Evaluation Des Scénarios Des Changements Climatiques Locaux Via Le Modèle SDSM Pour Une Zone de Montagne Et Une Zone de Plaine

Evaluation des scénarios des changements
climatiques locaux via le modèle SDSM pour

une zone de montagne et une zone de plaine
Mémoire de projet de fin d’études pour l’obtention du
diplôme d’Ingénieur d’Etat de l’EHTP
Filière Météorologie
Réalisé par : Encadré par :
Moha GOURY Pr. Najat SERHIR (EHTP)
Youssef CHELHAOUI Pr. Moulay Driss HASNAOUI (DGH)
Membres du jury :
 Président : Mr. D.OUAZAR (ENIM- EMI)

 Rapporteur : Mme N.SERHIR(EHTP)
 Encadrant : Mr. My D. HASNAOUI (DGH/DRPE)
 Examinateurs :
- Mr. A. BOUZIANE(EMI)
- Mr. M. ELHAMLY (DMN-EHTP)
- Mr. A. BAKHRI (EHTP)
Octobre 2013
PFE
Dédicaces
‫ال حمد هلل رب ال عال م ين‬
Je dédie ce modeste travail :

A l’âme de mes parents …
A mon grand frère Ikhelf
Rien au monde ne vaut les efforts fournis jour et nuit pour mon éducation et mon
bien être.
A mon petit frère Noureddine et mes sœurs
A tous les membres de ma famille, petits et grands
A mon binôme Youssef
A tous les gens qui m’ont aidé de près ou de loin

Veuillez trouver dans ce modeste travail l’expression de mon affection
A tous mes amis
Moha GOURY
1
PFE
‫ال حمد هلل رب ال عال م ين‬
Je dédie cet humble travail :
A mes chers parents

A mes sœurs et mes frères pour leur soutien
A toute ma famille
A mon binôme Moha et toute mes meilleures amis
A tous mes enseignants depuis le primaire
A tous ceux qui ont contribué, de près ou de loin à mon réussite.
Youssef CHELHAOUI
2
PFE
Avant-propos
La présente étude s’inscrit dans le cadre de notre projet de fin d’étude(PFE) sous le thème : ‘’
Evaluation comparative des modèles météorologiques entre une région de plaine et une région de
montagne et évaluation des scénarios des changements climatiques à l’échelle locale en
perspective d’adaptation des projets au développement durable.’’, effectué au Laboratoire
d’Analyse des Systèmes Hydrauliques (LASH) de l’Ecole Mohammadia d’Ingénieur.
Ce travail s’inscrit dans le cadre de l’initiative IRIACC (l'Initiative de Recherche

Internationale sur l’Adaptation Aux Changements Climatiques) sous le titre « Faire Face
aux Changements Ensemble (FACE) : mieux s’adapter aux changements climatiques au Canada
et en Afrique de l’Ouest», projet numéro : 106372-013.
Le projet FACE vise à apporter un appui concret pour l’adaptation des populations vulnérables
face à la variabilité et aux changements climatiques au Canada, au Maroc et au Niger.
Programmé sur cinq ans (de 2011 à 2016) et en trois thèmes :
 La gestion de l’eau et la conception des infrastructures en lien avec les prévisions hydro-
climatiques ;
 Les vulnérabilités liées aux maladies vectorielles et respiratoires et les liens avec les aléas
hydro-climatiques ;
 Le développement d’un réseau de compétence.
Ce projet a utilisé les données de différents modèles météorologiques provenant de

l’environnement Canada.
3
PFE
Remerciements
Avant d’entamer ce rapport, nous tenons à remercier sincèrement l’encadrant de notre
mémoire de fin d’étude, Pr. Mr. Moulay Driss HASNAOUI qui nous a proposé d’abord le sujet
et qui nous a donné les directives essentielles pour accomplir ce travail. Ainsi nous le
remercions pour le temps consacré pour assurer un encadrement de proximité et de nous soutenir
dans toutes les étapes du travail.
Nous remercions également Pr. Mme Najat SERHIR pour son encadrement interne, à l’Ecole
Hassania des Travaux Publics, ainsi que pour les discussions fructueuses et pour le soutien à ce
travail.
Nous tenons aussi à remercier le département de l’eau notamment la DRPE/DGH qui supervise
le déroulement de notre travail à travers M. HASNAOUI.
Nous souhaitons également remercier les professeurs Pr. A.BOUZIANE, et Pr. D. OUAZAR
qui nous ont aidés pour la réalisation de ce travail.
Nous remercions par la même occasion Mr J. JAIR pour son aide concernant les outils
informatiques.
Nous reconnaissons l’aide de l’équipe du Laboratoire d’Analyse des Systèmes Hydraulique
(LASH) de l’Ecole Mohammadia d’Ingénieur (EMI).
Nous remercions également Mr. GUILLAUME et son équipe de l’environnement Canada
pour la mise à notre disposition des données de différents modèles météorologiques.
Que le corps professoral et administratif de l’EHTP trouve ici nos vifs remerciements, pour tout
le travail effectué durant notre scolarité et pour les moyens mis en œuvre pour assurer une
formation pertinente et solide qui nous a permis de faire face aux imprévus et surmonter les
difficultés.
Nous tenons à témoigner notre profonde gratitude à toutes les personnes qui ont participé de
près ou de loin à l’élaboration de ce travail.
Nous saisissons aussi l’occasion pour remercier les membres de jury pour avoir accepté
d’évaluer ce travail.
4
PFE
Sommaire
Dédicaces ...................................................................................................................................................... 1
Avant-propos ................................................................................................................................................ 3
Remerciements ............................................................................................................................................. 4
Sommaire ...................................................................................................................................................... 5
Résumé ......................................................................................................................................................... 9
Abstract ....................................................................................................................................................... 10
Liste des figures .......................................................................................................................................... 11
Liste des tableaux ....................................................................................................................................... 14
Liste des abréviations ................................................................................................................................. 16
Introduction générale ................................................................................................................................. 18
Chapitre I : Concept des changements climatiques.................................................................................... 20
I. Concept des changements climatiques .......................................................................................... 20
1. Le système climatique de la terre ............................................................................................... 21
2. L’effet de serre ............................................................................................................................ 22
3. Principaux résultats de l’IPCC des changements climatiques à l’échelle globale ....................... 23
II. Les types de scénarios d’émissions des gaz à effet de serre .......................................................... 25
1. Les scénarios du SRES (Special_Report_on_Emissions_Scenarios) ............................................ 25
2. Choix du scénario ........................................................................................................................ 28
III. Les modèles climatiques globaux et simulations ........................................................................ 29
1. Les modèles climatiques et simulations ..................................................................................... 29
2. Modèles de climat global (MCG) ................................................................................................ 29
IV. Méthode de descente d’échelle ................................................................................................. 29
1. Méthodes de descente d’échelle statistiques ............................................................................ 31
2. Méthodes de descente d’échelle dynamiques ........................................................................... 32
Chapitre II : Descriptions et Caractérisations des bassins Bouskoura et Moulouya-Ziz-Ghéris-Guir ......... 34
I. Introduction .................................................................................................................................... 34
II. Description des zones d’études ...................................................................................................... 34
1. Bassin versant de Moulouya-Ziz-Ghéris-Guir.............................................................................. 34
2. Bassin versant de Bouskoura ...................................................................................................... 39
III. Production des données de base ................................................................................................ 42
1. Le logiciel utilisé : Arcgis 10.1 ..................................................................................................... 42
2. Modèle Numérique de Terrain ................................................................................................... 42
5
PFE
a. Mode raster ............................................................................................................................ 43

b. Mode vecteur .......................................................................................................................... 43
3. Préparation du MNT ................................................................................................................... 45
a. Correction du MNT ................................................................................................................. 46
b. Détermination du sens de l’écoulement ................................................................................ 47
c. Détermination de l’écoulement accumulé ............................................................................. 47
d. Création du réseau hydrographique ....................................................................................... 48
e. Positionnement des stations :................................................................................................. 48
f. Présentation des résultats mesurés par l’outil SIG ................................................................. 49
g. Déterminer un sous bassin pour chaque station hydrologique.............................................. 50
Chapitre III : Evaluation des changements climatiques futurs au niveau des zones de Moulouya-Ziz-
Ghéris-Guir et de Bouskoura ...................................................................................................................... 52
I. Méthodologie, Outils et Données ....................................................................................................... 52
Présentation de l’approche suivie ...................................................................................................... 52
II. Données observées et réanalyse NCEP utilisées ............................................................................... 53
1. Données observées ..................................................................................................................... 53
2. Données Réanalyse de NCEP ...................................................................................................... 54
III. Description du logiciel SDSM « Statistical Downscaling Model » ................................................... 55
IV. Description du logiciel SDSM 4.2 .................................................................................................... 56
V. Résultats et Interprétations ................................................................................................................ 59
VI. Changements futurs des précipitations .......................................................................................... 62
VII. Conclusions ..................................................................................................................................... 68
Chapitre IV : adaptation statistique et évaluation des sorties des modèles climatiques ........................... 69
I. Introduction .................................................................................................................................... 69
II. Description des modèles météorologiques .................................................................................... 69
III. Les données utilisées .................................................................................................................. 71
IV. Définitions des scores utilisés pour l’évaluation du modèle : .................................................... 72
1. La corrélation : ............................................................................................................................ 72
2. Racine de l’erreur quadratique moyenne(RMSE) et moyenne de l’erreur absolue (Mean
Absulate Error : MAE) ......................................................................................................................... 73
3. L’erreur quadratique centrée ..................................................................................................... 74
V. Méthode de régression linéaire simple : ........................................................................................ 75
VI. Adaptation statistique des données des points de grille du modèle ......................................... 75
1. Les étapes suivies pour adapter statistiquement les sorties des modèles météorologiques .... 76
6
PFE
2. Exemple des Résultats des scores statistiques calculés avant la correction des modèles ......... 79
VII. Choix du meilleur modèle après l’adaptation statistique (correction) ....................................... 79
1. Principe de diagramme de Taylor ............................................................................................... 80
2. Résultat et interprétation ........................................................................................................... 81
VIII. Résultats du meilleur modèle météorologique après l’adaptation statistique .......................... 85
1. Test de la signification des corrélations et de l’intervalle de confiance du modèle................... 86
a. Spécifications du test de la signification : ............................................................................... 86
b. Intervalle de confiance :.......................................................................................................... 87
2. Résultats de significativité de la corrélation et l’intervalle de confiance de modèle
AMMA_CHMIALADIN_ECHAM5-r3 ..................................................................................................... 87
IX. Conclusion : ................................................................................................................................. 88
Chapitre V: Elaboration des courbes I.D.F et détermination des paramètres de Montana ....................... 90
I. Introduction : .................................................................................................................................. 90
II. Ajustement statistique.................................................................................................................... 91
1. Principe des méthodes statistiques ............................................................................................ 91
2. Le logiciel utilisé «Hyfran plus» et son fonctionnalité ............................................................... 91
3. Étapes de l’étude statistique ...................................................................................................... 92
III. L’étude statistique des séries de pluie journalière maximale annuelle ..................................... 92
IV. Quelques résultats détaillés de l’ajustement statistique ........................................................... 93
1. Station Ansegmir ......................................................................................................................... 93
2. Station Lougagh .......................................................................................................................... 94
V. Validation des extrêmes ................................................................................................................. 99
VI. Les courbes Intensité-Durée-Fréquence (I.D.F) et les paramètres de Montana ..................... 100
VII. Résultats et interprétations ...................................................................................................... 101
1. Résultats des observations (stations) ....................................................................................... 101
2. Résultats du meilleur modèle (AMMA_CHMIALADIN_ECHAM5-r3) ........................................ 104
3. Régionalisation des paramètres issus du modèle et la comparaison visuelle par rapport à ceux
calculés par les observations ............................................................................................................ 105
VIII. Conclusions ............................................................................................................................... 110
Conclusions générales et perspectives ..................................................................................................... 111
Bibliographie ............................................................................................................................................. 113
Listes des Annexes .................................................................................................................................... 115
Annexe I : Les scénarios des changements climatiques générés par Logiciel SDSM4.2 aux niveaux des
stations ..................................................................................................................................................... 116
7
PFE
Annexe II : L’ajustement statistique pour chaque station ........................................................................ 118

Annexe III : Les courbes I.D.F de mesure de l’intensité et les paramètres de Montana aux stations. ..... 128
Annexe IV : Les courbes I.D.F de mesure de l’intensité par le meilleur
modèle «AMMA_CHMIALADIN_ECHAM5-r3 »................................................................................. 139
Annexe V : Les cartes de l’interpolation du meilleur modèle «AMMA_CHMIALADIN_ECHAM5-r3 »
.................................................................................................................................................................. 150
Annexe VI : les programmes développés pendant la réalisation de ce travail ......................................... 161
8
PFE
Résumé
Ce projet vise dans un premier temps à corriger et à évaluer les modèles climatiques à travers
une relation de régression linéaire qui existe entre les observations (pluies journalières) des
stations des zones d’étude (Bassins de Moulouya-Ziz -Gheris-Guir et Bassin de Bouskoura) et
les points de grille de chaque modèle les plus proches des stations d’observation. Puis nous
avons entamé la partie élaboration des courbes I.D.F (intensité-durée-fréquence) dans chaque
station d’observation et dans tous les points grilles du modèle le plus performant. Ensuite, nous
avons évalué les extrêmes à travers la comparaison des résultats obtenus de l’ajustement
statistique par la loi de Gumbel en calculant certains scores statistiques (Corrélation, RMSE :
Root Mean Squared Error, MAE : Mean Absolute Error). Enfin, nous avons élaboré les cartes de
régionalisation des paramètres des crues (paramètre de Montana et paramètre de Gumbel) et les
extrêmes prévus par la loi Gumbel pour chaque période de retour pour le calcul des pluies de
projet.
Dans un second temps nous avons évalué les scénarios des changements climatiques (A1B,
A2) sur les précipitations jusqu’en 2050 à travers une désagrégation statistique (logiciel SDSM)
au niveau des stations d’observation qui se situent dans chaque zone de notre étude.
9
PFE
Abstract
This project aims first to correct and evaluate climate models through a linear regression
relationship between the observation (rainfall) of stations in the study area (basin of Moulouya-
Ziz -Gheris-Guir and of Bouskoura) and each grid point model closest of observation stations.
Then we started the development of the IDF curves (intensity-duration-frequency) in each
observation station and in all the grid points of the most powerful model. Then we evaluated the
extremes through the evaluation of the results of the statistical adjustment using the Gumbel
distribution by calculating a few statistical scores (correlation, RMSE: Root Mean Squared
Error, MAE: Mean Absolute Error). Finally, we developed maps of regionalization of flood
parameters (Montana and Gumbel parameters) and extremes under the Gumbel law for each
return period for the calculation of rain project.
Secondly, we evaluated the climate change scenarios (A1B, A2) of rainfall until 2050 through
a statistical downscaling (SDSM software) at the station observation located in every area of our
study.
10
PFE
Liste des figures
FIGURE 1 : VUE SCHEMATIQUE DES COMPOSANTES DU SYSTEME CLIMATIQUE, LEURS PROCESSUS ET

LEURS INTERACTIONS (RAPPORT IPCC 2007A)................................................................................... 21
FIGURE 2: SCHEMA DU PRINCIPE DE L’EFFET DE SERRE.............................................................................. 23

FIGURE 3: CHANGEMENTS OBSERVEES DE LA TEMPERATURE (A), NIVEAU GLOBAL DE LA MER (B) ET
COUCHE DE NEIGE DANS L’HEMISPHERE NORD, POUR LA PERIODE 1961-1990. SOURCE: IPCC, WG I.
CLIMATE CHANGE 2007: THE PHYSICAL SCIENCE BASIS................................................................... 25

FIGURE 4 : REPRESENTATION SCHEMATIQUE DE LA FAMILLE DE SCENARIOS DU SRES. LES FAMILLES A1
ET A2 SONT PLUS AXEES SUR L'ECONOMIE QUE LES FAMILLES B1 ET B2, QUI ONT UN AXE PLUS
ECOLOGIQUE, ALORS QUE L'AXE DES FAMILLES A1 ET B1 EST PLUS GLOBAL QUE CELUI DES
FAMILLES A2 ET B2 QUI EST PLUS REGIONAL. .................................................................................... 26
FIGURE 5 : LES EMISSIONS MONDIALES DE CO2 LIEES A L'ENERGIE ET A L'INDUSTRIE. (GIEC, 2000). ..... 27
FIGURE 6 : LES EMISSIONS MONDIALES DE GAZ A EFFET DE SERRE (CO2 ET CH4). (JEAN JOUZEL, 2011) 28
FIGURE 7 : SCHEMATISATION DE LA DIFFERENCE D’ECHELLES ENTRE LES MCG ET LES MODELES
D’IMPACTS. (ADAPTE D’UNE REPRESENTATION DE DAVID VINER, CLIMATIC RESEARCH UNIT,
UNIVERSITY OF EAST- ANGLIA. HTTP://WWW.CRU.UEA.AC.UK/CRU/INFO/MODELCC/)...................... 31

FIGURE 8 : SITUATION GEOGRAPHIQUE DU BASSIN VERSANT DE LA MOULOUYA-ZIZ-GHERIS-GUIR. .... 35
FIGURE 9 : LIMITES ET EXUTOIRE DES BASSINS VERSANTS DE MOULOUYA-ZIZ-GHERIS-GUIR. ................ 39
FIGURE 10 : SITUATION GEOGRAPHIQUE DU BASSIN DE BOUSKOURA. ....................................................... 40
FIGURE 11 : LIMITES ET EXUTOIRE DU BASSIN VERSANT DE BOUSKOURA ................................................. 41
FIGURE 12 : SCHEMA DE MNT EN MODE RASTER ....................................................................................... 43
FIGURE 13 : SCHEMA DE MNT EN MODE VECTEUR .................................................................................... 44
FIGURE 14 : IMPORTATION DU MODELE NUMERIQUE DU TERRAIN. ............................................................ 45
FIGURE 15 : LA MOSAÏQUE DES MNT ......................................................................................................... 46
FIGURE 16 : CORRECTION DES ERREURS DU MNT. ..................................................................................... 46
FIGURE 17 : REPRESENTATION DU SENS DE L’ECOULEMENT DANS CHAQUE CELLULE DU MNT ................ 47
FIGURE 18 : CODE DE LA DIRECTION DES ECOULEMENTS .......................................................................... 47
FIGURE 19 : ACCUMULATION DE L'ECOULEMENT ....................................................................................... 48
FIGURE 20 : POSITIONS DES STATIONS AVANT ET APRES CORRECTION DES COORDONNEES ..................... 49
FIGURE 21 : CARTE DES SOUS BASSINS DELIMITES SUR LES BASSINS DE MOULOUYA-ZIZ-GHERIS-GUIR. 50
FIGURE 22 : CARTE DU BASSIN DE BOUSKOURA. ....................................................................................... 51
FIGURE 23 : METHODOLOGIE DE L’EVALUATION DES CHANGEMENTS CLIMATIQUES FUTURS AU NIVEAU
DES ZONES D’ETUDE. ........................................................................................................................... 53
FIGURE 24 : L’ECRAN DE DEMARRAGE DU LOGICIEL SDSM 4.2. ............................................................... 55
11
PFE
FIGURE 25 : MENU PRINCIPAL DU LOGICIEL SDSM 4.2 .............................................................................. 57

FIGURE 26 : LES PRINCIPALES ETAPES POUR LA PRODUCTION DES SCENARIOS DE CHANGEMENTS
CLIMATIQUES A L’ECHELLE LOCALE PAR LOGICIEL SDSM4.2 ........................................................... 59
FIGURE 27 : ERREURS RELATIVES (EN %) DES CUMULS PLUVIOMETRIQUES SAISONNIERS ET ANNUELS

GENERES PAR SDSM, SUR LA PERIODE 1961-2003 DES STATIONS TABOUAZANT, ANSEGMIR,
LOUGAGH, MISSOUR, ZAIDA ET ALAOUIA.......................................................................................... 61

GENERES PAR SDSM, SUR LA PERIODE 1961-2003 DES STATIONS ZAOUIA, FOUM ZAABEL, FOUM
TILLICHT, M’ZIZEL ET R.ERFOUDE ..................................................................................................... 61

GENERES PAR SDSM, SUR LA PERIODE 1961-2003 DE LA STATION BOUSKOURA. ............................. 61
FIGURE 30 : TENDANCES DES PRECIPITATIONS ANNUELLES PREVUES POUR LA PERIODE 2010 – 2050
SELON LES SCENARIOS A1B ET A2 AU NIVEAU DES STATIONS A) EL ALOUIA ET B) ANSGEMIR ........ 63
SELON LES SCENARIOS A1B ET A2 AU NIVEAU DES STATIONS C) LOUGAGH ET D) MISSOUR ........... 64
SELON LES SCENARIOS A1B ET A2 AU NIVEAU DES STATIONS E) TABOUAZANTE ET F) ZAIDA......... 65
FIGURE 33 : CHANGEMENTS FUTURS (EN %) ISSUS DE SDSM POUR LES CUMULS SAISONNIERS ET
ANNUELS DE PRECIPITATION AU NIVEAU DES STATIONS TABOUAZANT, ANSEGMIR, LOUGAGH,
MISSOUR, ZAIDA ET ALAOUIA (2010-2050 PAR RAPPORT A 1961-2003) ........................................... 66

ANNUELS DE PRECIPITATION AU NIVEAU DES STATIONS ZAOUIA, FOUM ZAABEL, FOUM TILLICHT,
M’ZIZEL ET R.ERFOUDE (2010-2050 PAR RAPPORT A 1961-2003) ..................................................... 67

ANNUELS DE PRECIPITATION AU NIVEAU DE LA STATION BOUSKOURA (2010-2050 PAR RAPPORT A
1961-2003) .......................................................................................................................................... 67
FIGURE 36 : EXEMPLE DES POINTS DE GRILLE DU MODELE ET LES STATIONS D’OBSERVATION LES PLUS
PROCHES .............................................................................................................................................. 76
FIGURE 37 : REPRESENTATION DE LA DISTANCE CURVILIGNE ENTRE DEUX POINTS SUR UNE SPHERE ....... 77
FIGURE 38 : LES DISTANCES ENTRE LES POINTS DE GRILLE ET LA STATION R.ERFOUD.............................. 77
FIGURE 39 : RELATION GEOMETRIQUE RELIANT R, E', ΣM ET ΣD. .............................................................. 80
FIGURE 40 : INTEGRATION DE LA RELATION GEOMETRIQUE RELIANT R, E', ΣM ET ΣD DANS UN
GRAPHIQUE AUX COORDONNEES POLAIRES. ....................................................................................... 81
FIGURE 41 : EVOLUTION TEMPORELLE DES PRECIPITATIONS JOURNALIERES DES OBSERVATIONS ET DES

MODELES POUR LA PERIODE 1991-1994 DANS LA ZONE 1................................................................... 82
12
PFE
FIGURE 42 : EVOLUTION TEMPORELLE DES PRECIPITATIONS JOURNALIERES DES OBSERVATIONS ET DES

MODELES POUR LA PERIODE 1991-1994 DANS LA ZONE 2................................................................... 82
FIGURE 43 : DIAGRAMME DE TAYLOR QUI PRESENTE LES PERFORMANCES RELATIVES DES MODELES
METEOROLOGIQUES POUR LES CUMULS DES PRECIPITATIONS SUR LE BASSIN BOUSKOURA (REGION1).
............................................................................................................................................................ 83
FIGURE 44 : DIAGRAMME DE TAYLOR QUI PRESENTE LES PERFORMANCES RELATIVES DES MODELES
METEOROLOGIQUES POUR LES CUMULS DES PRECIPITATIONS SUR LES BASSINS MOULOUYA-ZIZ-
GHERIS-GUIR (REGION2)..................................................................................................................... 84
FIGURE 45 : LES OBSERVATIONS (PLUIE ANNUELLE MAXIMALE SUR 24H) EN FONCTION DES PROBABILITES
AU NON-DEPASSEMENT. ...................................................................................................................... 95
FIGURE 46 : L’HISTOGRAMME DES OBSERVATIONS CLASSE PAR VALEUR DE LA PLUIE JOURNALIERE

MAXIMALE SUR 24H. ........................................................................................................................... 95
FIGURE 47 : PRESENTATION UNE COMPARAISON DES AJUSTEMENTS SUR LA DUREE 24H. ......................... 96
FIGURE 48 : RESULTAT STATISTIQUE OBTENUE PAR TEST DE KHI-DEUX. ................................................... 96
FIGURE 49 : LA LOI AJUSTE LES PLUIES MAXIMALE DE LA STATION LOUGAGH POUR LA DURE 24H. ......... 97
FIGURE 50 : COURBE INTENSITE-DUREE-FREQUENCE (I.D.F) DE LA STATION D’ANSEGMIR .................... 102
FIGURE 51 : COURBE I.D.F LINEARISE DE LA STATION D’ANSEGMIR. ...................................................... 103
FIGURE 52 : COURBE I.D.F DU POINT DE GRILLE : LONGITUDE=31.2862 ET LATITUDE=3.425499........... 104
FIGURE 53 : COURBE I.D.F LINEARISE DU POINT DE GRILLE : LONGITUDE=31.2862 ET LATITUDE=3.425499
.......................................................................................................................................................... 105
FIGURE 54 : LA CARTE DES PREVISIONS DES CUMULS DES PLUIES MAXIMALES (T=2ANS ET DUREE=24H)
DU MODELE SUPERPOSE AVEC LES VALEURS DES STATIONS SUR LES BASSINS MOULOUYA-ZIZ-
GHERIS-GUIR. ................................................................................................................................... 108

