Académique Documents
Professionnel Documents
Culture Documents
Remerciements
Je tiens tout particulirement remercier mon encadreur, M. Pierre
HUBERT, qui a bien voulu me proposer ce sujet et me suivre tout au
long de ce travail de mmoire.
Je remercie galement M. Hocine BENDJOUDI, pour sa grande
disponibilit et ses conseils.
Je n'oublie pas Mlle Keltoum CHAOUCHE, pour sa collaboration et son
appui aux questions mathmatiques et statistiques.
Que tous ceux ou toutes celles, qui m'ont aid et soutenu, d'une manire
ou d'une autre, de loin ou de prs, trouvent ici l'expression de ma
profonde et sincre gratitude.
Harouna KARAMBIRI.
SOMMAIRE
Page
RESUME... 1
INTRODUCTION.. 2
I- Prsentation des donnes... 3
I-1- Description de la base de donnes.. 3
I-2- Analyse l'chelle globale. 4
II- Multifractalit et Hydrologie.... 8
III- Distribution des sries annuelles. 11
III-1- Limites de la loi normale..
III-2- Application des multifractals l'tude des sries annuelles.
III-3- Estimation de l'exposant de dcroissance algbrique qD ..
III-4- Essai de proposition d'une fonction densit de probabilit
11
12
13
15
Rsum
Ltude statistique des sries pluviomtriques revt une importance capitale
en hydrologie, surtout en ce qui concerne le dimensionnement des ouvrages
hydrauliques et ltude des amnagements hydro-agricoles. Cest ainsi que lon
retrouve dans la littrature toute une plthore douvrages sur le sujet. Si depuis des
dcennies, les lois statistiques classiques ont fait le bonheur des hydrologues
statisticiens, amnageurs, concepteurs et autres, aujourdhui, un constat amer se
pose : Toutes ces lois classiques, souvent utilises abusivement, trouvent des limites
dans l'tude des vnements doccurrence rare. Des tudes rcentes (Hubert et
Bendjoudi, 1996) ont montr que la loi de Laplace-Gauss (loi normale) qui est la plus
utilise pour la modlisation statistique des pluies annuelles, mais aussi toutes les
autres lois dcroissance exponentielle, ne permettent pas d'ajuster d'une faon
satisfaisante les queues de distribution des sries longues. Faut-il donc en finir avec
la normalit ?
De nouveaux outils bass sur les dmarches fractales et multifractales ont t
introduits et ont permis de montrer que les sries pluviomtriques suivent plutt une
loi dcroissance algbrique moins rapide qu'une dcroissance exponentielle, et
que l'exposant qD pourrait tre invariant d'chelle et universel.
Dans ce rapport, nous avons appliqu cette approche 233 sries
pluviomtriques annuelles de dure suprieure ou gale 100 ans. Le paramtre qD
a t estim 4,5
1.
Nous proposons galement une nouvelle loi algbrique de distribution des
probabilits ainsi qu'une autre mthode d'estimation de qD.
Introduction
Les prcipitations constituent les principales entres des systmes
hydrologiques tels que les bassins versants. Elles sont vitales pour les tres humains
dans la mesure o elles assurent la recharge des ressources en eau et favorisent le
dveloppement des activits humaines (agriculture, pche, production d'nergie,).
Mais, elles peuvent devenir aussi dangereuses, voire mortelles, en causant des
inondations.
Voil plusieurs sicles que l'homme a commenc s'intresser ces phnomnes
naturels en essayant de les mesurer, de les analyser, de comprendre leur origine et
les processus selon lesquels ils se manifestent. Mais hlas, il a t trs souvent
limit par les instruments de mesure et les outils d'approche. Les seules mesures
fiables disponibles aujourd'hui datent seulement des sicles derniers (18me sicle).
L'avnement des nouvelles technologies telle que l'informatique, a permis une
avance considrable en hydrologie en ce qui concerne l'acquisition, le stockage et
le traitement des donnes pluviomtriques. C'est ainsi que l'on a vu natre toute une
pliade de modles mathmatiques et statistiques.
Pendant longtemps, les hydrologues se sont contents de dvelopper des modles
ad hoc, spcifiques une certaine chelle de temps, pour proposer des solutions
aux problmes pratiques urgents, avec pour seul souci la qualit de l'ajustement aux
donnes empiriques (Hubert et Bendjoudi, 1997). Aujourd'hui, la pratique montre que
ces modles ne suffisent plus expliquer la distribution des vnements
d'occurrence rare.
