Universit Pierre et Marie Curie, Universit Paris-Sud,

Ecole des Mines de Paris

& Ecole Nationale du Gnie Rural des Eaux et des Forts

DEA Hydrologie, Hydrogologie, Gostatistique et Gochimie

Filire Hydrologie et Hydrogologie Quantitatives

ETUDE DE LA DISTRIBUTION STATISTIQUE

DES PLUIES ANNUELLES

Auteur : Harouna KARAMBIRI

Directeur de recherche : M. Pierre HUBERT

Laboratoires d'accueil: CIG Ecole des Mines de Paris

LGA UPMC Paris 6
septembre 1999

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

III-4-1- Etude et trac de la fonction. 17

III-4-2- Paramtres statistiques. 20
a) Mode.. 20
b) Mdiane. 21
c) Moments 22
III-4-3- Estimation des paramtres de la loi thorique partir
des donnes 23
IV- Essai d'une autre mthode d'estimation de l'exposant de dcroissance
algbrique qD ... 26
IV-1- Approche thorique. 26
IV-2- Application aux donnes. 30
CONCLUSION.. 31
REFERENCES BIBLIOGRAPHIQUES. 32
ANNEXES.. 34

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.

I- Prsentation des donnes

I1- Description de la base de donnes
La base de donnes initiale comprend 368 sries pluviomtriques annuelles.
Les dures dobservation minimale et maximale sont respectivement de 39 et 299
ans, avec une moyenne de 106 ans.
Les donnes proviennent du monde entier. Elles ont t rassembles par
l'intermdiaire de plusieurs organismes. Les donnes des pays de la Mditerrane
proviennent de la base AMHY du projet FRIEND-AMHY du Programme Hydrologique
International de l'UNESCO (Bendjoudi et Hubert, 1997). Celles de l'Afrique de l'Ouest
et du centre ont t recueillies auprs de l'IRD (ex. ORSTOM) et du CIEH. Quelques
donnes franaises proviennent de Mto-France. Le reste des donnes a t
collect un peu par-ci par-l, notamment grce la base de donnes GHCN Version
2 Precipitation Beta Release du site Internet www.ncdc.noaa.gov de la NOAA et
de l'dition 1994 du logiciel WORLD WEATHERDISC.
Pour ce travail, nous nous limitons aux sries dune dure de 100 ans au
moins, qui sont au nombre de 233. Pour ces sries, les dates de dbut de mesure se
situent entre 1697 et 1895 et les dates de fin de chronique, entre 1893 et 1996. La
dure moyenne dobservation est de 126 ans.
Pour faciliter la lecture et le traitement de la base, les sries ont t classes
par ordre dcroissant de nombre dannes dobservation.
Les entres de cette base sont (tableau 1) :
- le numro de la station
- le nom de la station
- le code ISO du pays (AFNOR, 1994)
- anne de dbut de la srie
- anne de fin de la srie
- dure de la srie (annes)
- nature de la grandeur mesure (P=pluie)
- pas de temps de disponibilit des sries (A=annuel)
- latitude de la station (degr, minute)
- longitude de la station (degr, minute)
A chaque station, correspond un fichier dextension ".dat" dont la racine est le
nom de la station (huit premiers caractres au maximum en partant de la gauche).
Ces fichiers contiennent le nom de la station suivi du nom du pays, la date de dbut
suivie du nombre d'annes dobservation et la chronique de mesures.
Les traitements ont t effectus laide de programmes en fortran 77, avec
souvent des sorties sous Microsoft Excel pour le trac des graphiques.

I2- Analyse l'chelle globale

Il s'agit dans cette partie de chercher savoir s'il existe une interaction des
phnomnes se produisant aux diffrentes stations. Soient deux pluviomtres
spars par une distance d; Marsan et al (1996), selon leur modle, dfinissent la
liaison entre les signaux 1(t) et 2(t) observs en ces deux points par l'expression:

1q (t ) 2q (t + t ) d , t

K ( 2, q )

(1)

o q est l'ordre des moments et K(2,q) la fonction d'chelle des moments ou

fonction de structure (voir chapitre 2).
On peut gnraliser cette relation pour un rseau de pluviomtres en dfinissant la
fonction de corrlation gnralise :
I n( q1 , q 2 ) ( x , t ) = nq1 ( x, t ) nq 2 ( x + x, t + t )

(2)

avec q1,q2 : ordres des moments

En considrant les moments d'ordre 1 (q1 = q2 = 1), on montre (Marsan et al, 1996)
que pour deux domaines purement spatial et temporel pris sparment, la fonction
de corrlation se met sous la forme:
Domaine temporel (0, t ) : I n(1,1) (t ) t
Domaine spatial

(x,0) : I n(1,1) ( x ) x

1
K ( 2)
1 H

K ( 2)

(3)
(4)

o H est un coefficient d'anisotropie espace-temps.

