles en parallle, analyser leurs erreurs, et ajuster la prvision en mixtant ou en slectionnant les rsultats de ces modles en fonction de leurs erreurs passes. Nous nen dirons pas plus sur les modles de prvision, mais si nous avons tenu garder un paragraphe spcifique ces modles de prvision, cest bien pour souligner ces diffrences dutilisation entre simulation et prvision, mme si le coeurs des modles utiliss sont les mmes.

6. Les modles de prdtermination objectifs et principes: quand il faut dimensionner un pont pour quil laisse passer une crue sans dommage, on ne sintresse pas au moment o la crue se produira, on ne cherche donc pas prvoir, mais valuer la probabilit doccurence quune crue ne dpasse une valeur critique: cest la prdtermination. On choisira une ou plusieurs variables utiles pour le projeteur, et on valuera la probabilit doccurence de ces variables pendant une dure de rfrence. Cest par exemple pour le pont, la probabilit que le dbit maximum dune crue ne dpasse une valeur Qc au cours dune anne. On est davantage dans une problmatique de risque qui associe probabilit doccurence dun vnement et dommages associs. choix des variables alatoires: les variables qui peuvent intresser lhydrologue sont trs diverses: des pluies, dbits, tempratures, maximaux instantans ou moyens pendant une priode, des volumes ou des dures au dessus ou au dessous de certains seuils, etc...variables qui concernent aussi bien les crues, les tiages, les scheresses, et bien dautres phnomnes. Pour des raisons de simplicit, on ne traitera dans la suite que des variables une dimension Z(t). fonction de rpartition, priode de retour, intervalles entre crues, probabilit doccurrence: Considrons une variable Z(t) dont nous connaissons la fonction de rpartition, cest dire F(Z)=Prob[z[Z, au cours dune dure t donne]. Alors on appelle priode de retour T(Z) la grandeur: T(Z)= t / [1-F(Z)]. Par exemple, la crue correspondant au dbit qui a une chance sur 100 dtre dpass lanne venir est de priode de retour 100 ans: cest la crue centennale. 16

On entend souvent dire que la crue de priode de retour T revient en moyenne toutes les T annes: cest vrai au sens statistique si la stationnarit est parfaite. Mais bien videmment les crues ne se produisent pas intervalles rguliers. En fait le processus darrive des crues est poissonien: autrement dit lintervalle de temps IT sparant deux crues successives de priode de retour T est uneloi exponentielle: Prob[IT>]=exp(-/T). A partir de l on peut calculer la probabilit doccurence dobserver au moins K crues de priode de retour T en annes:

Ces calculs sont intressants pour juger des risques globaux encourus par un ouvrage de dure de vie fixe. les lois classiques: Lobjectif est de trouver une loi thorique dont on puisse montrer quelle reprsente bien la fonction de distribution du processus tudi. Nous verrons plus loin comment ajuster plusieurs lois partir des observations et en choisir une. Mais commenons par lister les lois les plus frquemment utilises en hydrologie: Dans ces lois les , ,.... sont des paramtres qui doivent tre estims comme indiqu au

prochain paragraphe.

17

lestimation des paramtres des lois: Comment estimer les paramtres et de faon ce quune loi reprsente bien la distribution inconnue, dont on ne connait quune ralisation au travers dune srie de Nobservations {Qi}? Voici les deux mthodes les plus frquemment utilises:

Comme prcdemment, le calcul des paramtres se dduit de la rsolution de ce systme. Pratiquement la mthode des Moments est souvent employe car les calculs sont plus simples que ceux de la mthode du Maximum de Vraisemblance. Cependant on utilisera cette dernire chaque fois que possible car elle est plus performante: on peut montrer quavec le mme nombre N dobservations ses estimations convergent plus rapidement. Comment apprcier la bonne adquation des lois? graphique et test du 2 Un ajustement graphique permet de voir si la forme de la loi F est bien celle de la distribution des Q1 observs. Pour cela on range les Q par ordre croissant QI<Qi...QN. On attribue chaque Qi sa frquence empirique fi=i / (N +1). On porte sur un mme graphique les points (fi;Qi) et la fonction F(Q). Pour mieux juger de ladquation il est prfrable dutiliser du papier Gaussien (pour une loi Normale), Gumbel (pour une loi des valeurs extrmes) ou plus gnralement de faire ce graphique dans un plan dont les

18

ordonnes sont transformes de faon que la loi F(Q) apparaisse linaire. Ainsi il plus facile de juger de ladquation et notamment dcarter toute loi F pour laquelle lchantillon prsente la moindre courbure, cassure, ou bien serpente autour de la droite reprsentative de F.

Un test de la dispersion des observations par rapport F : le test du 2. On dcoupe le plan reprsentatif en K tranches dgale largeur en probabilit (il faut K < N/10). Soit NOi le nombre de points observs dans la tranche i (il faut NOi> 5 sinon regrouper 2 classes) et soit NTi = N/K le nombre quon aurait d avoir si on suivait parfaitement la loi F(Q), alors la quantit 2= [(NOi - NTi)2 / NTi]
i=1,...,K

suit une loi de 2 degrs de libert, avec =K-1-NPA o NPA est le nombre de paramtres de F. Enfin on sassure que le 2 obtenu est infrieur la valeur thorique correspondant au risque accept (5% par exemple) et au nombre de degrs de libert (voir table du 2). les hypothses de base: homognit, indpendance et stationnarit Les estimations seront solides condition quaucun phnomne parasite et systmatique ne soit intervenu: drive dans le temps des sries par lamnagement des cours deau, vnements dimportance ou dorigines trop diffrentes, interdpendance entre les vnements,etc... Les contrles sont faire au cas par cas. Il faut sassurer notament que les vnements de lchantillon seront bien reprsentatifs des vnements dont on cherche lestimation: par exemple les crues en dessous dun certain niveau ont peu avoir avec des vnement de priode de retour 1.000 ans, et peuvent masquer par leur nombre les quelques fortes crues disponibles. Voici cependant trois contrles frquemment utiliss:

19

Homognit saisonnire (figure ci-contre): si les vnements au cours de lanne sont homognes, les estimations seront cohrentes avec lestimation annuelle si: Fannuelle(Q)=Fhiver(Q).Fprintemps(Q).Ft(Q).Fautomne(Q) .

Indpendance des vnements successifs: parfois un vnement et le suivant peuvent avoir une relation entre eux (scheresse par exemple) alors mme que les estimateurs utiliss suppose lindpendance. Ceci est facilement vrifiable en calculant le coefficient dautocorrlation de pas 1 et en testant lhypothse quil est nul. Stationnarit: que les caractristiques statistiques soient invariantes avec le temps est videmment indispensable pour la crdibilit de lestimation. Plusieurs tests peuvent tre faits sur diverses caractristiques: lun des plus faciles est la comparaison des moyennes. Si on coupe en deux lchantillon initial, et quon calcule les moyennes m et m, ainsi que les carts-type s et s de chaque sous-chantillon de longueur n, alors la grandeur suit une loi de Student 2n-2 degrs de libert.

incertitudes et intervalles de confiance Du fait de la longueur limit N observations, les estimations de probabilit des dbits (ou de toute autre variable tudie) sont entaches dune incertitude, dite dchantillonnage, fonction de N, mais galement de lestimateur utilis. Une faon de quantifier cette incertitude est lIntervalle de Confiance, cest dire les limites entre lesquelles il y a % de chances que se situe la vraie valeur inconnue: par exemple si la crue centennale a t estime la valeur la plus probable 250m3/s, on pourra calculer quil y a 70% de chances que la vraie valeur se situe entre 220 et 285 m3/s. A noter que le choix de la valeur % est arbitraire comme dans tout test, et que les 70% de lexemple ne sont que la valeur la plus couramment utilise de faon avoir des intervalles sensibles lchantillonage sans tre xagrment larges et inutilisables par le projeteur. En effet lorsquon fournit un projeteur une estimation, il est absolument ncessaire de lui fournir une ide du risque derreur dvaluation associ: mme sil nintgre pas toujours cette information dans son analyse conomique, cela reste un lement de dcision aussi important que lestimation elle mme: dune certaine faon louvrage sera expox un risque qui combine la fois lala naturel et celui de lestimateur. Il faut souligner que cette problmatique de prise en compte de lincertitude se pose galement pour les modles de prvision, avec toutefois, on a vu, la particularit de pouvoir intgrer les erreurs passes dans les prvisions.