FIGURE 55 : LA CARTE DES PREVISIONS DES CUMULS DES PLUIES MAXIMALES (T=2ANS ET DUREE=24H)
DU MODELE SUPERPOSE AVEC LES VALEURS DES STATIONS SUR LE BASSIN DE BOUSKOURA.......... 108
FIGURE 56 : LA CARTE DE COEFFICIENT DE MONTANA « A » (T=2ANS ET DUREE=24H) DU MODELE

SUPERPOSE AVEC LES VALEURS DES STATIONS SUR LES BASSINS MOULOUYA-ZIZ-GHERIS-GUIR. . 109
FIGURE 57 : LA CARTE DE COEFFICIENT DE MONTANA « A » (T=2ANS ET DUREE=24H) DU MODELE

SUPERPOSE AVEC LES VALEURS DES STATIONS SUR LE BASSIN DE BOUSKOURA. ............................ 110
13
PFE
Liste des tableaux
TABLEAU 1 : LISTE DES FICHIERS MNT D’ASTER COUVRANT LES ZONES D’ETUDE ................................... 44
TABLEAU 2 : POSITIONNEMENT DES STATIONS HYDROMETRIQUES............................................................ 49
TABLEAU 3 : LES PLUIES JOURNALIERES DES STATIONS UTILISEES ET LEURS CARACTERISTIQUES
STATISTIQUES ...................................................................................................................................... 53
TABLEAU 4 : PREDICTEURS UTILISES POUR LA CALIBRATION DU MODELE SDSM ET LA PRODUCTION DES

SCENARIOS DE PRECIPITATIONS. ......................................................................................................... 55
TABLEAU 5 : APERÇU DES PRINCIPALES FORCES MOTRICES EN 1990, 2020, 2050 ET 2100. LES CHIFFRES
GRAS INDIQUENT LES VALEURS DANS LES SCENARIOS ET LES CHIFFRES ENTRE PARENTHESES LES
VALEURS DES FOURCHETTES SUR L'ENSEMBLE DES SCENARIOS SRES. L'EVOLUTION
TECHNOLOGIQUE N'EST PAS QUANTIFIEE. (GIEC, 2000). ................................................................... 28
TABLEAU 6 : PREDICTEURS DE GRANDE ECHELLE UTILISES DANS LA TECHNIQUE DE REDUCTION

D’ECHELLE STATISTIQUE ..................................................................................................................... 56
TABLEAU 7 : RECAPITULATIF DES ERREURS RELATIVES (EN %) GENEREES PAR SDSM ............................ 62
TABLEAU 8 : RECAPITULATIF DES CHANGEMENTS FUTURS EN POURCENTAGE ISSUS DU LOGICIEL SDSM.
............................................................................................................................................................ 68
TABLEAU 9 : LES PERIODES DISPONIBLES POUR CHAQUE MODELE. ............................................................ 71
TABLEAU 10 : RESULTATS DES SCORES CALCULES AVANT LA CORRECTION DU MODELE SUR LES
STATIONS D’OBSERVATION ET LES POINTS DE LA GRILLE CORRESPONDANTE .................................... 79
TABLEAU 11 : LES COEFFICIENTS DE REGRESSION (CALCULES POUR LA CORRECTION) ET LES SCORES

STATISTIQUES (CALCULES APRES CORRECTION) ENTRE LES STATIONS D’OBSERVATIONS ET LES
POINTS DE GRILLE CORRESPONDANTS................................................................................................. 85
TABLEAU 12 : LES RESULTATS DE TEST DE SIGNIFICATIVITE DE CORRELATION ET L’INTERVALLE DE

CONFIANCE CALCULES POUR LES STATIONS ET LES POINTS DE GRILLE CORRESPONDANTS. .............. 87
TABLEAU 13 : SYNTHESE DES RESULTATS DE L’ETUDE STATISTIQUE – SERIE DE PLUIE ............................ 93

TABLEAU 14 : AJUSTEMENT STATISTIQUE DES DONNEES DE PLUIE MAXIMALES JOURNALIERES DE LA
STATION ANSEGMIR ............................................................................................................................ 94
TABLEAU 15 : RESULTATS DES PREVISIONS DES STATIONS DE PLUIE DES ZONES D’ETUDE........................ 98
TABLEAU 16 : RESULTATS DES PREVISIONS DES STATIONS DE L’INTENSITE DES ZONES D’ETUDE. ............ 98
TABLEAU 17 : RESULTATS DES SCORES STATISTIQUES CALCULES ENTRE DES PREVISIONS DES EXTREMES
ISSUES DE L’AJUSTEMENT DU MODELE ET CELLE DE L’OBSERVATION. .............................................. 99
TABLEAU 18 : LES INTENSITES DE PRECIPITATIONS EN FONCTION DES DUREES ET POUR CHAQUE PERIODE
DE RETOUR. ....................................................................................................................................... 102
14
PFE
TABLEAU 19 : PARAMETRES DE MONTANA POUR CHAQUE PERIODE DE RETOUR DE LA STATION

D’ANSEGMIR ..................................................................................................................................... 103
TABLEAU 20 : EQUATION RELIANT CHAQUE PARAMETRE ET L’ALTITUDE Z............................................. 106

TABLEAU 21 : CARACTERISTIQUES STATISTIQUE DE PARAMETRE B DE MONTANA POUR DIFFERENTES
PERIODES DE RETOUR ........................................................................................................................ 109
15
PFE
Liste des abréviations
ABH : Agence du Bassin Hydraulique.
ASTER: Advanced Spaceborne Thermal Emission and Reflection Radiometer.
AMMA : Analyses Multidisciplinaires de la Mousson Africaine.
BV : Bassin Versant.
CFC : chlorofluorocarbones
CO2: dioxyde de carbone.
CH4 : méthane.
GES : gaz à effet de serre.
GIEC : Groupe Intergouvernemental sur l’Evolution du Climat.
IDF : courbes Intensité-Durée-Fréquence.
INRS – ETE : Institut National de Recherche Scientifique, Eau, Terre, Environnement.
IPCC : Panel Intergouvernemental sur le Changement Climatique.
MAE : Mean Absolute Error.
MAO : Mousson d’Afrique de l’Ouest.
MCG : Modèles de climat global.
MCCG : Modèle climatique global canadien de circulation générale.
MCCG3 : Modèle de circulation générale de troisième génération MCCG
MCGA : Modèle de circulation générale Atmosphère.
MCGOA : Modèle de circulation générale Atmosphère-Océan.
MRC : Modèle régionale de climat.
MNT : Modèle numérique de terrain.
16
PFE
NCAR: National Center for Atmospheric Research.
NCEP : National Centers for Environmental Prediction
NGM : niveau générale des mers.
OMM: Organisation Mondiale de la Météorologie.
O3 : ozone.
PFE : Projet de Fin d’Etudes.
RMSE : Racine de l’Erreur quadratique moyenne.
RCSCC : Réseau Canadien des Scénarios du Changement Climatique.
SF6 : hexafluorure de soufre.
SRES : Special Report on Emissions Scenarios.
SIG : Système d’Information Géographique.
SDSM: statistical DownScaling Model.
TSO : Température de surface de l’Océan.
UNEP : Programme d'Environnement des Nations Unies.
17
PFE
Introduction générale
Les études climatiques classiques se font à partir des modèles numériques appelés GCM
(General Circulation Model) qui couvrent l’ensemble du globe et représentent la dynamique de
l’atmosphère et ses lois physiques. La tendance actuelle quand on étudie le climat global de la
planète est de coupler ces modèles atmosphériques à des modèles représentant les autres parties
du système terre : l’océan, la végétation, les fleuves, la chimie atmosphérique,...
Pour des raisons de limitation de la puissance de calcul des ordinateurs disponibles, ces
modèles possèdent généralement une résolution de l’ordre de quelques centaines de kilomètres.
Cette résolution ne permet pas de résoudre certains processus physiques régionaux qui
influencent le climat d’une région particulière du globe (îles, relief complexe, vents régionaux,
précipitations). De même, à cette résolution, ces modèles ne permettent pas de fournir des
données assez précises (spatialement) pour toutes les études d’impact du changement climatique.
Exemple : impact du changement climatique sur l’eau, collecte des eaux pluviales... Ces
domaines ont besoin des simulations à plus haute résolution spatiale.
Notre projet de fin d’étude consiste dans un premier temps à l’exploitation et la comparaison des
précipitations journalières issues des modèles climatiques après une réduction d’échelle. Ensuite
on élaborera des courbes I.D.F (intensité-durée-fréquence) pour la détermination des paramètres
de Montana.
Dans un second temps, on procédera à évaluer les scénarios des changements climatiques
(précipitations) au niveau des stations de notre zones de étude.
Ce mémoire est organisé en cinq chapitres dans lesquels nous avons présenté les aspects les plus
importants que nous avons traités et les développements réalisés en relation avec les missions qui
nous ont été assignées dans ce PFE :
Le premier chapitre porte sur le concept des changements climatiques.
Le deuxième chapitre est consacré pour les généralités sur la zone d’étude, notamment sa
situation géographique, ses ressources en eau et son climat. Aussi le chapitre porte sur la
caractérisation des différents sous bassins constituants les unités objet de l’étude en se basant sur
des outils SIG et sur un MNT de la région.
18
PFE
Le troisième chapitre porte sur l’évaluation des changements climatiques futurs au niveau des
zones de Moulouya-Ziz-Guir et de Bouskoura.
Le quatrième chapitre présente la comparaison et l’adaptation statistique des modèles

météorologiques sur deux bassins versants (Zone de montagnes : les bassins de la province de
Midelt et Zone de plaine : le bassin du Bouskoura).
Le dernier chapitre porte sur l’ajustement statistique et l’élaboration des courbes I.D.F
(Intensité-Durée-Fréquence) pour la détermination des paramètres de Montana.
Pour finir, les conclusions et les perspectives sont donnés dans la dernière section.
19
PFE
Chapitre I : Concept des changements climatiques.
I. Concept des changements climatiques
Pendant les dernières années le changement climatique est devenu un sujet d’actualité continu.
Les controverses créé es n’ont pas été peu nombreuses.
Le Panel Intergouvernemental sur le Changement Climatique (IPCC) est l’organisation

principale chargée de l'évaluation du changement climatique, établi selon le Programme
d'Environnement des Nations Unies (UNEP) et l'Organisation Mondiale de la Météorologie
(OMM) pour offrir au monde une vue scientifique et claire sur l'état du changement climatique et
de ses potentielles conséquences environnementales et socio-économiques.
Selon l’IPCC Les changements climatiques Désignent l'ensemble des variations des
caractéristiques climatiques en un endroit donné, au cours du temps : réchauffement ou
refroidissement. Certaines formes de pollution de l’air, résultant d’activités humaines, menacent
de modifier sensiblement le climat, dans le sens d’un réchauffement global. Ce phénomène peut
entraîner des dommages importants : élévation du niveau des mers, accentuation des événements
climatiques extrêmes (sécheresses, inondations, cyclones, ...), déstabilisation des forêts, menaces
sur les ressources d’eau douce, difficultés agricoles, désertification, réduction de la biodiversité,
extension des maladies, etc.
Selon le GIEC (2007), ce changement climatique s'accompagnerait :
 D'une perturbation du cycle de l'eau

 D’une augmentation de la fréquence et de l'intensité des catastrophes naturelles d'origine
climatique (sécheresses, inondations, tempêtes, cyclones),
 D’une menace de disparition de certains espaces côtiers, en particulier les deltas, les
mangroves, les récifs coralliens, les plages d'Aquitaine, etc.,
 Favoriserait la recrudescence du paludisme, et l'extension de maladies infectieuses
comme la Salmonellose ou le choléra,
 Accélérerait la baisse de la biodiversité : disparition d'espèces animales ou végétales
20
PFE
1. Le système climatique de la terre
Les bases physiques du système climatique sont bien connues et largement comprises. Le
climat de la terre est déterminé par de nombreux facteurs, processus et interactions à
l’échelle de la planète (figure 1). Parmi les éléments importants, citons l’atmosphère, la
biosphère, l’océan, la glace marine, les nuages et les façons dont ils interagissent. Les propriétés
du système climatique de la terre peuvent être classées en :
 propriétés thermiques (température de l'air, de l'eau, …);

 propriétés cinétiques, (vents, courants océaniques, mouvements verticaux, …);
 propriétés aqueuses (humidité atmosphérique, nébulosité, contenu en eau liquide ou glace
des nuages, contenus en eau du sol, de la neige, …);
 propriétés dynamiques (densité, pression de l'atmosphère et de l'océan, composition de
l'air (sec), …).
Figure 1 : Vue schématique des composantes du système climatique, leurs processus et leurs
interactions (rapport IPCC 2007a).
Les variables, représentatives des différentes propriétés, sont interconnectées par les lois
dynamiques et différents processus physiques; par exemple, précipitation, évaporation,
rayonnement, advection, convection et diffusion turbulente.
Le système climatique échange de l'énergie avec l'espace sous forme radiative (rayonnements
solaire et terrestre). Le soleil est la principale source énergétique du système climat. Il présente
avec son flux lumineux un moteur qui met en mouvement les enveloppes fluides comme
21
PFE
l’atmosphère. Le système climatique est en quasi-équilibre et par conséquent, toute perturbation

introduite par une variation des paramètres externes (forçage orbital ou solaire) ou des
paramètres radiatifs internes (gaz à effet de serre) peuvent entraîner un changement climatique.
Les humains sont aussi une composante importante dans le système climatique terrestre ; en
contribuant au réchauffement planétaire et en l’accélérant par la libération massive de gaz à effet
de serre (GES) dans l’atmosphère. Le réchauffement lui-même déclenche des mécanismes de
réponse, comme la libération d’autres GES tels que le méthane. Il existe d’autres facteurs de
forçage qui ne sont pas dus à l’influence humaine, tels que des variations dans le rayonnement
solaire et l’activité volcanique ainsi que des fluctuations dans l’axe de la terre et dans son orbite
autour du soleil. Il s’agit d’événements exogènes, partiellement responsables des changements
qui se sont produits entre les périodes glaciaires et les périodes interglaciaires. Ils surviennent sur
une plus grande période de temps (des dizaines de milliers d’années ou plus) et doivent être
clairement différenciés du changement climatique d’origine anthropique. Ce dernier peut être
prévenu en prenant des mesures adéquates.
Comprendre ou prévoir le comportement du climat et donc les variations et changements

climatiques, nécessite la considération du système climatique dans sa globalité et la prise en
compte à la fois de ces échanges radiatifs et des processus, multiples et complexes, qui
interconnectent les différents éléments et variables du système. La modélisation climatique est
actuellement le seul moyen permettant de répondre à ce besoin d’une façon relativement
complète et satisfaisante.
2. L’effet de serre
La Terre et spécialement sa surface absorbe le rayonnement solaire qui est ensuite restitué en
direction de l’atmosphère à de plus grandes longueurs d’onde (figure 2). Une partie de ce
rayonnement infrarouge est alors absorbée par les gaz suspendus dans l’atmosphère, dits « gaz à
effet de serre ». C’est cette part du rayonnement qui est à l’origine d’un apport supplémentaire de
chaleur à la surface terrestre. Sans ces GES, la chaleur émise par la terre serait intégralement
renvoyée dans l’espace et par la suite la température à la surface de la planète serait alors de - 18
°C au lieu de +15 °C et à la fin la vie sur terre aurait été alors impossible.
22
PFE
Figure 2: Schéma du principe de l’effet de serre
L’augmentation des concentrations de gaz à effet de serre aura pour effet d’augmenter la
proportion du rayonnement terrestre absorbé par l’atmosphère. Le forçage radiatif devient alors
positif et le déséquilibre induit ne peut être compensé que par une hausse de la température du
système surface-troposphère causant ainsi des changements dans le climat.
Parmi les principaux gaz à effet de serre, on peut citer la vapeur d’eau, le dioxyde de carbone
(CO2), le méthane (CH4), l’oxyde nitreux (ou protoxyde d’azote) et l’ozone (O3). Les gaz à
effet de serre industriels incluent les halos carbones lourds (comme les chlorofluorocarbones
CFC) et l’hexafluorure de soufre (SF6).
3. Principaux résultats de l’IPCC des changements climatiques à l’échelle globale
Dans son rapport « climate change 2007 : the physical Science Basis » [IPCC, WGI, 2007],
l’IPCC établit qu’actuellement le changement climatique est manifeste, si l’on se base sur les
observations directes de l’augmentation de la température de l’air et des océans, de
l’augmentation de la fonte de la glace et de la neige et de l’élévation du niveau de la mer (figure
3). Aussi il associe tous ces changements, avec une forte probabilité, à l’augmentation de la
concentration du CO2 anthropique qui a eu lieu depuis la deuxième partie du XX ème siècle.
Pourtant, il indique aussi que quelques aspects du climat ne présentent pas de changement. Par
exemple, l’augmentation de l’activité de cyclones dans quelques régions de la planète est
associée à l’amélioration de la technologie qui permet l’enregistrement de ces phénomènes et
23
PFE
pour le moment l’IPCC considère qu’il n’y a pas une claire tendance pour la quantité de cyclones
annuels. L’étendue de la glace en l’Antarctique présente des variations annuelles et des
changements ponctuels localisés, mais ils ne sont pas significatifs statistiquement. D’autres
exemples sont des phénomènes de petite échelle comme des tornades, des éclairs, de la grêle ou
des tempêtes de sable.
Selon ce même rapport les effets possibles du changement climatique sont multiples.
L’augmentation de la température de surface n’est pas la seule altération attendue; la
modification des températures extrêmes (plus chaudes mais aussi plus froides), la modification
de la fréquence de phénomènes comme les ouragans, les cyclones, des vents et des pluies
extrêmes, la réduction de la couverture de glace, sont quelques exemples des conséquences
possibles.
L’altération du cycle de l’eau sera un des effets les plus prononcés qui est attendu, et comme
résultat des impacts hydrologiques doivent être attendus. Les phénomènes de pluies forment une
partie fondamentale de ce cycle et, en conséquence, on attend que son comportement soit aussi
altéré.
Entre 1900 et 2005, les précipitations ont fortement augmenté dans l’est de l’Amérique du
Nord et du Sud, dans le nord de l’Europe et dans le nord et le centre de l’Asie, tandis qu’elles
diminuaient au Sahel, en Méditerranée, en Afrique australe et dans une partie de l’Asie du Sud. Il
est probable que la sécheresse a progressé à l’échelle du globe depuis les années 1970. (IPCC
2007, rapport de synthèse).
24
PFE
Figure 3: Changements observées de la température (a), niveau global de la mer (b) et couche de
neige dans l’hémisphère nord (c), pour la période 1961-1990. Source: IPCC, WG I. Climate Change
2007: The Physical Science Basis.
II. Les types de scénarios d’émissions des gaz { effet de serre
1. Les scénarios du SRES (Special_Report_on_Emissions_Scenarios)
Les facteurs quantitatifs qui entrent dans chaque scénario sont, par exemple, des mesures
régionalisées de la population, du développement économique et du rendement énergétique, de la
disponibilité de diverses formes d'énergie, de la production agricole et des mesures locales
antipollution. Les politiques explicites visant à limiter les émissions de gaz à effet de serre ou à
s'adapter aux changements climatiques mondiaux attendus ne sont pas incluses. On trouvera des
précisions sur ces facteurs (population, consommation d'énergie, etc.).
Selon la manière dont ils sont construits et la vitesse d’évolution de chaque force motrice on
trouve quatre types de scénarios d’émissions anthropiques. La figure 4 propose une
représentation très simpliste des quatre scénarios d’illustration du SRES.
25
PFE
Figure 4 : Représentation schématique de la famille de scénarios du SRES. Les familles A1 et A2 sont

plus axées sur l'économie que les familles B1 et B2, qui ont un axe plus écologique, alors que l'axe des
familles A1 et B1 est plus global que celui des familles A2 et B2 qui est plus régional.
 La famille de scénarios A1 technologies nouvelles et plus efficaces. La famille de

scénarios A1 se divise en trois groupes qui correspondent à différentes hypothèses
concernant l'évolution technologique du système énergétique :
o A1FI- Usage intensif de combustibles fossiles.
o A1T- Sources d’énergies autres que fossiles.
o A1B- Équilibre entre toutes les sources d'énergie.et leurs fondements décrivent un
monde futur caractérisé par une croissance économique très rapide, une faible croissance
de la population.
 La famille de scénarios A2 et leurs fondements décrivent un monde très hétérogène. Le
thème sous-jacent est l'autosuffisance et la préservation des identités locales. Les taux de
fécondité régionaux convergent très lentement, ce qui se traduit par une augmentation constante
de la population. Le développement économique obéit principalement à une orientation
régionale, et la croissance économique par habitant comme les progrès technologiques sont
plus fragmentés et plus lents que dans les autres canevas.
 La famille de scénarios B1 et leurs fondements décrivent un monde convergent doté des
mêmes caractéristiques démographiques que le canevas A1, mais avec une évolution rapide des
structures économiques vers une économie axée sur les services et l'information, une moindre
importance des activités productrices de matières et l'adoption de technologies propres et
fondées sur une utilisation efficace des ressources. L'accent est mis sur la recherche de
solutions mondiales en matière de viabilité économique, sociale et environnementale, y
compris par une plus grande équité, mais sans nouvelles initiatives ayant trait au climat.
26
PFE
 La famille de scénarios B2 et leurs fondements décrivent un monde où l'accent est mis

