These Prédet Crues Simulation

97/0868
ACADEMIE DE MONTPELLIER
UNIVERSITE MONTPELLIER II
— SCIENCES ET TECHNIQUES DU LANGUEDOC —
THESE
présentée à l'Université de Montpellier II Sciences et Techniques du Languedoc

pour obtenir le diplôme de DOCTORAT
SPECIALITE : Mécanique, Génie Mécanique, Génie civil

Formation Doctorale : Sciences de l'eau dans l'environnement continental
Ecole Doctorale : Géosciences
MODELE DE PREDETERMINATION DE CRUES BASE SUR LA

SIMULATION STOCHASTIQUE DES PLUIES HORAIRES.
Extension de sa zone de validité (pourtour méditerranéen français),

paramétrisation du modèle horaire par l'information journalière et
couplage des deux pas de temps
par
Patrick ARNAUD
Soutenue le 21 novembre 1997, devant le Jury composé de :
M BOCQUILLON Claude, Professeur emèrite. Université Montpellier II Président

M GRES1LLON Jean-Michel, Directeur Ecole H\draulique de Grenoble Rapporteur
M. LAVABRE Jacques. Ingénieur de Recherche, Cemagref d'Aix-en-Provence Examinateur
M DESBORDES Michel. Professur, Université Montpellier II Examinateur
M GARÇON R.. Ingénieur EDF-DTG, Grenoble Examinateur
M. MASSON Jean-Marie. Maître de conférence. Université Montpellier II Directeur de thèse
M. LABORDE Jean-Pierre. Professeur, Université de Nice Rapporteur

ACADEMIE DE MONTPELLIER
UNIVERSITE MONTPELLIER II
— SCIENCES ET TECHNIQUES DU LANGUEDOC —
THESE
présentée à l'Université de Montpellier II Sciences et Techniques du Languedoc

pour obtenir le diplôme de DOCTORAT
SPECIALITE : Mécanique, Génie Mécanique, Génie civil

Formation Doctorale : Sciences de l'eau dans l'environnement continental
Ecole Doctorale : Géosciences
MODELE DE PREDETERMINATION DE CRUES BASE SUR LA

SIMULATION STOCHASTIQUE DES PLUIES HORAIRES.
Extension de sa zone de validité (pourtour méditerranéen français),

paramétrisation du modèle horaire par l'information journalière et
couplage des deux pas de temps
par
Patrick ARNAUD
Soutenue le 21 novembre 1997. devant le Jury composé de :
M. BOCQUILLON Claude, Professeur emèrite, Université Montpellier II Président

M. GRESILLON Jean-Michel, Directeur Ecole Hydraulique de Grenoble Rapporteur
M. LAVABRE Jacques. Ingénieur de Recherche, Cemagref d'Aix-en-Provence Examinateur
M. DESBORDES Michel. Professeur. Université Montpellier II Examinateur
M. GARÇON R., Ingénieur EDF-DTG. Grenoble Examinateur
M. MASSON Jean-Marie. Maître de conférence. Université Montpellier II Directeur de thèse
M. LABORDE Jean-Pierre. Professeur. Université de Nice Rapporteur

SOMMAIRE
SOMMAIRE
AVANT-PROPOS
RESUME
INTRODUCTION 13
CHAPITRE I - PRESENTATION DU MODELE DE GENERATION DE PLUIE HORAIRE _ 19

1.1 - Comment modéliser la pluie 21
1.1.1 - Approche physique 21
1.1.2 - Approche empirique. 23
1.1.3 - Approche conceptuelle..
Í.2 - Le modèle de génération de histogrammes au pas de temps horaire.
1.2.1 - Particularités du modèle.
1.2.2 - Les variables du modèle
1.2.3 - Structure du modèle 36
1.2.4 - Les variables "tests" . la validation. 38
1.3 - Performances initiales du modèle. 40
1.3.1 - Restitution des variables tests. 40
1.3.2 - Restitution des variables descriptives. 44
1.3.3 - Etude des retirages. 47
1.4 - Sensibilités du modèle 50
1.4.1 - Sensibilité du modèle au dépouillement. 50
1.4.2 - Sensibilité du modèle au découpage des pluies horaires 50
1.4.3 - Sensibilité à la taille de l'échantillon simulé : problème de la stabilité
du modèle. 54
1.4.4 - Sensibilité du modèle aux fluctuations des différents paramètres 57
CHAPITRE II - AMELIORATION DU MODELE : EXTENSION DE LA ZONE DE

VALIDITE 63
II. 1 - Amélioration des erreurs sur les paramètres 65
II. 1.1 - Suppression de certaines contraintes pouvant être la source de biais sur
le modèle 65
II. 1.2 - Diminution du retirage dû à la contrainte de sélection des événements
pluvieux 69
II. 1.3 - Suppression du retirage sur la variable RX 71
II. 1.4 - Modification de la loi des durées des averses 74
II.2 - Modification de la loi des intensités 76
11.2.1 - Passage à une loi exponentielle simple 77
11.2.2 - Amélioration de l'ajustement - Distinction des valeurs particulièrement
exceptionnelles 80
II.3- Prise en compte de la liaison Intensité-Durée 88
11.3.1 - Détermination d'une loi modélisant la liaison entre les durées et les
intensités des averses 90
11.3.2 - Modélisation de la liaison entre les deux variables et influence sur la
simulation 93
II.4 - Bilan des modifications 99
CHAPITRE III - ETUDE REGIONALE DE LA PARAMETRISATION DU MODELE DE

GENERATION DE PLUIES HORAIRES 105
III. 1 - Etude des paramètres à fixer 108
III. 1.1 - Tests d'égalité de certains paramètres 108
III. 1.2 - Variabilité des paramètres en fonction de leur influence sur le modèle 111
III. 1.3 - Etude des paramètres de la loi des intensités moyennes d'averses 1 14
III. 1.4 - Bilan des paramètres fixés sur les performances du modèle 116
111.2 - Caractérisation de certains paramètres à partir des pluies journalières 120
111.2.1 - Définition des caractéristiques journalières 121
111.2.2 - Relations entre les paramètres horaires et les caractéristiques
journalières 12?
111.2.3 - Modélisation à partir des caractéristiques journalières 125
111.2.4 - Bilan de la paramétnsation régionale 127
111.3 - Validation de la paramétnsation régionale 131
111.3.1 - Modélisation sur des postes n'ayant pas servi à la paramétrisation 1?1
111.3.2 - Validation de la paramétrisation régionale : stabilité des relations 133
111.4 - Conclusion et perspectives 136
CHAPITRE IV - LA MODELISATION DE LA PLUIE EN DEBIT 139

IV. 1 - Les modèles mathématiques en hydrologie 142
IV.1.1 - Généralités, définitions 142
IV. 1.2 - Enumeration de quelques modèles hydrologiques de transformation
de la pluie en débit 145
IV. 1.3 - Intérêts et utilisations de modèles de transformation pluie-débit 150
IV.2 - Présentation des modèles GR3J et GR3H 153
IV.2.1 - Généralités sur les modèles GR 153
IV.2.2 - Architecture des modèles GR3J et GR3H 154
IV.3 - Procédure de Calage des modèles GR3H et GR3J 161
IV.3.1 - Méthode d'optimisation 161
IV.3.2 - Problème de l'initialisation du système 162
IV.3.3 - Critères de performance 163
IV.4 - Sensibilité des paramètres des modèles GR3J et GR3H 165
IV.4.1 - Sensibilité des paramètres du modèle GR3J 165
IV.4.2 - Sensibilité des paramètres du modèle GR3H 166
CHAPITRE V - ETUDE DES DEBITS PAR LA METHODE SHYPRE AUX PAS DE
TEMPS JOURNALIER ET HORAIRE 177
V. 1 - la méthode SHYPRE 179
V. 1.1 - Présentation de la méthode 179
V. 1.2 - Objectifs et utilisations 181
V. 1.3 - "Etat des lieux"... 182
V.2 - Présentation des données 184
V.2.1 - Le bassin versant de recherches expérimentales du Real Collobrier 184
V.2.2 - Autres bassins versants étudiés 187
V.3 - Application au pas de temps journalier 189
V.3.1 - Simulation de longues chroniques de pluies journalières 189
V.3.2 - Calage du modèle GR3J 197
V.3.3 - Simulation de longues chroniques de débits journaliers 202
V.4 - Application au pas de temps horaire 209
V.4.1 - Calage du modèle GR3H 209
V.4.2 - Simulation d'événements de crues 220
CHAPITRE VI - COUPLAGE DES PAS DE TEMPS JOURNALIER ET HORAIRE 233

VI. 1 - Introduction 235
VI.2 - Couplage des pas de temps au niveau de la simulation des hyétogrammes 237
VI.2.1 - Principe 237
VI.2.2 - Application 239
VI.3 - Couplage des pas de temps au niveau de la génération des débits 244
VI.3.1 - Initialisation du modèle GR3H par l'information journalière. 244
VI.3.2 - Paramétrisation de GR3H sans l'information horaire. 255
CONCLUSION 271
REFERENCES BIBLIOGRAPHIQUES 279
ANNEXES 287
AVANT-PROPOS
Une thèse ne se fait pas toute seule ...
Elle est bien sûr issue d'un travail personnel, mais elle est aussi le résultat du bon vouloir de plusieurs
personnes queje tiens à remercier ici.
Dans un premier temps, ce travail n'aurait pu se faire sans les structures d'accueil nécessaires. Je
remercie donc à travers Mr Ducrocq, directeur du groupement, et Mr Royet, directeur de la division
ouvrages hydrauliques et équipements pour l'irrigation, le groupement d'Aix-en-Provence du
Cemagref pour m'avoir accueilli durant ces trois années. Je remercie aussi les responsables du
Laboratoire d'Hydrologie et de Modélisation de l'Université Montpellier EL ainsi que les responsables
de l'école doctorale, pour avoir autorisé le déroulement de cette thèse.
Si différentes autorisations sont obligatoires pour le départ d'un sujet de thèse, c'est au quotidien que
les efforts sont les plus importants pour sa réalisation. C'est donc les personnes qui m'ont suivi tout
au long de la thèse que je tiens à remercier le plus vivement. Je remercie donc chaleureusement Mr
Lavabre. hydrologue de mérite, à l'origine de l'idée de ce sujet de recherche, et dont l'encadrement au
quotidien a permis son avancement rapide. Je remercie aussi Mr Masson qui fut d'abord un de mes
professeurs, mais aussi mon directeur de thèse. Bien que je ne sois pas allé le solliciter assez sou\ent.
sa rigueur et son savoir en hydrologie statistique m'ont été bien utiles.
Même si ce n'est pas uniquement dans le cadre de la thèse, je remercie aussi ma chère collègue de
bureau. Nathalie Folton. pour sa bonne humeur et son entrain, nos discussions et son soutien.
Je remercie aussi toutes les personnes que j'ai croisées de près ou de loin au Cemagref et qui ont
participé à la création de cette atmosphère sympathique où il fait bon travailler. Je pense bien sûr au
personnel permanent, mais aussi aux différents stagiaires, objecteurs et autres qui se sont succédés •
Manu. Zoubir. Emile. Marc, WilK. Frédéric. Christophe. Marie-Dominique et ceux que j'oublie.
Enfin l'heure de la soutenance est arrivée. Là encore elle n'aurait pas pu exister si de dévouées
personnes n'avaient voulu se plonger dans cette prose. C'est pourquoi je remercie tous les membres
du Jury : les rapporteurs Mr Grésillon et Mr Laborde pour leur lecture approfondie de la thèse, les
examinateurs Mr Lavabre. Mr Desbordes et Mr Garçon pour avoir bien voulu s'intéresser à mon
travail, Mr Masson mon directeur de thèse, et Mr Bocquillon le président du Jury qui a bien voulu
remplacer Mr Laborde exceptionnellement absent.
Pour conclure, je tiens à remercier tous ceux qui ont contribué à la réussite morale du jeune thésard.
Je remercie à nouveau les personnes du Cemagref qui m'ont sorti la tête de mon bureau. Je ne citerai
en plus que : Cyril qui n'a pas été jaloux. Pierre qui doit toujours gravir le Mont Ventoux. Sébastien
le pro des sigles normes et docteur en herbe, les accrocs de la pause café, les VTTistes. les boulistes.
etc ...et bien d'autres.
Je n'oublie pas bien sûr mes proches et ma famille queje remercie pour ne pas m'avoir demandé trop
souvent de leur expliquer mon travail, et pour leur comportement touchant lors de la soutenance.
Et la Bellou. je ne l'oublie pas car malgré son apparente discrétion elle en a fait du boulot : correction
de l'ortografe. de la grammaire et du st\le (c'est bien les littéraires), et bien sûr pour son soutien
quotidien. Merci Isabelle.
R é s il m é
Le modèle SHYPRE présenté dans ce mémoire est un modèle de prédétermination de crues

basé sur la simulation stochastique de hyétogrammes couplée à une modélisation conceptuelle de la
transformation pluie-débit. Il permet d'obtenir de nombreux scénarios de crues dont l'occurrence est
déterminée de façon empirique. Deux pas de temps sont étudiés. Le pas de temps journalier fournit des
chroniques continues de débits journaliers et le pas de temps horaire fournit des événements de crues.
Par rapport aux travaux antérieurs (thèse de F. Cernesson). le modèle de génération de pluie
horaire, qui est au cœur de l'approche adoptée, a été amélioré et validé sur une zone plus étendue
(façade méditerranéenne française). Les principales modifications apportées ont été de diminuer le
nombre de retirages inhérents au modèle, de trouver une loi de probabilité moins sensible à
l'échantillonnage pour les intensités d'averses, et de prendre en compte la dépendance observée entre
deux variables du modèle (durées et intensités des averses). Cette dernière modification a permis
d'améliorer sensiblement les performances du modèle.
Une étude régionale de la paramétrisation a été effectuée. Au regard de l'influence des
paramètres sur le modèle et de leur variation entre les postes d'étude, certains paramètres ont pu être
fixés. Les autres sont déterminés par des relations linéaires simples les liant à des variables issues des
pluies journalières. Cette paramétrisation par l'information journalière, plus largement disponible.
permettra la cartographie des paramètres nécessaires à la simulation de pluies horaires sur des zones
n'ayant pas d'observation pluviographique.
La modélisation des pluies journalières, beaucoup plus simple, est aussi réalisée par un modèle
stochastique. Les bonnes performances du modèle n'ont pas imposé de modifications dans sa structure
Le passage des pluies simulées à des chroniques de débits est réalisé par l'intermédiaire du
modèle hydrologique conceptuel global GR à 3 paramètres fonctionnant aux deux pa> de temps
considérés. Ce modèle est calé sur les chroniques pluies-débits observées, puis appliqué sur les
chroniques de pluies simulées. La méthode testée sur 17 bassins versants situés dans les départements
français du pourtour méditerranéen, donne des résultats très satisfaisants pour les deux pas de temps.
Dans le but de régionaliser la méthode, des essais ont été effectués pour paramétrer le modèle
GR3 horaire par l'information journalière. Pour cela une comparaison des paramètres des modèles GR3
journalier et horaire est réalisée. On arrive sans trop dégrader les résultats, à initialiser ¡e modèle
horaire (événementiel) par l'information obtenue en continu lors de la simulation des débits journaliers.
On peut ainsi s'affranchir de l'identification de la fonction de production du modèle horaire et de >on
initialisation. Par contre l'information journalière est assez peu instructive pour la fonction de transfert
du modèle horaire. Cependant la paramétrisation automatique totale du modèle a été essayée. On a alors
pu mesurer la dégradation des performances du modèle selon différentes modalités de paramétrisation.
L'avantage de l'approche étudiée, par rapport à une approche statistique classique, est de
disposer de l'intégralité de l'information temporelle des pluies et des crues, de s'affranchir ainsi des
pluies ou crues de projet uniques. De plus, la large prise en compte de l'information des pluies et la
stabilité de la modélisation pluie-débit semble rendre la méthode moins sensible aux problèmes
d'échantillonnage qu'une approche statistique classique. Le couplage des deux pas de temps permet une
approche intégrée de la gestion des retenues, avec l'étude de la ressource en eau au pas de temps
journalier et le passage au pas de temps horaire lors des événements de crues, afin d'étudier le
comportement hydraulique des ouvrages. Enfin la paramétrisation journalière, opérationnelle pour la
génération des pluies et en développement pour leur transformation en débit, permet d'emisager la
cartographie des paramètres et l'utilisation future de la méthode sur des bassins versants non jaugés.
Mots clés : predetermination de crues, génération stochastique de hxétogramiv.ts, modèle

hydrologique GR. paramétrisation régionale, couplage des pas de temps journalier et liona re. bassins
versants méditerranéens.
INTRODUCTION
INTRODUCTION 13
INTRODUCTION
Tout schéma d'aménagement urbain ou rural, tout projet de construction (voies de communication,
barrages, bâtiments, etc..) à proximité d'un cours d'eau, nécessite une étude hydrologique préalable.
Deux raisons peuvent être invoquées : respect des débits d'étiages (décrets d'application de la loi sur
l'eau de 1992) ou des débits réservés (loi sur la pèche de 1984), et la prévention des risques
d'inondation.
Pour définir des normes en terme de réglementation, les variables hydrologiques sont quantifiées en
terme de probabilité d'apparition. Pour être plus facilement perçue, cette probabilité d'apparition est
ramenée en années par l'expression de la période de retour, qui représente la période sur laquelle on
verra en moyenne une fois un événement donné.
L'hydrologue aura alors pour travail d'estimer des valeurs du débit d'un cours d'eau, ou parfois les
valeurs de la pluie locale, pour différentes périodes de retour. Inversement on pourra lui demander de
déterminer la période de retour d'un événement exceptionnel observé.
Pour cela, différentes méthodes sont à sa disposition. Le choix de la méthode dépend des
caractéristiques climatiques et régionales, et des données disponibles. Au terme de son étude,
l'hydrologue obtient des grandeurs hydrologiques dont il a pu estimer les valeurs associées à une
occurrence. Ces valeurs vont alors servir à dimensionner les ouvrages, estimer les risques d'inondation
et de sécheresse.
Le problème d'une telle démarche, réside dans l'attribution d'une fréquence pour une crue de projet, ou
une pluie de projet, unique. C'est ce problème que l'on désire résoudre au moyen de la modélisation
stochastique.
La simulation d'événements de pluies et leur transformation en débit, doit permettre d'obtenir des
chroniques de crues de formes "réalistes", qui seront utilisées en prédétermination pour effectuer des
calculs d'hydraulique transitoire. Les risques pourront alors être déterminés à partir des débits calculés à
l'aval des ouvrages.
Cette approche, appelée méthode SHYPRE. utilise un modèle de génération stochastique de pluie
horaire, couplé à un modèle conceptuel global de transformation de la pluie en débit. L'originalité de
cette approche vient de l'utilisation des observations pour décrire le phénomène, afin de le reproduire
statistiquement. L'extrapolation des distributions de fréquences des variables hydrologiques vers les
valeurs rares, se fait de façon empirique, et non plus sur l'ajustement direct des distributions observées.
INTRODUCTION 14
L'objectif de cette étude est de rendre cette approche opérationnelle sur des bassins versants où
l'information horaire n'est pas disponible. Pour cela on s'appuie sur l'information journalière plus
largement disponible, tant sur les durées des chroniques que sur la densité des stations de mesure.
Pour la simulation des pluies, le but est donc de paramétrer le modèle de génération de hyétogrammes
horaires par des paramètres géographiques ou par des paramètres issus de l'information journalière.
Avant d'effectuer ce travail de paramétrisation dite "régionale", des améliorations sur le modèle de
génération de pluies doivent être apportées afin de valider le modèle sur une zone plus étendue que sa
zone de conception. Pour cela, on utilisera les données d'une cinquantaine de postes pluviographiques
du pourtour méditerranéen français.
De même, pour la modélisation de la transformation de la pluie en débit, l'étude d'une paramétrisation

par l'information journalière ou par des caractéristiques géomorphologiques du bassin versant devra être
abordée.
Dans sa conception. le modèle de simulation de pluies horaires fonctionne en mode événementiel. Il

simule des événements de pluie, dont la transformation en débits fournit des événements de crue. Ce
mode de fonctionnement entraîne des problèmes d'initialisation du modèle de transformation de la pluie
en débit. Pour s'affranchir de ce problème, l'étude de la même méthode effectuée au pas de temps
journalier va être réalisée. On obtient ainsi une simulation de pluies et de débits journaliers, réalisée
cette fois en continu.
L'idée est donc d'effectuer le couplage des pas de temps journalier et horaire afin de positionner les
événements de crues et d'initialiser la modélisation au pas de temps horaire, par l'information obtenue
en continu au pas de temps journalier. La simulation en continu au pas de temps journalier permet alors
d'appréhender les problèmes de gestion de la ressource en eau, et le passage au pas de temps, horaire, en
période de crue, permet l'étude des ouvrages évacuateurs.
Cette méthode permettra ainsi de générer différents scénarios de crues de diverses formes, plus réalistes
qu'une crue de projet classique, et qui seront utilisés pour tester le comportement de l'ouvrage étudié. Le
concepteur pourra ainsi choisir la crue la plus défavorable à l'aménagement, et bénéficiera d'une bonne
information pour effectuer des calculs d'hydraulique transitoire. Le traitement statistique des débits
sortants, effectué indépendamment des débits entrants, permettra le dimensionnement des ouvrages de
régulation et de sécurité.
Le sujet de cette thèse est basé sur le développement de la méthode SHYPRE. afin de la rendre
opérationnelle. C'est donc un travail essentiellement de modélisation.
INTRODUCTION
Ce mémoire s'organise autour de deux parties comprenant trois chapitres chacunes.
La première partie est consacrée à l'étude du modèle de génération de hyétogrammes horaires,

qui est au centre de la méthode. Après des généralités sur la modélisation de la pluie, le premier
chapitre présente le modèle, ses performances initiales, et une étude de sensibilité à différents facteurs.
Le second chapitre porte sur les améliorations effectuées sur le modèle, afin d'étendre sa zone de
validité. Enfin, le troisième chapitre traite de la régionalisation des paramètres du modèle de génération
de pluies horaires.
La deuxième partie réalise le passage de la pluie au débit. Pour cela, après avoir situé le modèle
de transformation pluie-débit parmi différents modèles hydrologiques, le quatrième chapitre présente le
modèle retenu, sa procédure de calage et sa sensibilité aux paramètres. Le cinquième chapitre applique
la méthode SHYPRE aux pas de temps journalier et horaire. La génération des pluies au pas de temps
journalier y sera présentée rapidement et sera effectuée en prévision du sixième chapitre. Ce dernier
chapitre porte sur le couplage des deux pas de temps, nécessaire pour utiliser l'information obtenue en
continu, en journalier, dans la modélisation des débits au pas de temps horaire.
Première partie
GENERATION DE HYETOGRAMMES
HORAIRES
CHAPITRE i
PRESENTATION DU MODELE DE
GENERATION DE PLUIE HORAIRE
1.1 - Comment modéliser la pluie