Pour les principales lois voques prcdement, on trouvera en annexe 1 une aide au calcul pour raliser leurs ajustements et proposer des estimations.

20

DEUXIEME PARTIE : LA PRDTERMINATION DES CRUES

Ds que l'on veut construire un pont, un barrage, un ouvrage fluvial expos aux dbits extrmes, se pose le problme du dimensionnement : qu'il s'agisse de l'application d'une norme ou du rsultat d'une tude conomique, on est forcment amen choisir un dbit, et donc un risque de dpassement de ce dbit. Une erreur sur le risque associ ce dbit, peut avoir des consquences catastrophiques, d'un point de vue conomique (ruine de l'ouvrage), humain parfois (rupture de barrage par exemple).

1. quelle variable faut-il tudier ? Dune faon gnrale cest lutilisation qui dtermine le choix de la variable: pour une installation qui subira des dommages importants ds le dbut de la submersion, ce sera la hauteur maximale atteinte par la crue, sil sagit dun dversoir dimensionner ce sera le dbit maximum instantan voire lhydrogramme de crue complet, pour grer un rservoir les dbits ou les volumes au dessus dun seuil seront plus pertinents, alors quenfin pour un producteur agricole ce pourra tre la dure de submersion. La probabilisation des hauteurs est cependant dconseille car: Si la srie des dbits de crues est souvent relativement stationnaire, celle des hauteurs l'est rarement : il arrive souvent que deux crues, loignes dans le temps, aient eu le mme niveau maximum avec pourtant des dbits sensiblement diffrents. Il suffit pour cela que le profil en travers varie (creusement ou apport dus aux crues passes, travaux de protection, etc...). Le point ci-dessus implique qu'il est peut-tre possible de trouver des lois de probabilits stables et ayant un sens physique, pour les dbits, mais bien rarement pour les hauteurs. Ceci s'explique par le fait que les dbits sont le rsultat d'un ensemble de phnomnes hydrologiques, assez rguliers. Par contre les hauteurs mlangent la fois l'aspect hydrologique et l'aspect hydraulique, tout fait local, et modifiable dans le temps. Comment valuer l'effet d'un barrage amont qui gre des dbits ? Le seul moyen est de repasser, au moins provisoirement, en dbit : donc autant probabiliser directement les dbits.Une tude en dbit reste valable dans l'avenir : il est plus facile de rpercuter les modifications locales de l'coulement pour retrouver la cote associe un risque fix. Par contre une tude en hauteur devra tre reprise au dbut. Enfin il est plus facile de vrifier la compatibilit des estimations en dbit de plusieurs stations d'une mme rivire.

Ce qui vient d'tre dit a des consquences propos des mesures : on trouve dans les archives de nombreux renseignements sur des hauteurs de crue, mais souvent ils sont inexploitables. En effet deux crues dcrites comme diffrentes donnent des hauteurs semblables (obstruction d'un

21

pont, prise en glace, etc...) et rendent inutile cette information, qui aurait t prcieuse si une valuation mme grossire du dbit avait t faite. Une crue n'est correctement et utilement dcrite que si son dbit est estim. La variable la plus frquemment probabilise est donc le dbit moyen journalier maximum de la crue. Cependant on est souvent intress par le dbit maximum instantan de la crue (problme de submersion). L'cart entre maximum journalier et moyenne journalire est parfois important et doit tre analys partir d'hydrogrammes continus.

2. quelle mthode employer ? Le choix est si grand que le non-spcialiste s'y perd un peu, et que certains pays ont tout simplement normalis, par textes de loi, l'analyse des dbits extrmes. Or, y regarder de plus prs, beaucoup de mthodes ont des principes communs, avec des variantes statistiques mineures.

Les mthodes probabilistes qui qui nous intressent peuvent se ranger en trois catgories : les mthodes danalyse du processus des dbits, les mthodes hydromtorologiques qui intgrent linformation pluviomtrique, les mthodes de simulation stochastiques. Les mthodes de simulation stochastiques, en modlisant statistiquement les processus l'chelle journalire ou mensuelle, et en gnrant des scnarios sont trs utiles pour tudier par simulation, des variables complexes, mais elles contrlent mal les incertitudes, ce qui limite la validit des extrapolations. Comme elles sont nettement moins employes, nous ne les aborderons pas ici. Les mthodes hydromtorologiques sont fiables et oprationnelles pour des bassins versants limits et homognes. Elles ont galement l'avantage d'analyser les vnements gnrateurs, et d'tre ainsi plus proches de la physique des phnomnes. Nous en prsenterons la plus utilise: la mthode du GRADEX. Nous dtaillerons et illustrerons naturellement les mthodes danalyses des dbits, sous leur forme traditionnelle (mthode des Maxima Annuels) ou plus rcente (mthode du Renouvellement). Nous dirons un mot enfin des mthodes empiriques ou dterministes qui en maximisant les phnomnes n'valuent pas clairement les risques.

3. La mthodes des MAXIMA ANNUELS Le recueil et la critique des donnes ayant t pralablement faits, on dispose au dpart dune chronique de dbits journaliers, et on veut dterminer Prob[q*<Q], cest dire la probabilit que le dbit q* le plus fort de l'anne ne dpasse pas Q ? Ainsi q* est une variable alatoire dont on cherche sa fonction de rpartition F(Q).

22

Lchantillonage Pour constituer lchantillon de travail, lide vient naturellement dextraire le dbit le plus fort de chaque anne :

On obtient donc un chantillon {q*i} o i varie de 1 NA (nombre dannes). La marche suivre est ensuite la suivante: Aprs avoir rang ces q*i du plus fort au plus faible, on associe chacun une frquence empirique fi = i / (NA+1). On vrifie les hypothse dindpendance et de stationnarit. Puis on choisit parmi les lois classiques (Normale, Log Normale, Gumbel, etc...) celle qui s'ajuste le mieux l'chantillon des crues maxima annuelles observes (voir 1re Partie et annexe1). La meilleure loi F(Q) tant choisie, on pourra dire que la crue Q est de priode de retour T=

Inversement T donne on pourra dterminer QT =

Il conviendra enfin d'indiquer quelle est la qualit de l'estimation au moyen des trois renseignements suivants : l'ajustement graphique est-il bon, ou bien y a-t-il des anomalies locales (dispersion) ou gnrales (courbures ou cassures) ? Q est-il dans une zone loigne ou non de celles des observations (extrapolation) ? rsultats du test du X2 (dispersion); les limites de l'intervalle de confiance % (l'usage est de prendre pour les crues 70% mais ce choix doend des consquences d'une erreur d'estimation).