sur des solutions locales en matière de viabilité économique, sociale et environnementale. Ce
monde se caractérise par une population mondiale qui augmente régulièrement, par un
développement économique de niveau intermédiaire et par des progrès technologiques moins
rapides et plus divers que dans les canevas A1 et B1. Ce scénario est également axé sur la
protection de l'environnement et l'équité sociale et il privilégie l'approche locale et régionale.
La figure 22 montre plus en détail les fourchettes des émissions totales de CO2 pour les six
groupes de scénarios qui constituent les quatre familles (les trois familles A2, B1 et B2 plus trois
groupes de la famille A1: A1FI, A1T et A1B).
Figure 5 : Les émissions mondiales de CO2 liées à l'énergie et à l'industrie. (GIEC, 2000).
Le tableau ci-après permet une quantification des différentes forces motrices pour les six
groupes de scénarios constituant les quatre familles.
27
PFE
Tableau 1 : Aperçu des principales forces motrices en 1990, 2020, 2050 et 2100. Les chiffres gras
indiquent les valeurs dans les scénarios et les chiffres entre parenthèses les valeurs des fourchettes
sur l'ensemble des scénarios SRES. L'évolution technologique n'est pas quantifiée. (GIEC, 2000).
2. Choix du scénario
Le choix des scénarios de changements climatiques à utiliser dépend dans une certaine mesure
de l'application visée. Pour les simulations du climat futur on se base principalement sur deux
scénarios d’émissions anthropiques :
Les scénarios A2 et A1B selon la disponibilité des données.
La figure 23 illustre l’évolution des scénarios A2 par rapport aux autres scénarios :
Figure 6 : Les émissions mondiales de gaz à effet de serre (CO2 et CH4). (Jean Jouzel, 2011)
28
PFE
III. Les modèles climatiques globaux et simulations
1. Les modèles climatiques et simulations
Le modèle climatique est un outil de représentation numérique du climat, basé sur des
équations mathématiques de la dynamique des fluides et de la conservation de la masse, de
l’énergie et de la quantité de mouvement. Il évoque l’ensemble du système climatique terrestre,
qui englobe l’atmosphère, l’hydrosphère, la cryosphère, la surface terrestre, la biosphère ainsi
que leurs interactions (GIEC, 2007a). Le résultat de l’utilisation du modèle climatique, la
simulation climatique, est une série de données représentant une grande quantité de variables
telles que la température du sol et de l’air, l’humidité et le vent. Les simulations sont produites
sur un certain territoire, soit le domaine spatial, allant d’une couverture globale étendue pour les
Modèles de climat global à un domaine plus restreint. Pour les Modèles régionaux de climat la
période simulée peut représenter tant le passé que le futur.
2. Modèles de climat global (MCG)
Les Modèles de climat global (MCG) sont des modèles climatiques permettant de simuler la
réponse du système climatique à la variation de la concentration des GES. Leur résolution
spatiale se situe généralement entre100 et 500 km. Les MCG comprennent environ 30 niveaux
verticaux que l’on pourrait virtuellement associer à une série de cubes empilés les uns pardessus
les autres, de la surface de la terre jusqu’à la fin de l’atmosphère, qui renfermeraient des
équations et des caractéristiques propres à chacun. Ces cubes réagissent et s’influencent
mutuellement de manière à créer virtuellement la dynamique du système climatique.
IV. Méthode de descente d’échelle
La réduction d’échelle spatiale désigne les techniques utilisées pour obtenir des données
climatiques à plus haute résolution à partir d’une sortie de MCG à résolution plus grossière.
Les modèles régionaux du climat (MRC) utilisent généralement les mêmes paramètres physiques
que les MCG, mais ils procurent des données sur une partie du globe à une résolution spatiale
plus fine, en général 50 km. La figure 4 illustre le concept de réduction d’échelle spatiale. Il
ressort clairement de ce schéma que la résolution des MCG, et dans une certaine mesure des
MRC, ne permet pas la représentation de la totalité des processus (comme la topographie, la
29
PFE
végétation) qui perturbent le climat local. En établissant des rapports statistiques entre les climats
à l’échelle locale et à une plus grande échelle, il est sans doute possible d’incorporer
implicitement certains de ces processus. La réduction d’échelle spatiale part de l’hypothèse qu’il
sera possible d’établir des rapports statistiques significatifs entre le climat local et le climat
global (ce qui permettra d’extraire des données locales utiles à partir des seules informations
globales) et que ces rapports resteront valables dans les conditions climatiques futures. En
d’autres termes, le climat à grande échelle sert de variables « prédicteurs » pour le climat local
(prédictand).
Les forçages et les circulations qui influent sur le climat régional, en revanche, interviennent à
des échelles spatiales nettement plus fines, modifier les conditions climatiques régionales par
rapport à celles directement déduites de l’état climatique global. La réduction d’échelle spatiale
peut permettre d’intégrer une partie de ces facteurs climatiques régionaux et donc incorporer une
valeur ajoutée, pour certaines régions, à la sortie d’échelle globale fournie par le MCG, mais son
utilité dépendra beaucoup de la région et des données climatologiques disponibles. Chaque cas
sera différent et peut obliger à étudier un certain nombre de techniques différentes de réduction
d’échelle avant de trouver la méthode qui convient - et dans certains cas, il sera même
impossible d’améliorer via la réduction d’échelle les scénarios de changements climatiques issus
d’une résolution grossière.
30
PFE
Figure 7 : Schématisation de la différence d’échelles entre les MCG et les modèles d’impacts. (Adapté
d’une représentation de David Viner, Climatic Research Unit, University of East- Anglia.
http://www.cru.uea.ac.uk/cru/info/modelcc/).
1. Méthodes de descente d’échelle statistiques
Les méthodes de descente d’échelle statistiques (Hewitson et Crane, 2006) introduisent les
techniques de typologie météorologique, les fonctions de transfert ou régression et les
générateurs stochastiques de données météorologiques. Leur technique consiste à établir une
relation statistique entre des prédictands, une ou plusieurs variables climatiques locales (par
exemple, les précipitations ou la température en un lieu donné), et des prédicteurs, une ou
plusieurs variables caractérisant l’état de l’atmosphère à grande échelle (par exemple, le
géopotentiel à 500 hPa), pouvant être obtenus à partir de simulations des MCG. Cette relation,
dérivée d’observations (pour les prédictands et les réanalyses pour les champs de grande
échelle), est ensuite appliquée aux données des simulations des MCG du climat futur afin
d’obtenir des informations sur les changements climatiques à l’échelle locale(ou régionale). Les
méthodes de descente d’échelle statistiques sont peu coûteuses en moyens de calcul et peuvent
facilement être appliquées aux résultats des MCG à condition de disposer de longues séries
31
PFE
d’observations de paramètres météorologiques (par exemple, les précipitations et les

températures). Elles supposent que la relation statistique « prédictand – prédicteurs » établie à
l’aide de l’information sur le climat actuel est également valide pour le futur (Hewitson et Crane,
2006). Cette hypothèse, dite « hypothèse de stationnarité », constitue l’obstacle majeur de ce
type de méthodes, car sa réalisation dans le cas d’un climat perturbé par les forçages
anthropiques est difficile.
2. Méthodes de descente d’échelle dynamiques
Les méthodes de descente d’échelle dynamiques permettent d’affiner l’information

climatologique fournie par les MCGOA (Modèle de Circulation Général couplé Océan-
Atmosphère) à l’aide de modèles à aire limitée (Giorgi et Mearns, 1991), de MCGA de haute
résolution à tranches temporelles, ou de MCGA à résolution variable (Gibelin et Déqué, 2003).
Les modèles climatiques à aire limitée, appelés aussi modèles régionaux de climat (MRC) à
grilles emboîtées, constituent probablement la méthode de réduction d’échelle dynamique la plus
largement utilisée. Ils sont, en effet, les moins coûteux de leur catégorie en moyens
informatiques et de ce fait les plus accessibles. Leur hypothèse de base (Giorgi, 2008) repose sur
le fait que le MCGOA simule la réponse de la circulation générale à des forçages à grande
échelle (par exemple, forçage radiatif GES) alors que le MRC à grilles emboîtées simule l’effet
des forçages régionaux à une échelle inférieure à celle du MCG (par exemple, topographie). Ils
consistent à réaliser des simulations à haute résolution sur uniquement une région donnée, dite
région d’intérêt. Les modèles à aire limitée nécessitent la connaissance à chaque instant des
conditions aux bords de leur domaine d'intégration. Celles-ci sont fournies par le modèle dit de
forçage qui est en général un MCGOA. Cette dépendance des modèles climatiques à aire limitée
d’un modèle de forçage, constitue leur limitation principale. L’approche des MCGA de haute
résolution consiste à simuler à l’aide d’un modèle de circulation générale atmosphérique
certaines périodes données ou tranches temporelles (par exemple 1971-2000 ou 2021-2050)
d’une simulation (à faible résolution) faite à l’aide d’un MCGOA. La température de surface de
l’océan (TSO) nécessaire pour ces simulations est donnée par les MCGOA. L’hypothèse de base
de cette approche est que le forçage TSO issu du MCGAO soit cohérent avec la climatologie du
MCGA de haute résolution. Les MCGA de haute résolution ont l’avantage de s’affranchir de tout
forçage aux bords et de fournir des informations sur tout le globe au même degré de précision.
Ils ont cependant une limitation principale qui réside dans leur coût informatique qui les rend
32
PFE
difficilement accessibles. Les modèles de circulation générale atmosphériques à résolution

variable (MCGA-RV), ont le même principe que les MCGA à haute résolution. La seule
différence qui existe entre les deux approches est que les MCGA-RV utilisent une grille
horizontale à résolution variable. Leur technique consiste à prendre une haute résolution sur la
région d’intérêt puis la diminuer graduellement jusqu’à l’antipode (point de minimum de
résolution). Comme pour les MCGA de haute résolution, les températures de surface de l’océan
leurs sont fournies par un MCGOA. Ce type de modèles, même s’il ne permet, comme les
modèles à aire limitée, d’avoir une haute résolution que sur une région particulière, il a
l’avantage de s’affranchir de la tutelle d’un modèle global et de garder la cohérence de la
circulation de grande échelle. Son coût informatique reste intermédiaire entre les deux autres
approches de réduction d’échelle dynamique.
Outre la prise en compte de la majeure partie des processus physiques, la réduction d’échelle
dynamique a l’avantage de s’affranchir de types d’hypothèses de stationnarité supposés par
l’approche statistique. Elle permet d’avoir accès à toutes les variables météorologiques possibles,
et donc d’étudier les différents mécanismes de façon bien plus fine et plus poussée. Si son
implémentation est beaucoup plus complexe que celle des méthodes statistiques, elle n’exige pas
nécessairement les longues séries d’observations de qualité qui ne sont pas forcément
disponibles dans les régions les plus vulnérables au changement climatique. En comparant les
méthodes de réduction dynamiques entre elles, on constate que chacune a ses points forts et ses
limitations. Celle utilisant les MCGA de haute résolution reste cependant la moins accessible de
point de vue coût informatique.
33
PFE
Chapitre II : Descriptions et Caractérisations des bassins Bouskoura et

Moulouya-Ziz-Ghéris-Guir
I. Introduction
Les problèmes pratiques d’hydrologie concernent, le plus souvent, une étendue de terrain
limitée au bassin versant d’un cours d’eau en une section déterminée de celui-ci. Ce dernier est
défini comme étant la totalité de la surface topographique drainée par ce cours d'eau et ses
affluents à l'amont de cette section. Il est entièrement caractérisé par son exutoire, à partir duquel
nous pouvons tracer le point de départ et d'arrivée de la ligne de partage des eaux qui le délimite.
Généralement, la ligne de partage des eaux correspond à la ligne de crêtes. On parle alors de
bassin versant topographique.
Les caractéristiques topographiques et géologiques d’un bassin versant jouent un rôle essentiel
dans son comportement hydrologique et il convient de les préciser – autant que possible
numériquement – dès le début de toute étude.
L’objet du présent chapitre est la détermination des caractéristiques structurelles des sous bassins
constituant la zone d’étude en se basant sur un modèle numérique de terrain de la zone.
II. Description de la zone d’étude

Les bassins dont nous avons fait cette étude ont été recommandé dans le cadre du projet FACE
(Faire-face Aux Changements Ensemble)
1. Bassin versant de Moulouya-Ziz-Ghéris-Guir
La première zone de notre étude est composée des unités suivantes :
 L’unité Ziz-Rhéris.
 L’unité de Guir-Bouanane.
 Bassin de Moulouya.
Ces unités sont précités ci-dessous :
34
PFE
Figure 8 : Situation Géographique du Bassin Versant de la Moulouya-Ziz-Ghéris-Guir.
 L’unité Ziz-Rhéris correspond aux bassins versants de ces deux oueds (ziz et gheris) à
l’exception du bassin de l’oued Maider qui est un affluent de l’oued Rhéris, mais qui a été
considéré comme une unité indépendante en raison de sa spécificité. D’une superficie de 24.900
km2, l’unité Ziz-Rhéris est limitée au Nord par le bassin de la Moulouya, au Nord- Ouest par le
bassin de l’Oum-Rbia, à l’Ouest par le bassin du Draa, à l’Est par le bassin de Guir et au Sud par
35
PFE
l’Algérie. Cette unité est située en grande partie dans la province d’Errachidia. Seul le haut
Todgha en amont de Tinjdad, fait partie de la Province de TINGHIR. La population résidant
dans ce bassin s’élève à 490.430 habitants dont 65% en milieu rural. Les 35% de la population
urbaine se répartissent entre 8 centres plus ou moins importants : Errachidia, Erfoud, Rissani,
Rich, Goulmima, Tinjdad, Tinghir et Jorf. La densité moyenne de la population rurale est de 12.5
hab/km2. Elle est concentrée dans les vallées cultivées où la densité moyenne atteint 600
hab/km2. La présence de la barrière atlasique culminant à des altitudes supérieures à 3.200 m et
l’intrusion des vents chauds d’origine saharienne sont à l’origine de la rigueur du climat. La
température moyenne annuelle varie de 15,2 °C dans le haut Rheris à 21,5 à Taouz. A l’échelle
mensuelle le gradient thermique est notoirement plus accusé avec respectivement des moyennes
minimales et maximales de – 0,5°C et 42°C. L’évaporation augmente de 2700 mm/an à
Errachidia à 4500 mm/an à Taouz. La pluviométrie est marquée par une forte irrégularité
spatiotemporelle, passant de 250 mm sur les reliefs du haut Atlas à 130 mm dans la zone
d’Errachidia pour chuter à moins de 75 mm au niveau de la plaine de Tafilalet. La principale
activité économique dans cette unité est l’agriculture irriguée qui est pratiquée dans les
différentes vallées du bassin. L’agriculture pluviale est très marginale et pratiquée sur de faibles
superficies dans les hauts bassins. La superficie irriguée dans l’unité Ziz-Rhéris est estimée à
47.900 Ha. Le plus grand périmètre est la plaine du Tafilalet qui s’étend sur 20.000 ha, irriguée
en partie à partir du barrage Hassan Addakhil sur l’Oued Ziz. Le système de culture est composé
de 3 étages qui peuvent être combinées dans les périmètres où l’eau est abondante : palmiers ;
arbres fruitiers ; et céréales ou luzerne ou maraîchage. L’activité minière reste secondaire et se
limite à quelques mines où on exploite le Plomb, le Zinc, le Cuivre, la Barytine, le Manganèse et
le Talc. La mine d’argent d’Imiter représente la principale unité avec une production de 1 T
d’argent/jour. L’activité industrielle est quasi inexistante et l’activité touristique demeure très en
deçà des potentialités existantes.
 L’unité de Guir-Bouanane correspond au bassin de l’oued Guir avec son affluent, l’oued
Bouanane. D’une superficie de 12.580km2, cette unité est limitée au nord par le bassin de la
Moulouya, au sud par la frontière Maroco-Algériene que l’oued Guir franchit avant d’alimenter
le barrage Jorf Torba situé en territoire algérien. A l’Est par l’unité de Figuig et à l’Ouest par le
bassin versant de l’Oued Ziz et la Hmada du Guir.
36
PFE
Le bassin du Guir-Bouanane chevauche sur les provinces d’Errachidia à l’ouest et de Figuig à

l’Est. Cette unité regroupe une population de 177.600 habitants dont 72% en milieu rural et 28%
dans les centres urbains (Boudnib, Gourrama, Beni Tadjit, Talsint, Bouanane). La densité
moyenne de la population est de 6 hab/km2 avec une grande concentration au niveau des centres
urbains et des petits périmètres irrigués. Les principales activités économiques dans le bassin du
Guir-Bouanane sont par ordre d’importance :
- L’élevage nomade dans les parcours situés dans le bassin ou dans les bassins limitrophes;
- L’agriculture irriguée pratiquée dans les vallées des oueds Guir, Ait Aissa et Bouanane; la
superficie cultivée dans le bassin du Guir de manière régulière reste faible et ne représente que
0.5 % de la superficie totale du bassin ;
L’activité minière revêt une certaine importance notamment dans la région de Beni Tadjit où
des mines de plomb sont exploitées par des coopératives d’artisans –mineurs. La pluviométrie
est irrégulière et fortement influencée par la succession des années de sécheresse. Les
précipitations annuelles atteignent en moyenne près de 250 mm sur les sommets des hauts
bassins, 150 mm au niveau de Gourrama Beni Tadjit et moins de 100 mm au niveau de
Boudnib-Bouanane. La température moyenne varie entre 18 et 20 °C, avec des extrêmes oscillant
entre des gelées en hiver dans les bassins amont et des maxima en juillet atteignant 41°C dans la
plaine de Boudnib-Bouanane. Le régime de l’évaporation est analogue à celui observé sur la
retenue du barrage Hassan Addakhil sur l’oued Ziz dont la moyenne observée est de l’ordre de
2.400 mm/an.
 Le bassin de la Moulouya est limité au Nord-Ouest par les bassins côtiers méditerranéens, à
l’Ouest par le bassin versant de l’oued Sebou, au Sud-Ouest par le bassin versant de l’oued Oum
Er Rebia, au Sud par le bassin versant de l’oued Ziz et au Sud Est par le bassin versant de l’oued
Guir. A l’Est se trouve le territoire Algérien. Le bassin de l’oued Moulouya, un des plus grands
fleuves du Maroc: prend ses sources à Alemssid (Région d'Aghbala) à 2000 m d'altitude près de
Midelt à la jonction du Moyen et du Haut Atlas. Il s'étend sur 57.500 km2 drainant vers la
Méditerranée les eaux du Rif Oriental, du Moyen Atlas à l'Ouest, du Haut Atlas au Sud et des
Hauts plateaux à l'Est, après un trajet de 600 km.
 L’unité haute Moulouya est située dans la partie la plus en amont du bassin versant. Elle
forme une cuvette recevant du matériel sédimentaire issu du démantèlement du Haut et du
Moyen Atlas. La zone de jonction de ces deux chaînes de montagnes forme la limite Sud de la
37
PFE
Haute Moulouya et c’est à ce niveau que l’oued Moulouya prend sa naissance. Sa superficie
couvre près de 4500 km² dont 85% de plaines et 15% de montagnes. Elle est séparée de la
Moyenne Moulouya par des massifs primaires de Boumia et d’Aouli.
 L’unité moyenne Moulouya forme la vallée de l’oued Moulouya entre le seuil d’Aouli, à
l’amont, et le seuil de Bou Yacubat, à l’aval. Les deux rives de la vallée montrent une opposition
topographique flagrante : La rive droite présente une pente légère et varie par paliers successifs,
alors que la rive gauche, à forte pente se présentant sous forme de glacis au pied des versants et
en cônes de déjections formés de matériaux provenant de l’érosion du Moyen Atlas. La moyenne
Moulouya couvre une superficie de 16800 km² dont 6% de montagnes (Haut et Moyen Atlas),
55% de plateaux et 39% de plaines.
L’unité basse Moulouya se présente sous forme d’une vaste plaine, nommée plaine de Triffa,
recevant des matériaux détritiques provenant du démantèlement de la chaîne de beni snassène.
Le climat du bassin de la Moulouya est largement influencé par l’orographie atlasique qui se
présente sous forme d’un V ouvert vers l’est et fermé à l’ouest. Le dispositif qui l’entoure est le
facteur principal de son aridité. Son régime thermique est extrêmement contrasté avec des étés
très chauds et orageux. Il est doté d’une atmosphère sèche et d’un climat purement continental
sec, relativement frais lorsque les vents occidentaux dominent.
Le régime pluviométrique est marqué par des faibles précipitations conjuguées à une extrême
variabilité et irrégularité. Les précipitations neigeuses tiennent au sol plusieurs jours voir
quelques semaines et elles constituent une importante source d’infiltration des eaux souterraines
et de ruissellement superficiel.
Les ressources en eau superficielle du Bassin Hydraulique de la Moulouya sont représentées

par:
 l’oued Moulouya et ses affluents ;

 l’oued Kert situé à l’Ouest de la Moulouya ;
 les oueds Kiss et Isly situés à l’Est de la Moulouya, en bordure de la frontière Maroco-
Algérienne.
Les principaux affluents de l’oued Moulouya sont:
 l’oued Ansegmir et Enjil dans son cours amont ;
38
PFE
 l’oued Chouf Cherg et Cheg El Ard dans son cours moyen ;

 l’oued Melloulou dont la confluence avec l’oued Moulouya est localisée au niveau de la
ville de Guercif ;
 l’oued Za et oued Ksob situés plus en aval.
Figure 9 : Limites et exutoire des bassins versants de Moulouya-Ziz-Ghéris-Guir.
2. Bassin versant de Bouskoura
Le bassin de Bouskoura se situe au sud-Ouest du Casablanca à une vingtaine de kilomètres. Il

s’étend sur une superficie d’environ 277 km².
Le bassin de Bouskoura est doté d’un cours d’eau principal constitué d’Oued Bouskoura qui est
la source principale du problème d’inondation de la zone. Il se situe à 10 km au sud de
Casablanca, et ruissèle un débit de 10l m/s en temps sec, il coule du sud vers le nord drainant un
bassin versant dans les territoires des communes de Nouacer, Bouskoura et Ouled Saleh. L’Oued
irrigue 20 ha des surfaces agricoles, et il est alimenté par cinq sources.
39
PFE
Figure 10 : situation géographique du bassin de Bouskoura.
Le climat, sous l’influence de l’océan atlantique, est caractérisé par une semi aridité favorable,
dont la température peut atteindre en moyenne 13°C en hiver et 31°C en été. Le taux des
précipitations annuelles est d’environ 350 mm.
Actuellement le bassin de Bouskoura est caractérisé par une faible urbanisation par rapport à sa
surface totale, concentrée aux centres de Bouskoura et Nouacer et par une dominance des
surfaces destinées à l’agriculture. Cependant, l’urbanisation future du grand Casablanca s’oriente
vers le sud par le lancement de grands chantiers (Casa Green Town 357 ha, Bouskoura golf city
200 Ha, Californies Golf Resort 130 ha) et par la création de plusieurs parcs industriels (parc
industriel de Bouskoura 28 Ha, parc industriel Ouled Salah 32 Ha).
Sur le plan topographique le bassin de Bouskoura est doté d’un relief constitué de collines dont
l’altimétrie varie entre 60 et 240 NGM.
Au fil des années, sous l’effet de l’urbanisation, le lit de l’Oued Bouskoura en aval du bassin a
cédé place à la ville. Mais à la périphérie sud de la métropole, oued Bouskoura est toujours
présent et ce sont ses débordements en période de crue qui inonde la zone avale.
40
PFE
Le bassin versant est délimité par la donnée des coordonnées géographiques de son exutoire
(X=290950 ; Y=329730) qui est le point le plus bas et qui se trouve à côté de l’office des
changes.
L’exutoire
Figure 11 : Limites et exutoire du bassin versant de Bouskoura
41
PFE
III. Production des données de base
La description des zones d’études consiste tout d’abord de faire la délimitation des deux
régions: le bassin de Bouskoura et les bassins de Moulouya-Ziz-Ghéris-Guir.
Ces bassins ont été délimités et localisés sur la carte du Maroc ainsi que sur le Modèle
Numérique de Terrain (MNT), ce dernier, nous a permis de délimiter les deux zones de notre
étude.
La délimitation d’un bassin versant et le calcul de ses caractéristiques géométriques (son aire,
son périmètre, sa longueur,…) peuvent s’effectuer à partir d’un réseau hydrographique extrait
d’un modèle numérique de terrain (MNT).
La délimitation consiste à situer la ligne de partage des eaux, à partir de laquelle les eaux vont
s’écouler vers les deux bassins.
1. Le logiciel utilisé : Arcgis 10.1
Le logiciel ArcGIS 10.1 est l’outil SIG (Système d’Information Géographique) que nous avons
utilisé pour la production des données structurelles de notre zone d’étude. En effet, le système
ArcGIS permet de :
 Gérer des données : ArcGIS peut organiser et gérer n’importe quelle information
géographique. Il permet de stocker et de gérer en toute sécurité des informations
spatiales.
 Faire des analyses spatiales : ArcGIS fournit un jeu d’outils complet de modélisation
d’information géographique pour soutenir des décisions intelligentes et rapides.
 Cartographier : ArcGIS offre de puissants outils de visualisation et de cartographie.
2. Modèle Numérique de Terrain
Un modèle numérique de terrain (MNT) est une représentation numérique simplifiée de la

surface d’un territoire, en coordonnées altimétriques (le plus souvent exprimées en mètres par
rapport au niveau de la mer) et planimétriques, calées dans un repère géographique. Il existe,
parmi une grande variété de représentations possibles d’une surface 3D, deux modes largement
utilisés pour les MNT: le vecteur (polygones) ou le raster (pixel).
42
PFE
a. Mode raster
Un MNT sous forme raster est aussi appelé matrice d’altitudes. Il s’agit d’un ensemble de
valeurs numériques représentant des altitudes, régulièrement espacées. Chaque altitude
correspond à une altitude moyenne d’un élément de surface du terrain. Cette distribution
régulière de points définit alors un maillage de la surface du terrain, la dimension de la maille
définit ce qu’on appelle la résolution spatiale planimétrique du MNT.
Chaque point se trouve au centre d’une maille. Plus l’espacement des points est réduit, plus la
résolution est grande, plus le MNT est fin et riche en détails topographiques.
Figure 12 : Schéma de MNT en mode raster
b. Mode vecteur
La seule alternative au mode raster est d’utiliser un pavage de la surface du terrain à l’aide de
triangles. On parle simplement de triangulation. De tels MNT s’appuient sur un ensemble de
points de mesure le plus souvent disposés de façon irrégulière. Chaque point est relié à deux
voisins pour former un réseau de triangles.
43
PFE
Figure 13 : Schéma de MNT en mode vecteur
Dans notre projet nous avons utilisé le MNT GDEM-ASTER d’une résolution de 30 m. Ce MNT
est téléchargeable à partir du site http://www.gdem.aster.ersdac.or.jp/search.jsp. Ce dernier
contient un ensemble de fichiers Raster s’étalant chacun sur 1 degré en longitude et 1 degré en
latitude. Les MNT sont représentés en systèmes de coordonnées géographiques « UTM-
WGS84».
Les portions téléchargées correspondent à la zone de Bouskoura (X allant de 7° à 8° Ouest, Y

allant de 33° à 33°30' Nord) et les autres correspondent à la zone de Moulouya-Ziz-Ghéris-Guir
(X allant de 3° à 6° Ouest, Y allant de 31° à 33° Nord).
Dans la présente étude nous avons utilisé les 14 fichiers MNT d’ASTER suivants :
Tableau 2 : Liste des fichiers MNT d’aster couvrant les zones d’étude
Nom du MNT Couverture (en degré)