1.1.1 - Approche physique 21
1.1.2 - Approche empirique. 23
1.1.3 - Approche conceptuelle. 25
1.2 - Le modèle de génération de hyétogrammes au pas de temps horaire. 31

1.2.1 - Particularités du modèle. 31
1.2.2 - Les variables du modèle 32
1.2.3 - Structure du modèle 36
1.2.4 - Les variables "tests" : la validation. 38
1.3 - Performances initiales du modèle. 40

1.3.1 - Restitution des variables tests. 40
1.3.2 - Restitution des variables descriptives. 44
1.3.3 - Etude des retirages. 47
1.4 - Sensibilités du modèle 50

1.4.1 - Sensibilité du modèle au dépouillement. 50
1.4.2 - Sensibilité du modèle au découpage des pluies horaires 50
du modèle. 54
1.4.4 - Sensibilité du modèle aux fluctuations des différents paramètres 57
CHAPITRE I - Présentation du modèle de génération de pluie horaire 21
La première partie de ce travail est consacrée à l'étude du modèle de génération de hvétogrammes

horaires, qui est au centre de l'approche présentée dans ce mémoire pour l'étude des problèmes du
risque hydrologique.
Ce premier chapitre est consacré à la présentation du modèle. Après l'avoir situé parmi différentes
approches de la modélisation, une présentation sera faite de son principe, de sa structure, des variables
et des paramètres qui le composent.
Afin de pouvoir par la suite apporter des améliorations au modèle, un bilan sera dressé sur les
performances du modèle ainsi que sur ses dysfonctionnements.
Enfin, pour mieux comprendre le fonctionnement du modèle, une étude de sa sensibilité aux paramètres
et à d'autres facteurs sera effectuée et permettra de mieux cibler les points sensibles méritant une étude
plus approfondie pour son amélioration.
1.1 - COMMENT MODELISER LA PLUIE
La classification suivante des différentes approches de modélisation de la pluie est personnelle. Elle
peut être soumise à critique ou à des divergences quant à la répartition des différents modèles dans cette
classification. Basée sur l'approche faite pour analyser la pluviométrie, cette classification différencie
trois types de modélisations. L'approche "physique" tend à modéliser les phénomènes physiques
générant les précipitations. L'approche "empirique" est basée sur une analyse statistique des grandeurs
choisies pour caractériser la pluie. L'approche "conceptuelle" tente de modéliser le signal de pluie à
partir d'un schéma de construction sans rapport direct avec une réalité physique.
1.1.1 - Approche physique

La pluie est souvent considérée comme une variable aléatoire évoluant dans le temps et dans l'espace.
Cependant les météorologues diront qu'elle résulte de processus physiques naturels dont on connaît les
principes fondamentaux. Les phénomènes énergétiques et mécaniques concernant la physique
atmosphérique sont à la base des modèles de prévision météorologique. Mais ces modèles concernent
des échelles trop grandes pour être utilisés en hydrologie.
Pour traiter des phénomènes à l'échelle du bassin versant, des modèles mécanistes tentent de modéliser
la physique atmosphérique et de caractériser la pluviométrie à une échelle plus petite que celle utilisée
en météorologie.
Dans ces modèles, le système concerné est la masse nuageuse. Les nuages sont considérés comme des
réservoirs d'eau condensée dont l'é\olution est définie par les équations de la physique atmosphérique.
CHAPITRE I - Présentation du modèle de génération de pluie horaire
Le modèle développé par GEORGAKAKOS et BRAS [1984] appartient à ce genre de modèle. Il est basé
sur la conservation de la masse de l'eau condensée contenue dans une colonne nuageuse verticale.
L'équation de conservation s'écrit :
dX(t)
= I(t)-Ot(t)-Ob(t) (1)
dt
où • X(t) représente la quantité d'eau dans la colonne nuageuse.

• I(t) représente la vapeur d'eau condensée entrant dans la colonne nuageuse.
• O t ( t ) et O b ( t ) sont respectivement les sorties au sommet et à la base de la colonne
nuageuse.
La pluie P(t) au sol est la résultante du terme O b ( t ) après l'évaporation produite entre la base du
nuage et le sol (voir figure n°I.l).
Colonne unitaire
Z AAltitude
(Pressions. Températures)
Sommet (top) Zt ^_
Base (bottom) Zj,
Sol
Figure n°I.l : représentation schématique des variables du modèle sur une colonne unitaire, au temps t
(d'après GEORGAKAKOS et BRAS [1984])
La microphysique du nuage permet alors d'obtenir l'expression du taux de précipitation au sol en

fonction des variables d'entrée (mesures au niveau du sol de la température TQ, de la pression
atmosphérique po et de la température du point de rosée T¿), de l'état du modèle (X(t)) et de
paramètres d'averses invariants. L'équation (1) devient,
dX(t)
= /(u,a,)-/i(u.ao)x
dt
u est le vecteur des variables d'entrée, a\ et ao sont les vecteurs des paramètres,
u est fonction de TQ. po et Tj
CHAPITRE l - Présentation du modèle de génération de pluie horaire 23
d\ est fonction de pt et v
ao est fonction de p t , c et v
p t étant la pression à l'altitude Z t , v la vitesse d'élévation de la colonne nuageuse et c le paramètre de la
fonction de distribution de la taille des particules d'eau présentes dans le nuage.
La pluie est donnée par la relation :
= 4>(u,a o )X(t)
L'intégration d'un terme d'erreur dans les équations permet d'ajuster le modèle avec les observations en
temps réel. Ce calage est effectué par l'intermédiaire d'un filtre de Kaiman (utilisé pour la correction
des prévisions en temps réel [KALMAN I960]), et permet ainsi le traitement des deux sources
d'informations : la dynamique du modèle physique et les observations des précipitations en temps réel.
Bien que les équations aient été développées sur une colonne verticale unitaire (dont la base a une
surface unitaire) pour générer une précipitation ponctuelle, leur application peut être étendue à une
taille suffisamment grande pour appréhender des phénomènes hydrologiques (GEORGAKAKOS et BRAS
[1984]).
La complexité des mécanismes à l'origine des précipitations peut donc être appréhendée par une
approche physique. Cependant des hypothèses simplificatrices sont toujours nécessaires et les
incertitudes sont fortement liées aux erreurs initiales faites sur les variables d'entrée comme c'est le cas
en météorologie (ROYER et NlCOLIS [1994]). De plus le nombre de variables nécessaires à la
modélisation des phénomènes physiques est élevé et ces variables ne sont pas toujours mesurables.
Certains paramètres peuvent être obtenus par des mesures radar, d'autres seront fixés ou calibrés.
Ce modèle est en fait utilisé avec un modèle hydrologique de transformation de la pluie en débit pour la
prévision de crues en temps réel GEORGAKAKOS [1986]. Il n'est pas conçu pour répondre aux problèmes
de prédétermination.
Les phénomènes naturels, tels que la pluie, sont complexes et il est actuellement difficile de
reconstituer les mécanismes successifs reliant les causes aux effets sans un ajustement constant du
modèle au cours d'un événement. En effet, cette complexité rend la modélisation très sensible aux
erreurs sur les variables initiales. C'est pourquoi on préfère considérer ces phénomènes comme des
variables aléatoires et les étudier de façon statistique.
L'approche statistique reste la plus utilisée pour étudier la pluviométrie. Les approches qualifiées
d! empirique et de conceptuelle, qui seront évoquées par la suite, sont deux approches statistiques des
pluies.
1.1.2 - Approche empirique.

L'approche empirique de la modélisation de la pluie est basée sur l'analyse directe des variables
observées. Le choix de ces variables est lié à leur utilisation. Les variables les plus couramment
étudiées pour le risque pluvial, sont généralement des intensités ou les hauteurs d'eau maximales sur
différentes durées. Le pas de temps ou la durée des pluies maximales étudiées, va dépendre du temps de
réponse du bassin versant considéré (de préférence inférieur à l'heure en hydrologie urbaine et
généralement quelques heures en hydrologie rurale). Ces variables sont extraites des chroniques de
pluies observées et sont étudiées en terme de fréquence ou de probabilité d'apparition. Pour cela on
étudie leur loi de probabilité.
1.1.2.1 - Ajustement de lois de probabilité.
L'ajustement des lois de probabilité des variables caractéristiques de la pluviométrie, consiste à trouver
une loi de probabilité théorique qui représente au mieux la distribution observée. Cette loi théorique est
un modèle de forme analytique qui permet d'obtenir les valeurs de la variable étudiée à n'importe quelle
fréquence.
Il existe une multitude de lois théoriques utilisées pour l'ajustement des variables hydrologiques. On
trouve leur expression, les méthodes de détermination de leurs paramètres, et leur domaine d'utilisation
dans de nombreux ouvrages (BRUNET-MORET [1969], MICHEL [1989], LUBES et al [1994].etc.)
Parmi celles qui sont utilisées le plus couramment pour modéliser la pluie, on peut citer :
- les lois du type "normal" :
• loi normale ou loi de GAUSS
• loi log-normale ou loi de GALTON
• loi racine carrée normale
- les lois du type Gamma :
• loi gamma incomplète ou loi de PEARSON III
• loi log-gamma
- les lois du type "exponentiel" (pour les valeurs maximales) :
• loi exponentielle
• loi de GUMBEL ou loi EV I (extreme value type I)
• loi de FRECHET OU loi EV II (extreme value type II)
• loi de WEIBL'LL OU loi EV III (extreme value type III)
• loi exponentielle généralisée (GEV) ou loi de JENKINSON.
L'ajustement de ces lois sur la distribution des valeurs observées se fait soit par la méthode des
moments, soit par la méthode du maximum de vraisemblance. Il existe alors différents tests
d'adéquation qui permettent de qualifier l'ajustement.
L'intérêt de cette modélisation est double (MICHEL [1989]):

- résumer l'information des données observées constituées en échantillon, par une formule
analytique de 1, 2, 3 ou 4 paramètres.
- permettre l'interpolation, et dans une certaine mesure, l'extrapolation des valeurs de
fréquences rares.
Ce type d'analyse des variables pluviométriques permet d'obtenir différents quantiles. Ramenés en
terme de période de retour, on dispose de valeurs de variables associées à une période de retour (valeur
biennale, quinquennale, décennale, etc.).
CHAPITRE l - Présentation du modèle de génération de pluie horaire
Différentes synthèses peuvent être tirées de ces ajustements comme l'élaboration des courbes Intensité-
Durée-Fréquence, la cartographie de paramètres tels que le gradex (paramètre d'échelle de la loi de
Gumbel) des pluies de différentes durées, la cartographie directe des valeurs décennales etc..
Les modèles de lois de probabilité sont très fréquemment utilisés. Des logiciels d'ajustement de lois
sont disponibles. Les résultats de ces modèles fournissent des grandeurs très souvent utilisées pour
caractériser la pluviométrie dans des études hydrologiques ou hydrauliques. Cependant ces résultats
sont tributaires de l'échantillonnage et des méthodes d'analyse ou des lois utilisées. De plus l'utilisation
d'un faible nombre de paramètres pour caractériser la pluie peut paraître assez réductrice pour traiter
des problèmes hydrologiques.
1.1.2.2 • Passage aux pluies de projet synthétiques.
Les pluies de projet sont des hyétogrammes synthétiques. Leur transformation va conduire à des
paramètres de ruissellement dont l'occurrence sera liée à celle de la pluie de projet.
Les pluies de projet trouvent fréquemment leur utilisation dans le dimensionnement de réseaux
d'assainissement pluvial. Leur élaboration repose sur l'analyse statistique de divers éléments (hauteur,
durée, forme) des événements pluvieux (SlGHOMNOU et DESBORDES [1988]).
Parmi les pluies de projet ponctuelles on trouve (ROUX [1996]):

- les pluies de projet de KEIFER, caractérisées par les intensités maximales sur différents
pas de temps.
- les pluies de projet de NORMAND, caractérisées par des relations entre l'intensité
maximale sur une durée D et l'intensité maximale sur une durée D' < D.
- les pluies adimensionnelles de HUFF, basées sur une typologie de formes d'averses
adimensionnelles.
- les pluies de projet de DESBORDES, caractérisées par la durée et l'intensité moyenne de
la pluie, la durée et la position de la période de pluie intense et enfin la forme de la pluie. La
particularité de cette pluie de projet vient de sa forme (double triangle) issue d'une étude de sensibilité
d'un modèle pluie-débit aux caractéristiques des averses (DESBORDES et RAOL'S [1980]).
Ces pluies sont couramment utilisées en hydrologie. Leur fréquence d'apparition est associée à celle des
variables ayant servi à leur élaboration. Elles sont en partie déterminées par des caractéristiques issues
de l'ajustement de lois théoriques. L'inconvénient majeur d'une pluie de projet reste cependant son
unicité pour une fréquence donnée. En effet la forme de l'hydrogramme de projet issue d'une pluie de
projet unique, reste fortement influencée par la forme de la pluie. On obtient alors une crue de projet
unique à laquelle il est difficile d'associer une probabilité.
1.1.3 - Approche conceptuelle.

Il existe quelques modèles issus de différentes approches, qui visent à générer des séries chronologiques
de pluie à différents pas de temps. On s'intéresse ici au pas de temps horaire. Les différents modèles
présentés dans ce paragraphes sont une sorte d'intermédiaire entre les modèles présentés dans les
approches physiques et empiriques. Ils sont basés sur une étude statistique de variables descriptives.
nécessaires à la construction de chroniques de pluies. Les processus de génération sont issus d'un
schéma élaboré par le modélisateur. sur la formation des averses au cours du temps, sans rapport avec
une réalité physique.
Au pas de temps horaire on retrouve souvent deux types de modèles de génération de pluies. Les
modèles basés sur le processus agrégation de NEYMAN-SCOTT et ceux dits "à approche directe". Ce
sont tous des modèles dits stoch etiques, faisant appel à la génération de variables par tirage aléatoire
dans leur loi de probabilité.
1.1.3.1 - Modèle basé sur un processus d'agrégation
Le processus d'agrégation est un processus de groupement stochastique basé sur l'hypothèse que
l'espace est organisé en groupes hiérarchiques dont l'occurrence des éléments dans le temps est décrite
par une loi de Poisson. Les auteurs de ce processus (NEYMAN et SCOTT [1958]) l'élaborèrent pour
traiter de façon probabiliste des phénomènes de cosmologie (représentation de galaxies).
C'est WAYMIRE et GUPTA [1981] qui furent les premiers à utiliser ce processus pour décrire
l'occurrence des épisodes pluvieux, ainsi que des cellules pluvieuses qui les composent. Ces cellules
pluvieuses ainsi générées et positionnées, sont affectées d'une durée et d'une intensité. La pluie sur
chaque pas de temps est alors déterminée par la somme des intensités des cellules présentes sur le pas
de temps.
Deux approches différentes sont utilisées pour positionner les cellules pluvieuses : le processus de
NEYMAN-SCOTT et le processus de BARTLETT-LEWIS. Dans le processus de NEYMAN-SCOTT. le
nombre de cellules pluvieuses dans l'épisode est une variable aléatoire et les cellules pluvieuses sont
positionnées de façon indépendante à partir du début de l'épisode considéré. Dans le processus de
BARTLETT-LEWIS, c'est la durée d'activité de l'épisode qui est une variable aléatoire, et les cellules
pluvieuses sont positionnées en fonction de la position de la cellule précédente par un processus de
Poisson (figure n°1.2) tant que l'on ne dépasse pas la durée d'activité de l'épisode.
De façon générale, les étapes successives jusqu'à l'obtention d'une chronique pluvieuse sont :
-^ la génération de l'origine des divers épisodes pluvieux par un processus de Poisson.
•^ pour chaque épisode, la génération et le positionnement des cellules par un processus de
NEYMAN-SCOTT OU de BARTLETT-LEWIS.
•^ la génération de la durée de chaque cellule dans une loi exponentielle.