23

Force et faiblesses La force de cette mthode est sa simplicit, et on en trouvera une illustration en 3me Partie. Elle nest cependant pas exempte de critiques: L'aspect processus de la srie des dbits d'une rivire est compltement ignor : on se ramne un problme de tirage dans une urne. La mthode est particulirement simple, par contre elle nglige beaucoup d'information : toutes les fortes crues qui n'ont pas eu la chance d'tre le maximum de l'anne o elles se sont produites. Cette information oublie fait cruellement dfaut lorsque l'chantillon est court. Certaines annes la crue maximum annuelle n'a pas t forte : ce type de crue faible n'a pas grand chose voir avec les crues importantes dont on veut connatre la probabilit. L'hypothse dhomognit de l'chantillon est donc mal vrifie.

Toutes ces raisons ont conduit dvelopper la mthode du RENOUVELLEMENT qui est dcrite au paragraphe suivant.

4. La mthode du RENOUVELLEMENT

On veut toujours dterminer F(Q)= probabilit annuelle [q < Q], c'est--dire la probabilit que le dbit le plus fort de l'anne ne dpasse pas Q. Lchantillonage Considrons la srie des dbits moyens journaliers observs. Cette srie est une ralisation du processus des dbits journaliers. On commence par ne retenir de ce processus que la partie qui contient de l'information utile pour la connaissance des fortes crues. Pour cela on se fixe un seuil S et on conserve les dbits suprieurs.

On obtient ainsi une srie de chapeau d'hydrogrammes dpassant le seuil S, dont on ne retient que le maximum. 24

On limine les maxima faisant visiblement partie de la mme crue (le point B sur le schma prcdent), car ils mettraient en dfaut lhypothse dindpendance.

On devine ainsi l'effet du seuil S : plus S est lev, plus les crues seront fortes et indpendantes, et plus l'chantillon sera homogne, plus S est bas, plus nombreuses seront les crues retenues ce qui amliore l'chantillonnage.

Le choix de S est donc un compromis: en pratique l'tude de 2 ou 3 seuils suffit pour trouver la bonne valeur, en sassurant quautour de cette valeur les estimations ne doivent pas varier de faon importante. Finalement on se retrouve la tte de deux chantillons: les dbits maxima des crues suprieurs S: {q i } i=1,.....,NC (NC=nombre total de maxima de crue) les dates doccurence de ces maximas. En fait on va remplacer ce deuxime chantillon par la srie des nombres de maxima observs chaque anne. {n k } k=1,.....,NA (NC=nombre dannes)

Le contrle des hypothses Lhypothse dindpendance se contrle classiquement par le calcul du coefficient dautocorrlation de pas_1. Autrement dit on vrifie que le coefficient de corrlation des deux sries X et Y ci dessous nest pas significativement diffrent de 0: X={q 1,q 2,......................,q NC-2,q NC-1} Y={q 2,q 3,.......................,q NC-1 ,q NC} Lhypothse de stationnarit peut tre vrifie par le test sur les moyennes. Une autre faon consiste montrer que les dates doccurrences de crues suprieures au seuil S sont uniformment rparties dans le temps: Pour cela on trace les crues par ordre d'arrive. Il y a stationnarit si la courbe (C) serpente bien autour de la droite (J ). L'hypothse sera fausse si au contraire la courbe (C) se trouve systmatiquement au-dessus ou bien en dessous, de (J ).

25

Quantitativement on peut tudier la variable alatoire constitue par les dates d'occurrence des crues observes : t1, ..., tN,. Elles doivent tre uniformment rparties sur l'intervalle [t0),tN+1]. Dans ces conditions la moyenne thorique m = (tN+1 - t0)/2 est comparer avec la moyenne observe t = (ti)/N et la variance thorique =(tN+1 - t0)2/12 est comparer avec la variance observe. Si on admet que la variable u = N.(t-m)/ suit une loi normale, on pourra accepter l'hypothse de stationnarit avec un risque 5 % de se tromper chaque fois que u < 1,96 .

Le modle de Renouvellement Soit q* la crue la plus forte de l'anne. On veut dterminer : F(Q) = Prob [q* < Q]. Nous allons construire le modle en dcomposant cette probabilit en deux : la probabilit de dpasser le seuil S un nombre de fois k dans lanne, et la probabilit de ne pas dpasser le niveau Q bien quayant dpass S. On applique simplement les rgles de composition des probabilits d'vnements indpendants : Prob [q* < Q] = Prob [Au cours de l'anne, j 0 crue > S] + Prob [Au cours de l'anne, j 1 crue > S et < Q] + Prob [Au cours de l'anne, j 2 crues > S et toutes < Q] .............................. + Prob [Au cours de l'anne, j k crues >S et toutes < Q] ........... '.

en abrg : Prob [q* < Q] = Prob [Au cours de l'anne,j k crues >S et toutes < Q] k=0,.....,'

ou encore :

26

Prob [q* < Q] = P(k).G(Q)k

k=0,........,'

Lorsqu'on s'intresse des crues rares, la formule prcdente peut tre approxime par une relation trs simple. En effet si la crue est rare cela signifie que G(Q) est proche de l : F(Q)=Prob [q* < Q] = P(k).G(Q)k F(Q)Y P(k).{ l - k[1 - G(Q)] } F(Q)Y l - N.[l- G(Q)]

o N est le nombre moyen annuel de crues dpassant S ( N = k.P(k) ) Exemple d'application simple : On veut connatre la crue centennale d'une rivire dont on dispose de 30 ans de relevs hydromtriques. On s'est fix un seuil S = 100 m3/s, on a observ 100 crues suprieures S et de moyenne 150 m3/s. Si ces crues suivent une loi G(Q) exponentielle simple, on aura : F(Q)=Prob [q* < Q] Y1 - (100/30).exp[-(Q-100)/(150-10] F(Q)=Prob [q* < Q] Y1 -3,33.exp[-(Q-100)/50] Ainsi la crues centennale Q100Y 390 m3/s

Remarques Tout ce qui vient d'tre dit pour l'anne (maximum annuel, nombre de crues par an suprieures S, etc...) peut tre transpos d'autres chelles de temps : le mois, la saison, etc... Il importe seulement de ne pas mlanger des rgimes diffrents : ne pas traiter l'chelle mensuelle l'ensemble des crues d'hiver et d't, car le nombre moyen mensuel de crues est diffrent en hiver et en t et la loi P(k) est galement diffrente. Par contre on peut faire une tude l'chelle mensuelle si on dsire tudier les crues d't et que l'on ne retienne que les dbits de juillet-aot : le rsultat final sera la probabilit de la crue maximum de ces deux mois, ou de l'un d'entre eux (ceci intresse ceux qui doivent effectuer des travaux dans le lit d'une rivire et qui veulent savoir quels risques ils s'exposent selon le mois). II existe des variantes de ces mthodes (lois tronques sur les Maxima Annuels, Renouvellement avec variations saisonnires des paramtres, etc...) mais leurs principes de base se ramnent pratiquement toujours ceux qui ont t dcrits. 27

A noter le cas particulier de la loi exponentielle simple qui nest autre que la loi de weibull avec un paramtre p gal 1: F(Q) = 1 - e(Q-S)