ASTGTM_N31W003_dem N(31,32), E (-2,-3)
ASTGTM_N31W004_dem N(31,32), E (-3,-4)
ASTGTM_N31W005_dem N(31,32), E (-4,-5)
ASTGTM_N31W006_dem N(31,32), E (-5,-6)
ASTGTM_N32W003_dem N(32,33), E (-2,-3)
ASTGTM_N32W004_dem N(32,33), E (-3,-4)
ASTGTM_N32W005_dem N(32,33), E (-4,-5)
ASTGTM_N32W006_dem N(32,33), E (-5,-6)
ASTGTM_N33W003_dem N(33,34), E (-2,-3)
ASTGTM_N33W004_dem N(33,34), E (-3,-4)
ASTGTM_N33W005_dem N(33,34), E (-4,-5)
ASTGTM_N33W006_dem N(33,34), E (-5,-6)
ASTGTM_N33W007_dem N(33,34), E (-6,-7)
ASTGTM_N33W008_dem N(33,34), E (-7,-8)
44
PFE
Un MNT Aster est constitué de deux fichiers :
 Le fichier d’extension DEM qui contient les valeurs d’altitude pour chaque pixel
 Le fichier d’extension NUM qui contient le nombre de scènes Aster qui ont contribué au
calcul d’altitude de chaque pixel.
3. Préparation du MNT
Cette étape consiste à rassembler les différents fichiers de MNT (voir figure 14) qui couvrent les
zones d’étude en utilisant la fonction «mosaic to new rastre» de l’extension «Data Management
Tools». La mosaïque a le même système de coordonnées que le MNT d’origine «UTM-
WGS84». La projection du MNT dans le système de coordonnées cartésiennes «Nord Maroc-
(degrees) » est nécessaire pour le positionnement des stations.
Figure 14 : Importation du modèle numérique du terrain.
Ces discontinuités sont homogénéisées une fois les quatre portions fusionnées en un seul calque
par la commande Mosaic to new raster (figure 15).
45
PFE
Figure 15 : La mosaïque des MNT
a. Correction du MNT
Au début de chaque analyse hydrologique, la correction et la précision du modèle numérique

du terrain doivent être garantis. Ceci est nécessaire car le calcul de MNT donnera lieu souvent à
des erreurs. Ces dernières se présentent en des dépressions et en des zones plates qui perturbent
la continuité des écoulements et nécessitent d’être traitées.
Cette étape consiste à éliminer les erreurs en affectant à toutes les cellules d’une dépression
l’altitude de son exutoire.
Paramètres en entrée :
- Le MNT de la zone d’étude projetée en système de coordonnées cartésiennes.
Figure 16 : Correction des erreurs du MNT.
46
PFE
b. Détermination du sens de l’écoulement
La détermination du sens des écoulements des eaux s’effectue avec la fonction «Flow
direction». Cette fonction est basée sur le principe du cheminement naturel des eaux conduit par
la gravité et guidé par la topographie. Elle va permettre de créer une grille de direction de flux,
où le flux de chaque cellule s’écoulera vers son voisin selon la plus grande pente descendante.
En effet, dans un MNT structuré en grille, il existe au moins huit cellules adjacentes à chaque
cellule de la grille. L’eau dans une cellule donnée peut s’écouler dans une ou plusieurs directions
des huit cellules adjacentes selon la pente du drainage.
Le résultat de la direction des flux est alors codé de la façon suivante :
Figure 18 : code de la direction des écoulements Figure 17 : représentation du sens de l’écoulement dans chaque cellule
du MNT
Paramètres d’entrée :
- Le MNT corrigé (Fill).
c. Détermination de l’écoulement accumulé
On utilise la fonction flow accumulation de la barre d’outils de calcul hydrologique. Cette

fonction permet de générer le réseau d’écoulement à partir des directions de l’écoulement de
chaque point (voir figure 16). Vue la taille de la carte et sa résolution, l’opération prenait un bon
temps, mais ce n’est qu’à partir de cette étape qu’on commence à voir qu’on traite un projet
d’hydrologie.
Paramètres d’entrée :
 Grille de direction des écoulements
47
PFE
 Grille de valeurs flottantes représentant les accumulations, telles que décrites

précédemment.
Figure 19 : Accumulation de l'écoulement
d. Création du réseau hydrographique
On utilise la fonction Stream Network de la barre d’outils de calcul hydrologique
 Données d’entrés :
 Grille de direction des écoulements
 Grille des accumulations des écoulements
 Données en sortie :
 Crée une grille classe d’entité vectorielle représentant le réseau hydrographique

permet de générer une couche vectorielle du réseau hydrographique.
e. Positionnement des stations :
Il s’agit de placer les différentes stations hydrométriques, constituants les exutoires des sous
bassins, sur le réseau hydrographique en utilisant les coordonnées fournies par l’ABH.
Cependant, ces coordonnées des stations ne coïncident pas avec le réseau hydrographique tracé à
partir du MNT. A cet effet, nous avons procédé à une correction des positions des stations en les
plaçant sur les cours d’eaux principaux correspondants.
48
PFE
Position d’origine
de la station
La nouvelle position
de la station
Figure 20 : Positions des stations avant et après correction des coordonnées
f. Présentation des résultats mesurés par l’outil SIG
Le tableau suivant représente les coordonnées des stations hydrologiques et les coordonnées
extraites du MNT.
Tableau 3 : Positionnement des stations hydrométriques
Données fournies par ABH Résultats calculés par Arcgis

Coordonnée lambert de Coordonnée lambert de
Nom de Cours l'exutoire l'exutoire
Sous bassin N° IRE
l'unité d'eau
X (km) Y (km) Z (m) X (km) Y (km) Z (m)
Louggagh 656/38 Taarart 530.9 201 1900 530.78 200.9 1906
Unité de la Tabouazzant 732/38 .Ansegmir 531.15 217.45 1640 531.28 217.45 1647
Haute
Moulouya Ansegmir 658/38 .Ansegmir 545.5 238.6 1400 545.69 238.47 1448
Zaida 318/30 Moulouya 541 247 1470 541.45 247 1447
Unité de la missour 45/31 .Moulouya 632 273 875 632.57 273 856
moyenne
Moulouya el aouia 806/30 .Enjil 567.1 294.95 1790 566.7 294.37 1774
Zaouia 8980 Sidi Hamza 564.412 204.407 2238 566.339 203.092 2225
Tillicht 3887 Sidi Hamza 579.979 192.269 1 899 579.87 192.262 1860
Ziz M'zizel - Ziz 560.057 185.134 2112 560.068 185.402 2100
Zaâbel 3888 Ziz 401.2 174.478 1 839 560.068 174.425 1840
R. Erfoud - Ziz 615.284 103.869 1482 615.083 103.894 1490
Ait Bouijane 696 Todra 485.464 104.332 2154 485.538 104.367 2167
Amouguer
Taghia 1016 Rhéris 526.976 155.389 2066 526.894 155.614 2068
Rhéris
Tadighoust 7320 Rhéris 543.47 140.378 1 833 543.429 140.663 1823

Merroutcha - Ferkla 549.03 107.111 1 527 549.171 107.161 1504
49
PFE
Tit N'Aîssa - Ait Aissa 676.485 194.908 1482 676.455 193.087 1485
Beni Yatti - Bouanane 722.814 177.303 1326 721.989 177.073 1322
Guir Tazouguert 8100 Guir 652.393 161551 1524 653.087 161.782 1530
g. Déterminer un sous bassin pour chaque station hydrologique
On utilise la fonction Watershed de la barre d’outils de calcul hydrologique. Cette étape consiste
à créer un raster délimitant les sous bassins ou la ligne de partage des eaux. Nous avons le
résultat en mode raster puis on le transforme en mode vecteur.
Les données d’entrées sont :
- Grille de direction des écoulements.
- Grille des accumulations des écoulements.
Les cartes élaborées à la figure 21 et 22 présentent les sous bassins que nous avons délimités sur
les zones Moulouya-ziz-ghéris-guir et Bouskoura.
Figure 21 : Carte des sous bassins délimités sur les bassins de Moulouya-Ziz-Ghéris-Guir.
50
PFE
Figure 22 : Carte du bassin de Bouskoura.
51
PFE
Chapitre III : Evaluation des changements climatiques futurs au niveau

des zones de Moulouya-Ziz-Ghéris-Guir et de Bouskoura
I. Méthodologie, Outils et Données

Présentation de l’approche suivie
Etant donné que les modèles de circulation générale (MCG) sont généralement tournés avec
des résolutions spatiales de l’ordre de 100 à 300 km dans la plupart des cas, ils ne permettent pas
d’accéder aux échelles spatiales locales comme celle de notre zone d’étude. Leurs sorties ne
peuvent pas être directement utilisées par exemple pour alimenter les modèles d’impacts qui
représentent un passage incontournable dans tout processus d’élaboration de stratégies
d’adaptation. Rappelons en effet que les forçages et les circulations qui modifient le climat
régional se produisent généralement à des échelles spatiales plus fines et peuvent conduire à des
conditions climatiques régionales bien différentes de ce que présuppose l’état climatique global.
Cette étude utilise la méthode de descente d’échelle statistique (donwscaling) en utilisant le
modèle SDSM (Statical DownScaling Model), afin d’évaluer le changement climatique futur sur
notre zone d’étude, c’est pour cela il faut passer par les étapes schématisées sur la figure 23, et
présentées ci-dessous :
 Le choix des scénarios climatiques globaux : cette étape consiste à choisir les scénarios
utilisés selon leurs disponibilités.
 Désagrégation des scénarios climatique globaux : cette étape consiste à appliquer des
méthodes de descente d’échelles statistiques (en anglais : Downscaling) sur les scénarios
climatiques globaux, afin de produire des paramètres climatiques à l’échelle local.
52
PFE
Scénarios climatiques futurs globaux
Désagrégation des scénarios climatiques futurs globaux
Génération des scénarios futurs à l’échelle locale
Figure 23 : Méthodologie de l’évaluation des changements climatiques futurs au niveau des zones
d’étude.
II. Données observées et réanalyse NCEP utilisées

1. Données observées
La descente d’échelle statistique concerne les stations de la zone d’étude, dont les séries de
données observées sont de longueurs relativement suffisantes. Les séries de données
quotidiennes observées à savoir les précipitations journalières sont utilisées dans la technique
statistique selon leurs disponibilités (voir tableau 5).
Tableau 4 : les pluies journalières des stations utilisées et leurs caractéristiques statistiques
Précipitation caractéristiques Statistiques

Zones Nom de stations Périodes de l'observation Taille de la série Moyenne Ecart-type
ZAIDA de 01/09/1964 à 30/04/2007 16003 1,0120 5,0120
TABOUAZANT de 01/09/1978 à 30/04/2007 10098 0,8700 0,2310
MISSOUR de 01/09/1963 à 31/03/2007 16320 0,6810 4,0160
NAIMA EF de 01/09/1972 à 14/11/1994 8127 0,5310 3,0300
Moulouya- LOUGGAGH de 01/06/1967 à 30/04/2007 15705 0,7890 3,4320
Ziz-Ghéris- EL AOUIA de 01/11/1967 à 31/03/2007 15034 0,4891 2,0876
Guir ANSEGMIR de 01/10/1959 à 30/04/2007 15661 0,4958 2,4038
ZAOUIA de 01/09/1982 à 30/11/2012 8052 0,7115 3,1850
FOUM TILLICHT de 01/09/1982 à 30/11/2012 7686 0,4603 2,5060
M'ZIZEL de 01/09/1982 à 30/11/2012 7686 0,4379 2,2392
FOUM ZAABEL de 01/09/1982 à 31/10/2012 8052 0,4408 2,7433
53
PFE
R.ERFOUD de 01/09/1982 à 12/11/2012 7698 0,5321 2,6894

Bouskoura Bouskoura de 01/09/1970 à 31/12/2010 12188 1,1499 4,0656
2. Données Réanalyse de NCEP
Les scénarios d’évolution des champs de grande échelle utilisés pour générer les scénarios
futurs à l’échelle locale sont issus du modèle climatique global canadien de circulation générale
MCCG3 (Flato et Boer, 2001). Le modèle de grande échelle MCCG3 est Le modèle de
circulation générale de troisième génération MCCG.
Afin d’étudier l’impact du changement climatique prévu, il est important de disposer des
données de projection future des paramètres météorologiques à l’échelle du système hydraulique.
Pour ce faire, des données générées par des simulations du modèle climatique global canadien de
circulation générale MCCG3 (Flato et Boer, 2001) sont nécessaires. Ils sont utilisés après
réduction d’échelle dans l’évaluation de l’impact du changement climatique sur le système en
question. Pour réduire la résolution du MCCG3, un outil de réduction d’échelle statistique a été
appliqué. Il y a beaucoup de ces outils, qui ont été développés par de nombreuses institutions
impliquées dans l’étude du climat. Pour la présente étude l’outil SDSM 4.2 (Wilby et Dawson
2011) a été sélectionné.
Le modèle SDSM 4.2 est calibré à l’aide des prédicteurs de grande échelle issus des données
réanalyses de NCEP, Ces données sont le fruit d’un projet des Etats-Unis d’Amériques appelé
«NCEP/NCAR». C’est un projet commun entre les NCEP (National Centers for Environmental
Prediction) et le NCAR (National Center for Atmospheric Research) dont le but est de fournir de
nouvelles Réanalyses atmosphériques en utilisant les données historiques et les systèmes
d’assimilations et produire l’analyse de l’état de l’atmosphère actuelle.
Les nouvelles réanalyses issues de l’association de ces deux organismes américains couvrent
une période de 50 ans de réanalyses. Elles ont été interpolées (étude fait par NCEP /NCAR) sur
la grille (gaussienne) du MCCG3 pour la période du climat actuel (1961-2003). Les données de
réanalyses sont disponibles sur les sites de nombreuses organisations et institutions académiques
qui sont impliquées dans l’étude du changement climatique comme le site du «Réseau Canadien
des Scénarios du Changement Climatique RCSCC ».
Les prédicteurs utilisés pour la calibration du modèle et la production des scénarios de
précipitations sont résumés sur le tableau 6.
54
PFE
Tableau 5 : Prédicteurs utilisés pour la calibration du modèle SDSM et la production des scénarios de
précipitations.
Paramètres à prévoir Prédicteurs utilisés

Pression réduite au niveau de la mer
Composante méridienne du vent à 500hPa
Précipitation Vorticité à 500hPa
Géopotentiel à 500hPa
Divergence à 500hPa
Le tableau ci-dessus présent les meilleurs prédicteurs utilisés dans notre étude ont été sélectionné
automatiquement par le modèle SDSM.
Afin de produire les scénarios des changements climatique à l’échelle de la station, nous avons
utilisé le modèle SDSM qui nous a permis de déterminer les prédicteurs (variables de l’échelle
global par exemple le géopotentiel à 500 Hpa) et le prédictand (variable de l’échelle locale :
précipitation). La description de logiciel SDM est décrite dans le paragraphe suivant
III. Description du logiciel SDSM « Statistical Downscaling Model »
SDSM (modèle de réduction d’échelle statistique) est un outil d'aide à la décision pour étudier
les effets locaux du changement climatique sous un forçage climatique futur. Il a été développé
au Royaume-Uni par Robert Wilby et Christian Dawson (Institut canadien d'études
climatologiques).
Figure 24 : L’écran de démarrage du logiciel SDSM 4.2.
55
PFE
Le modèle statistique de réduction d’échelle SDSM utilise à la fois le générateur stochastique

et la régression linéaire multiple, dans cette étude afin de produire des scénarios à échelle fine
pour les paramètres météorologiques suivants: précipitation quotidienne, températures
maximales et minimales. La technique consiste à utiliser des relations empiriques entre la
variable observée à l’échelle locale appelée prédictand (précipitations) et les variables de grande
échelle appelées prédicteurs (Tableau 7). Les prédicteurs (DAI MCCG3 Predictors, 2008) ou
données d’entrée pour les modèles statistiques sont les variables climatiques à grande échelle
utilisées par les techniques de downscaling pour générer des variables locales ou prédictands
(champs observés).
Tableau 6 : Prédicteurs de grande échelle utilisés dans la technique de réduction d’échelle statistique
Prédicteurs
Pression au niveau de la mer
Vitesse du vent en surface
Vitesse zonale du vent en surface
Vitesse méridionale du vent en surface
Tourbillon en surface
Direction du vent en surface
Divergence en surface
Vitesse du vent à 500 et à 850hpa
Vitesse zonale du vent à 500 et à 850 hpa
Vitesse méridionale du vent à 500 hpa
Tourbillon à 500 et à 850hpa
Geopotentiel à 500 et à 850hpa
Direction du vent à 500 et à 850hpa
Divergence à 500 et à 850hpa
Humidité relative à 500 et à 850hpa
Humidité spécifique en surface
Humidité relative à 850 hpa
IV. Description du logiciel SDSM 4.2
Les étapes nécessaires pour produire des scénarios de changements climatiques à haute
résolution par la technique SDSM sont résumées principalement dans cinq étapes décrites ci-
dessous :
56
PFE
Figure 25 : Menu principal du logiciel SDSM 4.2
 La première étape est le contrôle de la qualité des données. Généralement, il est difficile
d'obtenir des données provenant de stations météorologiques qui sont complètes et dépourvues
d'incertitudes. Le module « Quality Control » permet de traiter les problèmes mentionnés ci-
dessus en aidant à identifier les erreurs dans les données, détection et estimation des données
manquantes et de déterminer les valeurs aberrantes. Il y a également une composante de
transformation de données qui est exécuté par la fonction « Transform ». Grâce à celle-ci, les
données peuvent être modifiées par un certain nombre de fonctions telles que logarithmiques,
puissance, inverse,… etc.
 La deuxième étape est la sélection des variables prédicteurs qui se fait par le module «
Screen Variables ». Le module Screen Variables permet un choix statistique rigoureux des
prédicteurs en se basant sur la corrélation entre prédictants et prédicteurs.
 La troisième étape est le calibrage du modèle qui se fait par le module «Model
calibrate». Le calibrage du modèle consiste à calculer les paramètres de l'équation de régression
multiple entre prédictand (température moyenne, température maximale, température minimale
et précipitations, évaporation …) et prédicteurs (Réanalyses NCEP) à l'aide d'un algorithme
d'optimisation. Dans cette opération la structure du modèle est choisie entre trois types :
57
PFE
mensuel, saisonnier ou annuel. Un choix est aussi fait entre un modèle inconditionnel et un
modèle conditionnel. Si le modèle est inconditionnel, un lien direct est assuré entre le
prédictand et les prédicteurs. Si le modèle est conditionnel, un processus intermédiaire existe
entre le prédictand et les prédicteurs (par exemple : les précipitations dépendent de l’occurrence
des jours humides qui dépend à son tour de l'humidité et de la pression atmosphérique).
 La quatrième étape est la Génération des données sur le climat présent et l’analyse
statistique qui se fait par le module « Weather Generator », Ce module permet la génération
d’un ensemble de séries stochastiques quotidiennes de l’observation locale (prédictand) sur le
climat présent à l’aide des modèles calibrés et du générateur de temps intégré dans SDSM. La
procédure permet la vérification des modèles calibrés en se basant sur des séries de données
indépendantes et certains critères statistiques.
 La cinquième étape est la génération des scénarios de changements climatiques. Le
module «Scenario Generator» permet la génération des scénarios de changements climatiques
A1B et A2 à haute résolution pour produire un ensemble de séries quotidiennes pour le climat
futur, à l'échelle de la station météorologique. Cette opération de génération des scénarios des
changements climatiques A1B et A2 se fait séparément pour chaque scenario et pour chaque
paramètre météorologique (température moyenne, température maximale, température
minimale, précipitations).
La figure ci-dessous représente les opérations nécessaires pour la production des scenarios de
changements climatiques à haute résolution. Ces opérations sont résumées principalement dans
plusieurs étapes :
58
PFE
Figure 26 : Les principales étapes pour la production des scenarios de changements climatiques à
l’échelle locale par logiciel SDSM4.2
Les données exploités sont des observations des pluies journalières des stations qui se situent
dans les zones d’étude (bassins Moulouya-Ziz-Ghéris-Guir et bassin de Bouskoura). Ces
données ont été décrites dans la section II de ce chapitre (voir Tableau 3).
V. Résultats et Interprétations
Etant donné que le modèle SDSM a été déjà validé par d’autres études, nous l’exploitons afin
d'évaluer les changements futurs issus de SDSM. A cet effet nous testons d’abord la capacité de
cette technique statistique de descente d’échelle à générer le temps présent. Les figures 27,28 et
29 montrent que les erreurs relatives 1 (en %) des cumuls pluviométriques saisonniers et annuels
générés par SDSM, sur la période 1961-2003, au niveau des stations situées sur les deux bassins
d’études.
Au niveau de la station Tabouazant, on constate que l’erreur relative du modèle est positive à
la fois aux échelles saisonnières pendant l’été et l’automne, et aussi aux echelles annuelles
indiquant la dominance du caractère de surestimation des cumuls pluviométriques par SDSM.
1
L’erreur relative est calculée en divisant l’anomalie, obtenue en retranchant à la valeur simulée par le modèle
SDSM celle observée, par la valeur observée.
59
PFE
Par contre sur les saisons d’hiver et de printemps on remarque que l’erreur relative des deux
dernières saisons est négative ce qui indique qu’il sous-estime les cumuls de pluviométrie sur les
deux saisons.
L’erreur relative saisonnière sur la station Tabouazant est comprise entre -33% (en hiver) et
56% (en été), au niveau de cette station la saison d’été montre une erreur bien élevée (+56%).
Pour la station Ansegmir, l’erreur relative est positive à la fois aux échelles saisonnières et
annuelles indiquant la dominance du caractère de surestimation des cumuls pluviométriques par
SDSM avec des valeurs variant entre 32% (en hiver) et 6.3%(en été).
Pour la station Lougagh, on constate que l’erreur de modèle est positive pendant les saisons de
l’Hiver et du printemps, aussi elle est positive annuellement. Par contre, sur la saison d’été et
d’automne l’erreur est négative avec des valeurs proches de zéro.
Aux niveaux des stations Missour, Zaida, Foum Tillicht, M’zizl et R.Erfoud situées dans une
région montagneuse, On constate que l’erreur relative générée par SDSM est positive sur toutes
les saisons et que sur les périodes annuelles. Ce qui indique qu’au niveau de ces stations, le biais
relatif surestime les cumuls pluviométriques avec des valeurs variant entre 1%( en hiver) et
56.8% (en été), par contre au niveau de la station Bouskoura située dans une région plaine , on
remarque que l’erreur relative est positive à la fois aux échelles saisonnières ( l’hiver, le
printemps et l’automne) et à l’échelle annuelle indiquant la dominance du caractère de
surestimation des cumuls pluviométriques par SDSM, par contre durant la saison d’été on
remarque que l’erreur relative est négative ce qui indique qu’il sous-estime les cumuls
pluviométrique sur la saison d’été. Les erreurs relatives saisonnières sur la station Bouskoura
sont comprises entre -15.7% (en été) et 43.4% (en automne). Au niveau de cette station, la
saison d’automne montre une erreur bien élevée (+43.4%).
L’erreur relative aux cumuls annuels est de +15.7% à Tabouazant, de +14.7% à Ansegmir, de
+29.8% à lougagh, de +10.7% à Missour, de +16.7% à Zaida, de +10.6% à Al aouia (voir
figure 27).
Au titre de conclusion, le logiciel SDSM est globalement surestime les précipitations à toutes les
échelles temporelles. On a remarqué ainsi que la méthode de descente d’échelle statique a
donnée des erreurs plus ou moins importantes calculées sur la période passée.
60
PFE
70
60
50 Tabouazant
40
Ansegmir
30
Erreur(%)
20 Lougagh
10 Missour
0
Zaida
-10 Hiver Printemps Eté Automne Annuel
-20 Alaouia
-30
-40
Figure 27 : Erreurs relatives (en %) des cumuls pluviométriques saisonniers et annuels générés par
SDSM, sur la période 1961-2003 des stations Tabouazant, Ansegmir, Lougagh, Missour, Zaida et
Alaouia
60
50
40 Zaouia
30 Foum Zaabel
Erreur(%)
20 Foum Tillicht
10 M'zizel
0 R.Erfoude
Hiver Printemps Eté Automne Annuel
-10
-20
SDSM, sur la période 1961-2003 des stations Zaouia, Foum Zaabel, Foum Tillicht, M’zizel et R.Erfoude
50
40
30
Erreur(%)
20
Bouskoura
10
0
Hiver Printemps Eté Automne Annuel
-10
-20
SDSM, sur la période 1961-2003 de la station Bouskoura.
61
PFE
Tableau 7 : Récapitulatif des erreurs relatives (en %) générées par SDSM
Nom de
Zones stations Hiver Printemps Eté Automne Annuel
ZAIDA 11,57 23,35 12,36 20,15 16,69
TABOUAZANT -32,83 -5,50 56,70 31,43 15,70
MISSOUR 21,57 3,35 1,36 15,15 10,69
LOUGGAGH 45,62 31,04 -1,16 -8,27 28,80
Moulouya- EL AOUIA 8,57 43,35 30,36 -12,15 10,69
Ziz-Ghéris- ANSEGMIR 31,57 13,35 6,36 18,15 15,69
Guir ZAOUIA 10,23 31,50 -20,70 23,43 19,70
FOUM TILLICHT 25,62 31,04 4,16 4,27 18,80
M'ZIZEL 11,57 23,35 2,36 55,15 18,69
FOUM ZAABEL -12,57 13,35 -6,36 28,15 26,69
R.ERFOUD 18,57 23,35 12,36 40,15 16,69
Bouskoura Bouskoura 10,23 31,50 -15,70 40,43 30,70
VI. Changements futurs des précipitations
Les projections futures issues de SDSM, à l’horizon 2050 selon les scénarios A1B et A2, pour
les précipitations sont illustrées sur toutes les figures ci-dessous qui montrent une évolution vers
l'assèchement quasi-généralisée à toutes les années au niveau de toutes les stations.
Les deux scénarios climatiques A1B et A2 prévoient une diminution des précipitations annuelles
dans le futur comme le présente les droites de tendances et leurs équations (voir les figures 30,31
et 32).
62
PFE
a)Station El alouia
A1B y = -1.5301x + 3369.1
450
A2 y = -0.9724x + 2242.1
400
350
Cumul(mm)
300
250
200
150
100
2010 2015 2020 2025 2030 2035 2040 2045 2050
Année
b) Station Ansegmir y = -0.8993x + 2106.8