A l'chelle annuelle, les sries pluviomtriques peuvent tre considres
comme tant indpendantes les unes par rapport aux autres. L'application de la
relation (3) qui vise caractriser et quantifier la corrlation cette chelle ne revt
donc pas une grande importante. Elle serait plus significative plus petite chelle
(minute, heure).
Intressons-nous plutt la relation (4) qui ne dpend pas de l'chelle
(temporelle) et qui semble trs enrichissante. On considre les pluviomtres
(stations) deux deux spars par une distance x. On dtermine pour chaque
couple, le domaine de dfinition qui n'est rien d'autre que l'intersection des annes
d'observation de chacune des stations du couple. Prenons un exemple: Si on prend
deux stations, l'une tant observe de 1980 1990 et l'autre de 1985 1995, on
travaillera, pour ce couple, sur l'intervalle allant de 1985 1990.
Sur ce domaine de dfinition, on applique la relation (2) avec t=0, q1=q2=1; Ce qui
revient faire la moyenne des produits des deux sries pralablement normalises,

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:
-

La zone intertropicale qui s'tend entre les latitudes 30 S et 30 N, est marque

par l'existence de vastes cellules convectives (cellules de HADLEY) o l'air chaud
s'lve prs de l'Equateur et redescend des latitudes plus leves. Il existe
galement des courants de retour dans les basses couches de l'atmosphre vers
l'Equateur. On appelle Zone de Convergence Intertropicale, la rgion o
convergent ces courants venant de l'Hmisphre Nord et de l'Hmisphre Sud;
laquelle zone varie en fonction des saisons. Les cellules ne montent pas toutes
uniformment le long de l'Equateur, celles qui se dplacent longitudinalement
sont appeles cellules de WALKER.

La zone extratropicale s'tend au-del des latitudes 30 N ou 30 S en direction

des ples. Cette zone est marque par un climat beaucoup plus variable.

La vitesse du vent peut tre dfinie en termes de systme local de coordonnes

cartsiennes inscrit sur la terre. A chaque latitude et longitude sur la terre
(sphre) de rayon R, le vent admet deux composantes:
u = R cos
v=R

d
dt

d
dt

direction E W ou W E
direction N S ou S N

D'une manire gnrale, les principaux rgimes de vent la surface de la

terre s'tablissent suivant une direction d'Est en Ouest aux basses latitudes et
d'Ouest en Est aux plus hautes latitudes. Ces vents, appels vents zonaux, peuvent
atteindre jusqu' plus de 30 m.s-1 dans les jets puissants subtropicaux centrs sur
des latitudes d'environ 30 (Hartmann, 1994). La composante mridionale du vent
est beaucoup moins leve et correspond la convergence des alizs vers
l'Equateur. Elle peut atteindre une vitesse maximale de 1 m.s-1 (Hartmann, 1994).
Cette circulation gnrale peut tre perturbe par la naissance de phnomnes plus
complexes telles que les moussons indiennes et africaines au mois de juillet qui ont
des directions variables (Chapel et al, 1996).
On comprend donc mieux la forte corrlation des stations pluviomtriques dans la
direction E-W (ou W-E) cause de la circulation gnrale des phnomnes
atmosphriques dans cette direction, notamment les nuages qui sont l'origine des
pluies. Parlant de nuages, il faut rappeler qu'on en distingue principalement trois
types selon l'altitude: les cirrus (nuages hauts), les cumulus (nuages moyens) et les
stratus (nuages bas). Ils sont constitus de fines gouttelettes d'eau ou de particules
de glace en suspension dans l'atmosphre. Les prcipitations se produisent quand
les blocs de nuages deviennent sursaturs en vapeur d'eau, provoquant ainsi
condensation et chute de gouttes. Cette sursaturation est normalement cause par
un refroidissement des nuages durant leur ascension qui peut tre force par les
mouvements atmosphriques. On estime environ 3 jours le temps de sjour rel
des molcules d'eau dans l'atmosphre (Hartmann, 1994). On peut donc, sans trop
se tromper, tenir le raisonnement suivant: un paquet de nuages sursaturs, qui
commence prcipiter et qui se dplace la vitesse moyenne du vent de 15 m.s-1
soit 54 km/h, aura parcouru pendant 3 jours, une distance d'environ 4000 km avant
de s'vanouir compltement. Cela pourrait expliquer la porte de corrlation des
stations (4000 km) observe sur le graphique 2, en supposant que les signaux
enregistrs chaque couple de stations rsultent de la ralisation d'un mme
vnement pluvieux.

Ce premier traitement qui constitue une vision globale, permet de toucher du

doigt toute la difficult que reprsente l'tude des phnomnes atmosphriques tels
que les champs de pluies. Il est bien entendu qu'une telle approche simpliste fait
abstraction de beaucoup de facteurs influenant les prcipitations, notamment
l'orographie et l'anthropisation.
Dans la suite, nous nous intresserons plus particulirement la distribution
temporelle des pluies qui ncessite de nouvelles dmarches plus robustes fondes
sur des concepts physiques (naturels), mme de traduire fidlement le
comportement des perturbations atmosphriques.