Les approches fractales puis multifractales, empruntes l'tude de la
turbulence hydrodynamique, ont donn une nouvelle dimension l'analyse et
l'interprtation des champs de pluies.
Dans ce mmoire, nous nous proposons d'tudier la distribution des sries
pluviomtriques partir de ces formalismes fractals et multifractals, afin de
dterminer les paramtres des lois qui les rgissent et de proposer de nouveaux
modles statistiques de probabilit.
Nous commencerons par une tude globale des donnes qui permettra d'avoir
une vision spatiale de la rpartition des pluies. Nous aborderons ensuite la notion de
multifractalit, son introduction en hydrologie et son application sur les donnes.
Pour finir, nous proposerons une nouvelle fonction densit de probabilit et une autre
mthode d'estimation du paramtre de dcroissance algbrique des queues de
distributions.
1q (t ) 2q (t + t ) d , t
K ( 2, q )
(1)
(2)
(x,0) : I n(1,1) ( x ) x
1
K ( 2)
1 H
K ( 2)
(3)
(4)
au mme pas de temps et sur leur domaine commun. La distance x sparant deux
stations est calcule partir des coordonnes gographiques des deux stations
(latitude, longitude) l'aide de la trigonomtrie sphrique.
On procde ainsi pour tout le rseau et on reporte sur un graphique (graphique 1) les
valeurs de la fonction de corrlation en fonction des distances considres. Il faut
signaler que nous avons retenu seulement les couples dont le domaine de dfinition
tait au moins gal 10 ans.
Avant d'interprter ce graphique, il serait judicieux d'analyser d'abord pour les
mmes couples de stations, le coefficient de corrlation classique entre les sries
des deux stations sur le domaine de recouvrement. Le graphique 2 montre la
variation de ce coefficient en fonction de la distance. Pour des distances faibles, le
coefficient de corrlation est lev (autour de 0,8); il diminue avec l'augmentation de
la distance. Au-del d'une certaine distance (environ 4000 km) le nuage de points
reste centr sur l'axe y=0. Compte tenu de l'opacit du nuage due au nombre
important de points (26 982), nous avons cherch affiner sa lisibilit en faisant des
moyennes par intervalle de distance de 500 km (graphique 3). Sur ce graphique, on
peut souligner une dcroissance de la corrlation bien marque pour des distances
allant de 0 environ 4000 km. Aprs cette distance, le coefficient oscille autour de 0
avec une moyenne pratiquement nulle. Cela nous permet de dfinir, pour une station
donne, un cercle de corrlation centr sur cette station, de rayon 4000 km,
l'intrieur duquel toute autre station sera corrle avec la premire.
Revenant au graphique 1, on retrouve cette porte de 4000 km o le nuage de
points semble plus pais et plus compact; il s'effile et s'effrite au-del de cette
distance. On s'intressera plus particulirement cette premire partie de la fonction
de corrlation afin de quantifier la relation (4). Pour cela, nous avons fait la moyenne
comme prcdemment, des valeurs de la fonction au pas de distance de 500 km
(graphique 4). Un ajustement des points a t fait et on trouve:
I n(1,1) ( x ) x
0 , 0091
K (2) = 0,0091
Cette valeur est comparer celle de 0,22 0,06 trouve par Marsan (1998) pour
des spectres d'nergie de donnes de rflectivit radar sur une priode de 2,5 jours
et un domaine carr de 500 km environ, avec une rsolution de 2 km x 2 km toutes
les 15 minutes.
Il faut noter que plus K(2) est lev, plus la fonction de corrlation dcrot rapidement
et moins la distance de corrlation est grande. La valeur que nous avons trouve se
justifie donc par la grande chelle d'tude considre (plusieurs milliers de km).
Nous avons repris la mme tude, mais cette fois-ci, en distinguant les
couples de stations ayant une orientation Est-Ouest (E-W) ou Ouest-Est (W-E) et
ceux ayant une orientation Sud-Nord (S-N) ou Nord-Sud (N-S). On admettra qu'un
couple a une orientation Est-Ouest, si l'angle entre la droite (plutt l'arc) reliant les
deux stations et l'Equateur gographique est infrieur 45. Il aura une orientation
Sud-Nord dans le cas contraire.
Les graphiques 5, 6, 7, 8 montrent respectivement, en fonction de la distance, les
variations des coefficients de corrlation E-W, S-N et des fonctions de corrlation EW et S-N. Pour apprcier les diffrences, examinons plutt les graphiques 9 et 10.
Sur le graphique 9, on retrouve toujours une premire phase, pendant laquelle, les
coefficients de corrlation restent levs et dcroissent rapidement avec la distance.