A1B
450
A2 y = -0.9506x + 2187.6
400
350
Cumul(mm)
300
250
200
150
100
2010 2015 2020 2025 2030 2035 2040 2045 2050
Année
Figure 30 : Tendances des précipitations annuelles prévues pour la période 2010 – 2050 selon les
scénarios A1B et A2 au niveau des stations a) El alouia et b) Ansgemir
63
PFE
c) Station Lougagh
A1B y = -0.825x + 2100.4
600
A2 y = -1.8462x + 4171.6
550
500
450
Cumul(mm)
400
350
300
250
200
2010 2015 2020 2025 2030 2035 2040 2045 2050
Année
d) Station Missour
A1B y = -1.7278x + 3966.2
700
A2 y = -1.8699x + 4247.2
650
600
550
Cumul(mm)
500
450
400
350
300
250
200
2010 2015 2020 2025 2030 2035 2040 2045 2050 2055
Année
scénarios A1B et A2 au niveau des stations c) Lougagh et d) Missour
64
PFE
e) Station Tabouazante
700 A1B y = -0.9636x + 2321.7
A2 y = -0.8026x + 2004.5
600
500
Cumul(mm)
400
300
200
100
2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055
Année
f) Station Zaida
500
A1B y = -1.1263x + 2528
A2 y = -2.8107x + 5952.9
400
Cumul(mm)
300
200
100
2010 2020 2030 2040 2050
Année
scénarios A1B et A2 au niveau des stations e) Tabouazante et f) Zaida
Les figures ci-dessous représentent les changements futurs en pourcentage (%) des précipitations
baisseraient de 19% en hiver, de 35% en automne et de 40% en été. Une baisse de 29.5%
résulterait ainsi à l'échelle annuelle.
65
PFE
Les réductions de précipitations au niveau de la station Lougagh (Figure 33) seraient de 13% en
hiver, de 14% au printemps, de 47.7% en automne et de 29.26% en été. A l'échelle annuelle les
cumuls diminueraient de 26%.
Pour la station El alaouia, on a remarqué que les cumuls pluviométriques augmenteraient de

3.8% en hiver et baisseraient de 4% au printemps, de 39.2% en été et de 50.87% en automne. A
l'échelle annuelle les cumuls diminueraient de 29.14%.
Pour les autres stations on constate que le modèle SDSM prévoit la même chose, à savoir, une
diminution des précipitations saisonnières et annuelles dans le futur (2010-2050 par rapport à
1961-2003).
10
0
Hiver Printemps Eté Automne Annuale
-5
Alaouia
-10 Ansegmir
Lougagh
-15
Missour
-20 Tabouazant
Zaida
-25
-30
-35
-40
Figure 33 : Changements futurs (en %) issus de SDSM pour les cumuls saisonniers et annuels de
précipitation au niveau des stations Tabouazant, Ansegmir, Lougagh, Missour, Zaida et Alaouia (2010-
2050 par rapport à 1961-2003)
66
PFE
0
-5
-10 Zaouia
Foum Zaabel
-15
Foum Tillicht
-20
M'zizel
-25 R.Erfoud
-30
-35
-40
précipitation au niveau des stations Zaouia, Foum Zaabel, Foum Tillicht, M’zizel et R.Erfoude (2010-
2050 par rapport à 1961-2003)
0
-5
-10 Bouskoura
-15
-20
-25
précipitation au niveau de la station Bouskoura (2010-2050 par rapport à 1961-2003)
Le tableau ci-dessous représente le récapitulatif des changements futurs de chaque saison et

annuel au niveau des stations qui se trouvent dans chaque zone de notre étude.
67
PFE
Tableau 8 : Récapitulatif des changements futurs en pourcentage issus du Logiciel SDSM.
Nom de
Zone stations Hiver Printemps Eté Automne Annuel
ZAIDA -3,20 2,78 -31,87 -31,29 -20,30
TABOUAZANT 1,86 -1,97 -31,02 -31,33 -20,21
MISSOUR -24,75 -3,52 -34,64 -31,32 -30,52
LOUGGAGH -12,97 -14,12 -29,19 -37,82 -26,01
Moulouya- ANSEGMIR -19,01 -19,82 -20,30 -35,11 -29,45
Ziz-Ghéris- ZAOUIA 10,23 31,50 -20,70 23,43 19,70
Guir FOUM TILLICHT -11,84 -7,16 -20,41 -37,68 -22,26
M'ZIZEL -3,60 -2,53 -27,55 -32,46 -19,61
FOUM ZAABEL 0,81 -9,69 -20,42 -21,12 -14,56
R.ERFOUD -0,82 -0,83 -21,23 -34,51 -14,36
ALAOUIA 3,90 -3,89 -29,20 -21,01 -21,21
Bouskoura Bouskoura 1,43 -0,71 -15,21 -20,89 -14,21
VII. Conclusions
Les projections futures à l’horizon 2050 ont été évaluées selon deux scénarios A1B et A2 du
GIEC, à l’aide des données de haute résolution issues de la méthode de descente d’échelle
statistique en utilisant le logiciel SDSM. Les changements sont calculés par rapport à la période
de référence 1961-2003.
La comparaison entre les résultats issus du logiciel SDSM et les observations pour une période
passée a montré que la méthode de descente d’échelle statistique génère des écarts relativement
importants.
Généralement, on constate une baisse des cumuls pluviométrique à l’échelle saisonnière et

l’échelle annuelle.
68
PFE
Chapitre IV : adaptation statistique et évaluation des sorties des modèles

climatiques
I. Introduction
Les modèles climatiques occupent une place de plus en plus grande dans la recherche
scientifique. De tels modèles consistent généralement en une série d’équations différentielle
couplées, qui décrivent les évolutions des paramètres météorologiques au cours du temps.
Les modèles climatiques donnent comme sortie plusieurs paramètres météorologiques. Dans
notre cas, on s’intéressera juste aux cumuls des précipitations journalières sur deux bassins :
bassin de plaine (bassin de Bouskoura) et bassins montagneux (bassins de Moulouya-Ziz-Ghéris-
Guir). Par ailleurs, ces paramètres sont observables et vu que les sorties des modèles
météorologiques ne sont pas toujours fiables, on peut alors envisager de contrôler le
comportement du chaque modèle. Pour ce faire, nous allons tout d’abord procéder à une
comparaison entre les sorties des modèles et les observations, avant de passer par la suite à la
correction (adaptation statistique) et l’exploitation.
Plusieurs méthodes ont été proposées pour corriger (adaptation statistique) et modifier les sorties
d’un modèle, ces méthodes ajustent, chacune à sa façon, le modèle aux valeurs observées. L’une
de ces méthodes que nous avons appliquée pour adapter statiquement les modèles est la méthode
basée sur la régression linéaire simple en vue d’obtenir les équations de régression linéaire
existantes entre chaque station et le point de grille le plus proche. Ensuite, on applique la
moyenne arithmétique sur toutes les valeurs des points grille de modèles corrigés par
l’observation. Dans notre étude, cette correction (adaptation statistique) modifie les valeurs de
sorties des modèles, ce qui nous a permis de choisir le meilleur modèle qui donne la meilleure
corrélation et le meilleur RMSE.
II. Description des modèles météorologiques
Les modèles météorologiques qui sont exploités dans notre étude sont des modèles à échelle
régionale. Ces modèles climatiques sont tournés dans le cadre de projet ‘’AMMA’’ (Analyses
Multidisciplinaires de la Mousson Africaine(AMMA).
69
PFE
Ce projet a démarré en 2002. AMMA est un programme de recherche international et

interdisciplinaire qui étudie la variabilité de la Mousson d’Afrique de l’Ouest et ses impacts sur
les populations.
Les trois objectifs principaux d’AMMA sont :
 Améliorer notre compréhension de la mousson d’Afrique de l’Ouest et ses influences sur

l’environnement régional et global.
 Fournir, dans les questions sociétales, la science fondamentale liée à la variabilité de la
MAO (Mousson d’Afrique de l’Ouest) pour la définition et la mise en œuvre de stratégies
de surveillance et de prévision.
 Garantir que la recherche effectuée dans AMMA est effectivement intégrée aux activités
de prévisions et de prise de décision.
Les modèles exploités dans ce projet sont :
 AMMA_CHMIALADIN_ECHAM5-r3 : qui est un modèle climatique de groupe

ALADIN, version CY28t3.
Les spécifications de la grille sont :
 Projection tangente Lambert;

 Nombre de points de la grille horizontale: (111 x 100 points) (LAT LON)
 Niveaux verticaux dont le nombre est 27
 Type de coordonnées verticales: η (ETA)
 AMMA_DMI-HIRHAM5_ECHAM5-r3 / AMMA_DMI-HIRHAM5_ERAIN :
HIRHAM est un modèle climatique régional (RCM) basé sur un sous-ensemble de la HIRLAM
modèles ECHAM, en combinant la dynamique de l’ancien modèle avec les schémas de
paramétrage physiques de ce dernier.
Les spécifications de la grille:
 Projection coordonnées rotatif [lat / lon]

 Nombre de points de la grille horizontale (95x85 points) (LAT LON)
 Nombre de niveaux verticaux 32 niveaux verticaux
 Type de coordonnées verticales: hybride.
70
PFE
 AMMA_GKSS-CCLM4.8_ECHAM5-r3/AMMA_GKSS-CCLM4.8_ERAIN:
Les spécifications de la grille sont :
 Projection coordonnées rotatif [lat / lon]

 Nombre de points de la grille horizontale: (109 x 121 points) (LAT LON)
 Nombre de niveaux verticaux est : 27
 Type de coordonnées verticales: hybride.
III.Les données utilisées
Les données utilisées dans ce travail sont des réanalyses des précipitations journalières issues
des modèles citées dans le paragraphe précédent après avoir réduit l’échelle avec une résolution
qui varie entre 15kmx15km et 20kmx20km selon le modèle. Ces données couvrent les deux
zones d’études.
Les périodes disponibles sont les suivantes :
Tableau 9 : les périodes disponibles pour chaque modèle.
période actuelle période future

Modèle début fin début fin
AMMA_CHMIALADIN_ECHAM5-r3 1991 2012 2013 2050
AMMA_DMI-HIRHAM5_ECHAM5-r3 1989 2012 2013 2050
AMMA_DMI-HIRHAM5_ERAIN 1989 2012 2013 2050
AMMA_GKSS-CCLM4.8_ECHAM5-r3 1961 2012 2013 2100
AMMA_GKSS-CCLM4.8_ERAIN 1989 2012 2013 2100
AMMA_KNMI-RACMO2.2b_ECHAM5-r3 1970 2012 2013 2100
AMMA_KNMI-RACMO2.2b_ERAIN 1989 2012 2013 2100
AMMA_METNOHIRHAM_ERAIN 1989 2012 2013 2099
AMMA_METO-HC_HADRM3P_CTL_ERAIN 1990 2012 2013 2099
AMMA_MPI-M-REMO_ECHAM5-r3 1950 2012 2013 2050
AMMA_MPI-M-REMO_ERAIN 1989 2012 2013 2050
AMMA_SMHIRCA_ERAIN 1988 2012 2013 2050
On dispose aussi des observations des précipitations journalières des stations citées dans le
chapitre précédent (voir chap. III, tableau 3).
71
PFE
IV. Définitions des scores utilisés pour l’évaluation du modèle :
Les scores utilisés sont des indicateurs statistiques donnant une information sur la qualité des
données des sorties des modèles et les observations. Ces indicateurs permettent de comparer
l'observation et la prévision afin d’estimer la qualité de ce modèle.
Dans la littérature, on trouve plusieurs indices et outils statistiques, qui fournissent une
idée sur les écarts moyens entre la réalité et la prévision. Les plus adaptés à notre cas sont :
 La corrélation.
 Racine de l’erreur quadratique.
 Moyenne de l’erreur absolue.
 L’erreur quadratique centrée.
Ces scores seront détaillés par la suite.
1. La corrélation :
Permet de déterminer si la plage des données observées varie conjointement avec celle
des données prévues par le modèle. En probabilité et en statistique, étudier la corrélation entre
deux ou plusieurs variables aléatoires ou statistiques numériques, c’est étudier l’intensité de la
liaison qui peut exister entre ces variables. La liaison recherchée est une relation affine. Dans le
cas de deux variables numériques, il s'agit de la régression linéaire. Une mesure de cette
corrélation est obtenue par le calcul du coefficient de corrélation linéaire. Ce coefficient est égal
au rapport de leur covariance et du produit non nul de leurs écarts types. Le coefficient de
corrélation est compris entre -1 et 1.
Avec:
X : vecteur des observations des cumuls journalières des précipitations.
Y: vecteur des prévisions de modèle météorologique.
72
PFE
Est la moyenne de X .
Est la moyenne de Y.
La corrélation est toujours :
 si est proche de 1 : ont dit que les deux variables sont corrélées.
 si est proche de -1 : ont dit que les deux variables sont anti corrélées.
 si est proche de 0 : ont dit que les deux variables sont non corrélées.
En effet on ne juge pas sur la valeur de , mais on fait le test de corrélation, et on prend la
décision si est proche de 1 ou -1, ou non.
2. Racine de l’erreur quadratique moyenne(RMSE) et moyenne de l’erreur absolue

(Mean Absulate Error : MAE)
RMSE représente une distance moyenne entre les observations et les prévisions. Et aussi,
permet de juger l’erreur commise par le modèle. Plus le RMSE est faible (proche de zéro), plus
les quantités simulées par le modèle sont proches de l’observation. En statistique, l’erreur
quadratique moyenne est très utile pour comparer plusieurs estimateurs, notamment lorsque l'un
d'eux est biaisé. Si les deux estimateurs à comparer sont sans biais, l'estimateur le plus efficace
est simplement celui qui a la variance la plus petite. On peut effectivement exprimer l'erreur
quadratique moyenne en fonction du biais de l'estimateur ainsi que sa variance:
Soit un certain nombre de mesures. Chacune de ces mesures est entachée d'une erreur.
73
PFE
Racine de l’Erreur quadratique moyenne = √ ∑
MAE est une quantité calculée entre les observations et les prévisions pour quantifier l’écart
moyen en valeur absolue. Elle est donnée par la relation suivante :
MAE = ∑
Avec
: Cumuls de pluie observée par station.
: Cumuls de pluie estimés par le modèle.
N : est le nombre d’observations disponible.
La racine de l’erreur quadratique moyenne caractérise la précision d'un ensemble de mesures,

elle permet aussi de nous informer en moyenne sur la distribution des observations par rapport au
modèle
3. L’erreur quadratique centrée
L’erreur quadratique centrée (E’). Elle est obtenue en soustrayant la moyenne des données à
chacune des données et la moyenne du modèle à chaque valeur du modèle. Sa formule est la
suivante :
√ ∑ [( ) ]
: Les valeurs du modèle
: La moyenne des valeurs du modèle.
: Les valeurs de l’observation
: Moyenne des valeurs observées.
74
PFE
V. Méthode de régression linéaire simple :
Soient deux séries pluviométriques X et Y telle que X : la série d’observation et Y : la série

des sorties du modèle.
Avec M=N
La détermination de la droite de régression : La meilleure approximation linéaire est la

droite y = a*x+ b qui minimise l’erreur. Au sens des moindres carrés, cette droite a pour
coefficients :
∑ ∑ ∑
∑ ∑
Et
∑ ∑ ∑ ∑
∑ ∑
On considère que l’approximation d’un nuage par sa droite des moindres carres est de
bonne qualité lorsque le coefficient de corrélation | | est proche de 1 et de médiocre
qualité lorsqu’il est proche de 0.
∑ ̅
∑ ̅ ̅
VI. Adaptation statistique des données des points de grille du modèle
Une fois que les coefficients a et b de la droite de régression sont calculés, les valeurs adaptées
statistiquement (corrigées) aux points de grille du modèle météorologique sont calculées par la
formule :
75
PFE
Avec
yi : point de grille corrigé i du modèle.

xi : les valeurs initiales du point de grille i du modèle.
1. Les étapes suivies pour adapter statistiquement les sorties des modèles
météorologiques
Dans cette partie, on veut adapter statistiquement (correction) les sorties des modèles
météorologiques par les observations, tout d’abord, on va aborder plusieurs étapes pour corriger
(adaptation statistique) les modèles météorologiques, ces étapes sont :
 La première étape consiste à chercher le point de grille du modèle le plus proche de la
station (voir figure 36).
Le point de grille du
modèle proche de la
station
Figure 36 : exemple des points de grille du modèle et les stations d’observation les plus proches
Cette étape consiste à chercher la distance minimale entre les points de grille et la station
d’observation en question. (Voir figure 37).
Pour ce faire, plusieurs méthodes sont disponibles. La formule utilisée est la suivante:
Avec :
Si : la distance séparant la station d’observation du point de grille i.
76
PFE
Le principe de la méthode repose sur la localisation de la position de deux points A et B sur une
sphère. Du coup, calculer la distance entre eux revient donc à calculer l’abscisse curviligne S
(AB) sur le grand cercle passant par A et B.
Si l’on considère deux points A et B sur la sphère, de

latitudes et et de longitudes et , alors la
distance angulaire en radians entre A et B donnée
par la relation fondamentale de trigonométrie
sphérique, en utilisant
Figure 37 : représentation de la distance curviligne

entre deux points sur une sphère
La distance S en mètres, s’obtient en multipliant par le rayon moyen de la terre (6378000

mètre environ).
Pour davantage de précision, on a présenté un exemple qui concerne le choix de point de grille
du modèle le plus proche de la station R.Erfoud (voir figure 38).
Pt1, Pt2, Pt3, Pt4 : les points de grille du modèle.
D1, D2, D3, D4 : les distances entre les points de

grille et la station. Le point grille le plus proche de
la station correspond à La distance minimale entre
ces distances.
D(minimale)=min(D1, D2, D3, D4)=D1. Figure 38 : les distances entre les points de
grille et la station R.Erfoud
 La deuxième étape est d’adapter les valeurs de point de grille du modèle choisi à la série
des valeurs de la station concernée, c’est-à-dire de déterminer l’intersection entre les valeurs du
modèle et celles observées pour obtenir une série de valeurs qui correspondent aux mêmes dates.
77
PFE
Pour ce faire, on doit déterminer la fourchette commune entre les deux séries tout en éliminant
les valeurs manquantes et aberrantes.
 La troisième étape : consiste à déterminer les coefficients de la régression linéaire simple

entre chaque série de la station d’observation et la série du point de grille correspondant. Ainsi
chaque station a ses propres coefficients de régression. Pour pouvoir corriger le modèle, qui
s’étend sur une superficie contenant plusieurs stations, il est indispensable de calculer la
moyenne arithmétique de ces coefficients. Ces derniers permettent le calcul des valeurs corrigées
du modèle par la formule suivante :
Avec :
La valeur corrigée (adaptée statistiquement) de précipitation journalière au point
grille i.
La valeur non corrigée de précipitation journalière au point grille i.
A,B : coefficients de régression linéaire simple obtenus par :
∑ ∑
Où ak et bk sont des coefficients de régression linéaire obtenus par la station k et le point de

grille correspondant.
78
PFE
2. Exemple des Résultats des scores statistiques calculés avant la correction des
modèles
Tableau 10 : résultats des scores calculés avant la correction du modèle sur les stations d’observation
et les points de la grille correspondante
point grille coef. de corr

RMSE MAE
Station LAT LON R
Ansegmir 32,90 4,92 0,19 7,62 3,44
Elaouia 32,91 4,44 0,13 8,47 3,85
Foum_Tillicht 32,09 4,41 0,01 6,54 2,56
Foum_Zaabel 32,09 4,41 0,30 6,38 2,46
Lougagh 32,49 4,91 0,21 7,99 3,65
zone 2 Midelt 31,29 3,43 0,04 8,45 3,56
Missour 32,92 3,95 0,30 10,33 4,13
Mzizel 32,08 4,90 0,21 6,40 2,62
Radier_Erfoud 31,68 4,40 0,19 3,99 1,42
Tabouazant 32,49 4,91 0,20 7,48 3,46
Zaouit_Sidi 32,49 4,91 0,24 7,12 3,20
zone1 bouskoura 33,24 7,36 0,16 29,20 16,78
D’après le tableau ci-dessus (tableau 10), on remarque que les corrélations sont un peu faibles
avec des valeurs comprises entre 0,01 et 0,3. Et un RMSE variant entre 3,99 et 29,20 ce qui
implique un éloignement des observations par rapport aux sorties du modèle. Par similitude, les
scores statistiques calculés pour tous les modèles montrent qu’il y a un éloignement (faible
corrélation et RMSE, MAE sont relativement grandes) par rapport aux observations. Pour cela
on a procédé aux corrections des sorties de ces modèles par les observations.
VII. Choix du meilleur modèle après l’adaptation statistique