10

II- Multifractalit et Hydrologie

Le terme fractal qui vient du mot latin fractus dsignant un objet de forme
irrgulire et discontinue, a t utilis pour la premire fois par Mandelbrot pour
dcrire le chaos qui rgne dans les phnomnes naturels (Mandelbrot, 1974). Cette
notion qui tait purement gomtrique au dpart (Mandelbrot, 1982), a permis de
renouveler les approches de nombreux domaines de sciences de la nature en y
introduisant explicitement la notion d'chelle.
Lextrme variabilit des champs gophysiques, qui rsulte dinteractions
fortement non linaires entre diffrentes chelles et/ou champs, nest pas bien
traduite par les approches traditionnelles. Cette variabilit intervient sur de trs
grandes gammes dchelles allant des chelles dites de dissipation (infrieures ou
gales au millimtre) aux chelles plantaires (plusieurs milliers de kilomtres) en
espace et de la milliseconde aux chelles gologiques en temps (Schertzer et
Lovejoy, 1985b), (Schertzer et Lovejoy, 1994).
Pour aborder ces caractristiques fondamentales, de nouveaux outils bass
sur des dmarches fractales ont t dvelopps. La manire la plus simple daborder
le problme (variabilit non linaire) est de supposer quun processus lmentaire
permet que cette variabilit se reproduise d'chelle en chelle ; do les termes de
cascade multiplicative et d'invariance d'chelle.
Les champs gophysiques, compte tenu de leur complexit, ne peuvent se
rduire un simple cadre gomtrique "blanc ou noir" ; cest dire loccurrence ou la
non-occurrence dun phnomne caractris par sa seule dimension fractale D
mesurant son degr dirrgularit. Cela conduirait ngliger la distribution dans
lespace et/ou dans le temps de lintensit des phnomnes tudis.
Lapproche multifractale vise donc une prise en compte simultane des chelles et
des intensits (Schertzer et Lovejoy, 1987a).
Les turbulences atmosphriques sont rgies par les quations de Navier et
Stokes et les modles multifractals ont dabord t conus pour reproduire les
proprits de ces quations (Schertzer et Lovejoy, 1987b, 1991).
Lapparition des fractals puis des multifractals en hydrologie a surtout t
motive par le caractre intermittent tant dans lespace que dans le temps des
phnomnes pluvieux. Ils ont fortement contribu lapprhension et la
comprhension des processus complexes de gnrations pluviomtorologiques.
Les caractristiques fractales ou multifractales des champs de pluie ont t
observes et analyses dans l'espace (Lovejoy, 1981 ; Schertzer et Lovejoy,
1987a;), dans le temps (Hubert et Carbonnel, 1989; Hubert et al, 1993 ; Lima et
Grasman, 1999;) et la fois dans les deux directions (Marsan et al, 1996 ; Marsan,
1998).
Il a t montr (Kolmogorov, 1962 ; Mandelbrot, 1974) que les transferts
dnergie de gros tourbillons vers les petits seffectuent lors de cascades dune
manire multiplicative et la fraction de flux transmise est dtermine par un facteur
alatoire.

11

Le cas le plus simple de telles cascades est la gnration de cascades discrtes

multiplicatives autosimilaires. Il faut entendre par autosimilaire, le fait qu' chaque
tape de la cascade, chaque tourbillon gnr ressemble au gros tourbillon une
homothtie prs.
Si nous considrons par exemple un domaine purement spatial bidimensionnel de
taille L x L, correspondant la structure la plus grande d'intensit ou densit du flux
d'nergie 0, on peut dvelopper une cascade discrte multiplicative autosimilaire par
itration d'un gnrateur invariant d'chelle jusqu' une chelle de rsolution fine
l=L/, o est le rapport d'chelle maximum. Quand +, on observe l'apparition
de singularits, extrmes en certains points et faibles en d'autres, correspondant
une concentration de l'activit du champ sur une portion de plus en plus faible de
l'espace (Schertzer et Lovejoy, 1994).
A l'chelle l1= L/1, on divise le domaine en 1x1 structures (1 entier) et on attribue
chaque structure ainsi cre une intensit 1,i=0*1,i (ime structure du 1er pas de
cascade), o 1,i sont les ralisations indpendantes les unes des autres d'une
variable alatoire positive , comme nous l'avons dit plus haut. est caractris
par une fonction K(q) telle que :

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)

En considrant = n on arrive une quation fondamentale des multifractals:

q K (q )

(7)

D'une faon quivalente, en termes de probabilit, cette quation peut se rcrire

(Schertzer et Lovejoy, 1991) :

Pr ob f C ( )

(8)

o C() est une fonction de codimension qui caractrise la probabilit d'occurrence

des singularits d'ordre suprieur .
Les auteurs font remarquer que le signe signifie galit en englobant les facteurs
constants multiplicatifs et les variations lentes en chelle (ex. logarithme).
Les deux fonctions K(q) et C() se dduisent l'une de l'autre par une
transformation de Legendre (Parisi et Frisch, 1985):
K ( q ) = max

(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)

En gophysique, notamment en hydrologie, les mesures faites sont des

quantits habilles, puisqu'elles sont l'intgration l'chelle d'observation de
processus qui se sont poursuivis jusqu' des chelles infiniment plus petites.(c'est
l'exemple de pluies horaires, mensuelles ou encore annuelles, qui sont l'intgration
temporelle de processus se dveloppant des chelles beaucoup plus fines). Ces
proprits habilles sont distinguer des proprits nues qui correspondent des
processus arrts l'chelle d'observation. Les proprits habilles qui cachent les
variabilits plus petites chelles que l'chelle d'observation, peuvent conduire des
divergences de moments d'ordre suffisamment grand (Mandelbrot, 1974; Schertzer
et Lovejoy, 1987b).
q quand pour q suffisamment grand
Ce qui correspond une transition de phase multifractale, analogue une transition
de phase thermodynamique. Cette divergence des moments est quivalente une
chute algbrique lente de la distribution des intensits au-del d'un certain seuil. On
montre (Schertzer et Lovejoy, 1992) qu'il existe un ordre de moment critique qD,
dfini par K(qD)=D(qD 1), qD>1, D: dimension de l'espace support, au-del duquel, il
y a divergence. A qD , correspond un ordre de singularit critique D, au-del duquel,
la fonction de codimension C() devient linaire:

C ( ) = q D ( D ) + C ( D )

si f D

(11)

Pour suffisamment grand, on peut donc rcrire la distribution de la probabilit au

dpassement du flux d'nergie :

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

III- Distribution des sries annuelles

III1- Limites de la loi normale
Nous n'avons nullement l'intention dans cette partie de nous taler sur les
modles statistiques employs en hydrologie. L'accent sera surtout mis sur un
modle qui a pratiquement valeur de dogme (Hubert et Bendjoudi, 1996), savoir la
loi de Laplace-Gauss (loi normale) qui est largement utilise pour l'ajustement des
sries pluviomtriques annuelles. Cette loi se dfinit comme suit :
Si X est une variable alatoire qui suit une loi normale, sa fonction densit de
probabilit est :
1
1