Cette dcroissance est plus forte dans la direction S-N que dans la direction E-W. On
pourrait dfinir des portes de 2000 km pour la direction S-N et 3000 km pour la
direction E-W. Au-del de ces distances, les valeurs des coefficients de corrlation
suivant les deux directions se rejoignent et vacillent autour de 0.
Ces mmes portes se retrouvent sur le graphique 10, en ce qui concerne les
fonctions de corrlation. Des rgressions sur les premiers points, selon chaque
direction, donnent les rsultats suivants:
direction E W : I n(1,1) ( x ) x
0 , 0076
K (2) = 0,0076
direction S N : I n(1,1) ( x ) x
0 , 0087
K (2) = 0,0087
La valeur de K(2) dans la direction S-N est plus leve que celle dans la direction EW; ce qui se traduit par: pour une mme distance, la corrlation est plus forte dans la
direction E-W que S-N. La dcroissance rapide de la fonction de corrlation dans
cette dernire direction justifie sa faible porte.
Des explications plus physiques peuvent venir tayer ces analyses thoriques:
Loin de vouloir aborder ici, en dtails, les phnomnes complexes de la circulation
atmosphrique et de la gnration de pluie, nous tenons rappeler simplement que
la circulation dans l'atmosphre se fait diffremment selon deux zones:
-
d
dt
d
dt
direction E W ou W E
direction N S ou S N
10
11
q = 1K ( q )
(5)
avec la condition
= 1 K(1)=0 qui rsulte de la conservation en moyenne
d'ensemble de l'nergie totale chaque pas de cascade.
K(q) est appele fonction de structure ou de "scaling" des moments.
Si n est le champ obtenu aprs n itrations, on a :
nq = q
= 1nK ( q ) = K ( q )
(6)
q K (q )
(7)
Pr ob f C ( )
(8)
(q
C ( ) )
C ( ) = max
q
12
(q
K ( ) )
(9)
Ce qui permet d'tablir des relations univoques entre ordres des moments et des
singularits:
q =
dC ( )
d
dK ( q )
dq
(10)
C ( ) = q D ( D ) + C ( D )
si f D
(11)
Pr ob f C ( ) q D
(12)
Si on dfinit un seuil = , on a :
Pr ob [ f ] q D
(13)
Cette quation, trs rvlatrice, montre que quelle que soit l'chelle considre, la
probabilit au dpassement d'un seuil suffisamment grand, est une fonction
algbrique dcroisante de ce seuil et que l'exposant qD est indpendant de l'chelle
considre. C'est ce rsultat que nous utiliserons par la suite pour caractriser les
queues de distributions des sries pluviomtriques annuelles de la base de donnes.
Cette transition de phase qualifie de transition de phase multifractale du
premier ordre survient suite des discontinuits dans les premires drives des
fonctions K(q) et C(); A cause du nombre fini de donnes de mesures (problmes
d'chantillonnage), il apparat une autre transition de phase multifractale du second
ordre due aux discontinuits dans les drives secondes de K(q) et C(). L'ordre des
moments critique correspondant est qS (Lima et Grasman, 1999; ..).
13
( x )2
exp
2
2
2
cart-type de la srie.
f ( x) =
Pr ob [H f h ] h qD
(14)
Les sries ont t ranges par ordre croissant et pour chaque valeur Xi, nous avons
calcul la probabilit empirique au dpassement correspondante par la formule de
n +1 i
, i tant le rang et n le nombre dobservations.
WEIBULL: Pr ob( X f X i ) =
n +1
Les points reprsentatifs de ces probabilits empiriques au dpassement ont t
reports sur un graphique log-log. A ces points, nous avons superpos la courbe
correspondant la probabilit au dpassement issue de lajustement des donnes
une loi normale (graphique 11).