(correction)
Dans ce paragraphe, on va chercher le meilleur modèle parmi les douze modèles testés dans
cette étude et qui présente moins d’écart par rapport à l’observation. Pour ce faire nous allons
procéder par deux méthodes différentes, chacune de ces méthodes donne des informations
différentes mais complémentaires. Chacune peut être utilisée séparément pour tester un aspect du
modèle, mais l'usage simultané de ces deux méthodes peut permettre d'avoir une appréciation
globale de l'ajustement de la simulation donnée par le modèle à la variation observée dans la
nature.
79
PFE
Dans un premier temps, on va se focaliser sur une simple comparaison visuelle des graphiques
de différents modèles météorologiques, testés lors de cette étude, avec ceux des observations.
Concernant la deuxième méthode qui vise aussi à choisir le modèle qui s’écarte peu par rapport
à l’observation. Cette méthode est nommée « Diagramme de Taylor », c'est la solution choisie
par Karl E. Taylor qui a proposé un diagramme (Taylor, 2001) qui regroupe trois informations
statistiques sur le même graphique :
 la variabilité des écarts-types des données (σD) et du modèle (σM).
 l'amplitude des différences (erreur quadratique centrée, RMSE).
 la similarité entre le modèle et les mesures (coefficient de corrélation, R).
C'est cette méthode que nous avons choisie afin de mesurer les performances de nos différents
modèles. Elle est expliquée en détail dans le paragraphe qui suit.
1. Principe de diagramme de Taylor
Il existe une relation géométrique (Figure 39) reliant le coefficient de corrélation (R), l’erreur
quadratique centrée (E') et les écarts-types des données observées (σD) et du modèle (σM) :
Figure 39 : Relation géométrique reliant R, E', σM et σD.
Taylor a intégré cette relation dans un graphique en coordonnées polaires (Figure 40). Cette
représentation permet de résumer le degré de correspondance entre un modèle et des
observations ou alors de comparer la performance de plusieurs modèles en les comparants aux
mesures. Le point correspondant aux valeurs simulées par le modèle est placé dans le diagramme
de Taylor de manière à ce que la distance par rapport à l'origine soit égale à l'écart type du
80
PFE
modèle σM. Sa position azimutale donne la valeur du coefficient de corrélation R entre le

modèle et les mesures.
Figure 40 : Intégration de la relation géométrique reliant R, E', σM et σD dans un graphique aux

coordonnées polaires.
2. Résultat et interprétation
Dans le but de comparer les sorties des modèles météorologiques avec les observations. Il est
nécessaire que la période soit la même pour les modèles et les observations pour qu’on puisse
les comparer. Pour cela, on va présenter l’évolution temporelle journalière du cumul des
précipitations donné par les sorties des modèles et celui des observations pour la période 1991-
1994 sur les deux zones d’études.
D’après les graphes ci-dessous, on constate que le modèle
AMMA_CHMIALADIN_ECHAM5_r3 est plus ou moins proche des observations par
rapport aux autres modèles (voir figure 41). Cependant il est difficile de juger qu’un tel modèle
est meilleur, notamment dans la région 2 (voir figure 42), car cette méthode de visualisation ne
permet pas de distinguer l’évolution temporelle des cumuls des précipitations pour les modèles.
Pour ces raisons de difficultés de sélectionner le meilleur modèle on aura recours à la méthode
de diagramme de Taylor, afin d’avoir une vision plus claire sur la distribution des modèles par
rapport à l’observation.
81
PFE
Figure 41 : Evolution temporelle des précipitations journalières des observations et des modèles pour
la période 1991-1994 dans la zone 1.
Figure 42 : Evolution temporelle des précipitations journalières des observations et des modèles pour
la période 1991-1994 dans la zone 2.
82
PFE
Le diagramme de Taylor de la figure 43 Montre que d’un point de vue général, le modèle
AMMA_CHMIALADIN_ECHAM5-r3 est plus proche de l’observation mieux que les autres
modèles, cela signifie que ce modèle présente un coefficient de corrélation proche de 1 entre ce
modèle et l’observation. La distance entre l’origine et le modèle
AMMA_CHMIALADIN_ECHAM5-r3 représente l'écart type du modèle (ici environ 0.94),
alors que l'écart type d’observation est d’environ 0.96. La distance entre le point "observations"
et le point de modèle AMMA_CHMIALADIN_ECHAM5-r3 est proportionnelle à l’erreur
quadratique centrée (E') est proche de 0.
Comme il apparaît clairement que les points des autres modèles ont des corrélations plus faibles
et parfois quelques modèles sont négativement corrélés. , ils ont des erreurs quadratiques
centrées (E') variant entre 0.6 et 0.9.
Figure 43 : Diagramme de Taylor qui présente les performances relatives des modèles
météorologiques pour les cumuls des précipitations sur le bassin Bouskoura (région1).
83
PFE
Sur le graphique du diagramme de Taylor de la figure 44, il apparaît clairement que le point du
modèle AMMA_CHMIALADIN_ECHAM5-r3 est plus proche des observations par rapport
aux autres modèles. Cependant ce modèle présente un coefficient de corrélation proche de 1 par
rapport à l’observation, et possède le même écart type que les mesures (observation), il est
d’environ 0.95. L’erreur quadratique centrée (E') entre le point "observations" et le point de
modèle AMMA_CHMIALADIN_ECHAM5-r3 est proche de 0.
Pour les autres modèles, le diagramme de Taylor de la figure 44 montre que les modèles
AMMA_GKSS-CCLM4.8_ERAIN, AMMA_MPI-M-REMO_ECHAM5-r3 et
AMMA_METNOHIRHAM_ERAIN ont des corrélations proches de 0.5. Par contre, les autres
modèles ont des corrélations faibles inférieures à 0.3. Par ailleurs on remarque que les modèles
AMMA_GKSS-CCLM4.8_ERAIN et AMMA_METO-HC_HADRM3P_CTL_ERAIN ont
des écarts types variant entre 0.12 et 0.23. Aussi, les autres modèles ont des écart-types proches
de 0. Néanmoins, l’erreur quadratique centrée (E') entre les points des modèles et l’observation
varie de 0.23 à 0.4.
Figure 44 : Diagramme de Taylor qui présente les performances relatives des modèles
météorologiques pour les cumuls des précipitations sur les bassins Moulouya-Ziz-Ghéris-Guir
(région2).
84
PFE
D’après les résultats précédents, le meilleur modèle est AMMA_CHMIALADIN_ECHAM5-r3

sur les deux zones d’étude.
VIII. Résultats du meilleur modèle météorologique après l’adaptation

statistique
La synthèse globale de l’évaluation des résultats de la correction (l’adaptation statistique) du

meilleur modèle météorologique (AMMA_CHMIALADIN_ECHAM5-r3) effectuée sur les
cumuls des précipitations journalières mesurés jusqu’à l’année 2012 de tous les points de grille
de modèle sur les deux zones d’étude est résumée dans le tableau ci-dessous.
Nous présentons dans le tableau ci-dessous les résultats obtenus de corrélation, RMSE, et
MAE, après avoir adapter statistiquement le modèle. Ainsi que les coefficients de régression
avec lesquels nous avons corrigé (adapté statistiquement) le modèle.
Le tableau fournit les informations suivantes :
 La station et le point grille le plus proche de la station.
 Les coefficients de régression a et b
 Le coefficient de corrélation (R).
 Racine de l’erreur quadratique moyenne (RMSE).
Tableau 11 : les coefficients de régression (calculés pour la correction) et les scores statistiques
(calculés après correction) entre les stations d’observations et les points de grille correspondants.
point grille Coefficients de régression coef. de corr

RMSE MAE
Unitée Station LAT LON a b R
Ansegmir 32.90 4.92 0.64 1.33 0.52 5.08 1.72
Elaouia 32.91 4.44 0.61 1.31 0.61 5.65 1.92
Foum_Tillicht 32.09 4.41 0.71 0.84 0.71 4.36 1.28
Foum_Zaabel 32.09 4.41 0.80 0.84 0.70 4.25 1.23
Moulouya- Lougagh 32.49 4.91 0.81 0.97 0.61 5.33 1.83
ziz-ghéris- Midelt 31.29 3.43 0.51 0.34 0.39 5.63 1.78
guir Missour 32.92 3.95 0.40 1.77 0.40 6.89 2.07
Mzizel 32.08 4.90 0.52 0.90 0.49 4.27 1.31
Radier_Erfoud 31.68 4.40 0.32 0.59 0.31 2.66 0.71
Tabouazant 32.49 4.91 0.60 0.94 0.50 4.98 1.73
Zaouit_Sidi 32.49 4.91 0.41 0.99 0.31 4.75 1.60
Bouskoura bouskoura 33.24 7.36 0.73 4.81 0.76 19.47 8.39
85
PFE
Le tableau 11 montre les coefficients de la régression linéaire avec lesquels nous avons corrigé le
modèle et les scores statistique de comparaison après la correction du modèle. On remarque que
les corrélations ont été améliorées et les erreurs commises par le modèle ont été diminuées
entres les sorties du modèle corrigées et les observations.
1. Test de la signification des corrélations et de l’intervalle de confiance du modèle
a. Spécifications du test de la signification :
Les tests de significativité permettent aux chercheurs de toutes les disciplines de s’assurer de la
validité de leurs résultats, Un résultat statistiquement significatif signifie seulement que le risque
d’erreur est faible, il ne signifie pas qu’il n’y a aucun risque d’erreur et que la conclusion que
l’on fait est une certitude.
Le premier test qui vient à l'esprit est la significativité de la corrélation c’est-à-dire le coefficient
de corrélation est-il significativement différent de 0 ?
Le test s'écrit :
Statistique du test : Sous H0, la statistique :
(*)
√
Suit une loi de Student à (n − 2) degré de liberté.

Région critique : La région critique (rejet de l'hypothèse nulle) du test au risque α s'écrit :
: Est le quantile d'ordre de la loi de Student à (n − 2) degrés de liberté. Il
s'agit d'un test bilatéral.
86
PFE
b. Intervalle de confiance :
Le principe général de l’intervalle de confiance consiste à déterminer, à partir de ce qui a été mesuré
dans un échantillon, une marge d'erreur . Plus généralement, l'intervalle de confiance permet
d'évaluer la précision de l'estimation d'un paramètre statistique sur un échantillon.
Il s’agit donc de rechercher les bornes de cet intervalle qui correspond au risque d’erreur qu’on
accepte de prendre.
Formulation de l'intervalle de confiance autour d'une moyenne de 95%(degré de confiance) est:
[̅ ̅ ]
√ √
Avec :
̅ : Moyenne de l’échantillon.
: L’écart type de l’échantillon.
: La taille de l’échantillon.
2. Résultats de significativité de la corrélation et l’intervalle de confiance de modèle

AMMA_CHMIALADIN_ECHAM5-r3
Dans cette partie, on propose de tester les corrélations obtenus entre les observations et les points
de grille proches de la station de notre meilleur modèle qu’on a choisi afin d’avoir le dégré de
significativité de la corrélation. Ainsi, on va présenter les intervalles de confiances de chaque
point grille qui est plus proche de la station.
La synthèse globale des résultats est résumée dans le tableau ci-dessous :

Tableau 12 : les résultats de test de significativité de corrélation et l’intervalle de confiance calculés
pour les stations et les points de grille correspondants.
coef. de
point grille test de Student Intervalle de confiance
corr
Unité Station LAT LON T Ta (5%) Borne inf. Borne sup. R
Ansegmir 32,9 4,92 11,561 1,96 0,015 1,423 0,52
Elaouia 32,91 4,44 179,438 1,96 0,279 2,01 0,61
Moulouya-ziz-ghéris-
Foum Tillicht 32,09 4,41 17,26 1,96 0,347 0,572 0,71
guir
Foum Zaabel 32,09 4,41 70,296 1,96 0,162 0,478 0,7
Lougagh 32,49 4,91 98,298 1,96 0,477 1,09 0,61
87
PFE
Midelt 31,29 3,43 29,562 1,96 0,036 1,974 0,39

Missour 32,92 3,95 100,474 1,96 0,328 0,432 0,4
Mzizel 32,08 4,9 11,36 1,96 0,402 0,508 0,49
Radier Erfoud 31,68 4,4 86,999 1,96 0,092 0,129 0,31
Tabouazant 32,49 4,91 101,523 1,96 0,801 0,989 0,5
Zaouia 32,49 4,91 74,64 1,96 0,618 0,784 0,31
Bouskoura bouskoura 33,24 7,36 16,693 1,96 0,01 2,511 0,76
T : seuil théorique calculé par la formule (*)

Ta (5%) : seuil de student.
D’après le tableau 12, on constate que toutes les corrélations sont significatives à 95 %, comme
elles sont devenues meilleures après la correction en les comparants avant la correction du
modèle.
IX. Conclusion :
Parmi les missions de notre projet de fin d’étude il y’a l’adaptation statistique des modèles
météorologiques par les observations, ainsi que le choix du meilleur modèle entre plusieurs
modèles. Ce modèle est adapté statistiquement pour être exploité dans la suite. Cette exploitation
consiste à utiliser les précipitations journalières estimées par la méthode de descente d’échelle
statistique dans le cadre de l’élaboration des courbes Intensité-Durée-Fréquence (IDF) (cf.
chapitre V).
En effet, ces courbes sont la base pour le calcul des débits pluvieux dans le dimensionnement des
ouvrages d’assainissement en particulier.
Pour ce faire nous avons utilisé deux méthodes :
 La méthode de régression linéaire simple qui a permis d’adapter statistiquement les
modèles météorologiques.
 La méthode du diagramme de Taylor pour le choix du meilleur modèle.
Le diagramme de Taylor apparaît comme un outil efficace pour comparer les performances de
différents modèles pour le paramètre de précipitation. Il permet ainsi de choisir le meilleur
modèle qui présente de façon satisfaisante les observations.
Dans notre cas, selon la méthode de diagramme de Taylor, le modèle
AMMA_CHMIALADIN_ECHAM5-r3 est celui qui a représenté d’une manière satisfaisante
88
PFE
le modèle le plus performant par rapport aux autres modèles pour les deux bassins de Bouskoura
et de Moulouya-Ziz-Ghéris-Guir, autrement dit, celui qui est proche de l’observation sur les deux
zones d’étude.
89
PFE
Chapitre V: Elaboration des courbes I.D.F et détermination des

paramètres de Montana
I. Introduction :
Dans ce chapitre du rapport l’intérêt consiste à déterminer les paramètres de Montana à travers
l’élaboration des I .D.F pour l’adaptation du dimensionnement d’ouvrages du génie civil au
changement climatique, à savoir :
 Les ouvrages du drainage routier ;

 Les ouvrages d’assainissement ;
 Les barrages et digues ;
 Les ouvrages de collecte des eaux pluviales ;
 L’aménagement de l’espace ;
Ce projet nous a permis de bien maîtriser les méthodes connues, en essayant d’appliquer des lois
de probabilité (lois extrêmes), pour ajuster des données pluviométriques journalières puis tracer
les courbes Intensité-Durée-Fréquence (IDF).
Les courbes IDF ne sont pas une fin en soi, mais sont construites dans un but bien précis. Elles
permettent d'une part de synthétiser l'information pluviométrique au droit d'une station donnée
et, d'autre part de calculer succinctement des débits de projet et d'estimer des débits de crue ainsi
que de déterminer des pluies de projet utilisées en modélisation hydrologique.
Dans cette partie, on dispose des données de l’observation et du modèle météorologique, déjà
choisi, sur les pluies journalières maximales de chaque année (mm/jour) pour les périodes
disponibles. Notre travail consiste à ajuster ces données à une loi, puis comparer les extrêmes
(issus de la loi de Gumbel pour chaque période de retour) du modèle à ceux des observations,
ensuite vient l’établissement des courbes IDF pour en déterminer les paramètres de Montana qui
vont être comparés à leur tour.
Enfin, on élaborera des cartes (par ARCGIS) de certains paramètres issus des données du
modèle, qui seront utiles par exemple pour le calcul des pluies de projets. Ces paramètres seront
superposés avec ceux issues des données observées.
90
PFE
II. Ajustement statistique
1. Principe des méthodes statistiques
Un grand nombre d’événements extrêmes en hydrologie ne peut être prévu de manière

suffisamment juste assez longtemps à l’avance. Dans de tels cas, une approche probabiliste doit
être retenue. Ces méthodes supposent que les événements sont indépendants les uns des autres
dans le temps, c'est-à-dire que leur chronologie et leur ordre de grandeur ne sont pas reliés à des
événements antérieurs. Elles requièrent la réalisation d’une analyse des données dans le but de
s’assurer de leur qualité et de leur homogénéité dans le temps et dans l’espace.
Ces méthodes reposent sur l’ajustement des lois de probabilités à des séries statistiques de
débits instantanés maximum annuels observés ou des pluies journalières maximum annuelles
observées. Le but recherché à travers cet ajustement est la détermination des paramètres de cette
loi qui sera utilisée comme modèle de la distribution observée.
Cette modélisation permet de calculer les débits maximums et les pluies maximums pour
diverses probabilités d’occurrence (ou période de retour) choisies par l’hydrologue. Deux
facteurs entrent en jeu, d’abord la représentativité de la série considérée, ensuite le choix de la loi
de probabilité.
Il existe de nombreux modèles probabilistes qui sont usuellement utilisés en hydrologie :
 Loi exponentiel
 Loi de Galton ou Log-normale
 Loi de Gumbel
 Loi de Gamma (Pearson III, et Pearson V)…
Mais le problème réside dans le choix de la loi de distribution. Des tests statistiques dits
d’ajustement sont utilisés et permettent d’aider au choix de la loi.
2. Le logiciel utilisé «Hyfran plus» et son fonctionnalité
Le logiciel Hyfran Plus est élaboré par l’INRS - ETE (Institut National de Recherche
Scientifique, Eau, Terre, Environnement) du Québec .Ce dernier permet de faire la sélection de
la loi de probabilité représentative de l’échantillon étudié en le soumettant à plusieurs étapes
dont :
 La phase descriptive basée sur le calcul et le tracé des statistiques descriptives
(numériques et graphiques) calculées sur l’échantillon.
91
PFE
 La phase de l’ajustement statistique qui consiste à confronter, sur un papier de

probabilité, la distribution empirique calculée sur l’échantillon à la distribution
probabiliste théorique. Ce graphe permet de visualiser l’écart entre les probabilités
expérimentales et probabilités théoriques calculées pour la loi ajustée. Une comparaison
entre les lois peut être faite sur un même papier pour en sélectionner la plus adéquate.
 La qualité de l’ajustement est aussi confirmée par l’application d’un test d’adéquation à
l’échantillon étudié.
Cette étude consiste à la recherche du ou des modèles probabilistes adéquats qui représentent les
données hydrologiques au niveau des stations situées sur la zone d’étude de Moulouya-Ziz-
Ghéris-Guir : 11 stations de mesure de pluie et une station sur la zone d’étude de Bouskoura.
L’étude est réalisée sur les données des pluies journalières maximales annuelles fournies par
l’ABH.
3. Étapes de l’étude statistique
L’étude statistique est réalisée avec le logiciel HYFRAN PLUS présenté dans le paragraphe
précédent. Nous avons calculé les quantiles pour les différentes périodes de retour en choisissant
la loi qui ajuste mieux les observations. Pour ce faire, nous nous sommes basés sur :
 L’élimination des lois qui laissent plus de 5% de l’échantillon à l’extérieur de l’intervalle

de confiance
 l’application du test d’adéquation Khi deux à l’échantillon étudié. Retenir la loi qui
donne la plus faible valeur de Khi deux
 l’analyse des résultats des quantiles : élimination de lois qui surestiment beaucoup.
III. L’étude statistique des séries de pluie journalière maximale annuelle
Les étapes que nous allons aborder pour choisir la loi qui ajuste mieux les observations sont :
 Présenter les différentes lois sur les graphes avec les observations.
 Sélectionner la loi sur laquelle, les courbes passent sur le maximum de points observés
des nuages des points.
 Rejeter une loi lorsqu’il y a plus de 1-95% = 5% de l’effectif de l’échantillon à
l’extérieur de l’intervalle de confiance.
92
PFE
Par exemple, nous avons un échantillon de taille N=39 et un pourcentage de risque Re=5%.
Donc : N*Re=39*0.05= 1.95 valeur 2 valeurs, alors si nous aurons plus de 2 valeurs de
l’échantillon qui se trouvent à l’extérieur de l’intervalle de confiance, la loi sera rejetée.
Si nous n’arrivons pas à différencier entre les lois, nous devons comparer les résultats de test de
khi-deux carré, dans ce cas, on prend la plus petite valeur au niveau de ce test.
Donc la méthode consiste à utiliser les outils statistiques afin de produire plusieurs résultats qui
décrivent bien les situations et le phénomène intégré sur la base de changement climatique.
La synthèse des résultats de l’étude statistique effectuée sur les pluies journalières maximales
annuelles observés jusqu’à l’année 2012 dans les onze stations de mesure de pluie sur les zones
d’études est résumée dans le tableau ci-dessous :
Tableau 13 : Synthèse des résultats de l’étude statistique – Série de pluie
Nom de l'unité Sous bassin Taille Meilleure loi Test de KHI Deux
Louggagh 39 Gumbel Positif à 5%

Unité de la Haute Tabouazzant 29 Gumbel Positif à 5%
Moulouya Ansegmir 48 LogNormale Positif à 5%
Zaida 43 Gumbel Négatif à 1%
Unité de la moyenne Missour 44 LogNormale Positif à 5%

Moulouya El aouia 31 Exponentielle Positif à 5%
Zaouia 28 Gumbel Positif à 4%
Tillicht 24 Gumbel Positif à 5%
Ziz M'zizel 28 LogNormale Positif à 5%
Zaâbel 28 Gumbel Positif à 5%
R. Erfoud 28 Gumbel Positif à 5%
Bouskoura Casa Anfa 41 Gumbel Positif à 5%
IV. Quelques résultats détaillés de l’ajustement statistique
1. Station Ansegmir
Au niveau de la station Ansegmir, nous avons un échantillon de taille N=48 pour chaque durée
(1jour, 2jours,…,10jours), ensuite, nous avons considéré que le niveau de confiance est égal à
95% pour toutes les lois.
93
PFE
Donc : N*Re=48*0.05= 2.4 valeurs, alors si nous aurons plus de 2 valeurs de l’échantillon qui
sont à l’extérieur de l’intervalle de confiance, la loi sera rejeté.
Tableau 14 : Ajustement statistique des données de pluie maximales journalières de la station
Ansegmir
On peut donc rejeter les lois suivantes : loi de Gumbel et d’autre lois, parce que d’après les
graphes on a trouvé plus de 3 valeurs de l’échantillon qui se trouvent à l’extérieur de l’intervalle
de confiance. Nous avons donc conclu que la loi Lognormale de paramètre mu= 3.17215 et
sigma= 0.461018 représente le meilleur compromis pour l’ajustement de la pluie journalière
maximale de 24h sur l’année.
2. Station Lougagh
Au niveau de la station Lougagh, nous avons un échantillon de taille N=39 pour chaque durée,
ensuite, nous avons pris un niveau de confiance de 95% pour toutes les lois.
94
PFE
Figure 45 : les observations (pluie annuelle maximale sur 24h) en fonction des probabilités au non-
dépassement.
D’après la figure 45, on constate que la plupart des observations sont concentrées sur une plage
allant de 25 mm jusqu’à 50mm.
Figure 46 : L’histogramme des observations classé par valeur de la pluie journalière maximale sur 24h.
A l’aide du logiciel Hyfran, nous avons déterminé la loi qui ajuste le mieux les observations.
Nous avons trouvé trois lois qui ajustent mieux les nuages des points (observations). Ces lois
sont :
o Loi Gumbel.
o Loi Log normale.
o Loi Gamma.
La loi exponentielle est rejetée, parce que nous avons trouvé plus de deux valeurs de
l’échantillon qui se trouvent à l’extérieur de l’intervalle de confiance.
95
PFE
Figure 47 : Présentation une comparaison des ajustements sur la durée 24h.
Pour avoir la loi qui ajuste mieux les observations nous avons représenté les trois lois sur un
même graphe (voir figure 47) et aussi nous avons comparé les résultats statistiques de chaque loi
(voir figure 48).
Figure 48 : Résultat statistique obtenue par test de khi-deux.
A partir du graphe (figure 48) de comparaisons des ajustements statistiques et des résultats
statistiques (test de khi-deux) (figure 49). C’est la loi de Gumbel (ses paramètres estimés par la
méthode de vraisemblance maximale) qui s’ajuste mieux les pluies maximales de la station
Lougagh pour la durée de 24h.
96
PFE
Figure 49 : la loi ajuste les pluies maximale de la station Lougagh pour la duré 24h.
Les résultats obtenus pour les autres stations sont présentés dans l’annexe (voir l’annexe II) :
 Les calculs des paramètres descriptifs des échantillons des données étudiées
 L’histogramme des fréquences de l’échantillon
 La comparaison des modèles statistiques retenus
 Le meilleur ajustement retenu
 Les tableaux du calcul des quantiles pour différentes périodes de retour (5-10000 ans)
Nous constatons à partir des résultats de l’ajustement statistique et par l’expérience des
hydrologues que ce qui est généralement admis au Maroc est la loi de Gumbel qui constitue la loi
qui s’ajuste mieux les pluies maximales. En effet, dans la suite les données du modèle et les
observations seront ajustées par la loi de Gumbel.
La synthèse des résultats des prévisions des pluies et les intensités sont résumées dans les
tableaux ci-dessous :
97
PFE
Tableau 15 : résultats des prévisions des stations de pluie en mm des zones d’étude.
P (24h, T)
Bassins de la Moulouya Bassins Ziz-ghéris-Guir Bouskoura
T Alaouia Ansegmir Lougagh Missour Tabouazant Zaida Zaouia Zaabel Tillicht M'zizel R.Erfoud Bouskoura
1000 92.90 84.56 133.64 77.80 111.05 74.67 103.33 103.91 99.74 70.46 45.31 116.52
200 76.83 69.71 110.32 64.09 91.52 62.06 85.63 85.03 81.83 58.76 36.74 98.10
100 69.89 63.29 100.23 58.18 83.09 56.62 77.99 76.88 74.09 53.72 33.04 90.15
50 62.93 56.86 90.11 52.24 74.62 51.16 70.32 68.70 66.33 48.65 29.32 82.17
20 53.64 48.27 76.62 44.31 63.33 43.87 60.09 57.79 55.98 41.89 24.37 71.52
10 46.46 41.64 66.20 38.19 54.61 38.23 52.18 49.35 47.98 36.67 20.54 63.30
5 38.97 34.72 55.33 31.80 45.51 32.36 43.94 40.56 39.63 31.22 16.54 54.72
2 27.67 24.27 38.92 22.16 31.78 23.49 31.49 27.28 27.04 23.03 10.51 41.75
Tableau 16 : résultats des prévisions des stations de l’intensité en mm/jour des zones d’étude.
I (24h, T)
Bassins de la Moulouya Bassins Ziz-ghéris-Guir Bouskoura
T Alaouia Ansegmir Lougagh Missour Tabouazant Zaida Zaouia Zaabel Tillicht M'zizel R.Erfoud Bouskoura
1000 3.87 3.52 5.56 3.24 4.62 3.11 4.30 4.32 4.15 2.93 1.88 4.85
200 3.20 2.90 4.59 2.67 3.81 2.58 3.56 3.54 3.40 2.44 1.53 4.087
100 2.91 2.63 4.17 2.42 3.46 2.35 3.24 3.20 3.08 2.23 1.37 3.75
50 2.62 2.36 3.75 2.17 3.10 2.13 2.93 2.86 2.76 2.02 1.22 3.42
20 2.23 2.01 3.19 1.84 2.63 1.82 2.50 2.40 2.33 1.74 1.01 2.98
10 1.93 1.73 2.75 1.59 2.27 1.59 2.17 2.05 1.99 1.52 0.85 2.63
5 1.62 1.44 2.30 1.32 1.89 1.34 1.83 1.69 1.65 1.30 0.68 2.28
2 1.15 1.01 1.62 0.92 1.32 0.97 1.31 1.13 1.12 0.95 0.43 1.74
Nous constatons que les résultats sont cohérents et aussi, nous remarquons que P (24h, T) et
l’Intensité augmentent avec la période de retour (voir les tableaux 15 et 16).
98
PFE
V. Validation des extrêmes
Après avoir ajusté les données pluviométriques des stations d’observation et des points de grille
du meilleur modèle choisi dans le chapitre précédent (AMMA_CHMIALADIN_ECHAM5-r3)
par la loi de Gumbel, on a procédé à la comparaison des extrêmes (prévision des cumuls de
précipitation de chaque période de retour donnés par la loi Gumbel).
Cette tâche consiste à faire une comparaison entre les extrêmes qui sont calculés avant et après
la correction (adaptation statistique) du modèle. Pour cette raison, nous avons calculé les scores
statistiques (RMSE, Corrélation) pour avoir une idée sur le comportement des sorties du modèle
par rapport aux observations.
On présente les résultats obtenus dans un tableau contenant :
 La station et le point de grille le plus proche de la station.
 Le coefficient de corrélation (R).
 Racine de l’erreur quadratique moyenne (RMSE).
Tableau 17 : résultats des scores statistiques calculés entre des prévisions des extrêmes issues de
l’ajustement du modèle et celle de l’observation.
Point de grille RMSE Corrélation