( x )2
exp
2
2
2

cart-type de la srie.
f ( x) =

,- < x < + , avec : moyenne de la srie, :

L'utilisation rpandue de cette loi pour l'tude et l'analyse des cumuls

pluviomtriques annuels est en fait base sur le thorme central limite qui stipule
que : la somme de n variables alatoires, indpendantes, de variance finie et
identiquement distribues, est asymptotiquement normale (Kottegoda, 1980). Lequel
thorme peut se gnraliser toute somme de n variables alatoires condition
qu'aucune variable ou groupe de variables n'occupe dans la somme une place
prpondrante par rapport aux autres ou encore que toutes les variables initiales
soient du mme ordre de grandeur (Dagnelie, 1970).
Il se dgage deux problmatiques de ce thorme savoir les notions
d'indpendance et de distribution identique. Si, des chelles de temps assez
grandes (annes), l'on peut considrer les vnements pluvieux comme tant
relativement indpendants, est-il raisonnable d'admettre cette hypothse petites
chelles ? La pluie qui tombe un instant t donn, ne dpend-t-elle pas de l'activit
pluvio-orageuse prcdente ? Il faudrait peut-tre rappeler qu'en ralit, dans la
nature, la pluie n'a pas d'chelle. Elle n'est ni horaire, ni journalire, ni annuelle
(Hubert et Bendjoudi, 1996). C'est un phnomne qui se droule au cours du temps
selon ses propres lois. Les chelles actuelles ne traduisent en fait que notre
incapacit cerner et retrouver les paramtres invariants d'chelle qui rgissent ces
lois.
Si l'on peut difficilement admettre cette hypothse d'indpendance, il est par
contre inadmissible que les pisodes pluvieux soient identiquement distribus, quand
on sait qu'ils varient dans un rapport de 1 1000 (Bendjoudi et Hubert, 1998). Les
priodes pluvieuses, quelle que soit la rgion, ne durent que quelques heures par
an. En France, cette dure varie entre 400 et 1400 heures par an, soit environ 10%
du temps (Rmniras et Hubert, 1990). Il faut noter que cette estimation de la dure
des prcipitations en un lieu, trs lie l'chelle d'observation partir de laquelle elle
est calcule, est bien mal dfinie et finalement trs critiquable.
Comme nous l'avons vu dans le chapitre prcdent, les instruments de mesure
(pluviomtres, pluviographes, etc) habillent les proprits de la pluie et masquent
ainsi les htrognits et irrgularits qui peuvent survenir plus petites chelles
que l'chelle d'observation et entraner des consquences dramatiques (Schertzer et
Lovejoy, 1994). C'est le cas d'une simple averse qui peut bouleverser tout un bilan
14

hydrologique annuel. Considrer les pisodes pluvieux du mme ordre de grandeur,

reviendrait donc ignorer la nature mme du phnomne pluviogne, c'est dire
l'intermittence et la variabilit spatio-temporelle.
Utilise souvent tort, la pratique montre que la loi normale s'carte des
valeurs de mesures en ce qui concerne les vnements extrmes. Dans la plupart
des cas, ces valeurs sont tout simplement cartes sous prtexte qu'elles relvent
d'erreurs de mesure ou d'une autre logique. Faut-il continuer dvelopper ou
raccommoder des modles statistiques douteux, desquels les vnements les plus
riches en information sont exclus, et bass sur des hypothses elles-mmes
douteuses ? Ou alors, faut-il rechercher des outils plus performants, rationnels et
physiques, traduisant la nature intrinsque des observations faites ? C'est l que
l'approche multifractale trouve toute sa place et toute sa justification en ce sens
qu'elle permet de rendre compte en une thorie unifie des lois d'chelles et de
l'intermittence associe des champs de pluie.

III2- Application des multifractals l'tude des sries annuelles

Nous reprenons ici un des rsultats les plus fondamentaux des multifractals
savoir que la probabilit de dpassement, quelle que soit l'chelle considre, d'un
seuil suffisamment grand, est une fonction algbrique dcroissante de ce seuil,
traduit par l'quation (13) :
Pr ob [ f ] qD

Pour un seuil assez grand h d'une prcipitation H, on aura:

Pr ob [H f h ] h qD

(14)

Cette approche a dj t applique une banque de donnes pluviomtriques

annuelles comprenant 71 sries d'une dure suprieure ou gale 90 ans
(Bendjoudi et Hubert, 1998). Nous l'tendons ici notre base de donnes de 233
sries de dure d'observation au moins gale 100 ans.
Afin de respecter la contrainte de conservation d'ensemble de la "masse" totale, et
de pouvoir comparer les sries les unes par rapport aux autres, celles-ci ont t
normalises (moyenne=1) et standardises (cart-type=1). Si (Yi )i =1, n est une srie
d'observations de moyenne m et d'cart-type , la srie normalise et standardise
( X i )i =1, n est telle que: X i = 1 + Yi m , i=1,n.

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:

Log (Pr ob [H f h ]) q D Log ( h )

-qD tant la pente de la droite.