15
Pour toutes les sries, l'ajustement des donnes empiriques la loi normale
est satisfaisant sauf pour les valeurs extrmes. On note en effet pour toutes les
sries et cela d'une manire systmatique, que la loi normale dcroche pour des
seuils grands, donc des probabilits au dpassement faibles. Cette cassure se
produit dans l'ensemble pour des probabilits au dpassement infrieures ou gale
0,05 (priode de retour 20 ans). Au-del de cette probabilit, la loi normale n'est
plus valable puisque la loi des grands nombres ne s'applique plus, d'o perte
d'ergodicit, divergence des estimateurs statistiques usuels et dpendance des
estimations de la taille de l'chantillon (Bendjoudi et Hubert, 1998): C'est la transition
de phase multifractale du premier ordre. Elle correspond une chute algbrique de
la distribution des intensits, infiniment moins rapide qu'une dcroissance
exponentielle. Ce qui n'tait qu'une conjecture thorique, se voit bien vrifi par les
donnes empiriques. En effet, au-del de la cassure, les points empiriques
s'organisent autour d'une droite. C'est en fait la traduction de l'quation (14) en
logarithme:
16
pour les valeurs de qD, o la densit des points est plus leve. Au-del, les points
sont pars. La dgradation horizontale de ce noyau peut s'expliquer par le nombre
de moins en moins lev de sries de plus de 150 ans. Mais la faible densit de
points au-dessus du noyau (verticalement) pourrait traduire l'existence d'une valeur
de convergence de qD au sein du noyau. Une petite statistique sur ce noyau donne
une valeur moyenne de qD de 4,4 et un cart-type de 1,3.
Entre 100 et 140 ans, on note une forte variation verticale des valeurs de qD (2
26). Trs rapidement, cette variation s'attnue lorsque la dure des sries
augmente. Les points semblent encadrs par deux courbes enveloppes virtuelles
minorante et majorante qui convergent vers une mme limite lorsque le nombre
d'annes d'observation devient grand. Pour essayer d'approcher cette valeur "idale"
de qD qui serait la limite d'une srie infinie, nous avons utilis les 6 plus longues
sries (de plus de 200 ans). En nous fondant sur la moyenne et l'cart-type de ces
sries, nous pouvons estimer la valeur limite de qD 4,5 1.
Cette valeur est proche de celle trouve pour le noyau d'attraction.
Il y a lieu de relever que cette estimation de l'exposant de dcroissance qD est
lgrement suprieure celle faite dans les travaux prcdents (Bendjoudi et
Hubert, 1998) qui est de 3,8 0,5.
La recherche dans la littrature de nouvelles sries de plus en plus longues, s'avre
indispensable pour affiner davantage la dtermination de ce paramtre.
Nous avons appliqu d'autres formules empiriques de calcul de la probabilit
au dpassement savoir:
Cunnane: Pr ob( X f X i ) =
Hazen: Pr ob( X f X i ) =
n + 0 .6 i
n + 0 .2
n + 0 .5 i
n
17
constants. Alors que les moments d'ordre 4, 5 et 6 ont du mal se stabiliser et ont
tendance diminuer quand N augmente. Cette instabilit des moments d'ordre
suprieur ou gal 4 traduit bien le fait qu'un phnomne s'est produit: c'est la
transition de phase multifractale. L'ordre critique des moments se situe donc autour
de 4, ce qui consolide l'estimation faite plus haut. Le moment d'ordre 4 n'existant
pas, des paramtres statistiques tel que le coefficient d'aplatissement n'ont aucune
signification.
Les consquences pratiques d'une dcroissance algbrique des queues de
distribution des sries sont assez lourdes, surtout en ce qui concerne les risques
hydrologiques et les cots des ouvrages de gnie civil. Quand on multiplie un seuil
d'intensit par 10, on divise sa probabilit au dpassement par 10qD, on multiplie
donc sa priode retour par 10qD. En adoptant la valeur de qD de 4,5 , on est trs loin
des rsultats donns par une distribution normale qui divise par 10 la probabilit au
dpassement d'un seuil 10 fois plus grand.
En outre, un vnement qualifi de millennal par une loi normale, ne serait en fait
que centennal dans le cas de notre modle.
Le graphique 15 permet de mieux visualiser ces diffrences. Nous y avons
reprsent la priode de retour T de l'intensit maximale de chaque srie, calcule
par la loi normale, en fonction de la dure n de la srie qui correspond la priode
de retour empirique de la plus grande intensit. Pour des raisons de commodit,
l'axe des ordonnes est en chelle logarithmique.
Hormis quelques rares points, la quasi-totalit des points (plus de 90%) se
situe au-dessus de la premire bissectrice. Le nuage de points n'est aucunement
allong le long de cette droite; il est plutt orient verticalement. Alors que la priode
retour empirique varie entre 100 et 299 ans, avec une moyenne de 126 ans, celle
thorique varie de 38 ans 4,3 millions d'annes avec une moyenne de 57 000 ans.
Pour des vnements qui sont dans l'ensemble centennaux, 40% sont estims plus
que millennaux par la loi gaussienne.
Comme nous pouvons donc le constater, la loi normale fait une forte
surestimation des priodes de retour des vnements extrmes. Ce qui a une
incidence sur les cots des ouvrages hydrauliques.