"* la génération de l'intensité de chaque cellule dans une loi exponentielle.
•^ calcul des pluies à chaque pas de temps par la somme des intensités des cellules présentes
sur le pas de temps.
Ces modèles fonctionnent en continu. Ils nécessitent un nombre relativement faible de paramètres pour
générer des épisodes pluvieux (5 ou 6), mais qui doivent être déterminés pour chaque mois (d'où plus
de 60 valeurs).
Origine de l'épisode (Processus de Poisson)

O o y temps
( PROCESSUS DE BARTLETT-LEWIS ) ( PROCESSUS DE NEYMAN-SCOTT )

Durée d'activité des épisodes (loi exponentielle) Nombre de cellules par épisode (loi de Poisson ou loi géométrique)
C=3
o o > temps •* temps
Origine des cellules à partir de l'origine de l'épisode
Origine des cellules (Processus de Poisson ) (loi exponentielle)
1 2 3 4 1 2 3 1 4 2 3 1 3 2
e 1 1 l O 1—H> temps •4- -4—t-
e—l—h» temps
Durée des cellules (loi exponentielle)

•4—1- - e — i — h * temps
Intensité des cellules (loi exponentielle)

temps
A chaque instant, la pluie est égale à la somme

des intensités présentent à cet instant.
•H 1—f temps
Figure n°1.2 : principe des modèles basés sur un processus d'agrégation.
Les différents travaux sur ces modèles (RoDRIGUEZ-lTL'RBE et al [1987], ACREMAN [1990],
COWPERTWAIT [1991]), montrent que cette approche donne des résultats relativement bons. Ces
modèles sont capables de reproduire correctement la distribution des pluies à différents pas de temps.
Ils présentent toutefois une faiblesse dans la reproduction de la proportion des périodes sèches.
RODRIGUEZ-ITURBE et al [1988] proposent alors de considérer le paramètre de la loi des durées des
cellules comme une variable aléatoire. La valeur de ce paramètre est alors générée dans une loi Gamma
pour chaque épisode. Cette modification améliore le problème des périodes sèches. Il reste que ces
modèles ont quelques difficultés à reproduire des valeurs extrêmes (ONOF et al [1995]).
Les développements actuels de ces modèles portent sur une régionalisation de leurs paramètres. Leur
variation saisonnière est assez marquée et leur signification physique facilite l'interprétation de la
variation spatiale.
Certains travaux notent aussi une dépendance entre les durées et les intensités des cellules,
caractéristique à prendre en compte (ONOFet al [1995]).
Ces modèles sont les plus couramment utilisés par les anglo-saxons. En France on retrouve plutôt des
modèles basés sur l'approche directe.
CHAPITRE l • Présentation du modèle de génération de pluie horaire 28
1.1.3.2 - Modèles basés sur une approche directe
Un modèle "à approche directe", que l'on nommera "modèle stochastique de simulation de
hyétogrammes" part du principe que la pluie peut être assimilée à un processus aléatoire et intermittent
(succession d'états secs et pluvieux) dont l'évolution est décrite par des lois de nature stochastique. Ces
modèles reposent en outre sur l'hypothèse d'indépendance des variables décrivant les hyétogrammes,
ainsi que sur l'hypothèse de stationnante du phénomène étudié (tout comme les modèles basés sur les
processus d'agrégation).
La génération du signal de pluie comporte deux étapes (figure n°l.3):

Une première étape constitue l'étude descriptive du phénomène. Elle amène au choix des
variables qui vont caractériser le phénomène étudié. Par hypothèse, chaque variable descriptive devra
être indépendante des autres, et sera représentée par une loi de probabilité théorique ajustée sur les
valeurs observées.
La seconde étape est la construction de la chronique de pluie par des variables descriptives
générées de façon aléatoire à partir de leur loi de répartition. De manière générale, si une variable
aléatoire X a pour fonction de répartition F(x), la génération de variables suivant la loi F(x) se fait en
tirant de façon aléatoire une valeur de F(x) entre 0 et 1, puis en cherchant la valeur correspondante de x.
1ère ETAPE : ETUDE DESCRIPTIVE Variable A Variable B
DEFINIR des variables décrivant la pluie

indépendantes les unes des autres.
• * —
-7» Vjnable C
Variable A Al A2 A3
Variable B Bl B2 B3
Sur les observations, EXTRAIRE les valeurs Cl C2
des variables descriptives.
Variable C c:>
jF(x)
AJUSTER la distribution de probabilité de chaque variable
descriptive par une loi théorique adaptée.
Variable X
2ème ETAPE : RESTITUTION DE LA PLUIE
GENERER les variables par un tirage aléatoire

dans leur loi de distribution.
Variable X
RECONSTRUIRE les hyétogrammes à partir

des variables générées. Temps
VALIDER sur des variables tests non utilisées dans la modélisation
Figure n°l.3 : principe d'un modèle stochastique de simulation des hyétogrammes.
L'élaboration d'un modèle stochastique de simulation de hyétogrammes se résume donc à trouver les
bonnes variables aléatoires indépendantes décrivant le processus de pluie, ainsi que les lois de
probabilité qui les représentent le mieux.
CHAPITRE I - Présentation du modèle de generation de pluie horaire 29
La reconstruction du signal s'effectue grâce à une hiérarchisation logique du tirage des différentes
variables, afin de parvenir à une représentation la plus fidèle possible du signal de départ, tout en
respectant la définition des variables utilisées.
La validation du modèle consiste à étudier sa capacité à reproduire des variables représentatives du

signal simulé, non utilisées lors de la modélisation.
Sur cette base, différents modèles peuvent être élaborés, les différences provenant en particulier
du choix des variables et des lois de probabilité. Ce type de modèle est souvent retrouvé au pas de
temps horaire (TOURASSE [1981], LEBEL [1984], CERNESSON [1993]), mais aussi au pas de temps
journalier (BUISHAND [1977]). Sa conception au pas de temps journalier (plus simple) sera présentée au
chapitre V.
C'est cependant le modèle au pas de temps horaire (pas de temps fin pour l'étude des crues) qui
nous intéresse plus particulièrement et qui sera étudié dans cette première partie.
1.1.3.3 - Désagrégation de la pluie journalière.
L'élaboration de tels modèles trouve son intérêt dans la disponibilité plus large des données journalières
par rapport aux données horaires.
GLASBEY et al [1995] rappellent quelques travaux portant sur cette approche. En 1987, HERSHENHORN
et WOOLHISER modélisent les épisodes pluvieux d'une journée (nombre de périodes pluvieuses dans un
jour, pluie tombée, durée et point de départ de chaque période), à partir de la pluie totale du jour
considéré, et du jour antérieur et postérieur. ECONOPOLLY et al [1990] testent le modèle sur d'autres
sites. Les résultats sont corrects mais le passage des périodes pluvieuses aux pluies horaires n'est pas
réalisé.
L'approche que présentent GLASBEY et al [1995] pour désagréger des données journalières est la
suivante. On simule des séries de pluies horaires à partir d'un modèle horaire (pas forcément calé), que
l'on contraint à respecter les totaux journaliers observés. Cela n'est pas évident de façon directe, car on
ne connaît pas l'expression de la distribution des pluies horaires conditionnées sur les totaux journaliers.
Une solution alternative est de générer des pluies horaires inconditionnellement à partir du modèle
horaire, jusqu'à obtenir une séquence ayant des totaux horaires satisfaisants.
Deux méthodes sont possibles :

(D - simuler les pluies horaires sur 1000 an ou 10 000 ans, repérer les séquences journalières
qui collent le mieux aux observations, et ayant la même durée (en jour). On réajuste alors les jours les
moins bien restitués par un rapport de proportionnalité entre les totaux journaliers issus des pluies
horaires simulées et les totaux journaliers à désagréger. Un problème apparaît pour les longues
séquences où le nombre de séquences simulées est faible et où les réajustements peuvent être
importants.
(D - simuler 100 ans seulement et utiliser des séquences de 3 jours pour désagréger la pluie
journalière.
CHAPITRE 1 - Présentation du modèle de génération de pluie horaire 30
Discussion : La méthode présentée agrège des pluies horaires avant de désagréger la pluie journalière. Les
résultats sont indépendants du modèle utilisé car les simulations sont contraintes à respecter les pluies
journalières. Cependant l'approche est également applicable à partir d'autres modèles simulant des
pluies horaires réalistes, et peut être utilisée pour désagréger d'autres variables météorologiques dont les
totaux journaliers sont disponibles.
Notons que si cette approche permet de désagréger des données de pluies journalières observées, pour
une étude des pas de temps plus fins, elle peut aussi être utilisée pour désagréger des pluies journalières
modélisées. Les modèles de génération de chroniques de pluies journalières ne manquant pas (toute la
famille des modèles auto-régressifs ou autres...), leur couplage avec cette approche de désagrégation
fournit une nouvelle méthode d'étude des distributions des pluies à pas de temps fins.
La présentation des différentes approches rencontrées pour modéliser la pluie ou ses grandeurs
caractéristiques, à des pas des temps horaires, est loin d'être complète et approfondie. Mais ce n'est pas
son but. Elle permet juste de situer le modèle présenté par la suite qui sera étudié durant toute cette
première partie. Le modèle de génération de hyétogrammes horaires fait donc partie des modèles
qualifiés de "conceptuels", basés sur l'approche directe.
1.2 - LE MODELE DE GENERATION DE HYETOGRAMMES AU

PAS DE TEMPS HORAIRE.
Le modèle étudié a été développé au Cemagref, groupement d'Aix-en-Provence (ANDRE [1991],

LABORDE [1991], RIBERO [1992], CERNESSON [1993], VULLIET [1993]). Inspiré des travaux de
TOURASSE [1981] et LEBEL [1984], ce modèle appartient à la famille des modèles basés sur l'approche
directe ou modèles stochastiques de génération de hyétogrammes.
Avant de décrire plus précisément la structure du modèle, notons quelques caractéristiques particulières
de ce modèle de génération de pluies horaires.
1.2.1 - Particularités du modèle.
Quelques particularités doivent être soulignées avant la description du modèle. Elles permettent de
mieux comprendre comment est faite l'analyse des données nécessaires à l'élaboration du modèle.
Tout d'abord, le modèle fonctionne en événementiel. C'est à dire qu'il crée de façon
indépendante et discontinue des événements pluvieux au pas de temps de l'heure. Seul le nombre
moyen d'événements dans l'année est respecté, sans situer les événements dans une chronique
quelconque.
L'étape dite descriptive est effectuée sur différents événements pluvieux sélectionnés à partir
des pluies journalières (calculées sur 24 heures à partir de 6 heures T.U.). Un événement pluvieux est
sélectionné s'il possède au moins une pluie journalière supérieure à 20 mm, et il est borné dans le temps
par une pluie journalière inférieure à 4 mm. Le seuil de 20 mm a été choisi afin d'étudier les
événements intéressants d'un point de vue hydrologique, tout en ayant un échantillon conséquent pour
effectuer des traitements statistiques.
Les différents événements ainsi sélectionnés à partir des pluies journalières sont ensuite étudiés au pas
de temps horaire, afin d'en extraire les différentes variables décrivant les hyétogrammes au pas de
temps horaire.
Ce modèle distingue deux saisons hydrologiques :

- l'été de juin à novembre ;
- l'hiver de décembre à mai.
Un jeu de paramètres est alors calculé pour chaque saison et permet de générer des événements relatifs
à ces saisons.
Outre les particularités énoncées ci-dessus, ce qui peut différencier ce modèle stochastique de
génération de pluies d'un autre modèle de ce type, ce sont les variables aléatoires définies pour décrire
les hyétogrammes, ainsi que le choix des lois statistiques théoriques que l'on ajuste. Les variables
retenues doivent permettre de rendre compte, d'une part du caractère discontinu de la pluie, et d'autre
part de la structure de l'averse. Onze variables ont été ainsi définies ainsi que les lois de probabilité qui
les décrivent au mieux.
1.2.2 - Les variables du modèle
1.2.2.1 • Définitions des variables du modèle
Avant de définir les différentes variables qui serviront à décrire les événements pluvieux, il convient de
définir quelques termes.
Un épisode pluvieux est l'équivalent d'un événement pluvieux, mais représenté au pas de temps horaire.
C'est donc une succession à l'échelle horaire, de périodes pluvieuses et sèches. Une période pluvieuse
comprend une ou plusieurs averses. Une averse est définie comme une période pluvieuse ne possédant
qu'un maximum relatif.
Les variables qui ont été choisies pour le modèle de génération de hyétogrammes horaires sont :
NOTATION
le nombre d'épisodes à générer par année NE
l'origine de l'épisode dans la journée TSE
le nombre de périodes pluvieuses par épisode NG
le nombre d'averses par période pluvieuse NA
et pour chaque averse
sa durée DA
son intensité HMA
la position relative du maximum RPX
le rapport entre les intensités horaires maximales et movennes RX
la durée qui la sépare de l'averse suivante* DIA
* Par convention, la durée inter-averse de deux averses groupées est nulle, ainsi que la durée inter-
averse associée à la dernière averse de l'épisode.
On compte ici 9 variables différentes au lieu de 11 énoncées précédemment. Les deux variables
supplémentaires viennent de la différenciation des averses en deux groupes, définis dans le paragraphe
suivant.
Précision en ce qui concerne la définition des averses :
Différents essais ont été faits sur l'analyse des averses depuis la création du modèle. Dans un premier
temps, toutes les averses ont été analysées ensembles (ANDRE [1991], LABORDE [1991]). considérant
qu'elles appartenaient à une même population.
Une analyse de la distribution des intensités moyennes des averses triées en fonction du nombre
d'averses présentes dans la période pluvieuse montre une différence entre la distribution des intensités
des averses isolées et celle des averses groupées. Deux populations distinctes d'intensités d'averses ont
alors été considérées : les intensités des averses isolées et celles des averses groupées (CERNESSON
[1993]).
Cependant l'écart entre les caractéristiques statistiques de ces deux types d'averses restait faible sur la
globalité des postes étudiés. Les averses ont alors été séparées en deux populations de caractéristiques
plus différentes : les averses dites principales et les averses dites ordinaires (VULLIET [1993]). Cette
fois-ci la différenciation entre deux types d'averses s'applique à la fois pour les intensités moyennes et
pour les durées.
Dans un épisode pluvieux étudié, l'averse principale est unique et repérée comme étant celle qui
apporte la plus grande quantité d'eau au cours de l'événement (produit de HMA par DA). Toutes les
autres averses sont alors considérées comme des averses ordinaires. Les durées et les intensités
moyennes de ces deux types d'averses vont suivre des lois de probabilité différentes car elles
n'appartiennent pas à une même population d'averses (ce qui porte le nombre de variables à onze). Par
contre, les variables de forme comme le rapport du maximum horaire sur l'intensité moyenne horaire de
l'averse et la position du maximum dans l'averse, sont considérées comme appartenant à la même
population. On fait ainsi l'hypothèse que la différenciation des deux types d'averses se fait uniquement
sur leur taille et non sur leur forme.
Prenons l'exemple d'un épisode pluvieux (figure n°l.4) pour illustrer la détermination des variables
descriptives du modèle.
Cet épisode est composé de trois périodes pluvieuses entrecoupées de deux périodes sèches. La seconde
période pluvieuse comprend trois averses. Au total il y a 5 averses et la première est l'averse principale.
Les 4 autres sont des averses ordinaires.
Pluie (mm)
- Episode pluvieux
5 -
—
—
—
1
0
-
i
•S'è 1-1 [i 3
5
- -fe
10
i
IL i à 15
1 1, 1 1
20
temps (hi
rang : i= 1 1=2 i=3 i=4 i=5
Périodes pluvieuses NG=3
Averses
h NA(1)=1
NA(2)=3
NA(3)=1
Figure n" 1.4 : exemple d'épisode pluvieux horaire.
Le tableau suivant recense les valeurs des différentes variables décrivant l'épisode pluvieux de la figure
CHAPITRE l - Présentation du modèle de génération de pluie horaire . 34
^ D E F I N I T I O N DE LA VARIABLE > i NOTATION Averse 1 A v 2 Av3 Av4 Av5

Nombre de périodes pluvieuses par épisode NG 3
Nombre d'averses par période pluvieuse NA 1 3 1
Durée sèche (h) entre l'averse et la suivante DIA 2 0 0 1
Intensité moyenne de l'averse principale (mm/h) HMAP 3
Intensité moyenne des averses ordinaires (mm/h) HMAO 2.5 3 3 3.5
Durée de l'averse principale (h) DAP 4
Durée des averses ordinaires (h) DAO 4 3 2 2
Rapport de l'intensité max. à l'intensité moy. RX 1,67 1,6 1,67 1,33 1,43
Position relative du maximum RPX 0,5 0,5 0.33 0.5 0,5
Origine de l'épisode dans la journée (h) TSE 2
0 par convention.
Extraction des variables descriptives de l'épisode pluvieux.
On vérifie bien que la première averse est la principale avec une hauteur d'eau précipitée de 12 mm.
alors que les autres averses présentent respectivement les quantités de 10, 9, 6 et 7 mm de pluie.
Chaque événement pluvieux, repéré sur les critères des pluies journalières, est analysé de la même
façon au pas de temps horaire pour fournir une série de valeurs prises par les différentes variables. Pour
chaque variable, ces valeurs forment l'échantillon représentant la population de la variable. Elles vont
être utilisées pour l'ajustement de la loi de probabilité de cette variable, pour chaque saison et pour
chaque poste pluviographique étudié.
1.2.2.2 - Lois de probabilité des variables du modèle et estimation de leurs paramètres
Les valeurs des différentes variables descriptives définies précédemment, sont extraites des pluies
horaires issues des séries pluviographiques. La distribution de probabilité de chaque variable va être
ajustée par une loi de distribution théorique dont on calculera les paramètres. On fait l'hypothèse que
quel que soit le poste pluviographique étudié, une variable suivra toujours la même loi théorique, dont
les paramètres seront calés pour chaque poste de mesure et pour les deux saisons définies.
Les lois théoriques choisies pour les différentes variables descriptives du modèle sont présentées dans
le tableau n°I.l.
L'estimation des paramètres est dans la plupart des cas faite par la méthode des moments. En effet, les
paramètres de certaines lois théoriques peuvent être estimés par des relations les liant aux moments
statistiques calculés sur les échantillons observés.
On trouve dans la littérature différents ouvrages de statistiques présentant l'estimation, par la méthode
des moments, des paramètres de différentes lois de probabilité. Seule la loi des intensités des averses est
ajustée de façon itérative sur une fonction comportant deux branches d'exponentielles successives (voir
chapitre II).
CHAPITRE I - Presentation du modèle de génération de pluie horaire
ESTIMATION DES
VARIABLE LOI DE FORMULATION PARAMETRES
DISTRIBUTION (méthode des moments)
E(X) = m
NE POISSON -^ il Var(X) = m
j=o J-
NG E(X) = 1/p
GEOMETRIQUE P(X<k) = l-(l-p) k Var(X) = (l-p)/p2
TSEÇ+I)
lit" GEOMETRIQUE
TRONQUEE
Loi géométrique tronquée à 12 h :
cf(NG)
Loi uniforme pour 13<DIA<24 h
Si on pose y = Ln( l-F(x)) :
cf(NG)
po = Prob(DIA<12h)
•;-;HMAP pour x < x 0 y = a1(x-x0) + y 0 Estimation par méthode

SERIE DE 2 pour x > x 0 y = a2(x-x0) + yo itérative des 4
HMAO EXPONENTIELLES (xo.yo) coordonnées du point pivot paramètres
ai< a->< 0 pentes des deux exponentielles
Loi de poisson tronquée à 12 h : cf (NE)
DAP POISSON cf(NE)
TRONQUEE Loi uniforme pour 13< DAP <24 h pP =Prob(DAP<12h)
Loi de poisson tronquée à 6 h : cf(NE)
DAO POISSON cf(NE)
TRONQUEE Loi uniforme pour 7< DAP < 12 h Po = Probi DA0<6 h)
P^
E(X)= 1/6 + v
r ^YA <i_;vA\ j —1 i —
a c ^' '
RX EXPONENTIELLE Var(X)= I/92
x
RPX NORMALE tronquée P(X<x) = —j== J exp dx Var(X) = a 2
2a 2
entre 0 et 1
Tableau n°l. l : lois de probabilité des variables du modèle de pluies horaires
Les paramètres des lois statistiques décrivant la distribution des variables du modèle sont alors calculés
pour former le "jeu de paramètres" nécessaire à la génération des variables permettant de reconstruire
les épisodes pluvieux.
L'étape dite "descriptive" étant alors terminée, il reste à réaliser l'étape de modélisation. Cette étape
consiste à hiérarchiser le tirage des différentes variables utilisées et de les combiner suivant des règles
précises pour générer les hyétogrammes au pas de temps horaire.
1.2.3 - Structure du modèle
1.2.3.1 - Hiérarchisation du tirage aléatoire des variables.
Les variables du modèle sont générées suivant un ordre précis, par un tirage aléatoire dans la loi de
répartition qui les caractérise :
Pour chaque année à simuler, on procède successivement aux tirages suivants :
1) tirage du nombre d'épisodes pluvieux à générer dans l'année.

2) tirage du nombre de périodes pluvieuses pour chaque épisode pluvieux à générer
3) pour chaque période pluvieuse, tirage du nombre d'averses : calcul du nombre total d'averses
de l'épisode.
4) tirage de la position de l'averse principale dans une loi uniforme bornée au nombre total
d'averses.
5) pour chaque averse à construire on génère : sa durée, la position du maximum, le rapport de
l'intensité maximale sur l'intensité moyenne, l'intensité moyenne, et la durée sèche qui la sépare de la
suivante.
6) enfin, tirage de l'origine de l'épisode dans la journée.
Pour une averse, on place alors la pluie horaire maximale de l'averse et on répartit le reste de la pluie en
gardant une intensité moyenne égale de part et d'autre du maximum. La répartition de la pluie autour du
maximum se fait de façon linéaire décroissante (Figure n°1.5). A la fin de la construction de l'averse, on
insère la durée sèche qui va la séparer de l'averse suivante (durée nulle dans le cas d'averses groupées).
Remarques :
® La position de l'averse principale dans l'épisode à générer, n'est pas préférentielle. Elle est
choisie de manière aléatoire dans l'intervalle [1 ; nombre total d'averses dans l'épisode]
® Si une averse est suivie d'une autre averse appartenant à la même période pluvieuse, alors la
durée inter-averse de cette première n'est pas générée à partir de la loi des durées inter-averses. Sa
valeur est implicitement égale à 0.
® Si on tire une durée d'averse de 1 heure, les valeurs de RX et RPX ne sont pas tirées dans leur
loi de probabilité. Leurs valeurs sont égales à 1.
1.2.3.2 - Construction des averses.
Les hyétogrammes horaires sont construits averse après averse à partir des variables générées pour
chacune d'entre elles. Pour répartir la pluie d'une averse dans le temps, on commence par positionner le
maximum de l'averse. Ce maximum vaut HMA x RX, et sa position dans l'averse est donnée par
(DA x RPX).
Une fois le maximum de l'averse placé, il reste à répartir un volume d'eau équivalent à
(HMA x DA - HMA x RX). Cette quantité de pluie est répartie autour du pic en gardant une intensité
moyenne identique de part et d'autre du pic. Cette répartition se fait en utilisant une répartition dite soit
"triangulaire" soit "trapézoïdale", suivant la quantité de pluie à répartir, pour éviter de calculer une
hauteur de pluie supérieure à la valeur du pic.
DA
Répartition triangulaire
HMA
Répartition trapézoïdale
Figure n°1.5 : schéma de répartition de la pluie horaire. D'après CERNESSON [1993].
Remarque : hypothèse de l'indépendance des variables :

L'hypothèse de base, énoncée dans le principe du modèle stochastique de génération de hyétogrammes.
est l'indépendance des variables utilisées par le modèle pour reconstruire un hyétogramme. Ainsi le
modèle génère toutes les variables de façon indépendante, au fur et à mesure de leur nécessité. Une
exception cependant est faite pour la variable RX (rapport de l'intensité maximale sur l'intensité
moyenne de l'averse) qui est conditionnée par la valeur de la durée de l'averse. En effet ce rapport ne
peut être plus grand que la valeur de la durée de l'averse, sans quoi la pluie horaire maximale de l'averse
serait supérieure au volume total de l'averse. Cette condition est intégrée dans le modèle par un retirage
systématique d'une valeur de la variable RX supérieure à la durée de l'averse. Ce point est étudié dans
le chapitre II.
1.2.3.3 - Retirases dus aux contraintes initiales.
Des retirages sont effectués de façon à ce que le modèle respecte certaines hypothèses ou contraintes
introduites lors de l'analyse des données observées. Ces contraintes à respecter sont les suivantes :
- Contrainte de sélection des événements pluvieux : la sélection des événements pluvieux à

étudier, effectuée sur les pluies journalières, est caractérisée suivant deux conditions que le modèle se
doit de respecter : l'événement généré, tout comme ceux retenus sur les observations, doit être composé
de pluies journalières toutes supérieures à 4 mm et doit contenir une pluie journalière d'au moins 20
mm. Tout événement généré ne respectant pas cette contrainte est rejeté et re-simulé.
- Contrainte du minimum relatif : par définition, une averse correspond à une croissance suivie
d'une décroissance de la pluviométrie au cours d'une période pluvieuse. Lorsque deux averses se
succèdent, le minimum relatif qui les sépare est par convention affecté à la première averse. C'est cette
convention sur le minimum relatif que le modèle veut respecter. Une contrainte est alors introduite dans
le modèle qui re-simule tout événement ne respectant pas la condition du minimum relatif.
- Contrainte de l'averse principale : il faut que l'averse principale générée soit réellement
l'averse principale de l'épisode. Pour cela on calcule de volume de l'averse principale (HMAP x DAP)
et l'on s'assure qu'il est supérieur au volume de chaque averse ordinaire (HMAO x DAO).
Ces différentes contraintes servent à respecter les critères établis pour l'analyse des hyétogrammes
observés, lorsque l'on simule un événement. Cependant les retirages qui en résultent sont assez
importants et peuvent entraîner certains biais. On reviendra sur ce point lors de l'étude de l'influence de
ces retirages, faite dans le chapitre II.
1.2.3.4 - Organigramme.
L'organigramme de la figure n°1.6 résume bien ce qui vient d'être présenté sur la structure du modèle.
On y retrouve l'organisation des tirages successifs et les différentes contraintes imposées dans le
modèle.
1.2.4 - Les variables "tests" : la validation.