Des tudes prcdentes (Hubert et Bendjoudi, 1996) effectues sur la srie de

Ddougou (Burkina Faso), aux chelles de temps annuelle, mensuelle et journalire,
montrent une dcroissance algbrique de pentes similaires des queues de
distribution pour ces trois chelles. Ce qui milite en faveur d'une invariance d'chelle
du paramtre qD (graphique 12).
III-3- Estimation de l'exposant de dcroissance algbrique qD
Partant donc de ce constat, nous avons ajust une droite, pour toutes les sries,
sur les points dont la probabilit empirique au dpassement est infrieure 5%, afin
d'estimer qD. Le tableau 2 regroupe les rsultats; il comprend la liste des stations, le
code du pays, la dure de la srie, la valeur de qD, le coefficient de corrlation de
l'ajustement et le nombre de points utiliss. Les coefficients de corrlation sont
satisfaisants (moyenne = 0,96). Le nombre de points utiliss varient de 15 pour les
plus longues sries 5 pour les plus courtes avec une moyenne de 6 points. En fait
ces points reprsentent 5% du nombre total d'observation; puisque:
n +1 i
par la formule de WEIBULL
Pr ob( X f X i ) =
n +1
n +1 i
Pr ob( X f X i ) 0,05
0,05 i 0,95(n + 1) (les sries tant classes par
n +1
ordre croissant).
Les valeurs de qD s'chelonnent de 2 26. La moyenne sur toutes les sries
est de 5,9; la dispersion autour de cette valeur centrale est 3,7. Il est intressant de
voir comment voluent les diffrentes valeurs de qD d'une station une autre. Le
graphique 13 montre cette volution en fonction du nombre d'annes d'observation
des sries. Les points ne sont pas rpartis au hasard. On peut en effet remarquer
une espce de noyau dlimit par les intervalles [100;140] pour les dures et [2;7]

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

o i est le rang du seuil et n le nombre dobservations.

Toutes ces formules posent le mme constat que celle de Weibull: le
dcrochage de la loi normale des donnes empiriques pour des probabilits
infrieures ou gales 0,05 et la chute algbrique des queues de distribution. Elles
donnent cependant des estimations un peu plus leves du paramtre qD (5,2 1,2
pour Cunnane et 5,5 1,2 pour Hazen).
Pour mettre en vidence la divergence des moments statistiques du fait de la
transition de phase multifractale, nous avons calcul les moments d'ordre 1 6. Le
graphique 14 montre la variation de ces moments pour la station de Gibraltar
(Espagne) en fonction du nombre d'annes utilis N, allant de 1 la dure de la srie
(202 ans). On distingue essentiellement deux parties: Une premire partie entre 1 et
70 ans, o les moments fluctuent beaucoup en raison de la taille assez faible des
chantillons. Les amplitudes de ces fluctuations sont moindres pour les moments
d'ordre 1 3 comparativement aux moments d'ordre 4 6.
Intressons-nous la deuxime partie se situant au-del de 70 ans. Dans
cette partie, les trois premiers moments se stabilisent rapidement et deviennent

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.

III-4- Essai de proposition d'une fonction densit de probabilit

L'introduction des approches multifractales dans l'tude de la distribution des
pluies annuelles ouvre de nouvelles perspectives la modlisation spatio-temporelle
des champs de prcipitations. Au lieu de peaufiner des modles statistiques bass
sur des lois dcroissance exponentielle trop rapide, il est peut-tre grand temps
que les mathmaticiens statisticiens uvrent la recherche de nouvelles lois
prsentant un comportement "fat tail" ou "heavy tail" (dcroissance lente); c'est dire
des lois de probabilit dcroissance algbrique.
Nous citons pour revue:

18

La loi de Pareto gnralise (Van Montfort et Witter, 1986):

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.
-

La loi de Halphen B-1 (Morlat, 1956):

Fonction densit de probabilit:
f B 1 ( x) =

m 2
2
m
2 1
x
exp
+
2
m ef ( )
x
x

pour

xf0

(16)

> 0 et sont des paramtres de forme

m > 0 est un paramtre d'chelle
ef est la fonction factorielle exponentielle dfinie comme suit:
ef ( ) = x 2 1e ( x

+ 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

L'intgrale de cette fonction vaut:

h( x)dx =

(m + x ) dx = m
0

b c

a +1 bc
b

a +1
a +1

b
b
b(c)

Dfinissons une fonction telle que: f ( x) =

h( x )

19

h( x)dx

(Lide D.R., 1992)

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)

Avec a>-1 ; b>0 ; m>0 ; c>(a+1)/b

est bien une fonction densit de probabilit puisqu'elle est continue, positive et
drivable sur ]0;+[ et

f ( x)dx = 1 .

Elle prsente un comportement algbrique puisque, quand x +, f ( x) x a bc

(a-bc<0 et bc-a>1). Dans ce cas, la probabilit au dpassement vaut:

Pr ob[X f x ] =

f ( x)dx

x a bc dx x ( bc a 1)

L'exposant de dcroissance algbrique est qD=bc-a-1.

Dans le cadre de ce travail, pour simplifier ltude de la fonction, nous adopterons
b=1.
On a donc:
xa
(c )
f ( x) = a +1c
*
m
(a + 1)(c a 1) (m + x )c
En mettant m en facteur, on obtient :
a

x

(c )
m
f ( x) =
* c
m(a + 1)(c a 1)
x
1 +
m

(18)

m reprsente le paramtre dchelle, a et c les paramtres de forme.