18
1 (1 Z )1 /
P( X x) =
1 exp( Z )
o Z =
0 p Z p ,
0 p Z p 1/ ,
0 p Z p ,
p0
f0
=0
(15)
avec
: paramtre de position ( x > )
: paramtre d'chelle ( > 0 )
: paramtre de forme.
-
m 2
2
m
2 1
x
exp
+
2
m ef ( )
x
x
pour
xf0
(16)
+ x
)dx
Dans cette mme foule, nous essayons ici de proposer une fonction densit
de probabilit qui prsente un comportement algbrique.
xa
Soit la fonction: h( x) =
x 0, avec a>-1 ; b>0 ; m>0 ; c>(a+1)/b
c
m + xb
h( x)dx =
(m + x ) dx = m
0
b c
a +1 bc
b
a +1
a +1
b
b
b(c)
h( x )
19
h( x)dx
x 0
On aura:
b(c)
f ( x) =
m
a +1 bc
b
a + 1
a +1
b
b
xa
(m + x )
b c
x 0
(17)
est bien une fonction densit de probabilit puisqu'elle est continue, positive et
drivable sur ]0;+[ et
f ( x)dx = 1 .
Pr ob[X f x ] =
f ( x)dx
x a bc dx x ( bc a 1)
x
(c )
m
f ( x) =
* c
m(a + 1)(c a 1)
x
1 +
m
(18)
g(u) = m (x)
du =
dx
m
20
(c )
ua
g (u ) =
*
(a + 1)(c a 1) (1 + u )c
(19)
g (u ) =
1
ua
*
B(a + 1, c a 1) (1 + u )c
(u )(v)
(u + v)
g (u ) =
1
u a 1
*
* [a + (a c)u ]
B(a + 1, c a 1) (1 + u )c +1
-1<a<0
a
ca
u 0
a c
u +
u +
= 0 car a c < 0
a=0
g (u ) =
c
1
*
p 0 : g est strictement dcroissante.
B(c, a + 1) (1 + u )c +1
21
g (0) = c(1 c)
et
g (0) = (c 1)
Tableau de variation:
0
c(1-c)
c-1
a>0
a
ca
a
a
M
, g
c a c a
u<
a
ca
u>
a
ca
aa
1
a
ca
g
* c (c a )
=
c a B(a + 1, c a 1) c
et g(0)=0
Tableau de variation:
a
ca
0
+
a
g
ca
22
Il faudra remarquer que dans l'intervalle ]0;1], g'(u)+ quand u0, la courbe
de g (Cg) admet donc une tangente verticale l'origine. Alors que dans l'intervalle
]1; +[, g'(0)=0: (Cg) admet une tangente horizontale l'origine.
Quelle que soit la valeur du paramtre a, lim g (u ) = 0 : (Cg) admet l'axe des
u +
10
a<-1
c<a+1
-1
10
Pour a>0:
a
am
c a
x=
x
ca
u=
g (u ) = 0 u =
am
ca
(20)
b) Mdiane
Elle est dfinie comme tant la valeur de la variable de part et d'autre de
laquelle, on retrouve 50% de la distribution. Si on note xmd la mdiane, on doit avoir :
x md
f ( x)dx =
x md
f ( x)dx =0,5
(21)
Entrer m,a,c,
pas
S=0
x1=0
Sous programme
x2=x1+pas
x1=x1+pas
S=S+[f(x1)+f(x2)]*pas/2
oui
S<0.5
non
xmd = x2-pas/2
Fin
24
x
(c)
m
f (x) =
* c
m(a +1)(c a 1) x
1+
m
c) Moments
Le moment dordre p se met sous la forme :
[ ]=
EX
x p f ( x)dx = m p
(a + p + 1)(c a p 1)
(a + 1)(c a 1)
[ ]
(22)
f ( x)dx = 1
Les conditions d'existence de ces moments sont: a+p>-1, c>a+p+1, et m>0. Ce qui
donne pour l'ordre des moments: -(a+1)<p<c-a-1 -(a+1)<p<qD. Il existe donc un
ordre maximum (ordre critique qD) au de-l duquel les moments ne sont pas dfinis.