Dans ce cas le calcul des paramtres est immdiat: = NC/NA et = 1/(q*-S) Le calcul des incertitudes Les valeurs trouves des paramtres , et p ne sont que des estimations de leurs vraies valeurs , et p inconnues. Autrement dit, , et p nous apparaissent comme des variables alatoires, dont on peut montrer quelles suivent une loi Normale, avec une matrice de covariances explicitement calcule en annexe 2. On

28

Si on fait ensuite lapproximation que QT suit une loi Normale, on en dduit lintervalle de confiance 70%: [Q1;Q2] avec Q1= QT - 1,04.Q et Q2= QT + 1,04.Q Linformation historique Lintervalle de confiance calcul ci dessus prend en compte les incertitudes dchantillonage lies la taille limite de lchantillon. Il existe dautres sources dincertitudes trs difficilement quantifiables: les erreurs de mesures qui peuvent entacher les donnes, linadquation toujours possible des lois retenues surtout pour les trs grandes crues, des dfauts de stationnarit, etc.... Pour sen prserver partiellement, il est vivement conseill de rechercher linformation historique. Longtemps nglige, parce que considre comme peu sre, l'information historique, c'est--dire les renseignements sur des crues anciennes, particulirement fortes, au cours des 100 ou 200 dernires annes, est en fait capitale et mme dans certains cas plus prcieuse que la srie des observations rgulires : par exemple si on dsire estimer la crue centennale, la connaissance des 2 ou 3 plus forts vnements du sicle pass est plus importante qu'une dizaine d'annes de dbits. Supposons donc qu'une analyse critique ait permis de rassembler un catalogue des NP plus fortes crues en NAS annes supplmentaires, et qu'elles soient ranges par ordre dcroissant.

Comment prendre en compte ces crues ? La technique classique, utilise pour la mthode des Maxima Annuels, consiste affecter chaque crue une probabilit empirique [ fi = i / (NAS+1)] et reporter les points reprsentatifs de ces crues sur le graphique d'ajustement des crues de l'chantillon rgulier. On vrifie ainsi que ces crues exceptionnelles sont compatibles avec le modle statistique retenu. Ce procd est simple mais il offre deux inconvnients : d'abord il ne comporte pas de critre clair pour accepter ou refuser un ajustement en fonction des carts observs, d'autre part mme si les carts sont acceptables, on ne corrige pas la loi initiale en tenant compte de ces crues historiques. De son ct la mthode du Renouvellement peut intgrer facilement cette information : il suffit dans le calcul de la vraisemblance de l'chantillon, d'introduire galement la vraisemblance des crues historiques . On crira : VT = V1 * V2

avec VT= Vraisemblance globale des deux chantillons V1= Vraisemblance de lchantillon des crues rgulirement observes V2= Vraisemblance de lchantillon des crues historiques 29

Le calcul de V1 est le mme que prcdemment. Tandis que V2 est la probabilit davoir observ en NAS annes supplmentaires, dune part les crues de lchantillon, et dautre part que toutes les autres crues suprieures S taient infrieures QNP. Le calcul dtaill est fourni en annexe 2: le systme rsoudre pour avoir les nouvelles valeurs de , et p, ainsi que est peine plus compliqu quavant. En guise de conclusion concernant la mthode du Renouvellement, son domaine de validit, comme dailleurs celui de la mthode des Maxima Annuels, est plutt celui des grands bassins versants (plus de 10.000 km2). En effet ses estimations sont fondes sur des vnements courants, dont le hasard des combinaisons est bien reprsent par les lois retenues. Ds que lon veut estimer des vnements de priode de retour leve (100 1.000 ans), elle ne conviendra pas pour les petits bassins versants o des effets tout fait locaux (orages par exemple), parfois jamais mesurs aux points dtude, peuvent devenir dimensionnants. La mthode du Gradex qui intgre dune certaine faon la physique des phnomnes extrmes, prsente lavantage dtre bien adapte ces cas l.

5. La mthode du GRADEX Avec la mthode du GRADEX nous abordons une autre classe de mthodes: celles qui utilisent linformation hydromtorologique cest dire la pluie gnratrice des coulements. Ainsi on dispose de deux chantillons : un chantillon de pluies pas de temps fin (horaire par exemple) et de dbits journaliers complts par quelques hydrogrammes de crue pas de temps fin galement. Principes, hypothses et domaine de validit Le postulat de base de la mthode est quil doit y avoir une relation entre la distribution des dbits et celle des pluies gnratrices puisque les dbits sont forms par les pluies. Cette relation est elle simple? Dans certaines conditions dcoulement extrmes (crues exceptionnelles), oui : le sol est si satur que tout accroissement de pluie va se traduire, exprim en volume, par le mme accroissement en dbit. Autement dit tout ce qui est prcipit, ruisselle. Si la distribution de la variable alatoire pluie est exponentielle, alors on peut montrer que celle des dbits dans ces conditions extrmes est asymptotiquement exponentielle, et que ses paramtres se dduisent de ceux des pluies. Examinons les hypothses qui correspondent ces conditions:

30

Hypothse 1: la distribution des prcipitations moyennes sur un bassin pendant quelques heures ou quelques jours est de type exponentiel: F(P)]= 1 - constante.exp(- P/a). On peut montrer quil sen dduit que la distribution des prcipitations maximales annuelles, moyennes sur un bassin pendant quelques heures ou quelques jours est de type GUMBEL: F(P)]= exp {-exp[ -(P0 - P)/a] } o P0 est une constante, ainsi que a qui est appel Gradex.

Hypothse 2 : si le dbit dpasse une certaine valeur (qui selon les sols peut varier du dbit dcennal au dbit cinquantennal), alors le sol est satur, de sorte que, pendant le temps de base de ruissellement , tout accroissement de pluie gale le mme accroissement en dbit, autrement dit: dQ=dP. Le mcanisme de saturation progressive au cours dune averse peut se traduire sur la figure ci contre. Le corollaire de cette hypothse combine la prcdente est que la distribution des dbits sera asymptotiquement exponentielle, et de mme paramtre a que celle des pluies.

Hypothse 3: le rapport moyen, appel coefficient de forme, entre le dbit maximum instantan dun hydrogramme de crue, et le dbit maximum moyen sur la priode indpendant du dbit.

est

La premire et la troisime hypothses sont assez facile vrifier: les nombreux ajustements de lois de GUMBEL sur des chantillons de pluie ont permis de montrer, hormis quelques cas rares, le bien fond de cette hypothse. De mme la figure ci contre concernant le rapport dbit maximum/dbit moyen, est tablie chaque tude. Reste la deuxime hypothse concernant la relation pluie/dbit: cest elle qui fixe dune certaine faon le domaine de validit de la mthode. En effet on imagine bien que la saturation de lensemble du bassin sera dautant plus vite atteinte que

31

les sols sont impermables, et que le bassin versant est de petite taille (50 1.000 km2) pour tre arros de faon homogne, avec une rponse en ruissellement rapide.