La validation du modèle consiste, dans notre cas, à apprécier la capacité du modèle à générer des
variables représentatives du signal modélisé, les plus proches possible des valeurs observées.
La validation du modèle se fait alors sur les variables tests que sont la hauteur et la durée totales et les
pluies maximales en 1.2. 3. 4, 6. 12, 24, 48 et 72 heures de chaque épisode. On compare les premiers
moments statistiques de ces variables tests, calculés sur les épisodes observés et simulés. Ces variables
tests n'ayant pas servi lors de la génération des hyétogrammes, leur bonne restitution lors de la
simulation permettra déjuger la capacité du modèle à reproduire la structure des hyétogrammes.
Comme le signale BOULEAU [1995], la validation doit se faire sur un compromis entre les erreurs dues
au modèle et les erreurs de mesures (ou d'échantillonnage). D'où la nécessité d'étudier la sensibilité du
modèle pour juger de l'importance relative de ces erreurs, et avoir une vision plus globale et moins
analytique des performances du modèle.
De plus les modifications effectuées sur le modèle pour l'améliorer, vont dépendre de l'utilisation que
l'on veut faire du modèle. Dans notre cas, le modèle doit être utilisé pour des problèmes de
prédétermination. C'est donc la distribution de probabilité des variables pluviométriques qui doit être le
mieux approchée. Les pluies maximales de différentes durées sont donc des variables idéales pour
valider le modèle (variables souvent utilisées en hydrologie pour caractériser le risque pluvial). La
comparaison de ces variables sur leurs moyennes et leurs écarts-types permettent aussi d'estimer la
bonne restitution de la loi de probabilité (car elles sont souvent ajustées par des lois exponentielles dont
les paramètres sont liés à la moyenne et à l'écart-type par la méthode des moments).
La validation portant sur des valeurs maximales, il faut rester vigilant sur l'importance que peuvent
prendre des valeurs extrêmes sur les grandeurs servant à la validation (BOULEAU [1991]).
AN : Nombre d'années Lecture du fichier des

à simuler paramètres J=K=L=N=
Tirage du nombre
d'épisodes NE
Tirage du nombre de
périodes pluvieuses NG
Tirage du nombre
d'averses NA
Tirage de l'intensité Tirage de la durée

de l'averse HMA de l'averse DA
K= 1
oui non J= 1
Tirage du rapport RX
RX= 1
tel que RX < DA
Tirage de la position du
RPX =
pic de l'averse RPX
K=
Construction des
DIA=0 hvétoarammes
non respectée
Contrainte du
min. relatif
non Tirage de la durée

inter-jverses DIA
K= 1 oui
J = J+ 1
non
Tirage de l'origine de
l'épisode TSE
Contrainte de sélection non respectées

Contrainte averse principale
Sauvegarde
de l'événement
FIN DE LA SIMULATION
Figure n°1.6 : organigramme du programme de simulation de pluies horaires.
1.3 - PERFORMANCES INITIALES DU MODELE.
Le modèle de génération de hyétogrammes horaires tel qu'il a été présenté dans le chapitre 1.2, a été
testé sur 42 postes pluviographiques de la façade méditerranéenne. La description et la localisation des
différents postes étudiés figure en annexe 1.1. Les résultats présentés par la suite, résultent de
l'application du modèle sur ces différents postes pluviographiques.
Trois points vont être présentés dans les paragraphes suivants. Dans un premier temps les performances
du modèle vont être appréciées sur sa capacité à reproduire les variables tests. Ensuite, pour vérifier si
le modèle ne produit pas de biais pouvant être la source de certaines discordances avec les observations,
l'étude de la restitution des variables ayant servi à la modélisation sera effectuée. Enfin, une
quantification des retirages permettra d'apprécier leur proportion relative à chaque contrainte.
1.3.1 - Restitution des variables tests.

Les performances du modèle sont jugées sur sa capacité à reproduire les premiers moments statistiques
des variables tests observées. On compare alors les valeurs des moyennes et des écarts-t\pes des
variables tests simulées avec celles des variables observées. On retrouve en annexe 1.1. les variations de
ces valeurs observées sur les différents postes étudiés. On peut ainsi apprécier la gamme de
pluviométrie que doit simuler le modèle, puisque par la suite on intéressera en particulier aux erreurs
relatives.
Pour cela, on simule des épisodes pluvieux sur une période de 1000 ans. pour chaque poste étudié et
pour les deux saisons définies.
Les graphiques n°l.la. b, c et d présentent les erreurs relatives introduites sur les variables tests lors de
la simulation. Pour ne pas surcharger les graphiques, ne sont représentées que les erreurs calculées sur
les pluies maximales en 1,4, 12, 24 heures ainsi que sur les hauteurs et durées totales des épisodes.
L'erreur relative sur les moyennes et sur les écarts-types des variables tests, est calculée entre les
valeurs observées et simulées simplement par la formule :
Erreur relative (%) = (Vûr s l M U L E E - Valeur0BSËRVEE) y IQQ

Valeur0BSERVEE
Notons que le modèle a été initialement mis au point sur les postes pluviographiques du Real
Collobrier, puis il a été progressivement appliqué sur d'autres postes pluviographiques du pourtour
méditerranéen au fur et à mesure de l'obtention des données. C'est pourquoi nous allons distinguer les
postes du Real Collobrier (représentant à eux seuls la moitié des postes disponibles) des autres postes.
1.3.1.1 - Sur les postes du Real Collobrier
Sur les 24 postes pluviographiques testés sur le B.V.R.E. du Real Collobrier, la pluviométrie annuelle
moyenne varie de 618 mm à 1124 mm (période 1966-1988), ce qui représente une certaine variabilité
spatiale de la pluviométrie (voir carte en annexe 1.1). Bien que tous ces postes soient proches et qu'ils
appartiennent sûrement à une zone relativement homogène (24 postes répartis sur 70 km2), ils ont tous
été traités.
On observe sur les graphiques n°I.la et I. Ib, une erreur relative sur la moyenne des pluies maximales
qui varie approximativement entre 25% et -15% pour la saison "hiver" et entre 45% et -5% pour la
saison "été". Le modèle surestime préférentiellement les pluies maximales horaires pour la saison
"hiver", tandis que pour la saison "été", il surestime plutôt les pluies maximales de 4 à 12 heures.
Le modèle semble ne pas introduire d'erreur significative sur la moyenne de la durée totale (DTOT) des
épisodes (valeur absolue de l'erreur relative < 10%).
| Hérault Corse
se P.O. Bouches du Rhône B.V.R.E. Real CoUobrier (Var)
> 80
1 9 ;
o 1
1
1 60 1
g
• •
A
40
30
D
i 1
c3 •
i a
I B
J2 20 ¿ a1 ' a tl
10 D
i
1 | a 1a U D
n _
namm n
a
u
1
1
! •
• •
D
| • " Ss s D
• * •
S" " A ï A * B
-10 B D A
i • • DTOT a PMI a PM4 DPM12 B PM24 A HTOT

lai
Hérault
P.O. Bouches du Rhône B.V.R.E. Real CoUobrier (Var) Corse
80
a
J 70
60
01 50
c 40 *
I 30 —
D
20 -D-'
o a
10 II
0 •---
-10
• DTOT a PMI DPM4 a PMI2 PM24 A HTOT
Ibi
Graphique n°l. la et ¡. ib : performance du modèle initial sur tous les postes disponibles : restitution des
moyennes des variables tests.
L'erreur relative calculée sur les écarts-types des pluies maximales (graphiques n°I.lc et I.ld) va dans le
même sens que l'erreur relative calculée sur les moyennes. Les pluies maximales les plus surestimées
sont celles de 1 heure "en hiver" et celles de 4 à 12 heures "en été".
Le poste des Martels présente une erreur relative forte l'hiver. Cette erreur est expliquée par
l'observation d'une intensité moyenne d'averse principale très forte (causée par le découpage), qui biaise
l'échantillon des intensités d'averses principales et par conséquent "dope" la loi ajustée sur les
intensités. Nous reviendrons sur ce point dans le chapitre II.2.
í Hérault Corse
as P.O. Bouches du Rhône B.V.R.E. Real CoBobrier (Var)
> 600 —
X
I 500 —
g 400
Ê300
Les Martels
200
I •
« 100
's
"5 o
i.
t-ioo
• DTOT a PMI a PM4 QPM12 PM24 A HTOT
le]
Hérault
P.O. Bouches du Rhône B.V.R.E. Real Colbbrier (Var) Corse
400 — I
350
~s¡
300
250
± 200
•
150
B • a
100 ! •
S3 a
•
1
-50 ; -_r=zs- -r
• DTOT • PMI a PM4 a PM12 PM24 A HTOT
Idi
Graphique n°l. le et I. id : performance du modèle initial sur tous les postes disponibles : restitution des écarts-
types des variables tests.
CHAPITRE I - Présentation du modèle de génération de pluie horaire . 43
Si l'on omet le poste des Martels, l'erreur relative sur les écarts-types varie de 60% à -30% l'hiver et de
100% à -25% l'été. D'une manière générale, l'erreur sur les écarts-types est plus importante et plus
variable d'un poste à l'autre que pour les moyennes. C'est peu surprenant car l'écart-type est une
caractéristique plus sensible à l'échantillonnage et moins stable que la moyenne.
En ce qui concerne la durée totale des événements, les moyennes et écarts-types sont relativement bien
restitués. Les erreurs concernent donc moins les durées que les intensités d'averses. Dans l'ensemble, ce
sont les pluies maximales de la saison "été" qui sont les moins bien reconstituées.
On peut noter que, de façon générale, pour chaque variable test, les erreurs relatives vont dans le même
sens. On peut supposer que l'amplitude variable de ces erreurs est liée aux problèmes d'échantillonnage.
Le modèle semble donc avoir un comportement semblable pour les différents postes du B.V.R.E. du
Real Collobrier, qui malgré leur pluviométrie moyenne annuelle variable, présentent une certaine
homogénéité.
1.3.1.2 - Sur les autres postes pluvioçraphiques
Pour étendre le domaine d'application du modèle au delà de sa zone de conception, il est nécessaire de
le tester sur d'autres postes d'observations appartenant à une zone plus grande.
Les simulations faites sur de nouveaux postes (situés dans des départements du pourtour méditerranéen
français : Bouches du Rhône, Hérault, Pyrénées Orientales et Corse) accentuent la variation des erreurs
relatives. On observe alors suivant les régions une plus ou moins bonne adaptation du modèle. Par
exemple pour certains postes des Bouches du Rhône, les erreurs atteignent 40 à 80% sur les moyennes
et dépassent allègrement les 100% sur les écarts-types.
Cependant le nombre de postes étudiés dans chaque département est insuffisant pour conclure à
l'hétérogénéité spatiale de la pluviographie, ou pour déterminer des zones homogènes sur lesquelles le
modèle aurait un même comportement.
Il n'y a que dans le département des Bouches du Rhône que la répartition des postes est suffisante pour
permettre d'observer une variation spatiale du comportement du modèle. Outre l'accentuation prononcée
de la variation des erreurs relatives, les erreurs positives les plus importantes se font pour des variables
différentes. On observe pour les postes des Bouches du Rhône en "hiver", une erreur positive maximale
pour les pluies de longues durées alors que sur les autres postes ce sont les variables les moins
surestimées. Pour la saison "été" ce sont toujours les pluies maximales entre 4 et 12 heures qui sont les
plus surestimées.
Les postes pluviographiques des Bouches du Rhône semblent représenter une pluviométrie différente de
celle des postes du B.V.R.E. du Real Collobrier, pour la saison "hiver", dont la particularité n'est pas
intégrée dans le modèle ou n'est pas prise en compte dans l'analyse descriptive des observations.
Les résultats obtenus sur la totalité des postes étudiés sont encourageants bien qu'insuffisants. Le
modèle est capable de bien restituer les moyennes et les écarts-types sur certains postes (en particulier
ceux du B.V.R.E du Real Collobrier pour la saison "hiver).
Les postes pluviographiques sur lesquels le modèle ne semble pas s'adapter présentent sûrement un
caractère supplémentaire qui n'est pas pris en compte dans le modèle dont on vient de voir la structure
et les résultats.
Les erreurs sur la restitution des variables tests peuvent être dues, soit à l'analyse des pluies horaires
(définitions de variables ou de lois de probabilité mal adaptées), soit à la structure même du modèle
(introduction de biais sur les variables générées, mauvais agencement des variables descriptives).
Avant de chercher à porter des modifications au modèle, il convient d'en examiner les défauts. En
particulier il faut vérifier qu'il respecte des variables descriptives et étudier les biais qui pourraient être
introduits lors de la modélisation.
1.3.2 - Restitution des variables descriptives.
Les variables descriptives utilisées lors de la construction des hyétogrammes, sont générées par un
tirage aléatoire dans leur loi de distribution. Les paramètres des différentes lois de distribution sont le
plus souvent calculés par la méthode des moments grâce à l'estimation de la moyenne ou de l'écart-type
de la variable. Une bonne restitution de ces grandeurs garantit alors le respect de la loi de distribution.
Pour s'assurer que le modèle ne génère pas des erreurs causées par une mauvaise restitution des lois de
probabilité des différentes variables, on vérifie que les caractéristiques statistiques des variables du
modèle sont bien respectées. Les graphiques n°I.2a et I.2b représentent l'erreur relative calculée sur les
moyennes et les écarts-types entre les variables observées et les variables simulées. Sont présentées les
erreurs relatives observées sur les moyennes et écarts-types des variables les moins bien reconstituées
(erreur relative supérieure à plus ou moins 5% sur les moyennes et plus ou moins 10% sur les écarts-
types) pour la saison "hiver" (la saison "été" présentant le même comportement). On se rend compte sur
ces graphiques de la difficulté de respecter les caractéristiques statistiques des variables descriptives du
modèle.
La mauvaise restitution des caractéristiques des variables (ici moyenne et écart-type) peut provenir de
deux problèmes :
- un mauvais choix de la loi décrivant la distribution de probabilité de la variable observée.

Dans ce cas la distribution théorique va respecter les moments ayant servi à estimer ces paramètres,
mais pourra ne pas respecter les autres moments statistiques de la variable.
- un biais sur la génération des variables, dû à la structure même du modèle. Certaines
conditions sur la génération des variables, émises dans le modèle pour respecter les hypothèses de
départ, peuvent entraîner des biais sur la distribution de la variable générée (problème dû en particulier
aux retirages).
Hérault
Oí PO. Bouches du Rhône B.V.R.E. Real Collobrier (Var) Corse
50
nne ( %) : saison HIVI
0
o o
40
O o • •
30 0 0
• • • o O
• o <>•• m • . • 0
o •
20 0 B
• " o o 0 • • o B
O M~^ '~~\° "A - ^ O •a
~-^
5~Ô Ô\
•
10
JAOUI
o v
o 0 O Q • o
o o » •—- o
0 O 0
°o o o o o
0 •Ol 1 °
sur la
'0
G G
aa a gaaaa Q G G G a G n G G a a a a a a a D
a G G D G G a a i
A aa a
-10
$ A a
A A A * : A A A A A A A ¡
A A A A A A A
-20 A A *
A A A A A A A A A A
u A
3 -30
Erre
-40
a RX A NA DAP < 1 2 « DAP tot o HMAP o DIA tot
Graphique n°ì.2a : restitution des moyennes des variables utilisées par le modèle.
Erreur sur les moyennes :
- une sous-estimation du nombre moyen d'averses (NA) par période pluvieuse : erreur relative
de -10 à -30%. Cela implique la génération de périodes pluvieuses plus courtes tendant à diminuer la
durée totale des épisodes pluvieux.
- tendance à une surestimation des durées inter-averses (DIA) et des averses principales (DAP).
Cette surestimation est principalement due aux valeurs simulées après le seuil de troncature. En effet la
moyenne des valeurs inférieures au seuil de troncature (ayant servi à calculer les paramètres des lois des
durées) est bien restituée (sauf pour les averses principales avec plus de 10% d'erreur), tandis que la
moyenne calculée sur la totalité des valeurs prises par la durée est moins bien restituée (entre -10 et
20% pour les durées inter-averse DIA et entre 10 et 50% pour les durées des averses principales). Pour
les averses ordinaires, les moyennes des durées sont bien restituées.
On remarque qu'en moyenne, la surestimation des durées tend à compenser le manque d'averses
par période, ce qui a pour effet de limiter l'erreur introduite sur la durée totale des épisodes simulés.
- une légère sous-estimation du rapport entre l'intensité horaire maximale et l'intensité moyenne
d'une averse (variable RX) : erreur relative de -5% l'hiver et de -5 à -10% l'été. On génère ainsi en
moyenne des averses de forme moins "pointue" que sur les observations.
- une surestimation de l'intensité moyenne des averses principales (HMAP) très variable : erreur
relative de quelques pour-cent qui peut atteindre 30% l'hiver et 20% l'été.
Hérault
P.O. Bouches du Rhône B.V.R.E. Real Collobrier (Van Corse
W 80
i 60 0
0
1 o • o
a
^•40 • ° • • •• « 0
-
£S. 20
• o' S ° o !$ 0
0
¿ B •• ••: 4
«:>: ' • ; ' 0
VU '& o '* . •• f
0
V'—" to'
C
Erreur rela ¡ve su
S V-Â A
A
A -*— A A A A A Á
A
A A
A \
A
i
A INA DAP<12 a DAP tot o HMAP o DIA tot • NG DA0<6
Graphiques n°l.2b : restitution des écarts-types des variables utilisées par le modèle.
Erreur sur les écarts-types :
L'erreur relative observée sur les écarts-types des variables générées est beaucoup plus élevée que pour
les moyennes. Le graphique n°I.2b regroupe les variables présentant les erreurs les plus importantes sur
la restitution des écarts-types.
Les écarts-types sont surestimés pour les intensités moyennes des averses principales (HMAP). pour le
nombre de périodes pluvieuses par épisode (NG) et pour les durées des averses principales prises dans
leur totalité (DAP tot.).
Ils sont sous-estimés pour les durées inter-averses (DIA), pour le nombre d'averses par période
pluvieuse (NA) et pour les durées des averses inférieures aux seuils de troncature (DA0<6, DAP<12).
Cette erreur est la conséquence cumulée ou non :