L'expression de quelques moments particuliers sont donnes dans la suite:
[ ]
E X1 =
xf ( x)dx = m
(a + 2)(c a 2)
(a + 1)(c a 1)
m(a + 1)
ca2
(23)
[ ]
E X2 =
[ ]
E X2 =
x 2 f ( x)dx = m 2
(a + 3)(c a 3)
(a + 1)(c a 1)
m 2 (a + 1)(a + 2)
(c a 2)(c a 3)
(24)
Var ( X ) =
(x E [X ])
[ ]
f ( x)dx = E X 2 [E [ X ]]
m 2 (a + 1)(c 1)
(c a 2) 2 (c a 3)
(25)
25
L'application des deux premires mthodes n'est pas aise compte tenu des
complexits mathmatiques engendres par les drives partielles qui ne permettent
pas d'expliciter les paramtres. Quant la mthode des moments, elle s'applique
facilement, mais les rsultats ne sont pas satisfaisants (c<0 ou m<0). Cela peut tre
d au fait que les moments utiliss ne soient pas assez significatifs pour un
chantillon; notamment les moments d'ordre 1 et 3. Ce dernier est assez instable
car tant situ dans la zone d'influence du moment critique qD.
26
E [ X ] = c a 2 = e1
(a + 1)(c 1)
Var ( X ) =
= e2
(c a 2) 2 (c a 3)
(1 + e1 )2
e
+ 1 1
e2
a=
1 + e1
2
1
c=
(26)
e1
(1 + e1 )2 + e1 + 2
e2
(27)
Pr ob[X f x ] =
f ( x)dx = 1 f ( x)dx .
0
27
bien avec les donnes empiriques. Dans cette partie, l'ajustement est satisfaisant.
Par contre, pour des probabilits au dpassement suprieures 0,05 , la loi
semble dcrocher un peu des donnes empiriques par rapport la loi normale. On
distingue essentiellement pour cette partie, deux zones. L'une comprise entre les
probabilits 0,05 et 0,6 , o la loi se trouve en dessous des valeurs empiriques.
L'autre allant des probabilits 0,6 1, o la loi se situe au-dessus des donnes
empiriques. Toutefois, on peut remarquer que les carts entre la loi thorique et la
loi empirique (Weibull) ne sont pas assez grands. Notons galement que les valeurs
de probabilit de 1, donnes par pour des faibles valeurs de x, sont dues, comme
nous l'avons vu plus haut, la forme de dmarrage de la courbe de qui admet une
tangente horizontale l'origine pour a>1.
S'il y a aujourd'hui un fait qu'on ne peut plus nier, c'est la distribution de probabilit
des intensits pour des seuils levs, suivant une loi dcroissance algbrique
caractrise par un exposant qD qui serait invariant d'chelle et universel. Cela ne
doit pas cependant nous faire oublier toute la complexit que reprsentent les
phnomnes naturels telle que la pluie. La mise au point de modles base
physique, reproduisant fidlement le comportement de tels phnomnes n'est
certainement pas chose facile. Cette fonction , qui n'est qu' sa premire tude,
montre toute la puissance que reprsentent de telles lois par rapport aux lois
classiques dcroissance exponentielle beaucoup plus rapide. Il y a donc lieu
d'affiner l'tude en explorant d'autres horizons (b1,m1 par exemple).
28
si X i f s
i = 1
si X i s
i = 0
On dfinit par:
(i=1n)
29
intensit Xi
seuil s
0
1
10
pas de temps
On reporte sur un graphique, pour tout seuil s, les points d'abscisse x(s) et
d'ordonne y(s) dfinies par:
n
1 n
d ( s)
log
log
=
x( s ) = log
=
i
n
n i
D
i =1
i =1
n
1
1 n
p( s )
log
log
y ( s ) = log
=
X
Xi
i i
P
n i =1
n i =1
(28)
(29)
Ui = i
Vi = X i i
i=1,,n
1 n
1 n
1 n
,
,
X
U
i n
Vi convergent
i
n i =1
n i =1
i =1
y ( s ) = log E [V ] log E [ X ]
(30)
(31)
G ( x ) = P ( X f x) =
f (t )dt
30
G ( x) = r ( x).x q
x 1
r vrifie:
lim r ( x) = K
x +
avec q>1
et r est croissante sur [1,+[
r ( x).x Ax 1
x 1
(31)
avec
A f 0 et f 0
(33)
(34)
h( s ) =
sG ( s )
(35)
G
s
E [U ] = G ( s )
(36)
+
E [V ] = sG ( s ) + G
(37)
y ( s )
On calcule la pente a(s) en tout point (x(s),y(s)): a( s ) = s
x( s )
s
+
G ( s )
G (s) + s
+
G
s
s s
G( s)
a( s) =
*
+
G ( s )
sG ( s ) + G
s
s
Cette pente s'exprime en fonction de la vitesse de dpassement h:
a( s) =
(38)
1
1+
h( s )
G =
x
r ( x) x1 q
1 +
r (t )t 1 q dt
+
q 1
q 1 x
+
x G
1
1
=
=
[1 + ( x)]
h( x) xG ( x) q 1
avec
( x) =
31
x q 1 +
r (t )t 1 q dt
r ( x) x
( x)
Ax ( 2 q + +1)
( + q)r ( x)
1
1
1
=
1 + lim ( s ) =
s + h ( s )
s +
q 1
q 1
lim
lim ( s ) = 0
car
s +
On a donc:
lim a ( s ) =
s +
q 1
q
(39)
q 1
q
Cette pente, dans le cas d'une loi algbrique est bien diffrente de 1; alors qu'on
montre (Keltoum CHAOUCHE, paratre) que pour une loi normale ou exponentielle
elle vaut 1.