Grce ces trois hypothses principales, le principe de la mthode va consister raliser une analyse probabiliste sur les pluies, en identifier la distribution de Gumbel, puis transposer cette distribution celle des dbits, en prolongeant lestimation du dbit dcennal. Les tapes du calcul par la mthodes du GRADEX Description des phnomnes et critique des donnes: comme pour toutes les mthodes le premier travail est la description hydroclimatologique et la critique des donnes. La mthode du GRADEX demande en plus de constituer un chantillon pluviomtrique qui est en fait le rsultat dune tude: en gnral on dispose deplusieurs sries pluviomtrique, et par des analyses dinterpolation comme celes voques en premire Partie, on reconstitue une chronique destimation de la lame deau moyenne. Analyse des hydrogrammes : on en dduit le pas de temps retenir (on arrondit celui des donnes), et dautre part on tablit le coefficient de forme. En outre on value le dbit de rtention limite partir duquel la saturation est suppose atteinte. Calcul du Gradex des pluies : on estime pour chaque saison le Gradex en ajustant les pluies de la saison une loi de Gumbel, et on en dduit le Gradex annuel qui, asymptotiquement, est le plus fort des Gradex saisonniers. Calcul du dbit limite de rtention: on estime le dbit dcennal (ou plus si ncessaire) en appliquant la mthode des Maxima annuels ou du Renouvellement la srie des dbits observs (moyens sur la dure ). Calcul du dbit maximal instantan de priode de retour donn: aprs avoir calcul le Gradex Instantan partir du Gradex moyen (a=a.r o r est le coefficient de forme), on tablit la distribution des dbits instantans traant la loi de Gumbel de paramtre a partir du dbit limite de rtention.

Pour terminer soulignons que cette mthode est bien adapte aux estimations dvnements extrmes (dcamillnnales) dans la mesure o lhypothse lie la saturation est dautant mieux vrifie que le dbit est important.

32

6. Conclusions sur la prdtermination des crues Nous venons de voir les trois mthodes de prdtermination des crues les plus utilises en France, et dans les pays qui ont une approche statistique du risque prendre en compte pour le dimensionnement douvrages. quelle mthode choisir ? Les mthodes des Maxima Annuels ont pour elles, on la vu, leur simplicit, et il est vrai que pour des bassins versants assez grands (plus de 10.000 km2), disposant de quelques dizaines dannes de dbits observs, lestimation de la crue dcennale est accessible sans trop de risques. Au del, il conviendra dtre prudent et disposer de suffisement dinformations. De toute faon, compte tenu des moyens de calcul actuels, on a intrt utiliser la mthode du Renouvellement, qui grce sa faon de bien valoriser linformation, et en plus de conforter les extrapolations par linformation historique, est plus sre. Toujours pour des bassins versants assez grands (plus de 10.000 km2), elle permet destimer, avec des incertitudes souvent acceptables, des vnements de priode de retour pouvant atteindre 100 ans, voire 1.000 ans. La mthode du Gradex est tout fait complmentaire puisquelle sapplique mieux aux vnements les plus extrmes (dcamillennaux) survenant sur des bassins de taille modrs. En outre elle nexige pas de longues sries de dbits, rarement disponibles sur les petits bassins, mais demande des sries pluviomtriques. Dautres mthodes sont-elles utilses? De nombreuses variantes ou complments aux mthodes statistiques prsentes ici existent: lois de Valeurs Extrmes Gnralises, changements de variables divers, combinaisons de lois, etc...Signalons que parmi les approches statistiques intressantes qui na pu tre prsente ici figure lanalyse Baysienne qui est bien plus quune estimation, mais plutt une approche dynamique de la faon dutiliser linformation. En effet son principe est de considrer que le projeteur a toujours au dpart, cest dire avant dutiliser une nouvelle information, une apprciation a priori du phnomne quil tudie, et que linformation reue va lui enrichir cette apprciation qui deviendra apprciation a posteriori, juqu la prochaine information.....[ ] constitue une excellente introduction cette lanalyse Baysienne. Dans les pays anglo-saxons, o les mthodes statistiques sont largement employes pour les vnement de priode de retour modre (10 100 ans), la mthode de la PMF (Probable Maximum Flood) est exige pour les dimensionnement douvrages o des vies humaines sont concernes. Cette mthode nest pas statistique et consiste maximiser les variables explicatives des prcipitations (humidit, vent, conditions de prcipitation), maximiser les scnarios temporels de prcipitations (concommitances, prcipitations successives,...), puis transformer cette pluie en dbit, dabord en dterminant la part efficace qui, comme le Gradex est proche de dQ=dP, et ensuite en la convertissant en dbit par des mthodes plus ou moins classiques en hydrologie (du type Hydrogramme Unitaire,...).

33

Bien que non statistique, cette mthode de la PMF devait tre mentionne car elle utilise par de nombreux bureaux dtudes internationaux, souvent la demande de clients qui y voient une forme de protection infranchissable. sans lui nier ses avantages, qui rsident dans lanalyse hydromtorologique, et donc lintgration dun maximum dinformations, il convient nanmoins de garder lesprit les limites de la mthode : une crue de projet dont la probabilit nest pas estime (et pour cause) alors que les maximisations effectues sont bases sur les observations, qui peuvent tre trs rduites en certains endroits: il sen suit un faux sentiment de scurit des estimations linverse trs importantes quand les informations sont riches, qui surdimensionneraient exagrment les ouvrages, ce qui conduit les projeteurs corriger par un coefficient dabattement non moins risqu... enfin une complexit de mise en oeuvre qui gnrent beaucoup de choix difficiles et qui ne permet pas la fin du calcul davoir une forme dvaluation de lincertitude.

34

TROISIEME PARTIE : VALUATION DES RISQUES DE CRUE DE LA GARONNE MAS DAGENAIS

Cet exemple illustre lapplication de la mthode des Maxima Annuels et de celle du Renouvellement. Pour rester simple et illustratif, tous les calculs dtaills ne sont pas exposs: en revanche les rsultats majeurs de chaque tape sont fournis, de sorte quils peuvent tre retrouvs en saidant de la Partie 2 et des annexes 1 et 2. Nous verrons successivement: lanalyse hydromtorologique les donnes et leur critique ltude par la mthode des Maxima Annuels vrification des hypothses ajustements des lois statistiques rsultat et incertitudes ltude par la mthode du Renouvellement vrification des hypothses ajustements des lois statistiques au nombre annuel de crues ajustements des lois statistiques aux amplitudes de crues rsultat et incertitudes

1. lanalyse hydromtorologique La station de Mas dAgenais est situe sur la Garonne, juste laval du confluent avec le Lot, correspondant un bassin versant de 52.000 km2. Ses crues sont donc formes de celles de la Garonne amont, de lArige, des rivires du Lanmezan, du Tarn et du Lot. La cohrence des coulements a pu tre tudie grce une srie de stations hydromtriques sur ces cours deau ou intermdiaires sur la Garonne, en particulier Portet, Mas Grenier, Hauterive, Rouby, Lamagistre, et Cahors. De plus des rservoirs, reprsentant au total un volume de 1,3 million de m3, construits essentiellement aprs 1945, situs dans les Pyrnes et dans le Massif Central impactent les dbits de la Garonne.