- de l'erreur déjà observée sur les moyennes
- de la présence d'une valeur extrême pouvant fortement biaiser l'écart-type calculé sur les
observations.
- du choix d'une loi théorique non adaptée à la distribution empirique de la variable : comme on
utilise préférentiellement la moyenne de la variable (moins sensible à l'échantillonnage) pour estimer
les paramètres d'une loi de probabilité par la méthode des moments, l'écart-type théorique d'une
variable suivant une telle loi peut être différent de celui des valeurs observées (si la loi n'est pas
adaptée).
On remarque ainsi que le modèle ne respecte pas scrupuleusement les caractéristiques des variables
descriptives qu'il utilise. Cela peut expliquer une panie des erreurs produites sur les variables tests
générées.
Si le non respect de l'écart-type des variables initiales peut s'expliquer par le choix d'une loi théorique
mal adaptée, les erreurs sur la moyenne ne peuvent l'être si la loi a été calée sur la connaissance de la
moyenne. C'est le cas des variables NG, NA, DAO, DAP et RX. Le biais introduit sur les moyennes des
variables descriptives peut-être dû aux retirages des valeurs générées ne respectant pas certaines
contraintes.
Le paragraphe suivant dresse le bilan quantitatif des retirages dus aux différentes contraintes.
1.3.3 - Etude des retirages.
On a vu dans le paragraphe 1.2.3 présentant la structure du modèle, et en particulier sur l'organigramme

du programme, que le modèle doit respecter certaines contraintes issues des définitions des événements
pluvieux et des variables. Le non respect des contraintes aboutit simplement à un retirage de l'épisode à
générer.
On remarquera que le retirage d'un épisode ne va pas introduire de biais sur la variable NG (nombre de
périodes pluvieuses dans l'épisode) puisque l'on conserve sa valeur pour le nouvel épisode à simuler.
Si l'on considère les trois contraintes à respecter, la part d'épisodes retirés à cause de ces contraintes est
représentée sur le graphique n°1.3. Les valeurs reportées sur le graphique nc1.3 sont calculées par
rapport au nombre total d'épisodes générés sur une période de 1000 ans. On a donc :
- le pourcentage d'épisodes rejetés par la contrainte du minimum relatif entre deux averses
groupées.
- le pourcentage d'épisodes rejetés par la contrainte de la sélection des événements pluvieux sur
les pluies journalières. On distingue alors les épisodes rejetés parce qu'ils présentent une pluie
journalière inférieure à 4 millimètres, de ceux rejetés parce qu'ils ne possèdent pas une pluie journalière
de plus de 20 millimètres.
- le pourcentage d'épisodes rejetés par la contrainte de l'averse principale.
- enfin le complément à tous ces épisodes rejetés permet d'avoir le pourcentage d'épisodes
acceptés.
On observe que la principale cause des retirages est la contrainte du minimum relatif. Assemblées les
unes après les autres, les averses groupées d'une période pluvieuse respectent très difficilement la
contrainte du minimum relatif. En particulier lorsque le nombre total d'averses dans l'épisode est élevé,
le retirage augmente : on l'observe surtout pour la saison ("hiver") et les postes pluviographiques (P.O..
Var, Corse) qui sont les plus pluvieux. Le taux de retirage dû à cette contrainte est très variable puisqu'il
fluctue entre 35 et 95 % l'hiver (en moyenne 60 % sur les 42 postes) et entre 25 et 75 '7- l'été (en
moyenne 50 % sur les 42 postes).
Hérault
B.V.R.E. RéalColtobrier(Var) Corse
a PJ < 4 mm A Pas de PJ > 20 mm • Minimum relatif

Hérault Corse
P.O. Bouches du Rhône B.V.R.E. RéalCollobrier(Var)
1 100
L.
a PJ < 4 mm A Pas de PJ > 20 mm • Minimum relatif • Averse principale -o— Episodes acceptés,
Graphique n°1.3 : proportion d'épisodes retirés en fonction des différentes contraintes, et proportion
d'épisodes acceptés.
Le retirage dû à la contrainte de l'averse principale est à peu près constant et représente entre 10 et 20 %
des épisodes générés.
Le retirage dû à la sélection des événements sur les pluies journalières, est principalement causé par la
contrainte des 20 mm. Dans ce cas. ce sont les postes les moins pluvieux (Bouches du Rhône) et la
saison la moins pluvieuse ("été") qui présentent le plus fort taux de retirage (inférieur à
20 % cependant).
Il résulte de tous ces retirages, une proportion relativement faible d'épisodes finalement acceptés par le
modèle. Cette proportion varie autour de 20 % l'hiver et 30 % l'été, avec des valeurs ne dépassant pas
50 % et quelquefois inférieures à 10 %.
Dans ce paragraphe, on ne juge pas l'influence de chaque contrainte sur la restitution des variables
descriptives ou des variables tests. On peut seulement penser que l'importance assez marquée du
nombre de retirages peut être la source de biais multiples sur le modèle. Ce point sera par contre étudié
dans le chapitre II.
Remarque : retirage de la variable RX ;

Le retirage d'épisodes pluvieux peut introduire un biais sur plusieurs des variables descriptives,
du moins sur toutes celles retirées de façon préférentielle pour générer des épisodes respectant
les contraintes.
Il faut remarquer qu'un retirage supplémentaire apparaît pour la variable RX. En effet, la valeur
de RX doit être inférieure à la valeur de la durée de l'averse sans quoi la quantité d'eau à répartir
de part et d'autre du pic de l'averse serait négatif. Ce retirage n'influence que la variable RX et
sera étudié dans un prochain paragraphe.
1.4 - SENSIBILITES DU MODELE
On a vu les difficultés qu'a le modèle à restituer certaines variables descriptives utilisées pour la
génération des hyétogrammes. On a pris conscience que ce problème peut être dû soit au choix des lois
de probabilité théoriques, soit à des problèmes d'organisation dans la structure du modèle et notamment
le problème des retirages.
Cependant, avant de corriger ces défauts, il convient d'étudier la sensibilité du modèle. On pourra alors
avoir une indication sur les causes de certains dysfonctionnements du modèle, dans sa structure ou dans
l'analyse descriptive des variables, ainsi qu'une indication sur les variables les plus influentes du modèle
et sur la description de l'impact que peut avoir leurs modifications sur les variables tests.
1.4.1 - Sensibilité du modèle au dépouillement.
Il existe plusieurs sortes d'appareils de mesures pluviographiques basés sur différents principes.
L'appareil le plus couramment utilisé en France est le pluviographe à augets basculeurs. qui offre des
garanties de fonctionnement et des facilités de dépouillement (ROCHE [1963]). La totalité des données
utilisées ici. sont d'ailleurs issues d'enregistrements de pluviographes à augets basculeurs.
Les premiers pluviographes à augets basculeurs enregistraient les basculements des augets sur un papier
déroulant, à l'aide d'un stylet. Le dépouillement des enregistrements sur papier est réalisé par la
méthode dite à pas de temps variable qui consiste à noter les changements d'intensité des précipitations
au cours du temps. La précision de ce dépouillement est fonction de la vitesse de déroulement du
papier, de l'appréciation des changements de pente par l'opérateur, de la finesse du découpage etc..
Autant de problèmes qui peuvent introduire des différences avec un enregistrement électronique
automatique, qui sera plus précis.
L'étude de la sensibilité du modèle à la méthode de dépouillement n'a pas été réalisée, par manque de
données comparables. Si la différence semble être significative pour des pas de temps de quelques
minutes (bien appréciés par un enregistrement automatique alors qu'ils sont peu, voire pas. appréciés
par un dépouillement manuel), elle est plus faible lorsqu'on étudie les pluies intégrées sur une heure.
On considérera donc par la suite que les erreurs dues au mode de dépouillement ne sont pas
significatives.
1.4.2 - Sensibilité du modèle au découpage des pluies horaires
Le calcul des pluies horaires observées est réalisé à partir des enregistrements des différents
pluviographes discrétisés au pas de temps minimum de 5 minutes (fichiers à pas de temps variable). La
pluie horaire correspond à une hauteur d'eau précipitée en I heure, l'origine de cet horaire étant fixée
sur les heures civiles.
Prenons l'exemple extrême d'une averse intense isolée débutant à 2hlO', au cours de laquelle 40 mm
sont tombés en 1 heure et 40 minutes {figure «7.7).
Origine : 2 h 10 min Origine : 2 h 30 min
Date (h)
D a t e (h)
3 4 5
Figure n°1.7 : exemple de dépouillement de pluviogramme

Influence de l'origine du découpage horaire sur les variables caractéristiques d'une averse.
On observe l'influence de l'origine de l'averse sur le calcul des pluies horaires. En effet, la même averse
dont l'origine est décalée de 20 minutes (débutant alors à 2h30'), donne des caractéristiques tout-à-fait
différentes.
Cette averse de 2 heures et d'intensité moyenne de 20 mm/h devient une averse de 3 heures d'intensité
moyenne de 13,3 mm/h. La valeur du rapport de la pluie maximale sur l'intensité moyenne de l'averse
(RX) passe pratiquement du simple au double. La position relative du maximum est aussi changée.
Origine à 2h 10 min Origine à 2h 30 min

2 heures Durée de l'averse : 3 heures
20 mm/h Intensité moyenne : 13,3 mm/h
1 Position du maximum 0,66
1,2 Rapport du maximum 2.32
On remarque ainsi l'influence de l'origine de l'averse enregistrée au pas de temps fin. sur le résultat du
découpage de pluies à horaire fixe. Réciproquement on note l'influence de l'origine du découpage sur
les valeurs des pluies horaires.
Afin d'utiliser au maximum l'information connue à pas de temps fins pour la connaissance des pluies
extrêmes de courte durée, le calcul des pluies horaires a été réalisé de façon à obtenir la plus forte pluie
en une heure pour chaque événement. On qualifiera par la suite ce traitement, de traitement à "origine
mobile" par opposition à "origine fixe".
A partir des pluies horaires ainsi calculées, on calcule les pluies maximales de différentes durées ainsi
que les variables descriptives des averses de chaque événement.
1.4.2.1 - Différences obtenues sur les pluies maximales
Comme le souligne LAVABRE [1983] dans une étude sur les fortes pluies de 1 à 72 heures sur le
département des Bouches du Rhône, à fréquences égales, les hauteurs de pluies d'origine fixe sont
systématiquement inférieures ou égales aux valeurs maximales des pluies calculées à origine de temps
mobile. On retrouve là un rapport supérieur à 1 entre les pluies horaires calculées à origine mobile et
celles calculées à origine fixe. Ce rapport est plus couramment connu sous le nom de coefficient de
WEISS. La différence est surtout visible pour les pluies maximales de faible durée (1, 2 ou 3 heures) et
devient négligeable pour les plus fortes durées ( < 12 heures).
1.4.2.2 • Influence sur les variables descriptives
On compare ici les valeurs prises par les paramètres du modèle calculés à partir des pluies horaires à
origine fixe et ceux calculés à partir des pluies horaires à origine mobile.
X La variable NE (nombre d'épisodes par an), n'est pas influencée par le mode de
découpage des pluies horaires puisqu'il est lié à l'analyse des pluies au pas de temps journalier.
X Les caractéristiques statistiques (moyenne et écart-type) des variables NG. NA. DIA
et RPX présentent une petite variation qui n'est cependant pas notable car très faible et non
systématique sur tous les postes étudiés.
Les autres variables présentent une variation systématique pour tous les postes, cette variation allant
dans le même sens (tendance à la baisse ou à l'augmentation). L'influence du découpage à origine
mobile semble donc principalement intéresser les variables suivantes :
X Le paramètre de la variable TSE (origine de l'épisode dans la journée) a augmenté en

moyenne de 2.6 %. Ce paramètre étant calculé à partir de l'inverse de la moyenne des valeurs de la
variable, cette augmentation correspond en fait à une diminution en moyenne (chiffrée à -2,5 % en
moyenne pour tous les postes et les deux saisons) de la durée séparant le début de l'épisode et le début
de la journée. En effet, le décalage dû au découpage horaire à origine mobile peut amener sur certains
épisodes une diminution de la variable TSE de une heure, ce qui entraîne la baisse de sa moyenne.
X Le premier paramètre de la variable RX (rapport du maximum horaire sur l'intensité

moyenne horaire) est en moyenne diminué de -3,3 9c, ce qui correspond à une augmentation de la
moyenne de la variable de 1.42 9c (0,8 9c en hiver et 2 % en été). Le découpage à "origine mobile"
semble accentuer l'écart entre la pluie horaire maximale de l'averse et l'intensité moyenne de celle-ci.
CHAPITRE I - Présentation du modèle de génération de plu: • horaire 53
Cela rejoint ce qui a été observé sur les pluies maximales de différentes durées : les pluies maximales
en I heure de chaque événement sont les plus fortement augmentées par le découpage à origine mobile,
et comme elles font partie des maximums horaires des averses, elles contribuent donc à l'augmentation
de la moyenne du rapport RX. Cette augmentation n'est cependant pas très élevée car elle con*, erne une
seule averse par épisode.
/ Les durées des averses ÍDA1 sont aussi modifiées en moyenne. On observe une
modification plus nette de la durée moyenne des averses en été qu'en hiver. Cela s'explique par le fait
que la durée moyenne des averses d'été est généralement plus courte qu'en hiver. Vu que la
modification apportée par le mode de découpage des pluies horaires peut amener à une variation de plus
ou moins une heure sur la durée des averses, cette variation se fera d'autant plus ressentir que l'averse
sera courte. Notons enfin l'inversion de la tendance entre d'un côté les averses principales, qui voient
leur durée globalement diminuer, et de l'autre les averses ordinaires dont la durée moyenne augmente.
On conserve bien ainsi la durée globale des épisodes.
X Les intensités dont on observe l'évolution des moyennes et écarts-tvpes (lesquels

sont liés aux paramètres éventuels d'une loi exponentielle), sont elles aussi sensibles au mode de
découpage, en particulier pour les averses principales. En effet, le découpage à origine mobile favorise
la pluie horaire maximale de l'épisode. Or souvent, la pluie maximale horaire de l'épisode appartient à
l'averse principale, et d'autant plus pour les épisodes d'été qui sont courts et intenses. Lors du
découpage à origine mobile, la durée globale des averses principales diminuant et la pluie maximale
horaire ayant tendance à augmenter, l'intensité des averses principales augmente donc en moyenne (de
6% l'été et 2% l'hiver). Pour les averses ordinaires il n'y a pas d'évolution de la moyenne de la variable
et une faible augmentation de l'écart-type.
De façon générale, la variation des paramètres avec le mode de découpage des pluies horaires est
relativement faible. Mais l'évolution positive des moyennes des variables RX et HMAP. sera bénéfique
pour simuler des valeurs plus fortes pour les pluies de courte durée, comme le découpage l'impose aux
pluies maximales observées.
1.4.2.3 - Modifications lors de la simulation
(voir les résultats comparatifs de la restitution des variables tests suivant le mode de découpage des
pluies horaires, en annexe 1.2)
Ce sont les pluies maximales en 1 heure qui sont les plus sensibles à la modification apportée par le
découpage des pluies à origine mobile. L'erreur relative sur les moyennes et les écarts-types des pluies
maximales en 1 heure est diminuée, tandis que celle des pluies maximales de durées plus grandes est
augmentée. Les modifications ne sont cependant pas très notables si ce n'est sur certains postes où
l'erreur relative sur les écarts-types est considérablement augmentée. Sur ces postes, le découpage à
origine mobile a permis de relever quelques intensités moyennes horaires très fortes, augmentant
considérablement l'écart-type de la variable HMAP ou HMAO. Ces valeurs extrêmes biaisent alors
l'ajustement des lois de type "exponentielle" des variables HMAP et HMAO. Cela entraîne la
génération de valeurs plus fortes des intensités et augmente alors les erreurs sur les écarts-t\pes. Ce
problème sera repris dans le chapitre 11.2.

du modèle.
Une série de réalisations d'une variable aléatoire, relevées pendant une certaine période, représente en
terme statistique, un échantillon de la population de la variable concernée. Cet échantillon est plus ou
moins représentatif de l'ensemble des réalisations probables. Par exemple, une série pluviométrique de
10 années incluant plusieurs années de sécheresse, va constituer un échantillon représentant une
pluviométrie moyenne plus faible qu'une série de 10 années incluant des années très pluvieuses, et cela
pour le même poste pluviographique.
La différence possible entre deux échantillons successifs peut s'expliquer par une tendance évolutive à
long terme de la variable. A ce moment là, la variable n'est plus stationnaire (on fait l'hypothèse par
exemple d'un changement climatique pour des variables liées au climat). Bien sûr on considère que les
deux échantillons sont issus de la même population, et que la différence n'est pas due à un problème de
mesure de la variable (deux échantillons issus d'une série hétérogène).
Si l'on fait l'hypothèse de stationnante, on explique cette variation par un problème d'échantillonnage.
La variable étant aléatoire, il existe des risques d'observer sur une certaine période, une succession de
valeurs faibles ou une succession de valeurs fortes.
Plus la série d'observations sera courte, plus le problème d'échantillonnage se fera ressentir, c'est à dire
que l'on pourra trouver des séries d'observations d'une même population ayant des caractéristiques
observées différentes. C'est pourquoi, faisant l'hypothèse de stationnante, on simule une chronique de
pluies suffisamment longue pour ne pas être soumise à l'effet d'échantillonnage.
De plus, on sait que si l'on effectue une analyse statistique de la variable, plus le moment statistique
étudié sera d'un ordre élevé, plus sa valeur sera soumise au problème d'échantillonnage. C'est pourquoi
on se contente d'étudier la moyenne et l'écart-type des variables tests pour juger des performances du
modèle.
Calcul de l'effectif d'un échantillon peu soumis à l'échantillonnage.
Il est intéressant de pouvoir obtenir des résultats avec une précision connue à l'avance. Par
exemple, savoir que la moyenne que l'on calcule représente la moyenne de la population avec une
précision de 5%.
Il existe une méthode de détermination de l'effectif minimum d'un échantillon, basée sur l'étude
de la distribution d'échantillonnage de la moyenne d'une série, qui permet d'obtenir une précision
prédéterminée sur la moyenne (DAGNELIE [1973], SCHERRER [1984]).
Dans le cas où l'effectif de l'échantillon d'une variable aléatoire X est suffisamment grand (n>30) et où
cet échantillon ne suit pas une loi trop asymétrique, la variable aléatoire M (moyenne de X) obéit à une
loi normale de moyenne u et d'écart-type -y/Var(M).
L'intervalle de confiance de la moyenne s'écrit : Prob(x - u a / 2 • s^ < \l < ~x. + u a / 2 • s^ ) = 1 — a
CHAPITRE I - Presentation du modèle de génération de pluie horaire
X = estimation de la moyenne de X
Sv
ou SyA = —j= = estimation de 1' écart - type de M
Vn
a - risque de première espèce
- ua/"" '
Dans ce cas, la précision correspond à l'intervalle x± soit x ±d
x ± Vn"
7
2 -y.
d'où n=
Si l'on désire une précision de P% sur la moyenne, alors

100
10000-u£ / 2 -s*
d'où n= (DAGNELIE[1973])
P2x2
Par exemple, si l'on tolère un risque a de 5%. ua/-> = 1,96, et si l'on désire une précision de 5T£. alors
n = 1540-cv2.
Pour les différentes variables tests et sur l'ensemble des 42 postes étudiés, le coefficient de variation
varie erare 0.25 et 1,1. La valeur du coefficient de variation de 1,1 donnera la valeur de n la plus élevée
et donc la plus défavorable. Si l'on veut connaître le nombre d'années à simuler plutôt que l'effectif, on
divise n par À. (nombre moyen d'épisodes par an). C'est donc pour le plus fort rapport cv2/?i que l'on aura
le nombre d'années minimum à simuler. Le plus fort rapport cvVX vaut 0.361. On peut alors dresser le
tableau du nombre minimum d'années à simuler en fonction des risques a que l'on prend et de la
précision sur l'estimation de la moyenne que l'on désire :
oc u
a/2 P = 1% P = 2% P = 59c P= \0ac
5% 1.96 14 000 ans 3 500 ans 555 ans 140 ans
1% 2,57 24 000 ans 6 000 ans 960 ans 240 ans
0,1 Te 3.3 40 000 ans 9 800 ans 1570 ans 390 ans
On voit que pour un risque a de 5% et 1%, 1000 ans de simulation permettent dans le plus défavorable
des cas, une précision d'au moins 5% sur l'estimation de la moyenne.
On peut aussi remarquer que pour 20 ans d'observation et un risque de première espèce de 57c. la
précision sur l'estimation de la moyenne est de 6% si le coefficient de variation vaut 0.25 et de presque
26% si le coefficient de variation vaut 1,1.
De façon empirique, on a vérifié ces calculs en comparant les résultats de 20 simulations de 1000 ans de
pluies horaires sur un poste pluviographique. Pour chaque millénaire, on calcule les caractéristiques
statistiques des différentes variables tests issues de la simulation. On calcule ensuite l'écart relatif de ces
valeurs, à leur valeur moyennée sur les 20 millénaires. Les graphiques n°l.4a. b et c représentent ces
écarts relatifs pour les moyennes et les écarts-types, ainsi que les fluctuations des valeurs extrêmes des
variables tests pour les différents millénaires.
On observe que, d'un millénaire à l'autre, il existe une fluctuation des moyennes et écarts-types des
variables tests autour d'une valeur moyenne. Cette fluctuation représente l'erreur d'échantillonnage sur
des séries de 1000 ans de simulations. La fluctuation est plus forte pour les écarts-types que pour les
moyennes, car l'écart-type est plus sensible aux valeurs extrêmes.
Ecarts relatifs sur les moyennes (%)