Avant Après
Unité Station Lat Lon Avant correction Après correction correction correction
Alaouia 32.91 4.44 50.24 9.63 0.36 0.8
Ansegmir 32.90 4.92 45.29 6.83 0.45 0.9
FoumTillicht 32.09 4.41 55.49 13.00 0.32 0.78
FoumZaabel 32.09 4.41 57.75 15.14 0.42 0.76
Lougagh 32.49 4.91 78.24 33.73 0.26 0.65
Région2
Missour 32.92 3.95 36.45 7.19 0.52 0.86
M'zizel 32.08 4.90 38.08 8.01 0.58 0.84
RadierErfoud 32.49 4.91 25.49 20.12 0.57 0.59
Tabouazant 32.49 4.91 63.61 19.67 0.31 0.67
Zaouia 32.49 4.91 59.53 15.50 0.43 0.71
Région1 bouskoura 33.24 7.36 52.32 25.99 0.35 0.7
D’après le tableau ci- dessus, on constate que la racine de l’erreur quadratique moyenne a
diminué après la correction des points grille de modèle par les stations. Par contre, les
corrélations ont augmenté après avoir adapté statistiquement les sorties des modèle par les
observations.
99
PFE
Ces résultats montrent que les cumuls de précipitation pour chaque période de retour des points
de grille du modèle AMMA_CHMIALADIN_ECHAM5-r3 ont été améliorés après la
correction (adaptation statistique) des sorties du modèle par les observations.
VI. Les courbes Intensité-Durée-Fréquence (I.D.F) et les paramètres de

Montana
Les courbes I .D.F permettent la détermination des paramètres de base à transposer aux modèles
de gestion des crues et débits et à utiliser dans les calculs de dimensionnement des ouvrages et
réseaux d’assainissement. En effet, le coût de surdimensionnement des ouvrages et les dégâts dus
à leur insuffisance durant une violente averse nécessite la détermination du débit optimum pour
établir ces ouvrages.
Les courbes I.D.F donnent, pour une période de retour de l’averse T (2, 5, 10, 20,50 et 100
ans), l’intensité maximale en fonction de la durée de référence dt.
L’élaboration des courbes I.D.F repose sur les intensités maximales journalières des
précipitations par pas de temps 1, 2, 3, 4, 5, 6, 7, 8, 9 et 10 jours.
Les courbes I.D.F sont établies sur la base de l'analyse d'averses enregistrées à une station au
cours d'une longue période. L'analyse fréquentielle peut s'appliquer si on ne présuppose pas une
loi connue (de type Montana, etc.) et si on s'intéresse à des événements rares, donc extrêmes. Les
données recueillies sont alors ajustées, à un pas de temps choisi, à une loi statistique qui doit
décrire relativement bien la répartition des extrêmes. D’après le paragraphe précédent de
l’ajustement statistique nous avons décidé de travailler avec la loi Gumbel, car elle décrit mieux
les observations (pluie maximale). Si l'opération est répétée sur plusieurs pas de temps, on
obtient la variation de l'intensité avec la durée de la pluie pour différentes périodes de retour,
c'est à dire des courbes I.D.F de la station considérée sur la période analysée. Les courbes
obtenues peuvent donc être construites de la manière suivante :
Différentes formules sont proposées pour représenter l'intensité critique d'une pluie en fonction
de sa durée.
La forme générale (avec T variable) est la suivante :
Avec :
i : intensité totale [mm/h], [mm/min].
T : période de retour en années.
100
PFE
t : durée de référence [h] ou [min].

k, a, b, c : paramètres d'ajustement.
Montana suggère une formulation plus simple :
Avec :
i: intensité maximale de la pluie [mm/h],
t: durée de la pluie [minutes ou heures],
T : période de retour.
a,b : Coefficients de Montana.
Il y’a aussi la formule de TALBOT :
Avec :
i: intensité maximale de la pluie [mm/h],
t: durée de la pluie [minutes ou heures],
T : période de retour.
a,b: Coefficients de TALBOT .
Dans notre étude, nous avons utilisé la formule de Montana afin de produire les coefficients a et
b, qui seront valables pour le calcul de l’intensité à n’importe quelle période de retour et pour
une durée donnée.
VII. Résultats et interprétations
1. Résultats des observations (stations)
Après avoir ajusté les pluies maximales à une loi de probabilité (Loi Gumbel) au niveau de la
station Ansegmir sur les périodes de retour suivantes: 2, 5, 10, 20, 50, 100, 200, 1000 ans.
Ensuite on a calculé les intensités en divisant les pluies maximales prévues par la durée, et nous
avons obtenu des résultats qui sont présentés dans le tableau ci-dessous (voir tableau 18).
101
PFE
Tableau 18 : les intensités de précipitations en fonction des durées et pour chaque période de retour.
Intensité
24h 48h 72h 96h 120h 144h 168h 192h 216h 240h
1000 4.13 2.84 1.91 1.52 1.25 1.10 1.00 0.86 0.74 0.64
200 3.26 2.22 1.50 1.19 0.98 0.86 0.78 0.68 0.59 0.52
100 2.91 1.98 1.33 1.06 0.87 0.77 0.69 0.60 0.53 0.47
période de retour (ans)
50 2.56 1.74 1.17 0.93 0.77 0.67 0.60 0.53 0.47 0.42
20 2.12 1.43 0.97 0.76 0.63 0.56 0.50 0.44 0.39 0.35
10 1.80 1.20 0.82 0.64 0.53 0.47 0.42 0.37 0.33 0.30
5 1.47 0.98 0.66 0.52 0.43 0.38 0.34 0.30 0.27 0.25
2 0.99 0.66 0.45 0.35 0.29 0.26 0.22 0.20 0.19 0.18
A partir des intensités obtenues, nous avons représenté sur un graphe les courbes Intensité-
Durées-Fréquence de la station considérée sur la période analysée (voir figure 50).
Ansegmir
4 1000
3.5 200
3 100
2.5 50
I(mm/h)
2
20
1.5
10
1
5
0.5
0 3
0 50 100 150 200 250
2
dt(h)
Figure 50 : courbe Intensité-durée-fréquence (I.D.F) de la station d’Ansegmir
Traditionnellement, ces courbes sont établies empiriquement en traçant l’intensité en fonction

de la durée, pour chaque valeur T de la période de retour, afin d’obtenir les coefficients des
paramètres de Montana. On doit faire ensuite une linéarisation des courbes I.D.F. en changeant
les coordonnées par une translation simple en coordonnées Log-Log. Les courbes I.D.F des
Intensités ont des allures de droites qui sont parallèles dont l’origine dépend de la période de
retour T (voir la figure 51).
102
PFE
1.5
Ansegmir
y = -0.7925x + 3.851 1000
1 y = -0.7914x + 3.6521 200
0.5 y = -0.7908x + 3.5524 100
y = -0.79x + 3.4411 50
0
Ln(I)
3 3.5 4 4.5 5 5.5 y = -0.7886x + 3.2703 20

-0.5
y = -0.7872x + 3.115 10
-1 y = -0.7852x + 2.9226 5
y = -0.7829x + 2.738 3
-1.5
y = -0.7799x + 2.5373 2
-2
Ln(durée)
Figure 51 : courbe I.D.F linéarisé de la station d’Ansegmir.
En fin à partir des courbes I.D.F linéarisées de la station Ansegmir, on en déduit les équations
de chaque période de retour. À partir de ces équations on obtient les paramètres de Montana a et
b (voir tableau 19).
Tableau 19 : paramètres de Montana pour chaque période de retour de la station d’Ansegmir
coefficients de Montana
T(Ans) a b
2 12.645 0.779
5 18.589 0.785
période de retour
10 22.533 0.787
20 26.319 0.788
50 31.221 0.79
100 34.896 0.790
200 38.555 0.791
1000 47.040 0.792
La synthèse des résultats de l’étude effectuée sur les courbes I.D.F de mesure de l’intensité et les
paramètres de Montana aux 11 stations retenues des zones d’études est résumée dans des
tableaux pour chaque station de la manière suivante (voir l’annexe IV) :
 Les tableaux des intensités pour différentes périodes de retour (5-1000 ans).
 Les courbes I.D.F pour différentes périodes de retour (5-1000 ans).
 Les courbes I.D.F linéarisées pour différentes périodes de retour (5-1000 ans).
103
PFE
 Les tableaux des paramètres de Montana pour différentes périodes de retour (5-1000ans).
Au niveau de toutes les stations, on constate, d’après les graphes obtenus (voir l’annexe III), la
période de retour augmente, l’intensité augmente aussi.
2. Résultats du meilleur modèle (AMMA_CHMIALADIN_ECHAM5-r3)
On procède de la même façon pour établir les courbes I.D.F et le calcul des paramètres de
Montana concernant l’ensemble des points de grille de
modèle AMMA_CHMIALADIN_ECHAM5-r3. Les courbes I.D.F sont présentées en annexe
IV.
Le graphe ci-dessous (figure 52) représente un exemple de la courbe I.D.F pour un point de grille
du modèle.
Sur le point de grille des coordonnés géographiques (Longitude=3.43, latitude= 31.29), on
remarque que les courbes I.D.F, décroit avec la durée et il y a une proportionnalité entre la
période de retour et l’intensité (voir les figures 52 et 53).
Figure 52 : courbe I.D.F du point de grille : longitude=31.2862 et latitude=3.425499
104
PFE
Figure 53 : courbe I.D.F linéarisé du point de grille : longitude=31.2862 et latitude=3.425499
Pour les autres points de grille du modèle choisi, les courbes I.D.F ont la même tendance que le
point de grille dont la figure est représentée précédemment (voir l’annexe IV).
3. Régionalisation des paramètres issus du modèle et la comparaison visuelle par

rapport à ceux calculés par les observations
Dans cette partie on présente une comparaison visuelle des cartes des cumuls de pluie extrême
(générées par la loi Gumbel pour différentes périodes de retour pour la durée 24h) et les
paramètres de Montana calculés à partir des sorties du modèle
AMMA_CHMIALADIN_ECHAM5-r3. Ces paramètres sont superposés avec les paramètres
calculés à partir des séries de donnée issues des stations d’observation.
105
PFE
Les paramètres calculés à partir des données du modèle sont présentés sur les cartes des zones
d’étude en fonction du modèle numérique de terrain. Il s’agit de déterminer une relation de
régression linéaire simple qui existe entre un tel paramètre et l’altitude Z du MNT.
Le tableau ci-dessous présente les équations reliant les paramètres (pluies maximales, paramètre
de Montana et alpha et bêta de la loi Gumbel) et l’altitude z du MNT.
Tableau 20 : équation reliant chaque paramètre et l’altitude z.
péride de retour T Paramètre Equation de Régression Coef. De corrélation

a y = 0,0006z + 13,086 0,54
2ans
pluie maximale y = 0.0012z + 34,343 0,63
a y = 0,0005z + 22,511 0,48
5ans
pluie maximale y = -0.002z + 41,031 0,69
a y = -0.0034z + 32,33 0,72
10ans
a y = -0,0026z + 41,102 0,67
50ans
a y = -0,0041z + 48,086 0,74
100ans
alpha y = -0.0051z + 40,809 0,75
bêta y = -0.0064z + 26,006 0,74
Les paramètres présentés dans le tableau ci-dessus sont :
 a : paramètre de Montana.
 Alpha et bêta : les paramètres de la loi de Gumbel calculés par la méthode de
vraisemblance.
 Pluie maximales issues de la loi de Gumbel.
106
PFE
 Prévisions des pluies maximales de période de retour T=2ans sur la durée

24h :
Après avoir représenté les pluies extrêmes issues de la loi de Gumbel en fonction du MNT. On a
remarqué que les précipitations journalières maximales issues du modèle sont relativement
proches des observations dans la pluparts des stations d’observation sauf que la station de
R .Erfoud où il y ‘a un écart important. Ce dernier peut être dû à la faible série d’observation au
niveau de cette station.
Concernant les cumuls des précipitations de la période de retour T=2ans sur la durée 24h, les
figures 54 et 55 montrent que les sorties du modèle sont proches de l’observation sur la région de
montagne (bassins Moulouya-Ziz-ghéris-Guir) mieux que sur la région de plaine (bassin de
Bouskoura). Vu sa proximité des stations d'observation, le modèle
AMMA_CHMIALADIN_ECHAM5-r3 a montré une bonne représentativité des pluies
extrêmes pour les régions montagneuses .ce résultat est moins important pour la région de plaine.
D’ailleurs, les scores statistiques confirment les résultats présentés sur les cartes. On a constaté
que dans la région de Bouskoura, racine de l’erreur quadratique moyenne entre les sorties du
modèle et les observations est très importante par rapport aux autres stations qui se situent sur la
région montagneuse.
Pour les autres périodes de retour (5, 10, 50 et 100 ans), on remarque globalement que, le modèle
en question représente l’observation des cumuls des précipitations mieux sur la région plate que
la région accidentée (voir l’annexe V).
107
PFE
Figure 54 : la carte des prévisions des cumuls des pluies maximales (T=2ans et durée=24h) du modèle
superposé avec les valeurs des stations sur les bassins Moulouya-Ziz-Ghéris-Guir.
Figure 55 : la carte des prévisions des cumuls des pluies maximales (T=2ans et durée=24h) du modèle
superposé avec les valeurs des stations sur le bassin de Bouskoura..
108
PFE
 Les paramètres de Montana a et b de T=2ans sur la durée 24h :

D’après les figures 56 et 58, on constate que les paramètres de Montana issus du modèle sont
proches de ceux calculés par les données d’observation.
Figure 56 : la carte de coefficient de Montana « a » (T=2ans et durée=24h) du modèle superposé avec

les valeurs des stations sur les bassins Moulouya-Ziz-Ghéris-Guir.
Pour le paramètre b de Montana, nous avons trouvé que la variation est très faible, c’est pour
cela, nous avons juste calculé les caractéristiques statistiques. Le tableau ci-dessous résume les
résultats pour chaque zone d’étude :
Tableau 21 : caractéristiques statistique de paramètre b de Montana pour différentes périodes de

retour
Période de retour (en ans)

unité Caractéristiques statistiques 2 5 10 50 100
Moulouya-Ziz- Moyenne 0,7898 0,8614 0,8923 0,9436 0,9941
Ghéris-Guir ecart-type 0,0001 0,0002 0,0001 0,0001 0,0012
109
PFE
Moyenne 0,7791 0,8313 0,9375 0,9580 0,9714

Bouskoura
ecart-type 0,0002 0,0002 0,0002 0,0002 0,0002
Figure 57 : la carte de coefficient de Montana « a » (T=2ans et durée=24h) du modèle superposé avec

les valeurs des stations sur le bassin de Bouskoura.
VIII. Conclusions
Après avoir ajusté les pluies maximales issues du modèle et les observations par la loi de
Gumbel. Les résultats des prévisions des extrêmes (loi Gumbel), pour chaque période de retour
et différentes durées (1jour, 2jours,…10jours), du modèle ont été améliorés après avoir corrigé
ses sorties.
La superposition de différents résultats à savoir ceux du modèle et ceux de l’observation a
permis de tirer les conclusions suivantes :
 Le modèle a donné des extrêmes dont les valeurs sont plus ou moins proches des
extrêmes issus de l’observation dans la plus part des stations des deux zones.
 Les paramètres de Montana calculés pour le modèle sont à leurs tours proches de ceux
calculés par l’observation.
110
PFE
Conclusions générales et perspectives
Dans le but de produire des données pluviométriques denses des périodes passées et futures dans
les bassins de Moulouya-Ziz-Guir_Gheris et Bouskoura, dédiées aux études hydrologiques
(calcul des crues, pluies de projet), et aux études d’impact (adaptation des ressources en eaux aux
changements climatiques, collecte des eaux pluviales), nous avons mené ce projet. Dans un
premier temps, nous avons procédé à l’évaluation des précipitations issues des modèles
climatiques (à travers le calcul des scores statistiques). Puis nous avons entamé la correction des
sorties des modèles climatiques (la détermination de la relation de régression linéaire simple
existant entre les données observées et les sorties des modèles des points de grille les plus
proches des postes d’observation). Ensuite nous avons abordé la partie de l’ajustement statistique
et l’élaboration des courbes I.D.F pour la détermination des paramètres de Montana.
D’après les résultats obtenus, nous avons pu tirer les conclusions suivantes :
 Concernant les corrélations calculées entre les sorties des modèles et les observations des
pluies journalières ont été améliorées.
 L’erreur quadratique moyenne et moyenne de l’erreur absolue ont diminué après la
correction des sorties des modèle.
 Le modèle AMMA_CHMIALADIN_ECHAM5-r3 est le plus performant par rapport à
une quinzaine de modèles météorologiques testé dans cette étude.
 Le modèle AMMA_CHMIALADIN_ECHAM5-r3 a donné des résultats satisfaisants
dans la région montagneuse que dans la région de plaine. Contrairement à ce qu’on
devrait trouver. Ceci est expliqué par le fait que nous avons travaillé pour adapter
statistiquement les sorties des modèles avec une seule station dans la zone de plaine et 12
stations dans la zone montagneuse.
La conclusion que nous avons tirée au cours de la comparaison des cartes élaborées des
paramètres issues de la loi de Gumbel en fonction du modèle numérique de terrain est :
 Les extrêmes des précipitations journalières du meilleur modèle sont plus ou moins
proches aux extrêmes observés dans les stations de mesure.
L’évaluation des changements climatiques aux niveaux des stations pour le paramètre
précipitation a montré qu’il y une tendance vers l’asséchement en analysant les résultats obtenus
par le logiciel de réduction d’échelle statistique(SDSM). Cependant la méthode de réduction
111
PFE
d’échelle statistique a donnée des écarts importants, en comparant les données du passé entre
l’observation et les résultats générés par SDSM.
Pour améliorer ses résultats nous proposons :
 D’utiliser d’autres méthodes de régression plus adéquates pour la correction des modèles
météorologiques par exemple : méthode de régression non linéaire et méthode de
régression multiple.
 Se baser sur la méthode de Thiessen pour la correction des modèles et non pas sur la
méthode de la moyenne arithmétique.
 Ce travail de projet s’est limité aux régions Moulouya-Ziz-Ghéris-Guir et Bouskoura. Il
serait recommandé de le compléter pour d’autres régions du royaume.
 D’adopter d’autres scénarios des changements climatiques à l’échelle globale pour
l’élaboration des scénarios à l’échelle locale. En effet, il existe de nouveaux scénarios
RCP (representative concentration pathways) développés en 2007 qui vont être utilisés
dans le 5ème rapport de GIEC(2014).
 Tant que possible il faut utiliser la méthode de réduction d’échelle dynamique, pour
l’élaboration des scénarios des changements climatique à l’échelle locale.
 Impact des changements climatique sur le réseau d’assainissement
 Un autre axe de développement est d’adopter l’approche « prévision ensemble » pour la
prévision à long terme des précipitations.
112
PFE
Bibliographie
[1] GIEC, 4ème rapport d'évaluation 2007.

[2] GIEC, Rapport spécial du Groupe de travail III du GIEC, Scénarios d’émissions, 2000.
[3] E. HERRERA et al. 2006, Méthodes de désagrégation appliquées aux Modèles du Climat
Global Atmosphère-Océan (MCGAO), Article de érudit, Revue des sciences de l'eau / Journal of
Water Science, vol. 19, n° 4, p. 297-312 ;
[4] Secrétariat d’Etat auprès du Ministère de l’Energie, des Mines, de l’Eau et de
l’Environnement, Chargé de l’ l’Eau et de l’Environnement, Seconde comminucation
nationale, septembre 2009 « ETUDE VULNERABILITE ET ADAPTATION DU MAROC FACE AUX
CHANGEMENTS CLIMATIQUES », Département de l’Environnement..
[5] Fatima Driouech, Atika Kasmi et Wafae Badi), juin 2011, Rapport de l’étude « Evaluation
des changements climatiques futurs au niveau des zones oasiennes marocaines » élaborée
pour le projet « Adaptation aux changements climatiques au Maroc pour des oasis résilientes ».
[6] Abdelaziz BABQIQI, 2006, Les changements climatiques à Marrakech (Maroc) Evolution
récente et projections futures.
[7] Hewitson B.C., Crane R.G., 2006: Consensus between GCM climate change projections with
empirical downscaling: precipitation downscaling over South Africa. Int. J. Climatol., 26, 1315-
1337.
[8] Wilby R.L., Wigley T.M.L., Conway D., Jones P.D., Hewitson B.C., Main J., Wilks D.S., 1998 :
Statistical downscaling of general circulation model output: A comparison of methods. Water
Resources Research 34: 2995-3008
[9] Giorgi F., Mearns L.O., 1991 : Approaches to the simulation of regional climate change: a
review. Reviews of Geophysics, 29, 191–216.
[10] Gibelin, A.L. et Déqué, M., 2003 : Anthropogenic climate change over the Mediterranean
region simulated by a global variable resolution model. Climate Dynamics, 20: 327-339.
[11] Taylor, K. E.: Summarizing multiple aspects of model performance in a single diagram, J.
Geophys. Res., 106, 7183-7192, 2001.
[12] Abdelkarim CHERKAOUI, 2011, PFE : Désagrégation des données via l’outil SDSM pour la
projection des changements climatiques futurs dans la haute MOULOUYA.
[13] N.SERHIR, Cours Hydrologie Opérationnelle, 2010/2011.
113
PFE
[14] Gaston REMENIERAS, 2008 « L’Hydrologie de l’Ingénieur ».