35

Sur le plan hydromtorologique, on distingue trois classes de crues, qui peuvent aussi se combiner: les crues pyrnennes, les crues ocaniques, et les crues mditerranennes. A chacune delle correspond des situations mtorologiques identifies en fonction de la position de lanticyclone (Golfe de Gascogne, ou ouest Espagne ou sud Espagne) et dune ou plusieurs dpressions associes (Irlande, France, Mditerrane,...). Les fortes crues proviennent de la Haute Garonne (crues ocaniques ou ocaniques-pyrnennes), ou de crues ocaniques de la Moyenne Garonne gonfles par une crue dun affluent, ou encore du fait de crues successives.
Ci contre: exemple de situation mtorologique: la journe du 22 janvier 1955

2. les donnes et leur critique Nous ferons lhypothse pour cet expos que la variable utile au projeteur est le dbit moyen journalier. Dautre part ltude cite ici en exemple ayant t ralise en 1977, les donnes ultrieures nont pas t intgres. La station de Mas dAgenais est abondante en donnes: dbits journaliers depuis 1913, auxquels sajoutent 12 crues historiques en 143 ans supplmentaires. La qualit de ces donnes a fait lobjet de nombreuses tudes, en particulier par PARDE qui proposait quelques corrections au dessus du dbordement (3.800 m3/s). Ce sont ces valeurs qui ont t retenues et qui correspondent aux chantillons ci aprs: crues maxima annuelles, crues suprieures 2.500 m3/s, et crues historiques Crues maximales annuelles crues historiques
1770 1772 1783 1827 1835 1843 1855 1856 1856 1875 1879 1879 7.000 7.400 m3/s 6.300 m3/s 7.000 7.200 m3/s 6.500 m3/s 6.400 m3/s 6.500 m3/s 7.000 m3/s 6.200 m3/s 6.600 m3/s 7.000 7.500 m3/s 6.300 m3/s 7.000 m3/s

Crues suprieures 2.500 m3/s

36

3. ltude par la mthode des Maxima Annuels vrification des hypothses Indpendance: Le coefficient de corrlation de pas 1 sur 63 valeurs est de 0,034. La variable test de Student t=R. [(N-2)/(1-R2)]0,5 vaut ici 0,264. Le risque 5% de rejeter tort correspond t=1,68 : on peut considrer que lhypothse dindpendance est largement acceptable. Stationnarit: En dcoupant en deux lchantillon, on obtient deux moyennes assez diffrentes: m1= 4 317 m3/s s1= 1 268 m3/s m2= 3 485 m3/s s2= 1 284 m3/s La variable test de Student t=(m1-m2).[32/(s12+s22)]0,5 vaut ici 2,6: lhypothse de stationnarit peut donc tre remise en cause. Le graphique ci contre des moyennes glissantes montre effectivement

37

une particularit partir du milieu de la srie. Nous la gardons en mmoire pour la discussion finale des incertitudes. ajustements des lois statistiques ajustement la loi Normale : il est peu satisfaisant, une courbure apparaissant. loi Normale: loi Log-Normale:.:

loi des Valeurs Extrmes:

38

ajustement la loi Log-Normale: il est meilleur. Le test de dispersion du 2 vaut 10,2 pour 10 classes, la valeur acceptable pour un risque de 5% tant 14. ajustement la loi des Valeurs Extrmes: de qualit voisine de celle de la loi Log-Normale, le test de dispersion est meilleur :2 = 5,9.

Finalement la loi retenue est celle des Valeurs Extrmes (ou Gumbel).

rsultats et incertitudes Sachant que la moyenne de lchantillon est 3.910 m3/s et son cart-type 1.330 m3/s, les paramtres de la loi de Gumbel sont =3 310 et = 1 040, de sorte que le dbit de priode de retour donne scrit: QT= 3 310 + 1 040.[-log[-log(1-1/T)]] crue decennale crue centennale crue millennale 5.650 m3/s 8.100 m3/s 10.500 m3/s

Lintervalle de confiance 70% est calcul partir de labaque de BERNIER: pour la crue millennale: T1=0,76 T2=0,66 ====> 8.600< Q1000 <11.500 m3/s

4. ltude par la mthode du Renouvellement Un prliminaire: le choix du seuil. En pratique il convient de tester plusieurs seuils. On commence par le plus bas (2.500 m3/s), qui a lavantage de faire reposer les extimations sur deux fois plus de crues. Le traitement des autres seuils sera identique ce qui est expos ci aprs. vrification des hypothses Indpendance: Le coefficient de corrlation de pas 1 sur 151 valeurs est de 0,14. La variable test de Student t=R. [(N-2)/(1-R2)]0,5 vaut ici 1,72. Le risque 5% de rejeter tort correspond t=1,66 : on peut considrer que lhypothse dindpendance est juste acceptable. Stationnarit: En dcoupant en deux lchantillon, on obtient: m1= 3 548 m3/s s1= 939 m3/s m2= 3 642 m3/s s2= 1041 m3/s La variable test de Student t=(m1-m2).[32/(s12+s22)]0,5 vaut ici 0,56: lhypothse de stationnarit sur les amplitudes de crues peut donc tre accepte .

39

Deuxime vrification: les dates doccurence de crues suprieures 2.500 m3/s. Le test de rpartition uniforme apparait ci contre. Lorsque quon calcule la variable test u (voir p. 25), on obtient 2,62 alors que la valeur admissible 5% est 1,96: nous trouvons donc de nouveau que lhypothse de stationnarit nest pas trs bien assure. A y regarder de plus prs , on note une absence de crue importante de 1946 1949. Ceci nexplique quen partie cette difficulte.

ajustements des lois statistiques au nombre annuel de crues Nous allons examiner si la loi de Poisson sajuste la srie du nombre dpassant chaque anne le seuil 2.500 m3/s. Le paramtre de la loi de Poisson est m=NC/NA, ici = 2,32; On en dduit les valeurs du nombre thorique dannes ayant k crues suprieures 2.500 m3/s: k 0 1 2 3 4 5 et plus nombre observ 8 16 15 8 11 7 nombre thorique (NTk= NC.exp(-2,32). 2,32k/k! ) 6,4 14,8 17,2 13,3 7,7 5,6

2 = (NOk-NTk)2/NTk=4,65 pour 3 degrs de libert, la valeur admissible 5% tant 7,81. La forme gnrale de lajustement graphique ci contre tant assez satisfaisante (lallure gnrale est respecte, mme si les classes 3 et 4 prsentent des carts sensibles), la loi de Poisson peut donc tre retenue .

40

ajustements des lois statistiques aux amplitudes de crues Nous ajustons la loi de Weibull (ci-dessous droite) et la loi Exponentielle Simple (ci-dessous gauche), aprs avoir calcul leurs cofficients:

La qualit des deux ajustements est acceptable et la loi Exponentielle Simple savre pratiquement suffisante. Les crues millnnales estimes sont de 11.000 m3/s pour la loi Exponentielle Simple et 9600 m3/s pour la loi de Weibull, tandis que Q = 900 m3/s.

ajustements Historique

utilisant

lInformation

Nous reprenons lajustement de la loi de Weibull (ci-contre) aprs avoir calcul leurs cofficients: Les points des crues historiques se placent bien, et la qualit de lajustement demeure satisfaisant. La crue millnnale estime reste aux alentours de 9600 m3/s, tandis que Q diminue 500 m3/s.

41

rsultat final et incertitudes En retenant finalement les rsultats de la mthode du Renouvellement intgrant lInformation historique le rsultat peut tre synthtis par la figure ci-contre qui fournit les limites de lintervalle de confiance 70% (Q =500 m3/s). Le dbit de priode de retour T sestime ainsi: QT = 2500 + [log(2,36.T)/0,00025]0,857 auquel sajoute lintervalle de confiance. En matire dincertitudes nous avons dj valu celles lies la taille limite de lchantillon (2x 500 m3/s).. Les incertitudes lies au choix du seuil ont t values en rptant ltude avec plusieurs seuils: Seuil 2 000 2 250 2 500 2 750 3 000 Q1000 9 450 9 650 9 550 9 750 9 700 On peut considrer que lincertitude rsiduelle ne dpasse gure 300 m3/s.