III-4-1- Etude et trac de la fonction

Dsignons par X, la variable alatoire dont la fonction densit de probabilit
(fdp) est . Soit g la fdp d'une variable alatoire U tel que: U=X/m
La probabilit lmentaire se dfinit comme suit:
Prob(x<X<x+dx) = (x)dx = g(u)du
dx
g (u ) = f ( x)
du

g(u) = m (x)
du =

dx
m

20

 (c )
ua
g (u ) =
*
(a + 1)(c a 1) (1 + u )c

(19)

La courbe (Cg) de la fonction est semblable celle de (C) un facteur d'chelle

prs.
La fonction g(u) peut se mettre sous la forme:

g (u ) =

1
ua
*
B(a + 1, c a 1) (1 + u )c

o B est la fonction bta dfinie par: B(u , v) =

(u )(v)
(u + v)

g est drivable sur ]0 ;+[ et sa drive vaut :

g (u ) =

1
u a 1
*
* [a + (a c)u ]
B(a + 1, c a 1) (1 + u )c +1

On distingue plusieurs cas suivant les valeurs de a:

-1<a<0

u tant toujours positif, on a: u f

lim g (u ) = +

a
ca

g (u ) p 0 : g est strictement dcroissante.

u 0

lim g (u ) = lim (mu )

a c

u +

u +

= 0 car a c < 0

Le tableau de variation se prsente comme suit:

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

Le signe de g(u) dpend du signe de a+(a-c)u.

u=

a
ca

g (u ) = 0 : la courbe de g admet une tangente horizontale en

a
a
M
, g

c a c a
u<

a
ca

g (u ) f 0 : g est strictement croissante.

u>

a
ca

g (u ) p 0 : g est strictement dcroissante.

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 +

abscisses comme asymptote l'infini.

Choix des paramtres a et c
a>-1 et c>a+1
Si nous reprsentons sur un graphe ces deux conditions (ingalits), nous obtenons
un domaine D de combinaisons acceptables des paramtres a et c.

10

a<-1
c<a+1

-1

10

Le graphique 16 montre les allures de la fonction g pour quelques valeurs de a et c.

III-4-2- Paramtres statistiques

a) Mode
Le mode est la valeur de la variable pour laquelle la fonction densit de
probabilit atteint son maximum. Il sobtient en faisant g(u) = 0.
Pour 1<a0, le mode nexiste pas, puisque g'(u)<0 sur lintervalle [0 ;+[.
23

Pour a>0:

a
am
c a
x=
x
ca

u=

g (u ) = 0 u =

le mode vaut : mod e =

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)

Cette quation tant difficile, voire impossible rsoudre littralement compte

tenu de lintgrale de la fonction f qui est trs complexe, nous proposons une
rsolution numrique base sur une discrtisation trapzodale de l'intgrale dont
lalgorithme est le suivant :
Dbut

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)

[ ]

On vrifie bien que, pour p=0 , E X 0 =

(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:

Moment dordre 1 (p=1)

Il correspond la moyenne thorique.

[ ]

E X1 =

xf ( x)dx = m

(a + 2)(c a 2)
(a + 1)(c a 1)

En utilisant la proprit : (n+1)=n(n), on obtient :

E[X ] =

m(a + 1)
ca2

(23)

Moment dordre 2 (p=2)

[ ]

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)

On peut galement calculer le moment centr dordre 2 qui correspond la

variance :
Var ( X ) =

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

III-4-3- Estimation des paramtres de la loi thorique partir des

donnes
Cette estimation s'est faite l'aide des mthodes traditionnelles:
-

Mthode du maximum de vraisemblance:

C'est une mthode optimale, tout au moins asymptotique, car elle prend en
compte tous les lments de l'chantillon individuellement.
En considrant la fonction f(x,a,c,m) et la srie d'observations indpendantes (Xi)i=1,n,
on dfinit la vraisemblance par:
L=f(x1,a,c,m)*f(x2,a,c,m)*..* f(xi,a,c,m)*.f(xn,a,c,m)
Ou encore:
n

Log ( L) = Log [ f ( xi , a, c, m)]

i =1

La mthode consiste maximiser la fonction L ou Log(L) par rapport aux paramtres

a,c,m, en annulant les drives partielles:
L
L
L
=0
=0
=0
a
c
m
On obtient ainsi autant d'quations que de paramtres qui permettent d'estimer ces
derniers.
-

Mthode du maximum d'entropie:

On dfinit la fonction entropie relative un systme X[(xi,pi)]i=1,n par:
n

H ( X ) = pi Log ( pi ) o pi tant la probabilit associe xi.

i =1

Pour un systme continu de fonction densit de probabilit dfinie sur un domaine

D, l'entropie vaut:
H ( X ) = f ( x) Log [ f ( x)]dx
D

Il s'agit l galement de maximiser la fonction H sous certaines contraintes (exemple:

relations tablissant la moyenne ou l'cart-type de la srie).
-

Mthode des moments:

Elle consiste remplacer dans les relations entre moments thoriques et
paramtres, les moments thoriques par les moments empiriques calculs partir de
l'chantillon. On utilise autant de moments qu'il y a de paramtres et on obtient ainsi
une estimation de ces derniers.

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

Ne disposant pas de ressources informatiques sophistiques, nous avons d,

pour une premire approche, simplifier davantage la fdp en adoptant m=1.
Dans ce cas, nous avons pu estimer les paramtres a et c partir des moments
d'ordre 1 (moyenne) et d'ordre 2 centr (variance).
Si on appelle e1 et e2 respectivement la moyenne et la variance dtermines partir
de l'chantillon, on a les relations suivantes:
(a + 1)

E [ X ] = c a 2 = e1

(a + 1)(c 1)
Var ( X ) =
= e2
(c a 2) 2 (c a 3)

Aprs rsolution, on trouve :

(1 + e1 )2
e
+ 1 1
e2

a=
1 + e1
2
1

c=

(26)

e1
(1 + e1 )2 + e1 + 2
e2

(27)