N" 1 N ° 2 N°3 N°4 N° 5 N° 6 N° 7 N'8 N" 9 N° 10 N° 11 N° 12 N° 13 N° 14 N" 15 N" 16 N° 17 N° 18 N° 19 N° 20
3 -
-i - g • D • " a ¡ •• g
o
-2-8-
-3
-4
-5
D HTOT • DTOT • pml A pm4 • pm6 o pm24 o pm72
Ecarts relatifs sur les écarts-types (%)

r N° 1 N° 2 N°3 N°4 N° 5 N° 6 N3 7 N1 8 N° 9 N° 10 N° 11 N° 12 N° 13 N° 14 Nc 15 N° 16 N' 17 N c 18 N= 19 N° 20
0 • •
1
i
A a
• 0
1
• o A
*
•
4 • Ä I I3
1
.
B
a
n
8
S
e
•
a
A
B
•
1 8 • * 0 0
A
0
I n 2 y 1
^ A
• • è a
1
• 1 • 0 •
-3
9 •
0
-5
• HTOT • DTOT • pml A pm4 • pm6 o pm24 0 pm72
[b]
aleurs maximales (mm]
600
N° 1 N ° 2 N°3N°4 N° 5 N° 6 N° 7 N° S N° 9 N° 10 N° 11 N° 12 N° 13 N° 14 NM5 N° 16 N° 17 N° 18 N" 19 NJ 20
HTOT -o-pml • pm2 -pm4 •pm6 • pml 2 • pm24

ici
Graphiques n°I.4a, b et c : fluctuation des moyennes, écarts-types et valeurs maximales des variables
tests sur 20 millénaires successifs simulés.
La fluctuation des variables tests reste faible d'un millénaire à l'autre, en moyenne (entre -2 et 2c'c de
fluctuation) comme en écart-type (entre -5 et 59c). On considérera qu'une simulation de mille années est
suffisante pour représenter la population des variables tests, sans risque d'avoir un biais important dû à
CHAPITRE I - Presentation du modèle de•générationde pluie horaire 57
l'échantillonnage. On considérera aussi qu'une erreur du modèle sur les variables tests sera notable M
elle est supérieure à l'erreur d'échantillonnage, estimée à +/- 2% sur les moyennes et +/- 5% sur les
écarts-types, pour une simulation de 1000 années.
La fluctuation des valeurs extrêmes, passant pratiquement du simple au double entre les 20 millénaires
différents simulés (graphique n°î.4c), nous assure que le modèle n'est pas borné pour des périodes de
simulations supérieures à 1000 ans. La combinaison de différentes valeurs extrêmes des variables
descriptives permet à tout moment de générer des pluies extrêmes.
1.4.4 - Sensibilité du modèle aux fluctuations des différents paramètres
Pour tester la sensibilité du modèle aux différents paramètres, des simulations ont été faites à partir du
jeu de paramètres calés sur un poste pluviographique, auquel on a modifié successivement et
indépendamment les valeurs des différents paramètres dans une gamme de -20% à +20%. Pour chaque
modification, on regarde alors l'erreur introduite sur les moyennes et les écarts-types des \ariables tests
pour des chroniques de 1000 ans de simulations.
Pour avoir une idée des modifications apportées aux variables par une variation de -20 à +20% des
paramètres de leur loi de distribution, rappelons les relations existant entre certains paramètres et les
moyennes et écarts-types des variables.
VARIABLES LOI DE ESTIMATEUR Erreur relative sur les moments due Û

CONCERNEES DISTRIBUTION (moments) une variation de +/-2O% du paramètres
RPX NORMALE PI = u u varie entre -20 et 20% de sa valeur
P2 = a G varie entre -20 et 20 % de sa valeur
NE POISSON PI =u u varie entre -20 et +20% de sa
valeur
DAP, DAO POISSON- PI =u u varie entre -20 et +20% de sa
TRONQUE P2 = Prob (D<seuil) valeur
NG^NAetTSE '. GEOMETRIQUE PI = 1/u u varie entre +25 et -17% de sa
valeur
DIA GEOMETRIQUE PI = 1/u u varie entre +25 et -17% de sa
TRONQUEE P2 = Prob( D<seuil) valeur
RX EXPONENTIELLE PI = l / ( u - 1) u varie entre +0.25( u-1 ) et -0.17(u-1 )
Pour la loi des intensités des averses, les paramètres ne sont pas directement reliés aux moments,
puisque leur détermination a été faite de façon itérative, en minimisant l'écart entre la distribution
observée et la distribution théorique ajustée.
Les différents paramètres de la loi des intensités (voir figure ci- | ^> Intensif
contre) sont les pentes ai et a2 des deux branches exponentielles
et les coordonnées du point pivot (XQ.yo)-
La loi des intensités moyennes étant une loi composée d'une

série de deux exponentielles, on peut estimer les paramètres de
façon approximative, par les relations suivantes : Ln(l-F)
aj = avec a i = écart -type des intensités < x 0
a2 = avec a2 = écart -type des intensités > x 0

a2
x 0 = M-i-CJi(y 0 + l) où |Aj = moyenne des intensités < x 0 et y 0 = ln(I - F ( x 0 ) )
x =
0 M-2 ~CT2Vyo + 0 ou
M-2 = moyenne des intensités > x 0
1.4.4.1 - Paramètres sans influence
Les paramètres des lois de probabilité des variables NE (nombre d'épisodes par an), RPX (position du
maximum de l'averse), TSE (origine de l'épisode dans la journée) n'ont pas une influence notable sur
le modèle, lorsque leur valeur varie dans une gamme de plus ou moins 20%. En effet, une variation de
plus ou moins 20% de ces paramètres, entraîne une erreur sur la moyenne et l'écart-type des variables
tests comprise entre -5 et +5%, qui n'est pas supérieure à celle due à l'échantillonnage.
Les graphiques n°I.5a et l.5b résument les influences les plus notables observées. On remarquera que
les erreurs relatives observées sur les pluies de 3, 4, 6, et 12 heures ne figurent pas sur les graphiques,
car les variations apportées aux paramètres n'induisent pas de modifications suffisamment fortes pour
être significatives.
1.4.4.2 - Influence des paramètres de NG et NA
La sous-estimation du paramètre de la loi de distribution de la variable NG (nombre de périodes

pluvieuses par épisode) correspond à une surestimation du nombre moyen de périodes par épisode. Il en
résulte une surestimation de la durée totale des épisodes et par conséquent de la hauteur d'eau totale
précipitée au cours d'un épisode. Les autres variables tests sont peu sensibles à la variation du
paramètre de la variable NG.
On remarque que la variation du paramètre de la variable NA (nombre d'averses par période) joue un
rôle similaire à celui de NG, mais de façon moins marquée.
Les paramètres des variables NG et NA ont la même influence sur le modèle. Ils contribuent à
l'augmentation ou à la diminution de la durée des épisodes simulés, en faisant varier le nombre
total d'averses dans l'épisode. Cela influe ainsi directement sur la hauteur totale d'eau précipitée au
cours d'un épisode, sans modifier son intensité moyenne.
CHAPITRE í - Présentation du modèle de génération de pluie horaire
1.4.4.3 - Influence du paramètre de la variable RX
La variation de plus ou moins 20% du paramètre de la variable RX (rapport de l'intensité maximale par
l'intensité moyenne pour une averse), correspond en fait à une variation entre +15 et -11% de la
moyenne de la variable RX (u étant égal à 2,6452). C'est l'intervalle dans lequel varie la pluie maximale
horaire alors simulée. Si l'on reprend la structure du modèle de simulation de pluies horaires, on voit
que la pluie horaire maximale (PMI) est directement issue du produit de la variable RX avec l'intensité
de l'averse générée. La moyenne des pluies maximales en 1 heure est donc directement liée à la
moyenne de la variable RX.
S i l i Ss i 2 3 -
Si I I M 1 o z o : z
5 5 5 a a s - z
-20
-30
Erreur relative introduite sur différents paramètres
I- HTOT •DTOT A- PMI A PM2 a PM48 • P\P2
_ I S 2 = 7 -
30
20 - - ^
-30 —
Erreur relative introduite sur différents paramètres
• -• HTOT •DTOT •••A---PMI PM2 o PM24 a PM48 a PM"2
Graphiques n°l.5a et I.5b : comportement des variables tests face à la fluctuation de quelques
paramètres du modèle (dans une gamme de -20% ¿i +209c).
1.4.4.4 - Influence du paramètre de la variable DIA
L'augmentation du premier paramètre de la loi des durées inter-averses correspond à une diminution de
la moyenne des durées inter-averses inférieures à 13 heures, ce qui explique la diminution de la durée
totale des épisodes simulés. On remarque que la variation de ce paramètre n'influence pratiquement pas
les hauteurs de pluies maximales.
Si l'on fixe le deuxième paramètre de la variable DIA à 1, on oblige le modèle à générer des durées
inter-averses toutes inférieures ou égales au seuil déterminé (12 heures). Cela a pour conséquence de
diminuer la durée totale des épisodes.
1.4.4.5 - Influence des paramètres des variables DAP et PAO
Ces paramètres étant déterminés à partir de la moyenne de la variable (durée des averses inférieures ou
égales au seuil), leur variation correspond directement à une variation de la durée des averses simulées.
On voit cependant que les variables tests sont peu sensibles à une variation de +/- 20% de la durée des
averses. L'influence est toutefois plus marquée pour une modification de la durée des averses ordinaires
qui, bien que généralement plus courtes, sont plus nombreuses (rappelons qu'il n'y a qu'une averse
principale par épisode, les autres étant toutes ordinaires).
Le second paramètre des lois des durées (DAP2), correspond à la probabilité d'avoir une durée
inférieure à un seuil à partir duquel la loi devient uniforme sur un intervalle borné pré-défini. Si on fixe
ce paramètre à la valeur 1, on élimine la possibilité d'avoir une durée d'averse supérieure au seuil,
appartenant donc à l'intervalle borné où la loi devient uniforme. Cela a pour effet de diminuer les plus
longues durées d'averses simulées, et par conséquent de diminuer les pluies maximales de longue durée.
Notons aussi la forte diminution de l'écart-type des pluies maximales en 24 heures lorsque le second
paramètre de la loi de la durée des averses principales est fixé à 1. L'averse principale d'un épisode
générant l'averse la plus pluvieuse de l'épisode est alors bornée à une durée de 12 heures au lieu de 24
heures, ce qui rend plus difficile de générer de fortes pluies en 24 heures.
1.4.4.6 - Influence des paramètres de HMAP et HMAO
Les paramètres XQ et yo (coordonnées du point pivot), gèrent la fréquence (ou réciproquement

l'intensité) à partir de laquelle le comportement exponentiel de la loi devient plus important (pente
a2 > ai). Plus F(XQ) est proche de 1, moins grande sera l'influence d'une variation de la seconde pente de
la loi, et plus grande sera celle de la première pente.
De façon générale, le modèle est très sensible à la variation des paramètres de la loi des intensités,
dès lors que cette variation joue sur la moyenne et l'écart-type de la variable. Les pluies maximales
de 1 à 12 heures semblent être les plus sensibles aux variations introduites sur les averses principales,
tandis que ce sont les pluies maximales sur les durées plus longues ( > 24 heures) qui sont les plus
sensibles aux variations imposées sur les averses ordinaires.
On ne peut pas dire que le modèle soit plus sensible à une pente qu'à une autre, puisque cela dépend
beaucoup de la fréquence à partir de laquelle on change de pente. On peut quand même noter que c'est
la valeur de la seconde pente qui est la plus sensible à l'échantillonnage des observations, celle-ci
pouvant être calculée uniquement sur les 6 dernières valeurs de la distribution. Notons aussi que la
durée totale de l'épisode n'est pas influencée par une variation des valeurs des paramètres de HMAP et
HMAO.
CHAPITRE l - Présentation du modèle de génération de pluie horaire 6/
Conclusion :
Dans ce chapitre, le modèle de génération de pluie horaire a été présenté. Sa structure impose un grand
nombre de retirages. Sur le nombre total d'épisodes générés, le nombre d'épisodes respectant les
différentes contraintes, et donc retenus, dépasse rarement les 30% pour la saison "hiver" et les 40%
pour la saison "été".
L'effet de ces retirages et le problème du choix des lois de probabilité décrivant les variables du modèle,
sont sûrement à l'origine de la mauvaise restitution de certaines variables descriptives.
Par ailleurs, le non respect des caractéristiques des variables utilisées par le modèle permet d'expliquer
une partie des erreurs observées sur la restitution des variables tests.
Cependant le modèle semble mieux adapté aux postes pluviographiques du Real Collobrier, qui reste sa
zone de conception. Il semblerait donc que le modèle n'intègre pas certains caractères explicatifs de
l'hétérogénéité des résultats obtenus sur la totalité des postes étudiés.
Afin d'améliorer les performances du modèle, il faut supprimer les biais intervenant sur les variables
descriptives, limiter les problèmes dus à l'échantillonnage et chercher à rendre les erreurs les plus
homogènes possible sur tous les postes considérés. C'est ce que l'on s'efforcera de faire dans le chapitre
suivant.
CHAPITRE H
AMELIORATION DU MODELE
EXTENSION DE LA ZONE DE VALIDITE
II. 1 - Amélioration des erreurs sur les paramètres 65

II. 1.1 - Suppression de certaines contraintes pouvant être la source de biais sur
le modèle 65
II. 1.2 - Diminution du retirage dû à la contrainte de sélection des événements
pluvieux 69
II. 1.3 - Suppression du retirage sur la variable RX 71
II. 1.4 - Modification de la loi des durées des averses 74
II.2 - Modification de la loi des intensités 76

II.2.1 - Passage à une loi exponentielle simple 77
n.2.2 - Amélioration de l'ajustement - Distinction des valeurs particulièrement
exceptionnelles 80
II.3- Prise en compte de la liaison Intensité-Durée 88

n.3.1 • Détermination d'une loi modélisant la liaison entre les durées et les
intensités des averses 90
n.3.2 - Modélisation de la liaison entre les deux variables et influence sur la
simulation 93
II.4 - Bilan des modifications 99

CHAPITRE II - Amélioration des performances du modèle 65
Les erreurs relatives, calculées sur les variables tests, varient notablement d'un département à
l'autre, ou d'un poste à l'autre dans un même département. Avant de vouloir régionaliser les paramètres
du modèle, et de réaliser une validation de celui-ci, il faut améliorer ces performances sur l'ensemble
des postes étudiés. Les modifications apportées dans l'analyse des observations et sur la structure même
du modèle, doivent permettre d'améliorer sa robustesse afin d'avoir plus de chance d'étendre sa zone de
validité.
ILI - AMELIORATION DES ERREURS SUR LES PARAMETRES
Dans le chapitre I, on a vu la difficulté qu'a le modèle à restituer les premiers moments statistiques
(moyenne et écart-type) des variables descriptives utilisées pour générer les hyétogrammes. La
première amélioration à apporter au modèle doit résider dans sa capacité à restituer les caractéristiques
des variables qu'il utilise. En effet, toute modification de la structure du modèle, par l'ajout ou le
changement de variables, est inutile si le modèle ne les reproduit pas.
II.l.l - Suppression de certaines contraintes pouvant être la source de biais

sur le modèle
Le non respect des moments des variables descriptives ayant servi à déterminer les paramètres de
certaines lois (en général la moyenne), est certainement dû à un biais sur le tirage de ces variables dans
leur loi de distribution théorique. En effet, la structure du modèle est telle qu'il doit respecter certaines
hypothèses lors de la génération des hyétogrammes. Si les épisodes générés ne respectent pas ces
différentes contraintes, ils sont supprimés et simulés au nouveau. On a vu dans le premier chapitre que
pour chacune des contraintes, sur une simulation de 1000 années, les proportions d'épisodes rejetés
peuvent être très importantes.
Il résulte de ces contraintes la perte d'épisodes générés au profit d'autres épisodes dont les
caractéristiques contraintes entraînent alors un biais sur la restitution des variables descriptives.
Certaines contraintes vont alors être supprimées. Pour étudier l'impact de chaque modification, on
calcule sur les hyétogrammes simulés, la valeur des variables descriptives que l'on appelle alors
variables "réellement simulées". On les compare ensuite, sur leur moyenne et écart-type, aux variables
"générées" pour la construction des hyétogrammes, et aux variables observées.
La comparaison des moments des variables descriptives "observées" (servant au calcul des paramètres
du modèle) avec les moments des variables descriptives "générées", nous renseigne sur les biais
introduits par le retirage des valeurs et sur l'erreur due au choix de la loi théorique décrivant la
distribution de la variable.
CHAPITRE ¡I - Amélioration des performances du modèle 66
La comparaison des erreurs calculées sur les moments des variables descriptives "générées", avec les
erreurs calculées sur les moments des variables "réellement simulées", nous renseigne sur les biais
introduits réellement par le non respect des contraintes.
ILI.1.1 - Suppression de la contrainte de l'averse principale.
Cette contrainte est la cause de 10 à 20 % des retirages. Des simulations ont été faites sur une période
de 1000 ans à partir d'une version du modèle qui ignore la contrainte de l'averse principale. Dans ce cas,
l'averse principale est toujours générée à partir de la loi des durées et des intensités des averses
principales, mais l'on n'impose plus que le volume de l'averse principale générée soit le plus élevé des
volumes d'averses. Les résultats présentés sont issus des simulations sur l'ensemble des 42 postes
étudiés.
Impact sur les variables descriptives :
Entre les variables "observées" et les variables "générées" :

La suppression de la contrainte de l'averse principale n'a modifié que les variables ayant un rapport avec
le volume de l'averse, c'est à dire la durée et l'intensité des averses principales et des averses ordinaires.
Par rapport au modèle intégrant la contrainte, on génère des variables qui tendent à augmenter le
volume des averses ordinaires et à diminuer le volume des averses principales. L'évolution des écarts-
types va dans le même sens, mais reste relativement faible.
Variables Avec contrainte* Sans contrainte Sans contrainte

Observées / Générées Observées / Générées Observées / Réellement simulées
Movenne de HMAP de 10 à 30% de 0 à 20 % de 10 à 30 7c
Moyenne de DAP de 10 à 2 5 % de 5 à 20 % de 10 à 25 ac
Moyenne de HMAO de -10 à 5 % deOà 10 7c de -7 à 5 %
Movenne de DAO de-1 à 4 % de 4 à 10 % de 0 à 8 %
Evolution de l'erreur sur les moyennes des variables descriptives
les plus influencées par la modification.
Entre les variables "générées" et "réellement simulées" :

On obtient en réalité des averses principales plus importantes que ne le voudrait la simulation des
variables descriptives "générées". En effet, on obtient pour les moyennes des durées d'averses, une
erreur qui est en réalité de 12 % en moyenne sur tous les postes (au lieu de 6 %). et pour les intensités
une erreur de 15 % (au lieu de 10 %).
L'effet de la suppression de la contrainte sur la restitution des variables descriptives semble être
compensé. Les variables générées créent des averses principales qui ne respectent pas leur définition et
ne sont donc pas reconnues comme telles. Le non rejet d'un tel épisode va diminuer l'erreur sur les
variables générées pour les averses principales, mais va aussi contribuer à augmenter l'erreur sur les
variables recalculées sur les hyétogrammes simulés.
* Avec contrainte, l'erreur entre les valeurs observées et les valeurs "générées" est pratiquement la même qu'entre les valeurs
observées et les valeurs "réellement simulées", pour les \anables HMAP et DAP.
Impact sur !e taux de retirage :
Le retirage dû au test de l'averse principale est devenu nul. ce qui augmente le pourcentage d'épisodes
acceptés par rapport au nombre d'épisodes simulés. On passe de 80 % à 65 % de retirage en moyenne en
"hiver" et de 70 à 65 % de retirage en "été".
Impact sur la restitution des variables tests :
On observe une légère diminution des moyennes des pluies maximales de 1 à 24 heures, ce qui
correspond à une légère amélioration des erreurs relatives, plus marquée en "été" qu'en "hiver". Sur les
écarts-types, on observe peu de différences dues à la suppression de la contrainte.
Même si la suppression de la contrainte n'a pas d'effet direct sur les performances du modèle,
elle permet de diminuer le taux de retirage d'épisodes générés. La contrainte de l'averse principale n'est
pas gardée et ne fera plus partie de la structure du modèle par la suite.
IL 1.1.2 - Suppression de la contrainte du minimum relatif
Cette contrainte est responsable de la majorité des retirages. Elle amène à rejeter en moyenne sur tous
les postes pluviographiques étudiés, la moitié des épisodes simulés et pour certains postes plus de 80%
des épisodes simulés.
Des simulations ont été faites à partir d'une version du modèle qui ignore la contrainte du minimum
relatif ainsi que celle de l'averse principale.
Le tableau suivant présente l'erreur entre les moyennes ou les écarts-types des variables descriptives
issues de la simulation, et les moyennes et les écarts-types des variables descriptives observées. On
s'intéresse aux variables "générées" avant la suppression de la contrainte du minimum relatif, aux
variables "générées" après la suppression de cette contrainte et aux variables "réellement simulées"
après la suppression de la contrainte. Seules les variables ayant subi des modifications notables sont
reportées dans ce tableau.
Variables Avec contrainte Sans contrainte Sans contrainte