Pour plus de dtails sur les dmonstrations, se rfrer :
Keltoum CHAOUCHE, 1999, paratre. Estimation graphique du paramtre de
dcroissance algbrique. Laboratoire GRESE, ENGREF, Paris, France.
32
33
Conclusion
Les phnomnes naturels telles que les prcipitations, n'ont pas fini de nous
enseigner, cause de leur complexit due leur extrme variabilit. Il reste
certainement encore beaucoup dire et faire sur l'tude de la distribution des
pluies annuelles. Dans ce rapport, nous n'avons peut-tre analys qu'une petite
partie de ce qui pourrait tre demain tout un "iceberg" risquant de bouleverser les
connaissances hydrologiques actuelles. Durant ce travail, nous nous sommes rendus
compte de toute la difficult qu'il y a modliser les queues de distribution. Cette
tude devrait donc tre poursuivie sur des sries de plus en plus longues qui sont
celles qui permettent de mieux mettre l'preuve les modles statistiques, car on y
retrouve en principe davantage d'vnements rares dont la probabilit d'apparition
est faible (Hubert et Bendjoudi, 1996). Les consquences attaches ces
vnements rares sont trs lourdes (crues, inondations, dimensionnement et cots
des ouvrages) d'o tout l'intrt les matriser afin de mieux les estimer.
Les approches fractales et multifractales ouvrent une nouvelle re la
modlisation espace-temps des champs de pluies. Elles permettent de mieux rendre
compte de la nature intermittente spatio-temporelle des prcipitations. Contrairement
aux lois classiques dcroissance exponentielle beaucoup trop rapide, les
dmarches multifractales mettent en vidence une dcroissance algbrique des
queues de distribution avec un exposant qD qui serait invariant d'chelle et universel.
Les implications d'un tel rsultat sont nombreuses et considrables tant sur le plan
scientifique, conomique que social.
Pour terminer, nous osons esprer que ces nouveaux outils (fractals et
multifractals) ont de beaux jours devant eux et que les chercheurs s'investiront de
plus en plus dans cette voie en vue d'une meilleure connaissance et comprhension
des phnomnes naturels.
34
Rfrences bibliographiques
ABRAMOWITZ M., STEGUN A. Irne, 1970. Handbook of mathematical functions,
with formulas, graphs and mathematical tables, Dover Publications, Inc., New York,
1045 p.
AFNOR, 1994. Codes pour la reprsentation des noms de pays; norme NF EN 23166,
ISO 3166.
BENDJOUDI H., 1983. Application du concept d'entropie dans les sciences de l'eau, Thse
de Doctorat, ENSMP, UPMC Paris 6, 175 p. + annexes.
BENDJOUDI H. et HUBERT P., 1997. Longues sries disponibles dans la base
AMHY-FRIEND Flow Regime from International Experimental and Network Data,
Projets H-5-5 (IHP IV) and 1.1 (IHP V) Third report: 1994-1997, CEMAGREF ditions,
pp. 362-366.
BENDJOUDI H., HUBERT P., SCHERTZER D., LOVEJOY S., 1997. Interprtation
multifractale des courbes intensit-dure-frquence des prcipitations, CR Acad. Sci.
Paris, Science de la vie, 1997, 325, pp.323-326.
BENDJOUDI H., HUBERT P., 1998. A propos de la distribution statistique des cumuls
pluviomtriques annuels: Faut-il en finir avec la normalit? Revue des sciences de
l'eau, 4, pp. 627-640.
BERNHEIM M., 1991. FORTRAN: Mode d'emploi, InterEditions, Paris, 220 p.
BOBEE B., 1996. Elments de Statistiques, Polycopi de cours DEA HHGG, ENSMP,
UPMC Paris VI, 56 p.