Ces paramtres ont t estims pour chaque srie. Afin de valider

l'estimation, nous avons calcul pour toutes les sries, le mode et la mdiane
thoriques partir de la loi . Les graphiques 17 et 18 montrent les rsultats des
comparaisons avec le mode et la mdiane empiriques des sries. Comme nous
pouvons le constater, les nuages de points s'allongent trs bien le long de la
premire bissectrice. Le coefficient de corrlation entre mode estim et mode
empirique est de 0,983; celui entre mdianes estime et empirique est 0,999. Ce qui
tmoigne de l'excellence des estimations.
Revenons maintenant l'estimation d'exposant de dcroissance algbrique
qD. Pour une srie normalise et standardise, les quations (26) et (27) deviennent:
a=2 et c=7. On calcule qD=c-a-1 qD = 4.
Cette valeur qualifie de thorique est proche de celle estime empiriquement qui est
de 4,51.
La probabilit au dpassement thorique d'un seuil x d'une variable alatoire X se
calcule par:

Pr ob[X f x ] =

f ( x)dx = 1 f ( x)dx .
0

Nous avons repris le graphique 11 en y ajoutant cette probabilit thorique (voir

graphique 19). Si nous nous intressons aux vnements extrmes qui sont les plus
importants, contrairement la loi normale, la loi dcrot lentement et colle assez

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

IV- Essai d'une autre mthode d'estimation de l'exposant de

dcroissance algbrique qD
Les mthodes empiriques (Weibull, Cunnane, Hazen) permettent toutes de
poser les mmes constats, savoir une dcroissance algbrique des queues de
distribution et l'existence d'un exposant qD qui, selon toute vraisemblance, serait
invariant d'chelle et universel. Mais les estimations de qD par ces diffrentes
mthodes restent assez disparates. En outre, ces mthodes empiriques sont limites
car, si elles calculent les probabilits au dpassement pour deux seuils s1 et s2
conscutifs, on n'a aucune information par contre sur ce qui se passe entre s1 et s2
( ]s1;s2[ ).
C'est donc pour combler ces lacunes, que nous nous proposons de tester une
nouvelle approche d'estimation de qD, base sur le comportement algbrique et
l'irrgularit des sries pluviomtriques. Cette approche fait actuellement l'objet d'un
travail intensif de recherche dans le cadre de la Thse de Keltoum CHAOUCHE
(Laboratoire GRESE, ENGREF).

IV-1- Approche thorique (Keltoum CHAOUCHE, paratre)

Considrons une variable alatoire X avec les ralisations (Xi)i=1,n pas de
temps qui correspondent une suite d'intensits.
Soit un seuil s variant de 0 max( X i ) .
i =1, n

Soit une variable alatoire de ralisations i (i=1,n) telles que:

si X i f s
i = 1

si X i s
i = 0
On dfinit par:

(i=1n)

d ( s ) = i : la dure de dpassement du seuil s

i =1
n

p ( s ) = X i i : le cumul des intensits dpassant le seuil s

i =1

D = n : la dure totale des observations

n

P = X i : le cumul total des intensits

i =1

Sur le graphe ci-dessous, d(s) et p(s) correspondent respectivement aux sommes

des largeurs et des aires des rectangles hachurs.

29

dfinition de d(s) et p(s)

9

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)

soient (Ui)i=1,n et (Vi)i=1,n deux suites de variables alatoires telles que:

Ui = i
Vi = X i i

i=1,,n

On peut admettre (loi des grands nombres) que

1 n
1 n
1 n
,
,
X
U
i n
Vi convergent
i
n i =1
n i =1
i =1

respectivement vers E[X], E[U] et E[V].

On a donc:
x( s ) = log E [U ]

y ( s ) = log E [V ] log E [ X ]

(30)
(31)

On dfinit pour une variable alatoire X de densit de probabilit f, la probabilit au

dpassement G par:
G:RR

G ( x ) = P ( X f x) =

f (t )dt

30

En se plaant dans le cas d'une dcroissance algbrique des queues de distribution,

la fonction G se met sous la forme gnrale (Keltoum CHAOUCHE, paratre):

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)

On appelle fonction de vitesse de dpassement de G (Keltoum CHAOUCHE,

paratre), la fonction h dfinie par:
s 1

h( s ) =

sG ( s )

(35)

G
s

On montre (Keltoum CHAOUCHE, paratre) que pour un seuil s positif:

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 )

Aprs une intgration par partie, on a:

+

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

la relation (34) permet d'crire:

( x)

Ax ( 2 q + +1)
( + q)r ( x)

Cherchons la limite de la pente a(s) lorsque le seuil s tend vers l'infini:

1
lim a ( s ) =
s +
1
1 + lim
s + h( s )

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)