3 250 9 100

Les risques de non stationarit rencontrs deux reprises dans ltude ont t valus en rptant ltude sur les sous chantillons 1913-1945 et 1946-1977: lcart maximal obtenu sur lestimation de la crue millennale est de 400 m3/s. De la mme faon une analyse de sensibilit sur la correction des donnes abouti un cart de 200 m3/s. Bien entendu tous ces carts ne sont pas cumulatifs: ils constituent des ordres de grandeurs avoir contrl avant une dcision de dimensionnement pour prendre les scurits adaptes aux enjeux.

_______________________________

42

ANNEXE 1

AJUSTEMENT DE QUELQUES LOIS USUELLES EN HYDROLOGIE

1 2 3 4 5

Loi Normale et loi Log Normale Loi de Gumbel et loi de Frchet Loi de Pearson Lois exponentielles Loi de Poisson et loi Binomiale Ngative

l) LA LOI NORMALE ET LA LOI LOG NORMALE

Fonction de rpartition de la loi Normale :

On retiendra que la loi Normale est une loi symtrique et plausible a priori si le phnomne physique tudi peut tre considr comme une somme d'un grand nombre de petits phnomnes indpendants (Thorme Central Limite). Pour les crues, lorsque le bassin tudi est grand (surface suprieure 10 000 km2), que son arrosage est trs diversifi, que ses affluents sont nombreux et relativement indpendants, on peut parfois envisager que le dbit (ou plutt son logarithme) soit le rsultat d'une telle somme de phnomnes. On dira que le dbit suit la loi de l'effet proportionnel, tablie par Gibrat. La loi Normale est cependant assez rarement la loi la mieux adapte, dautant que, les dbits ne pouvant tre ngatifs, la formule ci-dessus est utilisable seulement si la moyenne des dbits est grande devant l'cart type, et dans la mesure o on sintresse aux forts dbits. En revanche on trouve assez souvent que le logarithme des dbits (qui, lui, peut tre ngatif) suit souvent assez bien la loi Normale. Cest la loi Log Normale, en remplaant Q par Log (Q-Q0) ou simplement log Q.

1.1 Estimation des paramtres Nous utiliserons la mthode des moments :

43

_ on obtient iustement : = Q =s

1.2 Ajustement graphique II faut : tracer les points observs (Qi -fi ) o fi sont les frquences empiriques = i / (n+1) tracer la courbe F(Q). Si l'on trace F(Q) dans un plan gradu rgulirement, on va obtenir une courbe dont il est difficile de juger l'adquation aux points exprimentaux. Par contre, si on fait la mme opration dans un plan dont les ordonnes sont convenablement transformes, F(Q) apparatra comme une droite et il sera plus facile de juger de l'alignement des points. Le papier Gauss, bien connu, ralise cette transformation et permet d'effectuer sans calcul le report des points observs, et de tracer la droite au moyen de deux points A et B de coordonnes : A(Q: 0,500) B(Q + 2 s; 0,9773) .

Posons:

II est immdiat de voir qu'en transformant les ordonnes par -1 , le graphe de F(Q) devient une droite de la forme y = (Q-)/ 44

En rptant cette opration pour diverses probabilits p, on peut tracer les intervalles de confiance % (en gnral 70%). L'ajustement la loi Log Normale est identique : une premire approche consiste remplacer remplacer le dbit Q par son logarithme dans tout ce qui vient d'tre dit. Lapproche complte en remplaant Q par Log(Q-Q0) et en cherchant optimiser le paramtre Q0 est un peu plus complexe.

45

2) LA LOI DE GUMBEL (VALEURS EXTRMES) ET LA LOI DE FRCHT Fonction de rpartition : F(Q) = exp[ exp[ - (Q-)/ ] ]

Cette distribution n'est plus symtrique : elle donne plus de poids aux crues les plus fortes. Son sous-titre valeurs extrmes provient du fait qu'elle rsulte de l'tude des valeurs extrmes prises par une variable alatoire (fonction de rpartition ) au cours de n tirages indpendants, et qui ont pour fonction de rpartition asymptotique n(x)=n(x). L'analyse de ce type de variables, ainsi que celle du dpassement de divers seuils, ont t abordes par Fisher et Tippet, et compltes par Gumbel. Il est vident que selon la loi initiale , on obtiendra diverses lois d'extrme (x), et que celle propose n'est qu'un cas particulier. Cependant ce cas particulier convient souvent bien aux crues. D'ailleurs il correspond une loi (x) que nous retrouverons dans la mthode du Renouvellement. Certaines rivires, assez rares, s'ajustent mieux la loi de Frchet, qui est la mme loi dans laquelle la variable Q est remplace par son logarithme (forme la plus courante). 2. l Estimation des paramtres Estimation par la mthode des moments : _ a = Q - 0,45.s b = s / 1,28

2.2 Ajustement graphique La dmarche est analogue celle suivie pour la loi Normale, sauf que le papier utiliser n'est plus gaussien mais de Gumbel (double log). La transformation des ordonnes est simplement : -1(y) = - log[ -log(y) ]

46

2.3 Intervalle de confiance A une probabilit donne p de dpassement correspond un quantile Qp tel que 1-p = exp[-exp[-(Qp-)/]] o Qp =-. log[-log[1-p]] _ Qp = m + p. estim par: Q*p = Q + p. s avec p = - (0,45 + log[-log[1-p]]/1,28)

ce qui permet d'crire en remplacant et :

Considrons la variable : _ T= (Q*p - Qp)/s = (Q-m-p. )/s + p Cette variable est une mesure de l'cart entre prvision et ralit. BERNIER a tudi cette variable T, dont la loi n'est pas simple, et a calcul labaque ci contre. On y lit, pour un nombre N d'observations donn, et une probabilit p de crue, les valeurs T1 et T2 de la variable T qui permettent de calculer les bornes Q1 et Q2 de l'intervalle de confiance 70% de la faon suivante : Q1 = Qp -T1.s Q2 = Qp +T2.s Comme pour la loi Normale, il faut rpter ces oprations pour diffrentes probabilits p afin d'obtenir l'intervalle complet 70%. L'ajustement la loi de Frchet s'obtient en ajustant le logarithme des dbits la loi de Gumbel.

3) LES LOIS DE PEARSON ET LOG PEARSON Densit :

Cette loi Gamma trois paramtres est trs en vogue dans les pays anglo-saxons : nous ne l'utilisons que rarement car le plus souvent la loi Log Normale ou bien la loi des valeurs extrmes rpondent 47

la question. Un dfaut d'ajustement provient plus souvent des donnes, des hypothses, etc... que des lois. Ceci dit, la loi Gamma est souple (3 paramtres) et souvent bien adapte aux calculs ultrieurs. On peut notamment contrler son asymtrie et lui donner une forme plus pratique : QT = m + K o m = moyenne = cart type QT = dbit de priode retour T K = fonction tabule dpendant de T et du coefficient d'asymtrie. (K se lit directement dans des tables selon la priode de retour de l'vnement cherch). Les intervalles de confiance sont calculables mais assez compliqus, si bien que les utilisateurs emploient galement des tables d'un certain kc permettant de calculer la borne suprieure, associe un risque fix de dpassement : (QT)c = m + kc. c pour confidence limite interval . On trouvera dans BOBBE un expos clair et complet de tous les calculs qui conduisent ces formules simplifies. L'application pratique est facile mettre en oeuvre en consultant le guide amricain d'estimation des probabilits de crues. Ce dernier fournit notamment les tables de K et kc en fonction du risque et de la taille de l'chantillon des logarithmes des dbits (loi Log Pearson).