Moyenne de NA de -25 à -7 % de 1 à 6 % de -10 à -4 %
Ecart-type de NA de -45 à -20 % de-15à5% de-30 à-10%
Moyenne de DAO de 2 à 8 % de -2 à 2 % de 8 à 12%
Moyenne de DAP de 5 à 20 % de 2 à 15 % de 15 à 25 %
Moyenne de DIA de -5 à 10 % de -20 à -5 % de-10à5%
Ecart-type de DIA de -20 à -5 % de-25 à-5 % de -20 à -5 %
Moyenne de RX Hiver : -4 à 0 % de -8 à -4 % de -3 à 1 %
Eté:-10 à - 6 % de-12 à - 8 % de -S à -4 %
Moyenne de HMAO de -7 à 3 % deOà 10% de -7 à 5 %
Ecart-type de HMAO de-10 à 10 % de-10 à 10% de-30 à-10%
Erreur relative sur les variables descriptives les plus influencées par la suppression de la contrainte
du minimum relatif.
CHAPITRE li - Amélioration des performances du modèle 68
La variable la plus influencée par la suppression de la contrainte du minimum relatif est le

nombre d'averses par période pluvieuse (NA). En effet, c'est pour des averses groupées et donc pour
un nombre d'averses par période pluvieuse supérieur à un, que la contrainte du minimum relatif
intervient. Le respect du minimum relatif entre les averses étant plus facile pour des périodes pluvieuses
ayant peu d'averses, la contrainte force le modèle à sous-estimer le nombre d'averses par période
pluvieuse. La suppression de cette contrainte diminue alors la sous-estimation de ce paramètre.
Cependant, si le nombre moyen d'averses par période pluvieuse reste en réalité sous-estimé (erreur
relative sur les variables "réellement simulées"), c'est que le non respect du minimum relatif entre deux
averses peut conduire à les analyser comme une averse unique (si le pic de la seconde averse est placé
au début de l'averse).
En ce qui concerne les durées des averses (ordinaires et principales) qui étaient en moyenne surestimées
avec la contrainte, leurs erreurs sont diminuées lorsque l'on ôte la contrainte. On réduit donc bien le
biais du retirage. Cependant si l'on analyse les hyétogrammes ainsi simulés (variables "réellement
simulées"), comme pour le nombre d'averses, on constate que lorsque deux averses sont analysées
comme une seule averse, la somme des durées des deux averses caractérise la durée de la nouvelle
averse, ce qui augmente l'erreur.
Il reste que dans la plupart des cas, le non respect de la contrainte du minimum relatif entre deux
averses conduit à attribuer la pluie de la première heure de la seconde averse, à la première averse. Cela
a pour effet d'augmenter d'une heure la durée de la première averse et de diminuer d'une heure la durée
de la seconde averse, ce qui revient à conserver en moyenne la durée des averses.
Pour les autres variables, si la modification entraîne une variation de l'erreur sur les variables générées,
l'analyse des hyétogrammes simulés montre que l'erreur sur les variables "réellement simulées" reste la
même qu'avant la modification.
La suppression de la contrainte du minimum relatif permet de réduire les biais sur la génération de
certaines variables du modèle. Cependant, l'analyse des hyétogrammes simulés révèle un biais sur les
variables "réellement simulées". Ce biais n'est toutefois pas gênant pour la restitution des variables
tests, car les averses simulées conservent leurs caractéristiques initiales. Seule l'analyse de certaines
averses groupées amène à redéfinir les variables, en caractérisant la pluie simulée avec moins d'averses,
mais de durée légèrement plus longue.
Impact sur les retirages :
Le retirage des épisodes est évidemment nettement diminué. Le modèle est soumis uniquement
à la contrainte de sélection des événements pluvieux sur les pluies journalières. Le pourcentage de
retirage est en moyenne de 20 %, allant jusqu'à 35 % sur certains postes des Bouches du Rhône pour la
saison "hiver".
Impact sur la reconstitution des variables tests :
Sur les moyennes et les écarts-types, l'évolution des erreurs sur les variables tests est
négligeable. Globalement on observe une très légère hausse des erreurs relatives sur les pluies de
longues durées.
Même si la suppression de la contrainte du minimum relatif n'apporte pas de modifications

intéressantes sur la restitution des variables tests, elle reste nécessaire pour s'affranchir des biais et
éviter des retirages pouvant réduire l'effet de modifications ultérieures.
II.1.2 - Diminution du retirage dû à la contrainte de sélection des événements

pluvieux.
La contrainte de sélection des événements pluvieux sur les pluies journalières n'a pas été enlevée, car
elle est nécessaire pour un couplage du modèle avec un générateur stochastique de pluies au pas de
temps journalier (voir chapitre IV). On a vu que le non respect des conditions sur les pluies journalières
touche principalement la contrainte du maximum journalier (existence d'une pluie journalière > 20 mm)
mais converne peu la contrainte du minimum journalier (toutes les pluies journalières doivent être > 4
mm). On pourrait penser que le respect de cette contrainte pourrait être réalisé avec moins de rejets des
épisodes, grâce à un ré-agencement des averses générées au sein d'un épisode, en groupant les plus
fortes de façon à respecter la contrainte du maximum journalier.
Un essai de recombinaison des averses a été réalisé (RIBERO [1992]). sur une version du modèle
distinguant les averses isolées des averses groupées, sans qu'aucune amélioration n'ait été réalisée. Les
épisodes ne respectant pas la contrainte sur les pluies journalières sont en général des épisodes dont la
pluie totale générée est inférieure à (20+4x(n-l)) mm (où n = durée de l'épisode en jour). Aucune
combinaison des averses ne permettait donc de respecter la contrainte. De plus, dans les cas possibles,
la recherche d'une combinaison des averses permettant le respect de la contrainte entraînait une
augmentation considérable du temps de calcul.
La simulation sur plusieurs postes a permis de caractériser les événements ne respectant pas la
contrainte des 20 mm journaliers. Dans plus de 80 % des cas, ces événements ont une durée totale
inférieure à 24 heures et donc de pluie totale inférieure à 20 mm. Cela implique l'impossibilité de
recombiner les averses pour obtenir une pluie supérieure à 20 mm.
Pour conserver un tel événement, il faut alors rajouter une ou plusieurs périodes pluvieuses (formées
d'averses ordinaires puisque l'averse principale a déjà été générée) tout en conservant de façon globale
le nombre moyen de périodes pluvieuses par événement.
On a alors introduit dans le modèle la possibilité de rajouter une ou plusieurs périodes pluvieuses
jusqu'au respect des 20 mm journalier, tant que la durée totale de l'événement ne dépasse pas 72 heures.
On comptabilise le nombre de périodes pluvieuses ainsi rajoutées, puis on les ôte progressivement aux
événements générés par la suite, afin d'annuler le nombre de périodes pluvieuses rajoutées et de
respecter le nombre moyen de périodes pluvieuses par événement.
Impact sur les retirages :
On arrive ainsi à annuler pratiquement le retirage dû à la contrainte du maximum journalier. Ce

retirage qui représentait environ 15 % des épisodes simulés et qui pouvait aller jusqu'à 30 %. ne
concerne plus que quelques pour-cent des épisodes simulés (il reste inférieur à 5 Tr). On peut considérer
maintenant que le seul retirage est dû à la contrainte des 4 millimètres minimum pour la pluie
journalière, ce qui porte en moyenne à 5 % le nombre d'épisodes simulés et rejetés.
Les variables descriptives les plus influencées sont représentées dans le tableau suivant :
Variables Avant modification Après modification Après modification

Moyenne de NA de 1 à 6 % de-là 1 % de-12 à-6%
Moyenne de DAP de 2 à 15% de -5 à 5 % de 10 à 20 %
Moyenne de HMAP de 0 à 20 % de -5 à 5 % de -5 à 15 %
Ecart-type de HMAP de 0 à 30 % de-5 à 20 % de -5 à 20 %
Ecart-type de NG Hiver:-15 à 35% -5 à 20 % -5 à 20 %
Eté:-10 à 10% -25 à 5 % -25 à 5 %
Erreur relative sur les variables descriptives les plus influencées par la modification.
L'erreur sur les variables NA, DAP et HMAP générées est nettement diminuée, même s'il reste un biais
important sur les variables "réellement simulées" (biais surtout dus aux modifications précédentes). Ce
sont les variables décrivant l'averse principale qui sont les plus influencées par la modification. Avant la
modification, le modèle surestimait les durées et les intensités des averses principales pour satisfaire la
contrainte des 20 mm journalier. Par l'effet de la recombinaison du nombre de périodes pluvieuses, le
modèle limite le nombre de retirages et permet un meilleur respect des lois de distribution des variables
DAP et HMAP.
La recombinaison des variables reste un moyen pour limiter les retirages en respectant la moyenne
de la variable recombinée.
Impact sur la restitution des variables tests :
Sur les moyennes, on observe une nette amélioration des pluies maximales de longues
durées et en particulier sur les hauteurs totales des épisodes. Les pluies maximales en quelques heures
sont moins touchées par la modification. Sur les écarts-types, on observe par contre d'une très légère
amélioration.
L'ensemble des modifications exposées jusqu'à présent a permis de diminuer considérablement les
retirages d'épisodes ne respectant pas les différentes contraintes. On a ainsi supprimé un bon
nombre de biais en respectant mieux les distributions théoriques des variables descriptives calées sur
les observations, même s'il en résulte une légère modification au niveau des hyétogrammes simulés.
De façon générale les variables dites "réellement simulées" ne présentent jamais des erreurs plus
grandes que celles observées sur les variables "générées" avant les modifications.
CHAPITRE II - Amélioration des performances chi modèle 71
Même si l'amélioration des performances du modèle n'est pas suffisante en ce que concerne la
restitution des variables tests, la suppression des retirages et donc des biais était nécessaire avant de
se pencher sur des modifications propres à certaines variables descriptives.
II.1.3 - Suppression du retirage sur la variable RX
Comme on l'a remarqué au paragraphe 1.3.3. la variable RX n'est pas une variable indépendante puisque
sa valeur est conditionnée par la valeur de la durée de l'averse, ce qui introduit un retirage de cette
variable dans certains cas.
En effet pour construire une averse, on génère son intensité moyenne (HMA), sa durée (DA), la valeur
du rapport RX (entre l'intensité maximale horaire et l'intensité moyenne horaire) ainsi que la valeur de
RPX pour positionner le maximum de l'averse. On commence alors par calculer la hauteur du pic de
l'averse : PIC = HMA x RX
La hauteur d'eau à répartir de part et d'autre du pic est calculée par :
HREST = HMA x DA - PIC et doit être positive, d'où la relation

HMA x DA > PIC = HMA x RX où DA > RX.
Une valeur de RX est donc bornée à celle prise par la durée de l'averse.
Le tirage de la variable RX se faisant aléatoirement après celle de la durée, il existe des

incompatibilités entre les valeurs générées, qui se traduisent par un retirage de la variable RX dans sa
loi de probabilité. De plus, si l'on veut introduire des conditions sur la hauteur d'eau restant à répartir de
part et d'autre du pic, on définit des "courbes enveloppes" de valeurs compatibles de RX. en fonction de
la durée de l'averse.
Par exemple, si l'on désire que la hauteur d'eau restant à répartir soit supérieure à a x PIC. on définit la
courbe enveloppe par le calcul suivant :
T _ _ Volume restant
H rest = a x PIC =
DA-1
a x HMA x RX = HMA x (DA - RX)
DA-1
a x RX x DA - a x RX= DA -RX
DA
RX = - = f(DA) "courbe enveloppe"
vv
( 1 - a + axDA)
La figure n°II.l montre différentes "courbes enveloppes" pour a = 0 ; 5% : 10% et 209c

• Hres 1=0 * Pic Hres t=0.05 * Pic Hrest=0.1 * Pic • Hres t = 0 . 2 " Pic
15
13
/ |
RX=DA/(O.95+O,05DAj
/
S 9 /
s
on
=3 7
/ . ...
RX=DA/(0,9+0,1DA)
13 ^,** ""
/
•
_—-*i
_—
— RX=DA/(0,8-K).2DA)
A"
11 16 21 26 31
DA : Durée de l'averse (heure)
Figure n°II. 1 : Courbes "enveloppes" des valeurs possibles de RX en fonction de la durée de l'averse et
pour différentes conditions de répartition.
Pour générer la variable RX, plusieurs solutions sont possibles :

• le retirage des valeurs de RX incompatibles avec la durée de l'averse.
• le stockage des valeurs de RX incompatibles et leur utilisation postérieure dans les cas
possibles.
• l'utilisation d'une loi conditionnelle.
(1) - Retirage des valeurs incompatibles

La première solution consiste à retirer systématiquement toutes les valeurs de la
variable RX ne respectant pas la contrainte imposée par la courbe enveloppe choisie. C'est la solution la
plus simple mais aussi celle pouvant entraîner les biais les plus importants.
(2) - Stockage des valeurs rejetées

Afin d'éviter de perdre les valeurs de RX incompatibles avec les durées, on peut
procéder à un stockage des valeurs rejetées. Les valeurs générées de la variable RX incompatibles sont
gardées en mémoire et réutilisées pour des valeurs de DA le permettant. Ainsi on respecte la moyenne
de la variable RX, tout en tenant compte de la dépendance des deux variables.
Pour éviter les retirages imposés par ces "courbes enveloppes", on peut aussi utiliser une loi
conditionnelle.
(3) - Utilisation de lois tronquées pour éviter les retirages ou le stockage de tirages
A partir des observations, on détermine la fonction de probabilité de la variable RX [
Prob(RX<x) = f(x) ] sur laquelle on cale une loi exponentielle de paramètre p, et p-, . La loi
conditionnée par les valeurs de la durée va s'exprimer par :
X-P2
Prob(RX<x) 1-e
Prob(RX<x/x<DA) = où p 2 =1 et pi = H ~ p : = c
Prob(RX<DA)
Pl
. -e
La simulation d'une telle loi suit deux étapes :
^ Tirage de y dans U[0,l]
RX = -Ln(l-Y)-p,+p 2
DA-P2
•=> Si RX > DA tirage dans la loi tronquée Pl
y =y- -e
= -Ln(l-y')-pi+p2
Les trois façons de générer la variable RX ont été comparées pour différentes lois de la variable DA et
de la variable RX. On génère aléatoirement 1000 valeurs de durées dans la loi de Poisson de paramètres
successifs { 2 / 3 , 5 / 5 } . ainsi que les 1000 valeurs de RX correspondantes, dans la loi exponentielle de
paramètres p, = {0,5/ 1 12) et p 2 =l-
On calcule alors le paramètre P[ issu des 1000 valeurs prises par la variable RX. à partir de la
connaissance de la moyenne (p|=u-l) et de la connaissance de l'écart-type (pi=a). On observe alors le
respect de la moyenne et de l'écart-type en comparant les valeurs de P| qui en sont issues, avec la
valeur de pj de la loi initiale.
(¡) - RX avec retirage

(2) - RX avec stockage des valeurs incompatibles
(3) - RX avec loi tronquée si nécessaire
Paramètre de la Paramètre de la Valeurs de p ( issues de la Valeurs de p¡ issues de

loi des durées loi de RX : p, moyenne l'écart-type
(Moyenne en h) (1) (2) (3) (1) (2) (3)
9 0.5 0.4 0,5 0,5 0.4 0.4 0.4
1 0.7 1 0.8 0,6 0.7 0.7
2 2 0.9 1.8 1.1 0.8 0.9 0.9
3.5 0.5 0.5 0,5 0.5 0.5 0.5 0.5
3.5 1 0.8 1 0.9 0.8 0.8 0.8
3.5 2 1.2 2 1.5 1 1.2 1.2
5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
5 1 0.9 1 1 0.8 0.9 0.9
5 2 1.5 2 1.7 1.3 1.4 1.4
On s'aperçoit que la moyenne est mieux respectée que l'écart-type, car les valeurs de p¡ issues de la
moyenne sont plus proche des valeurs de P] initial que celles issues de l'écart-type.
La méthode (2) semble la plus appropriée pour respecter la moyenne de la variable RX. Aucune des
trois méthodes n'est supérieure aux autres pour respecter l'écart-type de la variable. C'est donc la
méthode (2) avec stockage des valeurs incompatibles qui est adoptée pour générer la variable RX et
pour limiter les retirages de la variable.
La seule variable concernée par cette modification est bien sûr la variable RX. On passe alors d'une
erreur relative moyennée sur tous les postes de -6 % l'hiver et -10 % l'été, à une erreur pratiquement
nulle sur la moyenne de la variable. Si l'on regarde les variables "réellement simulées", on constate une
légère tendance à la surestimation (en moyenne de 5 %). Pour les écarts-types de la variable RX, on
n'observe pas de différence notable.
Cette modification amène à une légère augmentation de l'erreur relative sur les moyennes des pluies
maximales en 1 heure qui étaient déjà surestimées. C'est la conséquence directe de l'augmentation
de la moyenne de la variable par rapport à la modélisation précédente.
Malgré cette légère augmentation de l'erreur relative sur les pluies maximales en 1 heure, le respect
de la moyenne de la variable RX simulée conduit à conserver cette modification.
IL 1.4 - Modification de la loi des durées des averses
On observe une sous-estimation de l'écart-type des durées d'averses principales (DAP) générées,
inférieures au seuil de troncature. Cette sous-estimation vient du fait que la loi théorique décrivant la
distribution des durées n'est pas totalement adaptée.
Le paramètre de la loi de Poisson, utilisée pour décrire les durées, est estimé à partir de la moyenne des
durées inférieures à un seuil. Dans la loi théorique, ce même paramètre est égal à la variance de la
variable. Si l'échantillon servant à l'ajustement ne respecte pas cette propriété de la loi, lors du tirage
dans la loi ajustée on ne retrouvera pas les mêmes caractéristiques entre l'échantillon observé et
l'échantillon simulé. Pour arranger ce biais, on modifie l'échantillon observé en faisant varier le seuil
bornant les valeurs de l'échantillon. On gardera le seuil qui permet de respecter au mieux la relation
"Moyenne = Variance", caractérisant la loi de Poisson.
Par contre les écarts-types des durées prises dans leur totalité (avant et après le seuil de troncature) sont
plutôt surestimés. Ce sont alors les valeurs les plus fortes qui sont surestimées par le choix d'un
intervalle trop grand pour les valeurs générées après le seuil de troncature. Pour essayer d'améliorer
l'erreur sur les écarts-types des valeurs les plus fortes, on modifie les bornes de la loi uniforme après le
seuil de troncature.
CHAPITRE II - Amélioration des performances dit modèle 75
La recherche du seuil de troncature de la loi qui permet d'avoir une distribution expérimentale la plus
proche de la loi de Poisson, sur la globalité des postes étudiés, donne les résultats suivants :
Averses principales : Seuil de troncature à 10 heures pour la saison "hiver"

Seuil de troncature à 8 heures pour la saison "été"
Averses ordinaires : Seuil de troncature à 6 heures quelle que soit la saison.
On décide alors de limiter la durée des averses générées à :
Averses principales : Limitées à 20 heures pour la saison "hiver"

Limitées à 14 heures pour la saison "été"
Averses ordinaires : Limitées à 12 heures quelle que soit la saison.
Cette modification a permis d'améliorer l'erreur sur l'écart-type des durées d'averses principales
inférieures au seuil de troncature, la faisant passer d'une valeur moyenne de -20 % à -10 %. Mais
elle n'a entraîné aucune modification sur la restitution des variables tests, si ce n'est une légère
amélioration des hauteurs totales sur certains postes.
Conclusion
Les différentes modifications présentées jusqu'à présent n'ont pas apporté d'amélioration sur les
capacités du modèle à respecter les variables tests, si ce n'est la modification portant sur la
recombinaison des valeurs de la variable NG, pour diminuer le taux de retirage dû à la contrainte
des 20 millimètres journaliers. L'intérêt de ces modifications est cependant d'éliminer au maximum
les biais sur la restitution des variables descriptives utilisées par le modèle.
La première étape vers l'amélioration des performances du modèle a été de respecter au mieux les
variables initiales utilisées par le modèle, en évitant les biais qui pourraient minimiser les
modifications ultérieures. Cette amélioration s'est faite par une diminution considérable du taux de
retirages, et par la modification de l'analyse des durées d'averses.
11.2 - MODIFICATION DE LA LOI DES INTENSITES
On a vu dans le chapitre sur la sensibilité du modèle aux différents paramètres, que le modèle était très
sensible aux paramètres des variables HMAP et HMAO (intensités moyennes des averses principales et
ordinaires).
Après les diverses modifications effectuées sur le modèle depuis sa structure initiale, on observe les
erreurs relatives sur la restitution des moyennes et écarts-types des intensités moyennes des averses,
présentées dans le tableau suivant :
Variables Avant modifications Après modifications Après modifications