Pour un seuil assez grand, la pente devrait donc tendre vers

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

IV-2- Application aux donnes

Nous avons appliqu l'approche thorique notre banque de donnes de 233
sries pluviomtriques annuelles. Pour chacune d'entre elle, nous avons report sur
un graphique en chelle log-log, pour un seuil variant de 0 l'intensit maximale, le
cumul des intensits dpassant ce seuil normalis l'intensit totale, en fonction de
la dure de dpassement de ce seuil normalise par la dure totale.
Sur le graphique 20, on remarque que les points sont quasiment tous aligns.
En nous intressant aux vnements extrmes, nous avons fait un ajustement
linaire sur les trois derniers points pour toutes les sries. Les coefficients de
dtermination sont tous gaux 1.
Les valeurs des pentes des droites de rgression sont consignes dans le tableau 3.
On note que les pentes sont toutes diffrentes de 1, ce qui tmoigne d'un
comportement algbrique des sries. Nous avons cherch savoir s'il existe une
relation entre ces pentes et la dure des sries. Le graphique 21 montre cette
relation. La rpartition des points est comparable celle trouve sur le graphique 13
pour les valeurs de qD. Dans l'intervalle de temps [100,150], les points sont assez
disperss verticalement. Plus la dure de la srie augmente, moins ces dispersions
sont importantes. Les points semblent envelopps dans deux courbes infrieure et
suprieure qui convergeraient vers une mme limite quand la dure d'observation
tend vers l'infini. Pour approcher cette limite, nous avons considr la moyenne et
l'cart-type des six plus longues sries (de plus de 200 ans). Nous l'estimons 0,928
0,025.
A partir de la relation (39), on peut dterminer la valeur de l'exposant de
dcroissance algbrique qD. En prenant la valeur moyenne de 0,928 pour la pente,
on trouve qD=13,89.
Il est bien entendu que cette valeur de qD reste leve par rapport celles trouves
prcdemment au chapitre 3. On peut expliquer cet cart, d'une part, par l'application
de la loi des grands nombres et le passage au logarithme qui introduisent un biais
non ngligeable. Il faudrait d'autre part, se pencher sur l'influence que pourrait avoir
la dimension D de l'occurrence des pluies et les biais qu'elle peut introduire dans nos
estimations (nous avons admis ici que la pluie se dveloppait sur l'ensemble de la
dimension temporelle, c'est dire un ensemble de dimension D=1). Il y a donc lieu
de chercher quantifier tous ces biais afin d'apporter une correction la valeur de qD
trouve.

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

HUBERT P., BENDJOUDI H., SCHERTZER D., 1998. Indpendance d'chelle de la

distribution statistique des prcipitations extrmes, International Hydrological
Program (IHP-V), Technical Document in Hydrology, n 20, Unesco, Paris.
KOTTEGODA N. T., 1980. Stochastic Water Ressources Technology, The MacMillan Press
Ltd, 384 p.
LECOINTE P. et TRIEU L., 1987. Le formulaire: Thormes-Thories et Formules, Ed.
Pierre Bordas et Fils, Paris, 370 p.
LIDE D. R., 1992. Handbook of Chemistry and Physics, 73 rd edition, CRC Press,
pp. A58-A60.
MAIDMENT D. R., 1992. Handbook of Hydrology, McGRAW-HILL, Inc, USA, pp.18.1-18.66.
MANDELBROT B.B., 1974. Intermittent turbulence in self-similar cascades: divergence of
high moments and dimension of the carrier, J.Fluid Mech., 62, pp. 331-350.
MANDELBROT B.B., 1975. Les objets fractals, forme, hasard et dimension, Paris, 192 p.
MANDELBROT B.B., 1982. The fractal geometry of nature, freeman, San Francisco, 460 p.
MARSAN D., SCHERTZER D., LOVEJOY S., 1996. Causal Space-Time Multifractal
Processes: Predictability and forecasting of rain fields, Journal of Geophys.
Research, 101, D21, pp. 26,333-26,346.
MARSAN D.,1998. Multifractals espace-temps, dynamique et prdicibilit; Application aux
prcipitations. Thse de Doctorat Physique Thorique, UPMC Paris VI, 181 p.
METCALF M. et REID J., 1993. FORTRAN 90: Les concepts fondamentaux, AFNOR Paris
(France), 376 p.
MORLAT G., 1956. Les lois de probabilit de Halphen, Revue de statistique applique, 4,
pp. 21-43.
NDAM NGOUPAYOU J. R., 1989. Distribution des pluies sur dix postes pluviomtriques
d'Afrique de l'Ouest (Burkina Faso), Mmoire DEA National d'Hydrologie, UPMC
Paris VI, 113 p.
PRESS W. H., FLANNERY B. P., TENKOSLSKY S. A., VETTERLING W. T., 1990.
Numerical Recipes, the art of scientific computing (FORTRAN Version), Cambridge
University Press, 874 p.
REMENIERAS G. et HUBERT P., 1990. Article Hydrologique de l'Encyclopdia Universalis,
Paris, volume XI de l'dition 1990, pp. 796-806.
SCHERTZER D. et LOVEJOY S., 1985. Generalized scale invariance in turbulent
phenomena, Phs. Chem. Hydrodyn. J., 6, pp. 623-635.
SCHERTZER D. et LOVEJOY S., 1987a. Physically based rain and cloud modeling by
anisotropic scaling of multiplicative processes, Journal of Geophysical Research D,
92, pp. 9693-9714.
SCHERTZER D. et LOVEJOY S., 1987b. Singularits anisotropes et divergences des
moments en turbulence, Ann. Sc. Math. du Qubec, 11, pp. 139-181.
SCHERTZER D. et LOVEJOY S., 1991. Scaling nonlinear variability in geodynamics:
Multiple singularities, observables, universality classes; Non-linear variability in
Geophysics, Scaling and fractals, D. Schertzer and S. Lovejoy eds, Kluwer,pp. 41-82.
SCHERTZER D. et LOVEJOY S., 1992. Hard and soft multifractal processes, Physical Ann.,
195, pp. 187-194.
SCHERTZER D. et LOVEJOY S., 1993. Nonlinear Variability in Geophysics: Scaling and
Multifractal Processes, Lecture Notes. Institut d'tudes scientifiques de Cargse.
SIDNEY I. RESNICK, 1997. Heavy tail modeling and teletraffic data, The Annals of Statistics,
vol. 25, n5, pp. 1805-1869.
STROHMEIER A., 1982. FORTRAN 77: Approche systmatique illustre d'exemples, Edition
Eyrolles, Paris, 140 p.
VAN MONFORT M. A. J. et WITTER J. V., 1986. The Generalized Pareto distribution applied
to rainfall depths, Hydrological Journal, Journal des Sciences Hydrologiques, 31, pp.
151-162.

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