48

4) LES LOIS EXPONENTIELLES 4.1 La loi exponentielle simple Fonction de rpartition : Densit: F(x) = 1 - exp[-x] f(x) = .exp[-x]

L'estimation du paramtre unique par les moments ou par le Maximum de Vraisemblance est identique : _ =1/x L'ajustement de cette loi se fait trs simplement sur papier semi-log. Du point de vue pratique on prendra souvent x=Q-S, o S est un seuil en dbit. La loi correspondante scrit: G(Q) = 1 - exp[-(Q-S)] _ avec = 1/(Q-S) La loi exponentielle simple prsente la particularit que la moyenne est gale l'cart type: _ var Q = (Q - S )2 Intervalle de confiance : Une premire estimation simple de cet intervalle consiste calculer var Qp en se _ rappelant que : Qp=S+(Q-S).log(1/p) de sorte que Var Qp = (Qp - S)2 / N

4.2 La loi de Weibull C'est une loi exponentielle deux paramtres. fonction de rpartition : F(x) = 1 - exp[-xp] f(x) = pxp-1.exp[-xp]

densit

Cette fois l'estimation des paramtres p et p n'est plus aussi simple et diffre selon quon utilise lestimateur des Moments ou du Maximum de Vraisemblance. Il en va de mme pour l'intervalle de confiance dont les calculs sont dvelopps en seconde partie et en annexe 2 dans le cadre de la mthode du Renouvelement.

49

5) LA LOI DE POISSON ET LA LOI BINOMIALE NGATIVE

Les lois prcdentes s'appliquent des variables alatoires continues, en 1'occurrence le dbit. Nous aurons parfois besoin d'tudier une variable alatoire discrte: le nombre de crues pendant un laps de temps fix. Le plus souvent, la loi de Poisson conviendra : dans les rares cas o il n'en est pas ainsi la loi Binomiale Ngative prend le relai. Nous nous limiterons donc au rappel de ces deux lois.

5.1 La loi de Poisson Cest une loi l paramtre : P(n)=exp(-m) . mn n! _ Lunique paramtre m est gal la moyenne et s'estime naturellement par : n = ni /N o {ni} est la suite des nombres entiers alatoires observs (par exemple le nombre de crues de chaque anne). L'cart type est gal la racine carre de la moyenne. Cette loi est bien connue et ne ncessite pas d'tre plus dtaille.

5.2 la loi Binomiale Ngative

Il existe un grand nombre d'autres lois que l'on rencontre au hasard de la littrature : celles cites ici sont amplement suffisantes pour estimer les risques de crue dans 99% des cas. Des lois plus sophistiques n'apportent pas grand chose car les donnes, notamment dans la zone des vnements rares, sont en gnral trop peu nombreuses pour les valider, si bien que ces lois, apparemment plus adaptes, sont en fait trompeuses. Par contre on pourra trouver des variantes de ces lois tout fait justifies, par exemple les lois tronques qui combinent une des lois cites ci-dessus avec un comportement diffrent l'origine. Ce type de loi est employ en hydrologie dans la mthode des Maxima Annuels lorsqu'on veut carter les crues trop faibles (non reprsentatives).

50

ANNEXE 2

ESTIMATION DES PARAMTRES DE LA METHODE DU RENOUVELLEMENT ET DE LEURS INCERTITUDES

Cette annexe dtaille certains calculs mentionns en deuxime Partie, page 7, et en utilisant les mme notations. Elle est extraite de [18].

51

52

53

54

55

56

57

58

59

60

61

ANNEXE 3

TABLES STATISTIQUES ET PAPIERS GAUSS ET GUMBEL

62

Table de la loi Normale (ou loi de Gauss) Fonction de rpartition de la loi Normale centre rduite (probabilit de trouver une valeur infrieure u )

Table de la loi de Student Fractiles tP de la loi de Student

63

64

Fractiles P de la loi de
2

Table de la loi du

2 2

65

Intervalles de confiance pour la loi de Gumbel Abaque de BERNIER

66

Papier de Gumbel

67

Papier de Gauss

68

RFRENCES BIBLIOGRAHIQUES

Ouvrages gnraux [ 1] BERNIER J., PARENT E., BOREUX JJ. Statistique pour lEnvironnement Ed. Technique et documentation, 2000 BOWKER et LIEBERMAN Mthode statistique de l'ingnieur , Dunod, Paris, 1975. HAAN Statistical methods in hydrology . lowa State University Press, 1977. KENDALL The advanced theory of statistics , Griffin, Londres, 1960. LEBART L., MOINEAU A et FENELON JP. Traitement des donnes statistiques Dunod, Paris, 1979

[ 2]

[3 ]

[4 ]

[5 ]

Ouvrages et articles spcialiss

[6 ]

BERNIER J. Donnes incompltes et transfert dinformations-cas du dimensionnement de protections contre les crues , 15ime Assises de lAssociation Qubquoise de Technique de leau, Montral, 1987 [ 7] BERNIER J. Sur la nature alatoire du cot des dommages provoqus par les crues , La Houille Blanche, n l, 1979. [8 ]

BERNIER J. et MIQUEL J. Incertitude de l'information et dcisions en situation de risque. Cas de problme de protection contre les crues ,La Houille Blanche, n 4/5, 1979. BOBEE B. Contribution l'tude statistique des dbits maximaux annuels de crue par les distributions de Pearson III et Log Pearson III , Thse de Docteur Ingnieur, Toulouse, 1976. [ 10] COX Renewall Theory , Wiley, New York, 1962. 69 [ 9]

[ 11]

CRAMER et LEADBETTER Stationnary and related stochastic processes , Wiley, New-York, 1967.

[12 ]

CREUTIN D. Mthode dinterpolation optimale de champs hydromtorologiques. Comparaison et application une srie dpisodes pluvieux cvenols Thse INPG - Grenoble, 1979 [ 13] DELHOMME JP. Application de la thorie des variables rgionalises dans les sciences de lEau Bulletin du BRGM, 1978 [ 14] Document par un groupe de travail du CFGB Les crues de projet des barrages : methode du Gradex, 1994

GUILLOT P., DUBAND D. La mthode du gradex pour le calcul de la probabilit des crues partir des pluies IASH, Publication n 84, 1967. [16] GUMBEL Statistics of extrmes , Columbia University Press, New York, 1958.

[ 15]

[ 17]

MARGOUM M Estimations des crues rares et extrmes : Le modle AGREGEE. Conception et premires validations - Thse, CEMAGREF et Ecole des Mines de Paris, Juillet 1992. MIQUEL J. Guide pratique d'estimation des probabilits de crues Ed Eyrolles, 1984 REMENIERIAS L'hydrologie de l'ingnieur , Eyrolles, Paris, 1965. PARDE Le rgime de la Garonne revue Gographique de Pyrnes et du Sud-Ouest, 1935 ROCHE Hydrologie de Surface , Gauthier-Villars, Paris, 1963.

[ 18]

[ 19]

[20]

[ 21]

[221] WORLD METEOROLOGICAL ORGANISATION Estimation of maximum probable floods ,WMO n 233, TP126. [ 23] WORLD METEOROLOGICAL ORGANISATION Manual for estimation of probable maximum precipitation,WMO 1986. YEVJEVICH Probability and statistics in hydrology , Water Ressources Publications. Fort Collins, 1972.

[ 24]

70