[15] Fatima MOKHLESS et Imane EL HADDAD, 2012, PFE : Régionalisation des paramètres des
méthodes de calcul des crues pour les régions de la Haute et la Moyenne Moulouya.
[16] A. AIT BAHASSOU, 2010, PFE : Développement d’un outil SIG pour la préparation des
données et le calcul des paramètres d’entrée des modèles de prévision des crues.
[17] Ricco Rakotomalala,2008 «Analyse de corrélation. Étude des dépendances - Variables
quantitatives » Université Lumière Lyon 2.
[18] Virginie RAYBAUD, 2004, THESE DE DOCTORAT DE L’UNIVERSITE PIERRE ET MARIE CURIE
(PARIS 6) : « MODELISATION DE L’ECOSYSTEME PELAGIQUE EN MER LIGURE, Application à la
campagne DYNAPROC 2 ».
[19] Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson, Eds.,
IPCC, 2007a: Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of
Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate
Cambridge University Press, Cambridge, UK, 976 pp.
[20] Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M.Tignor and H.L.
Miller eds. IPCC, 2007b: The Physical Science Basis. Contribution of Working Group I to the
Fourth Assessment Report of the Intergovernmental Panel on Climate Change Cambridge
University Press, Cambridge, United Kingdom and New York, NY, USA, 996 pp.
[21] http://www.abhm.ma, Les Bassins Hydrauliques du Maroc.
[22] http://www.gdem.aster.ersdac.or.jp/search.jsp, site de téléchargement les cartes MNT.
[23] http://www.cccsn.ec.gc.ca/?page=sdsm, généralité sur le logiciel SDSM4.2.
114
PFE
Listes des Annexes
Annexe I : Les scénarios des changements climatiques générés par le Logiciel SDSM4.2 aux
niveaux des stations.
Annexe II : L’ajustement statistique pour chaque station.
Annexe III : Les courbes I.D.F de mesure de l’intensité et les paramètres de Montana aux
stations.

modèle «AMMA_CHMIALADIN_ECHAM5-r3 ».
Annexe V: Les cartes de l’interpolation du meilleur

Annexe VI : les programmes développés pendant la réalisation de ce travail
115
PFE
Annexe I : Les scénarios des changements climatiques générés par

Logiciel SDSM4.2 aux niveaux des stations.
Station Bouskoura
800 y = -1.3431x + 3213.7 A1B
y = -0.7451x + 1995.9 A2
600
cumul(mm)
400
200
0
2000 2010 2020 2030 2040 2050 2060
l'année
Station Foum Zaabel

400 y = -1.8924x + 4056.4 A1B
350
y = -2.2069x + 4693 A2
300
Cumul(mm)
250
200
150
100
50
0
2010 2020 2030 2040 2050
Années
Station M'zizel
500 A1B
y = -1.0725x + 2376.6
400 y = -2.4272x + 5135.9 A2
Cumul(mm)
300
200
100
0
2010 2020 2030 2040 2050
Année
116
PFE
Station R.Erfoud
200 y = -0.9901x + 2098.4 A1B
y = -0.6734x + 1449.9 A2
150
Cumil(mm)
100
50
0
2000 2010 2020 2030 2040 2050 2060
Année
Station Tillicht
400 y = -1.9027x + 4054.1 A1B
y = -1.4905x + 3215.2 A2
300
Cumul(mm)
200
100
0
2000 2010 2020 2030 2040 2050 2060
Année
Station Zaouia
600 y = -2.3082x + 5051.4 A1B
500 y = -1.9881x + 4369.7 A2
Cumul(mm)
400
300
200
100
0
2000 2010 2020 2030 2040 2050 2060
Année
117
PFE
Annexe II : L’ajustement statistique pour chaque station
 Station Tabouazant :
EX2MV : Loi Exponentielle, maximum de

vraisemblance
EV1MV : loi de Gumbel, maximum de
vraisemblance
2LNMV : Loi Lognormale, maximum de
vraisemblance
G2MV : Loi de Gamma, maximum de
vraisemblance
La loi retenue : Loi Gumbel
118
PFE
 Station Zaida :

vraisemblance
vraisemblance
La loi retenue : Loi de Gumbel
119
PFE
 Station El Alaouia :

vraisemblance
EV1MV : loi de Gumbel, maximum de vraisemblance
vraisemblance
G2MV : Loi de Gamma, maximum de vraisemblance
Loi retenue : Loi Gumbel
120
PFE
 Station Missour :

vraisemblance
vraisemblance
vraisemblance
Loi retenue : Loi exponentielle
121
PFE
 Station Foum Tillicht :

vraisemblance
vraisemblance
vraisemblance
vraisemblance
Loi retenue : Loi de Gumbel
122
PFE
 Station Foum Zaabel :

vraisemblance
vraisemblance
123
PFE
 Station M’zizel :

vraisemblance
vraisemblance
vraisemblance
vraisemblance
Loi retenue : loi Log Normale
124
PFE
 Station Radier Erfoud :

vraisemblance
vraisemblance
vraisemblance
vraisemblance
125
PFE
 Station Zaouit Sidi Hamza :

vraisemblance
vraisemblance
vraisemblance
vraisemblance
126
PFE
 Station Bouskoura :

vraisemblance
vraisemblance
127
PFE
Annexe III : Les courbes I.D.F de mesure de l’intensité et les paramètres

de Montana aux stations.
 Station El alaouia :
Intensité (durée(h), T) 1000

Courbe I.D.F de la station El alaouia
24 48 72 96 120 144 200
3.00
1000 3.87 2.72 1.83 1.49 1.26 1.09 100
200 3.20 2.23 1.51 1.23 1.04 0.89 50

2.00
I(mm/h)
période de retour
100 2.91 2.02 1.37 1.11 0.94 0.81

20
50 2.62 1.81 1.23 1.00 0.84 0.73
1.00 10
20 2.24 1.54 1.04 0.84 0.71 0.61
5
10 1.94 1.32 0.89 0.72 0.61 0.53
0.00
0 100 200 300 3
5 1.62 1.09 0.74 0.60 0.50 0.44
Durée(h)
2 1.15 0.75 0.51 0.41 0.35 0.30 2
Courbe I.D.F liniarisé de la station coefficients de Montana

El alouia
2 1000
a b
1.5 200
2 13.423 0.762
1 100
5 18.117 0.746
50
0.5
Période de retour
10 21.248 0.740
20
Ln(I)
0
3 4 5 6 20 24.261 0.736
10
-0.5
50 28.168 0.732
5
-1
100 31.099 0.730
3
-1.5
2 200 34.021 0.728
-2
Ln(durée)
1000 40.800 0.725
128
PFE
 Station Louggagh :
Courbe I.D.F de la station Louggagh
Intensité (durée(h), T (ans))
7.00 1000
24 48 72 96 120 144
6.00 200
1000 5.57 3.90 2.70 2.10 1.73 1.46
5.00 100
200 4.60 3.20 2.22 1.73 1.42 1.21
50
4.00
I(mm/h)
100 4.18 2.90 2.01 1.57 1.29 1.09
20
50 3.75 2.60 1.80 1.41 1.16 0.98 3.00
10
20 3.19 2.20 1.52 1.19 0.98 0.84 2.00
5
10 2.76 1.89 1.31 1.02 0.84 0.72 1.00
3
5 2.31 1.57 1.08 0.85 0.70 0.60 0.00
2
0 100 200 300
Durée(h)
2 1.62 1.08 0.75 0.59 0.49 0.42
Courbe I.D.F linéarisée de la station Louggagh coefficients de Montana

1000
2
a b
200
1.5 2 20.587 0.7812
100
5 29.886 0.7834
1
50
10 36.042 0.7843
0.5
20 20 41.946 0.7849
Ln(I)
0 10 50 49.585 0.7854
3 4 5 6
5
-0.5 100 55.312 0.7857
3
-1 200 61.013 0.7859
2
-1.5
Ln(durée) 1000 74.232 0.7864
129
PFE
 Station Missour :
Courbe I.D.F de la station Missour 1000

Intensité (durée(h), T (ans)) 3.500
24 48 72 96 120 144 200

3.000
1000 3.2 2.0 1.4 1.1 0.9 0.8 100

2.500
200 2.7 1.7 1.1 0.9 0.8 0.7 50

2.000
I(mm/h)
100 2.4 1.5 1.0 0.8 0.7 0.6

1.500 20
50 2.2 1.3 0.9 0.7 0.6 0.5

1.000 10
20 1.8 1.1 0.8 0.6 0.5 0.5
0.500 5
10 1.6 1.0 0.7 0.5 0.4 0.4
0.000 3
5 1.3 0.8 0.6 0.5 0.4 0.3 0 100 200 300
durée(h) 2
2 0.9 0.6 0.4 0.3 0.3 0.2
Courbe I.D.F linéarisée de la station Missour

1000
1.5
a b
200
1
2 11.353 0.7838
100
0.5
5 15.538 0.772
50
0
3 4 5 6 10 18.323 0.7676
période de retour
20
Ln(I)
-0.5
10 20 21.001 0.7645
-1
5 50 24.471 0.7617
-1.5
3 100 27.074 0.76
-2
2 200 29.668 0.7587
-2.5
Ln(durée)
1000 35.683 0.7564
130
PFE
 Station Tabouazant :
Courbe I.D.F de la station Tabouazant

Intensité (durée(h), T (ans)) 1000
6.000
24 48 72 96 120 144 200

5.000
1000 4.627 2.993 2.151 1.753 1.475 1.258 100
4.000
200 3.813 2.474 1.773 1.447 1.218 1.040 50
I(mm/h)
100 3.462 2.250 1.610 1.315 1.106 0.946 3.000 20
50 3.110 2.026 1.446 1.182 0.995 0.851 10

2.000
20 2.639 1.726 1.227 1.005 0.846 0.725 5

1.000
10 2.276 1.494 1.059 0.869 0.731 0.628 3
0.000
5 1.897 1.253 0.883 0.726 0.611 0.526 2
0 100 200 300
Durée(h)
2 1.324 0.888 0.617 0.511 0.430 0.373
Courbe I.D.F linéarisée de la station Tabouazant 1000

200
2 a b
100
2 13.934 0.727
50
1
5 20.479 0.735
20
10 24.823 0.739
période de retour
10
Ln(I)
0
3 4 5 6 5 20 28.991 0.741
3 50 34.387 0.743
-1
2 100 38.436 0.744
200 42.470 0.745

-2
Ln(durée)
1000 51.816 0.747
131
PFE
 Station Zaida :
Courbe I.D.F de station Zaida

4.000 1000
24 48 72 96 120 144
3.500 200
1000 3.111 2.121 1.449 1.156 0.997 0.841 3.000 100
200 2.586 1.756 1.200 0.957 0.823 0.695 2.500 50
I(mm/h)
100 2.359 1.598 1.093 0.871 0.749 0.632 2.000
20
1.500
50 2.132 1.440 0.985 0.785 0.673 0.569
10
1.000
20 1.828 1.228 0.841 0.671 0.573 0.485
5
0.500
10 1.593 1.065 0.730 0.582 0.496 0.420 3
0.000
5 1.348 0.895 0.614 0.489 0.415 0.352 0 100 200 300
2
Durée(h)
2 0.979 0.638 0.439 0.350 0.293 0.250
Courbe I.D.F linéarisée de la station Zaida

1000 coefficients de Montana
1.5
200 a B
1
100 2 12.361 0.782
0.5
50 5 16.962 0.778
0 20 10 20.009 0.777
Ln(I)
3 4 5 6
-0.5 10 20 22.933 0.775
5 50 26.714 0.774
-1
3 100 29.550 0.774

-1.5
2 200 32.375 0.773
-2
Ln(durée) 1000 38.915 0.772
132
PFE
 Station Foum Zaabel :
Intensité (durée(h), T (ans)) Courbe I.D.F de station Foum Zaabel 1000

5.000
24 48 72 96 120 144 200
1000 4.330 2.860 2.037 1.577 1.261 1.099 4.000

100
200 3.543 2.330 1.663 1.289 1.032 0.900

3.000 50
I(mm/h)
100 3.204 2.100 1.501 1.165 0.934 0.814
20
2.000
50 2.863 1.871 1.338 1.040 0.835 0.727
10
20 2.408 1.564 1.122 0.873 0.702 0.612 1.000
5
10 2.057 1.327 0.954 0.744 0.600 0.522
0.000 3
5 1.690 1.080 0.780 0.610 0.494 0.429 0 100 200 300
Durée(h) 2
2 1.137 0.706 0.516 0.407 0.333 0.289
Courbe I.D.F linéarisée de la station Foum

Zaabel 1000
2
a b
200
1.5
2 13.726 0.774
100
1
5 21.595 0.785
50
0.5
10 26.825 0.790
20
Ln(I)
0
3 4 5 6 20 31.848 0.793
10
-0.5
50 38.355 0.795
5
-1
100 43.237 0.797
3
-1.5
200 48.096 0.798
-2 2
Ln(durée)
1000 59.358 0.800
133
PFE
 Station M’zizel :
Courbe I.D.F de la station M'zizel
3.500 1000
24 48 72 96 120 144
3.000 200
1000 2.936 2.116 1.489 1.242 1.064 0.917
2.500 100
200 2.449 1.751 1.237 1.028 0.879 0.757
2.000 50
I(mm/h)
100 2.238 1.594 1.128 0.935 0.799 0.688
1.500 20
50 2.027 1.436 1.019 0.843 0.718 0.619
1.000 10
20 1.746 1.225 0.873 0.719 0.611 0.526
0.500 5
10 1.528 1.062 0.760 0.623 0.528 0.455
0.000 3
5 1.301 0.892 0.642 0.523 0.442 0.380 0 100 200 300
2
Durée(h)
2 0.958 0.635 0.465 0.373 0.311 0.268
Courbe I.D.F linéarisée de la station M'zizel

1000 coefficients de Montana
2 a b
200
2 10.559 0.738
100
1
5 14.042 0.727
50
10 16.354 0.723
20
Ln'I)
0
3 4 5 6 20 18.574 0.720
10
50 21.449 0.717
5
-1
100 23.605 0.715
3
200 25.751 0.714

-2 2
Ln(durée)
1000 30.7287 0.711
134
PFE
 Station R.Erfoud :
Courbe I.D.F de station R.Erfoud

2.500 1000
24 48 72 96 120 144
200
1000 1.888 1.211 0.842 0.644 0.524 0.452 2.000
100
200 1.531 0.978 0.682 0.521 0.424 0.366
1.500
50
I(mm/h)
100 1.377 0.878 0.613 0.468 0.381 0.329
20
50 1.222 0.777 0.543 0.415 0.338 0.291 1.000
10
20 1.015 0.642 0.450 0.344 0.280 0.241
0.500 5
10 0.856 0.538 0.379 0.290 0.235 0.202
3
5 0.690 0.430 0.304 0.233 0.189 0.162 0.000
0 100 200 300 2
2 0.438 0.266 0.191 0.146 0.119 0.101 Durée(h)
Courbe I.D.F linéarisée de la station R.Erfoud coefficients de Montana

1000
1
a b
200
0.5
2 6.808 0.8461
100
0
3 4 5 6 50 5 10.707 0.8432
-0.5
20 10 13.288 0.8423
période de retour
Ln(I)
-1
10 20 15.763 0.8416
-1.5
5
50 18.966 0.841
-2
3
100 21.368 0.8407
-2.5
2
200 23.759 0.8404
-3
Ln(durée)
1000 29.303 0.840
135
PFE
 Station Zaouia :
Courbe I.D.F de station Zaouia
5.000 1000
24 48 72 96 120 144 4.500

200
4.000
1000 4.305 2.630 1.958 1.572 1.341 1.174
100
3.500
200 3.568 2.177 1.621 1.303 1.110 0.973
3.000 50
I(h/mm)
100 3.250 1.982 1.475 1.187 1.010 0.886 2.500

20
2.000
50 2.930 1.786 1.329 1.070 0.910 0.798
10
1.500
20 2.504 1.524 1.135 0.915 0.776 0.682
1.000 5
10 2.174 1.321 0.984 0.795 0.673 0.592 0.500

3
0.000
5 1.831 1.110 0.827 0.670 0.565 0.498 0 100 200 300 2
Durée(h)
2 1.312 0.792 0.590 0.480 0.403 0.356
Courbe I.D.F linéarisée de la station Zaouia

1000
2
a b
200
2 13.164 0.726
100
1
5 18.844 0.731
50
10 22.612 0.734
période de retour
20
Ln(I)
0
3 4 5 6 20 26.227 0.735
10
50 30.910 0.737
5
-1
100 34.418 0.738
3
200 37.917 0.739

-2 2
Ln(durée)
1000 46.021 0.740
136
PFE
 Station Foum Tillicht :

Courbe I.D.F de station Foum Tillicht
1000
24 48 72 96 120 144
4.500
200
1000 4.156 2.352 1.952 1.573 1.338 1.134 4.000
3.500 100
200 3.410 1.938 1.597 1.286 1.093 0.927 3.000
I(mm/h)
50
2.500
100 3.087 1.759 1.443 1.162 0.987 0.837 2.000
20
1.500
50 2.764 1.580 1.290 1.038 0.881 0.747
1.000 10
0.500
20 2.333 1.341 1.084 0.872 0.739 0.627
0.000 5
10 1.999 1.156 0.926 0.744 0.630 0.534 0 100 200 300

3
Durée(h)
5 1.652 0.963 0.760 0.610 0.515 0.437 2
2 1.127 0.672 0.511 0.408 0.343 0.291
Courbe I.D.F linéarisée de la station Foum Tillicht coefficients de Montana

2 1000
a b
1.5 200
2 13.195 0.767
1 100
5 18.103 0.749
0.5 50
période de retour
10 21.385 0.743
Ln(I)
0 20
3 4 5 6 20 24.544 0.738
-0.5 10
50 28.639 0.734
-1 5
100 31.715 0.732
-1.5 3
200 34.781 0.730
-2 2
Ln(durée)
1000 41.888 0.727
137
PFE
 Station Bouskoura :
Courbe I.D.F de la station Bouskoura
1000
24 48 72 96 120 144
6.00 200
1000 4.86 3.50 2.47 2.24 2.03 1.84
5.00
100
200 4.09 2.96 2.08 1.88 1.69 1.53
4.00
50
I(mm/h)
100 3.76 2.72 1.91 1.72 1.55 1.40 3.00
20
50 3.42 2.49 1.75 1.56 1.40 1.26 2.00
10
20 2.98 2.17 1.52 1.35 1.20 1.08 1.00
5
0.00
10 2.64 1.93 1.35 1.19 1.05 0.94
0 100 200 300
3
Durée(h)
5 2.28 1.67 1.17 1.02 0.90 0.80
2
2 1.74 1.29 0.89 0.76 0.66 0.58
Courbe I.D.F linéarisée de la station

Bouskoura a b
2 1000
2 14.134 0.641
200
5 16.323 0.607
100
1 50 10 17.905 0.593
période de retour
20
Ln(I)
20 19.472 0.583
10
50 21.546 0.573
0 5
3 4 5 6
3 100 23.120 0.567
2 200 24.702 0.562

-1
Ln(durée)
1000 28.403 0.554
138
PFE

 Région 1 (Bassin de plaine :Bouskoura):
139
PFE
 Région 2 (Bassin montagneuses : Moulouya-Ziz-Ghéris-Guir):
140
PFE
141
PFE
142
PFE
143
PFE
144
PFE
145
PFE
146
PFE
147
PFE
148
PFE
149
PFE
Annexe V : Les cartes de l’interpolation du meilleur

modèle «AMMA_CHMIALADIN_ECHAM5-r3 »
 Région accidenté (Bassins Moulouya-Ziz-Ghéris-Guir) :
 Paramètre Alpha et bêta de loi Gumbel :
150
PFE
151
PFE
 Pluies maximales pour les périodes de retour T=5, 10, 50 et 100 ans :
152
PFE
153
PFE
 Les paramètres de Montana pour les périodes de retour T=5, 10, 50 et

100 ans :
 Paramètre a de Montana :
154
PFE
155
PFE
Région de plaine (Bassin Bouskoura) :

 Paramètre Alpha de loi Gumbel :
 Paramètre beta de la loi Gumbel :
156
PFE
 Pluies maximales des périodes de retour T=5, 10, 50 et 100 ans :
157
PFE
 Les paramètres de Montana pour les périodes de retour T=5, 10, 50 et

100 ans :
 Paramètre a de Montana :
158
PFE
159
PFE
 Paramètre b de Montana :
160
PFE
Annexe VI : les programmes développés pendant la réalisation de ce

travail
Au cours de la réalisation de ce travail nous avons développé un certain nombre de programme
en Fortran et des scripts Unix qui nous a facilité la tâche pour la réalisation de ce projet :
 programme en fortran pour la mise en forme des données des modèles météorologiques.
 Programme qui fait l’ajustement statistique et élaboration des courbes I.D .F
 Programme qui cherche les points de grille les plus proches des stations d’observation.
 …etc.
Exemple des programmes développés :
program ajus-IDF
implicit none
type point
real :: lat,lon
integer::ani,anf,nbrserie
real,dimension(:),pointer::p
end type point
REAL, PARAMETER :: pi = 3.141592653589793238462643383279502884197169399375
type(point),dimension(:),allocatable::grille,station
type(point),dimension(:,:),allocatable::grillecoor
real,dimension(:,:),allocatable::distance,S,F
integer,dimension(:,:),allocatable::indice
integer::nbrpoint,nbrstation,i,j,k,maxani,minanf,nbran,c
real::xmoy,ymoy,a1,a2,a3,rmse,mae,r,rcarre,alpha,beta
character(len=180)::arg,region,model,namestation
open(40,file='grille_model_coor'//trim(region)//'_'//trim(model)//'.txt')
write(40,*)(grille(j)%lat, j=1,nbrpoint )
write(40,*)(grille(j)%lon, j=1,nbrpoint )
do i=1,grille(1)%nbrserie
161
PFE
write(40,*)( F(i,j), j=1,nbrpoint )
enddo
close(40)
deallocate(F)
deallocate(distance)
deallocate(indice)
deallocate(grille)
deallocate(station)
end program
Exemple de scripts Unix :

for data in "DATA_REGION1" "DATA_REGION2"
do
model=$(ls $data)
#for m in "AMMA_DMI-HIRHAM5_ECHAM5-r3"
for m in $model
do…..
nbr_an=0
fichiers=$(ls $data/$m/preacc/*)
for file in $fichiers
do…
. mv *.png *.txt $rep
done
rm -f tmp* pt_grille*
done
162

Evaluation Des Scénarios Des Changements Climatiques Locaux Via Le Modèle SDSM Pour Une Zone de Montagne Et Une Zone de Plaine

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Evaluation Des Scénarios Des Changements Climatiques Locaux Via Le Modèle SDSM Pour Une Zone de Montagne Et Une Zone de Plaine

Transféré par

Droits d'auteur :

Formats disponibles

Evaluation des scénarios des changements

climatiques locaux via le modèle SDSM pour

Réalisé par : Encadré par :

Moha GOURY Pr. Najat SERHIR (EHTP)

Youssef CHELHAOUI Pr. Moulay Driss HASNAOUI (DGH)

 Président : Mr. D.OUAZAR (ENIM- EMI)

‫ال حمد هلل رب ال عال م ين‬

Je dédie ce modeste travail :

A mon petit frère Noureddine et mes sœurs

A tous les membres de ma famille, petits et grands

A mon binôme Youssef

A tous les gens qui m’ont aidé de près ou de loin

A tous mes amis

‫ال حمد هلل رب ال عال م ين‬

Je dédie cet humble travail :

A mes chers parents

A tous ceux qui ont contribué, de près ou de loin à mon réussite.

Ce travail s’inscrit dans le cadre de l’initiative IRIACC (l'Initiative de Recherche

Ce projet a utilisé les données de différents modèles météorologiques provenant de

a. Mode raster ............................................................................................................................ 43

Annexe II : L’ajustement statistique pour chaque station ........................................................................ 118

Liste des figures

FIGURE 1 : VUE SCHEMATIQUE DES COMPOSANTES DU SYSTEME CLIMATIQUE, LEURS PROCESSUS ET

FIGURE 2: SCHEMA DU PRINCIPE DE L’EFFET DE SERRE.............................................................................. 23

CLIMATE CHANGE 2007: THE PHYSICAL SCIENCE BASIS................................................................... 25

UNIVERSITY OF EAST- ANGLIA. HTTP://WWW.CRU.UEA.AC.UK/CRU/INFO/MODELCC/)...................... 31

FIGURE 24 : L’ECRAN DE DEMARRAGE DU LOGICIEL SDSM 4.2. ............................................................... 55

FIGURE 25 : MENU PRINCIPAL DU LOGICIEL SDSM 4.2 .............................................................................. 57

FIGURE 27 : ERREURS RELATIVES (EN %) DES CUMULS PLUVIOMETRIQUES SAISONNIERS ET ANNUELS

LOUGAGH, MISSOUR, ZAIDA ET ALAOUIA.......................................................................................... 61

TILLICHT, M’ZIZEL ET R.ERFOUDE ..................................................................................................... 61

MISSOUR, ZAIDA ET ALAOUIA (2010-2050 PAR RAPPORT A 1961-2003) ........................................... 66

M’ZIZEL ET R.ERFOUDE (2010-2050 PAR RAPPORT A 1961-2003) ..................................................... 67

FIGURE 41 : EVOLUTION TEMPORELLE DES PRECIPITATIONS JOURNALIERES DES OBSERVATIONS ET DES

FIGURE 42 : EVOLUTION TEMPORELLE DES PRECIPITATIONS JOURNALIERES DES OBSERVATIONS ET DES

FIGURE 46 : L’HISTOGRAMME DES OBSERVATIONS CLASSE PAR VALEUR DE LA PLUIE JOURNALIERE

GHERIS-GUIR. ................................................................................................................................... 108

FIGURE 56 : LA CARTE DE COEFFICIENT DE MONTANA « A » (T=2ANS ET DUREE=24H) DU MODELE

FIGURE 57 : LA CARTE DE COEFFICIENT DE MONTANA « A » (T=2ANS ET DUREE=24H) DU MODELE

Liste des tableaux

TABLEAU 4 : PREDICTEURS UTILISES POUR LA CALIBRATION DU MODELE SDSM ET LA PRODUCTION DES

VALEURS DES FOURCHETTES SUR L'ENSEMBLE DES SCENARIOS SRES. L'EVOLUTION

TECHNOLOGIQUE N'EST PAS QUANTIFIEE. (GIEC, 2000). ................................................................... 28

TABLEAU 6 : PREDICTEURS DE GRANDE ECHELLE UTILISES DANS LA TECHNIQUE DE REDUCTION

TABLEAU 11 : LES COEFFICIENTS DE REGRESSION (CALCULES POUR LA CORRECTION) ET LES SCORES

POINTS DE GRILLE CORRESPONDANTS................................................................................................. 85

TABLEAU 12 : LES RESULTATS DE TEST DE SIGNIFICATIVITE DE CORRELATION ET L’INTERVALLE DE

TABLEAU 13 : SYNTHESE DES RESULTATS DE L’ETUDE STATISTIQUE – SERIE DE PLUIE ............................ 93

TABLEAU 19 : PARAMETRES DE MONTANA POUR CHAQUE PERIODE DE RETOUR DE LA STATION

TABLEAU 20 : EQUATION RELIANT CHAQUE PARAMETRE ET L’ALTITUDE Z............................................. 106

Liste des abréviations

ABH : Agence du Bassin Hydraulique.

ASTER: Advanced Spaceborne Thermal Emission and Reflection Radiometer.

AMMA : Analyses Multidisciplinaires de la Mousson Africaine.

CO2: dioxyde de carbone.

GES : gaz à effet de serre.

GIEC : Groupe Intergouvernemental sur l’Evolution du Climat.

IDF : courbes Intensité-Durée-Fréquence.

INRS – ETE : Institut National de Recherche Scientifique, Eau, Terre, Environnement.

IPCC : Panel Intergouvernemental sur le Changement Climatique.

MAE : Mean Absolute Error.

MAO : Mousson d’Afrique de l’Ouest.

MCG : Modèles de climat global.