CHAPEL A., FIEUX M., JACQUES G., JACQUES J.-M., LAVAL K., LEGRAND M., LE
TREUT H., 1996. Ocans et Atmosphre - Science de l'Univers, collection Synapses,
Hachette Education, Paris, 160 p.
DANIEL-JEAN D., 1984. Le Langage FORTRAN, Editests-Paris (France), 141 p.
DENIS-PAPIN M., 1959. Mathmatiques gnrales, Tome I, Dunod, Paris, 213 p.+annexes.
DE LIMA M. I. P., GRASMAN J., 1999. Multifractal analysis of 15-min and daily rainfall from
a semi-arid region in Portugal, Journal of Hydrology, 220, pp.1-11.
FOUERE Pascale, 1990. Essais d'estimation et de caractrisation fractale des prcipitations
sahliennes, Mmoire DEA national d'Hydrologie, ENSMP, UPMC Paris VI, 36 p.
HAAN C. T., 1977. Statistical methods in hydrology, The lowa State University Press, Ames,
378 p.
HARTMANN L. D., 1994. Global Physical Climatology, Academic Press, New York, 409 p.
HUBERT P. et CARBONNEL J. P., 1988. Caractrisation fractale de la variabilit et de
l'anisotropie des prcipitations tropicales. CR Acad. Sci. Paris, vol. 2, 307,
pp. 909-914.
HUBERT P. et CARBONNEL J. P., 1989. Dimension fractale de l'occurrence de pluie en
climat Soudano-Sahlien. Hydro. Continentale, 4, pp. 3-10.
HUBERT P., TESSIER Y., LOVEJOY S., SCHERTZER D., SCHMITT F., LADOY P.,
CARBONNEL J. P., VIOLETTE S., 1993. Multifractals and extreme rainfall events,
Geophysical Research Letters, Vol. 20, n 10, pp. 931-934.
HUBERT P., TOMA C. A., SCHERTZER D., LOVEJOY S., SCHMITT F., LADOY P., 1994.
Introduction aux Fractals et Multifractals, Cahier GANG-France publi par URACNRS 1367, 59 p.
HUBERT P., FRIGGIT F., CARBONNEL J. P., 1995. Multifractal structure of Rainfall
Occurrence in West Africa, Z.W. Kundzewicz [Ed.], New Uncertainty Concepts in
Hydrology and Water Ressources, Cambridge University Press, pp.109-113.
HUBERT P. et BENDJOUDI H., 1996. Introduction l'tude des longues sries
pluviomtriques, XIIme journes hydrologiques de l'ORSTOM, Montpellier.
HUBERT P. et BENDJOUDI H., 1997. Caractristiques fractales des sries pluviomtriques,
FRIEND Flow Regime from International Experimental and Network Data, Projets H5-5 (IHP IV) and 1.1 (IHP V) Third report: 1994-1997, CEMAGREF ditions, pp. 352356.
35
36
Annexes
Tableau 1: Prsentation de la base de donnes
Tableau 2: liste des stations avec les valeurs de qD, le coefficient de corrlation
et le nombre de points utiliss
Tableau 3: Liste des stations avec les valeurs des pentes
Graphique 1: Variation de la fonction de corrlation
Graphique 2: Variation du coefficient de corrlation
Graphique 3: Variation du coefficient de corrlation moyen
Graphique 4: Variation de la fonction de corrlation moyenne
Graphique 5: Variation du coefficient de corrlation E-W
Graphique 6: Variation du coefficient de corrlation N-S
Graphique 7: Variation de la fonction de corrlation E-W
Graphique 8: Variation de la fonction de corrlation N-S
Graphique 9: Comparaison des coefficients de corrlation
Graphique 10: Comparaison des fonctions de corrlation
Graphique 11: Probabilit empirique et ajustement une loi normale
Graphique 12: Srie pluviomtrique de Ddougou: Invariance d'chelle
Graphique 13: Variation de qD en fonction de la dure des sries
Graphique 14: Evolution des moments d'ordre 1 6 en fonction du nombre N
d'annes utilis ( Gibraltar )
Graphique 15: Comparaison des priodes de retour empirique n et thorique T (loi
normale)
Graphique 16: Trac de la fonction densit de probabilit g
Graphique 17: Comparaison des modes empirique et estim
Graphique 18: Comparaison des mdianes empirique et estime
Graphique 19: Probabilit empirique et ajustements loi normale et loi f propose
Graphique 20: Autre mthode d'estimation de qD: Ajustement sur les 3
derniers points
Graphique 21: Variation de la pente en fonction de la dure des sries.
37