Moyenne de HMAP de -20 à 40 % de -5 à 10 % de-15 à \5ac
Ecart-type de HMAP de -10 à 50 7c de -5 à 35 % de -20 à 35 ac
Movenne de HMAO de-15 à 15 7c deOà 15 7c de-15 à 5 rc
Ecart-tvpe de HMAO de -25 à 5 % de -10 à 20 % de -30 à -10 rc
Erreurs relatives sur les moyennes et écarts-types des intensités moyennes des averses, sur l'ensemble
des postes étudiés et pour les deux saisons.
On observe une amélioration en ce qui concerne la restitution des variables dites "générées", c'est à dire
issues du tirage aléatoire dans les lois de répartition théoriques calées. Cette amélioration est moins
importante si l'on compare les variables observées avec celles "réellement simulées", c'est à dire
recalculées à partir des hyétogrammes simulés. La différence entre les intensités "générées" et les
intensités "réellement simulées" est due principalement au non respect de la contrainte de l'averse
principale. Les averses simulées à partir des variables DAP et HMAP (durée et intensité moyenne des
averses principales) peuvent ne pas être principales en volume et être ainsi considérées comme
ordinaires dans le calcul des variables "réellement générées". En général cela se produit lorsque c'est
l'intensité de l'averse principale qui est plus faible que l'une des averses ordinaires. Ceci s'accompagne
alors d'une diminution des intensités moyennes "réelles" des averses ordinaires et d'une augmentation
des intensités moyennes "réelles" des averses principales.
De façon générale, les intensités générées sont plutôt surestimées. Cette surestimation est due au biais
introduit par la loi de probabilité théorique, choisie pour ajuster la distribution empirique des intensités
d'averses. En effet, la loi de probabilité définie par la succession de deux branches exponentielles est
très sensible à l'échantillonnage. La seconde branche exponentielle, en particulier, peut varier
considérablement en fonction des valeurs extrêmes.
Pour l'ensemble des postes, on a reporté les distributions des valeurs brutes des intensités d'averses
observées, ainsi que la distribution de leur valeur réduite (voir en annexe ¡I.D. La transformation
logarithmique des fréquences permet d'avoir une représentation linéaire de la loi exponentielle. L'allure
linéaire globale des distributions représentées sur ce système d'axes (HMA = f [Ln(l-F)]). laisse penser
que la loi exponentielle simple convient pour la globalité des postes étudiés.
CHAPITRE II - Amélioration des performances du modèle
II.2.1 - Passage à une loi exponentielle simple
L'utilisation d'une loi exponentielle simple a pour but de diminuer la sensibilité de la loi théorique des
intensités moyennes aux valeurs extrêmes de l'échantillon, valeurs pouvant être dues au hasard du
découpage horaire. En général, les intensités extrêmes des averses apparaissent pour des averses très
intenses et de durée très courte (en général moins d'une heure). Pour une averse de durée inférieure à
l'heure, la hauteur d'eau tombée est alors assimilée à l'intensité moyenne de l'averse. La même quantité
d'eau tombant pendant une heure et quelques minutes sera analysée sur une durée de deux ou trois
heures suivant le découpage, ce qui divise l'intensité par deux ou trois. On retrouve ici un problème
similaire à celui du découpage des pluies horaires (chapitre 1.4.2 ) .
Le tableau n°II.l montre des exemples flagrants pour lesquels une intensité moyenne extrême d'une
averse de une heure va influencer considérablement la distribution de la variable.
POSTE Felce (Corse) Truie (Real Collobrier) Martels (Real Collobrierl

VARIABLE - SAISON HMAP - Hiver HMAO - Eté HMAO - Hiver
Valeur maximale observée 53,2 mm/h pendant 1 h 55,8 mm/h pendant lh 35,1 mm/h pendant 1 h
Valeurs suivantes 17,8 mm/h pendant 2 h 17,4 mm/h pendant 1 h 12 mm/h pendant lh
(variable classée par ordre 17.7 mm/h pendant 8h 11,9 mm/h pendant lh 8,4 mm/h pendant 3h
décroissant)
AJUSTEMENT DE LA LOI DE SERIE DE DEUX EXPONENTIELLES
Avec toutes les valeurs
Pente 1 e r e branche : P, = -0.0288 p, = -0,0443 P, = -0.0767
eme
Pente 2 branche : P2 = -0,0069 P2 = -0,0060 P 2 = -0,0327
Fréquence au point pivot : F(x) = 0.94 F(x) = 0.98 Fix) = 0.79
Sans la valeur maximale

Pente l e r e branche : P, = -0,0295 P, = -0,0460 P, = -0.0755
Pente 2 e m e branche : P2 = -0,0295 P2 = -0,0418 P2 = -0,0727
Fréquence au point pivot : F(x) = 0,60 F(x) = 0.87 F(x) = 0.79
CARACTERISTIQUES STATISTIQUES DES SERIES

Moyenne avec la valeur 6 mm/h 2,7 mm/h 1.8 mm/h
maximale
Moyenne sans la valeur 5.6 mm/h 2,5 mm/h 1.8 mm/h
maximale
Ecart-type avec la valeur 5,5 mm/h 3,6 mm/h 1,9 mm/h
maximale
Ecart-type sans la valeur 3,3 mm/h 2,2 mm/h 1,3 mm/h
maximale
Tableau n°H. I : influence de valeurs extrêmes sur l'estimation de la moyenne et de iécurt-type

des intensités moyennes de certains postes pluviographiques.
La présence d'une valeur extrême va considérablement influencer l'ajustement de la distribution de

probabilités de la variable et en particulier la pente de la seconde branche exponentielle. Avec la
présence d'une valeur dite extrême, la seconde pente peut être facilement divisée par 2, 4 ou plus.
Même associée à des fréquences d'apparition rares (probabilité de non-dépassement au point pivot
supérieure à 0,9), cette forte cassure de la loi exponentielle peut être la source de générations
d'intensités d'averses très élevées qui, associées à de longues durées, peuvent générer des volumes d'eau
considérables dans une proportion supérieure à celle observée.
Le tableau n°II. 1 montre aussi l'influence d'une valeur extrême sur le calcul de la moyenne et de l'écart-
type d'une variable. On retrouve les résultats classiques où l'écart-type est une caractéristique beaucoup
plus sensible aux valeurs extrêmes que la moyenne.
Dans un premier temps, la loi exponentielle simple va être substituée à la loi combinant deux branches
exponentielles.
11.2.1.1 • Formulation de la loi exponentielle
On trouve la formulation et les caractéristiques de la loi exponentielle dans la plupart des ouvrages de
statistiques mathématiques. Soit X une variable aléatoire et x une réalisation de cette variable, alors si X
suit une loi de probabilité de type exponentielle, sa fonction de densité de probabilité est [SCHERRER.
1984]:
et sa fonction de répartition s'exprime par :
P(X < x) = F(x) = 1 - e" e(x " v) si x > v
Les deux paramètres v et 9 sont respectivement des paramètres de translation et de forme. A partir de la
définition du moment d'ordre 1 (moyenne) et du moment centré d'ordre 2 (variance), et par la résolution
des intégrales qui en résultent, on peut exprimer la moyenne (|l x ) et l'écart-type (G x ) de la variable X
en fonction des paramètres v et 9 de la loi théorique [DAGNELIE, 1973] :
1 1
u, = v+— et a. = —
D'où la détermination des paramètres par la méthode des moments : 9=— et v = |ix - ax
On choisira préférentiellement la représentation de la loi exponentielle sur le système d'axe

{x, Ln(l-F(x))}, dans lequel elle est représentée par une droite de pente -9 (notée a) et d'ordonnée à
l'origine 9.v (notée b).
•=* y = L n ( l - F ( x ) ) = - 8 ( x - v ) = a.x + b
C'est une droite dont la valeur absolue de la pente 1-81 est donc inversement proportionnelle à l'écart-
type de la variable X.
Si l'on centre et réduit la variable X de chaque poste, par rapport à sa moyenne et son écart-type, la
nouvelle variable va être caractérisée par une moyenne nulle et un écart-type de 1.
La distribution de cette nouvelle variable U x représentée sur un papier semi-logarithmique, pourra être
ajustée par une loi exponentielle unique représentée par une droite de pente -1 et d'ordonnée à l'origine
-1 (Figure n° II.2).
On pose X = H = intensité des averses, comme étant

une variable aléatoire suivant une loi exponentielle et
H — il
UH = — la variable centrée réduite de H. Alors
U H est définie par )J.y = 0 et fJ^ = 1 et suit une loi

exponentielle de paramètres 0 = 1 et v = -l
(donc a = -1 et ¿> = -1).
Figure n°II.2 : loi exponentielle simple sur les

valeurs centrées réduites
II.2.1.2 - Ajustement de la loi sur les observations et résultats de la simulation
Dans un premier temps, on utilise la totalité des valeurs pour ajuster la loi exponentielle, sans distinguer
les valeurs particulières. Le calcul des paramètres de cette loi, pour chaque poste étudié, est réalisé par
la méthode des moments, à partir de l'estimation de la moyenne et de l'écart-type de la variable, calculés
sur l'ensemble des valeurs de la variable.
Si l'on représente sur un même graphique {annexe Il.l), la distribution des valeurs observées des
variables "intensités moyennes" centrées réduites de tous les postes étudiés, l'amélioration de
l'ajustement des valeurs observées sur la loi de probabilité théorique, se traduit ici par un resserrement
du faisceau des distributions empiriques autour de la droite théorique d'équation
y = Ln(l - F) = - x - 1 (droite représentant la loi exponentielle théorique pour des valeurs centrées
réduites)"^.
On observe que certaines distributions s'éloignent de la distribution théorique (en particulier pour la
variable HMAP à la saison "hiver").
Ces écarts sont dus à une surestimation de l'écart-type de la variable par la présence d'une valeur
particulièrement forte. Cette surestimation va davantage réduire les variables standardisées, donnant à
(1)
Par la suite, la fréquence empirique Fu,) est calculée par la formule de Hazcn : Ft\,)=(i-0.5)/N. où N est l'effectif de
l'échantillon et i le rang de la valeur x¡ lorsque les \aieurs de l'échantillon sont classées par ordre croissant
la distribution de celles-ci une allure s'éloignant de la distribution théorique, malgré un écart-type de I

(et donc la pente de cette distribution correspond bien à celle de la loi théorique). On se trouve ici
confronté au même problème que pour l'ajustement d'une droite par régression linéaire : la présence
d'une valeur non alignée avec les autres peut fausser l'estimation de la pente de la droite, tout en
réduisant la qualité de la régression.
Les résultats de la simulation, faite à partir des intensités moyennes d'averses suivant une loi
exponentielle simple calée sur l'ensemble des valeurs, sont reportés sur les graphiques n°II.3 (ronds
gris). Ils sont comparés aux résultats de la simulation initiale avec la loi formée par la série de deux
exponentielles (ronds blancs).
Si la restitution des moyennes des variables tests est moins bonne pour certains postes, en revanche la
restitution des écarts-types a été améliorée. Ce sont les erreurs relatives sur les pluies maximales en 1
heure qui sont les plus touchées par la modification (en particulier pour la saison "été"). Directement
générées par le produit de l'intensité moyenne de l'averse et du rapport RX, les pluies maximales en 1
heure sont donc très sensibles aux problèmes d'ajustement de la variable intensité.
Discussion : les erreurs sur la restitution des moyennes et des écarts-types des variables tests sont
principalement dues à une surestimation de l'écart-type de la variable HMA par la loi formée par la
série de deux exponentielles. La loi exponentielle simple, moins sensible à l'échantillonnage que la loi à
deux branches exponentielles, permet de mieux s'affranchir de la présence de valeurs extrêmes biaisant
l'échantillon. On améliore ainsi la restitution des écarts-types des variables tests générées sur certains
postes présentant ces cas particuliers. Toutefois la loi exponentielle reste exposée aux problèmes
d'échantillonnage que subit le calcul des paramètres issus en particulier de l'estimation de l'écart-type de
la variable.
Notons aussi que la loi exponentielle simple a l'avantage de ne nécessiter que deux paramètres au lieu
de quatre, pour la loi formée par une succession de deux branches exponentielles.
II.2.2 - Amélioration de l'ajustement - Distinction des valeurs

particulièrement exceptionnelles
Comme pour la plupart des variables hydrologiques, se pose le problème des valeurs particulièrement
extrêmes, dans l'ajustement d'une loi de distribution. La détermination des paramètres par la méthode
des moments sera d'autant plus sensible à l'échantillonnage qu'elle fera appel à des moments d'ordre
élevé.
Pour la loi exponentielle simple, les paramètres sont estimés à partir de la moyenne et de l'écart-type
(par la méthode des moments). Leur détermination est donc soumise aux biais introduits par la présence
de valeurs extrêmes {voir tableau n° II. I).
Ces valeurs extrêmes se décrochant de la distribution empirique sont couramment traitées à part et
qualifiées de "horsains" ou "outliers" (MASSON [1991]). Ces valeurs sont alors considérées comme des
individus n'appartenant pas à la distribution de la variable étudiée.
II existe des tests basés sur la distribution d'échantillonnage empirique du coefficient de dissymétrie,
qui permettent d'estimer la présence d'horsains [ROSSI, FIORENTINO et VERSACE, 1984].
Dans notre cas. la variable étudiée n'est que le sous-produit d'une variable hydrologique mesurée. Les
valeurs prises par la variable intensité moyenne, sont bien sûr le résultat d'une mesure de précipitation,
mais aussi le résultat du découpage temporel de cette pluie. En effet deux intensités d'averses se
différencient par la quantité d'eau précipitée au cours de l'averse et par la durée de cette averse. Pour
prendre l'exemple de l'intensité de 53.2 mm/h tombé sur un pas de temps horaire à la station de Felce
(tableau n°II. 1), la même averse qui aurait duré lhO5, aurait été comptée sur deux pas de temps,
divisant alors son intensité par 2. De même, il est difficile de classer en terme de probabilité
d'apparition, une intensité extrême de 50 mm/h tombée sur un pas de temps et une intensité de 25 mm/h
tombée sur trois pas de temps (peut-être 75 mm en lh20). On admet alors, sans faire de test sur les
horsains, que certaines valeurs extrêmes ne sont dues qu'au hasard du découpage et n'appartiennent pas
à la population considérée. Mais leur présence ne doit pas pour autant être ignorée.
Pour étui'ier cette population particulière de valeurs extrêmes, une analyse est effectuée sur la totalité
des vale ¡rs prises par tous les postes, afin d'augmenter l'effectif de cette population de valeurs
particulières. Pour pouvoir traiter ensemble les données des différents postes, il faut les rendre
comparables. Une homogénéisation est alors réalisée, en divisant les valeurs de chaque série par la
moyenne de la série. On obtient ainsi des séries de même moyenne, égale à 1. C'est un moyen
couramment utilisé lors d'études des crues régionales, pour pouvoir comparer les données de plusieurs
stations de mesures. Pour justifier cette agglomération des données, on fait l'hypothèse que les variables
réduites par la moyenne ont un coefficient de variation homogène, ce qui est vérifié si l'on ne tient pas
compte des valeurs particulières.
HMAP/M(HMAP) HVIAO/plHMAO)
5 10 5 10 15
SAISON HIVER SAISON HIVER

Intensités des averses principales Intensités des averses ordinaires
HMA0/(i(HMA0)
HMAP/M(HMAP)
10 15 :o
10 15
0 1 1 1 1
1 !
.2 \ i
-^ -4
! l
r^. -6
| ! Í
•5 -8 ^—L—i—•
-10
-12
C'a ^La/2 '*
1.
SAISON ETE SAISON ETE
Intensités des averses principales Intensités des averses ordinaires
Graphiques n°U.J : distribution de l'ensemble des valeurs des 42 postes étudiés, réduites par leur
moyenne locale, pour les intensités horaires moyennes des averses principales et ordinaires.
et pour les saisons "Hiver" et "Eté".
CHAPITRE ¡1 - Amélioration des performances du modèle 82
Les graphiques n°II.l représentent la distribution de probabilité des valeurs des intensités
"homogénéisées" de tous les postes mélangés, sur un système d'axe qui représente la loi exponentielle
par une droite. On observe ainsi une sorte de tendance globale de la distribution des intensités
moyennes d'averses sur l'ensemble des postes étudiés.
Pour les deux saisons et pour les deux variables, intensités des averses principales et ordinaires, on
observe les valeurs suivantes :
Variable - Saison Abscisse de la rupture de pente Rapport entre les 2 pentes

HMAP - HIVER Rupture de pente à 4 u 3
HMAP - ETE Pas de rupture de pente 1
HMAO - HIVER Pas de rupture de pente 1
HMAO - ETE Rupture de pente à 4 u 2
Parmi les quatre cas de figures qui se présentent (averses principales ou ordinaires pour les saisons
"été" ou "hiver"), deux présentent une rupture de pente de la distribution. Cette rupture apparaît à partir
des valeurs supérieures à 4 fois la moyenne.
Cette cassure dans la distribution observée, correspond en fait à celle déjà observée sur les séries prises
indépendamment et modélisées par la loi théorique formée d'une succession de deux branches
exponentielles. Elles semblent modéliser l'apparition d'une population qui suit une loi exponentielle
plus forte, à partir d'une certaine fréquence. Ici, la fréquence seuil est déterminée par la valeur seuil de 4
fois la moyenne de la série, et varie d'un poste à l'autre.
La loi de probabilité théorique choisie pour décrire les variables intensités moyennes, sera donc une loi
exponentielle calée sur les valeurs inférieures à 4 fois la moyenne de la série, mais présentant une
rupture de pente pour toutes valeurs supérieures à 4 fois la moyenne de la série. La valeur de la seconde
pente sera déterminée par le rapport observé sur les distributions dites "régionalisées" (tableau ci-
dessus).
L'intérêt d'une telle loi est d'être calée sur un échantillon moins sensible à la présence de valeurs
exceptionnellement élevées, tout en les prenant en compte par la modélisation de la rupture de pente.
Cette façon de procéder permet d'augmenter la robustesse de l'ajustement des valeurs intensités
moyennes horaires, et donc du modèle.
Pour les deux cas de figure où la rupture de pente n'a pas été observée, la calage de la loi exponentielle
est quand même fait sur les valeurs inférieures à 4 fois la moyenne.Le calcul des paramètres de la loi
ainsi définie, se fait par une régression linéaire entre les valeurs standardisées inférieures à 4 fois la
moyenne de la série et les valeurs de Ln(l-F) correspondantes {Graphique n°H.2).
Les coefficients de détermination obtenus lors de la régression sur les valeurs inférieures à 4 fois la
moyenne de la série, sont très élevés. Pour les averses ordinaires, ils sont toujours supérieurs à 0,97.
Pour les averses principales il est toujours supérieur à 0,94 sauf pour trois postes à la saison "hiver" et
un poste à la saison "été".
IIMAIViuHMAP) PoMe de Felce (Cinti HI\ER HM\O/|iill.MAOi Poslede Ftlct iCur,ei ETE
i : i lit ut i:
0 0
1
^v Etirjpolaui n delà hu par une droite de pcnie x 3 -l
Xy ! , Extrapolation de la loi par jie dr nie de penu: x l
-
loi valeurs Je HM VuHMA >4 pour les VJICUS Je HMA/u HMA>4
1
? -1 '
A^H •.,
¡ / i
/ Vs i / G 4 _
/ !/ • i •
II
.*• -5 J
/ N^-
/
»1
i ' ^ ~~~ ^ i
•
1 Droite de ••curesMon 1 ^ ^ ~ ^ ^ j Droite de régression
n sur les valeurs de HMA/uHMA <4 1 sur 1« valeurs de HMA/uHMA <4
i .. i
• Observations ~~~" Loi exponenuelle taliie sur valeurs ( <¿\i i + rupture de pente ; • Observations — Lui exponentielle calée sur valeurs <<4(i) + rupture de pente
Graphiques n°II.2 : ajustement par une loi exponentielle des intensités réduites inférieures à 4.
Résultats de la simulation :
Si l'on omet le poste de Chateaurenard dont l'ajustement de la loi des intensités d'averses principales est
très médiocre (ajustement sur 36 valeurs seulement contre plus d'une soixantaine en général), la
nouvelle loi des intensités apporte une amélioration sensible sur la restitution des moyennes et des
écarts-types des variables tests (ronds noirs sur les graphiques n°II.3).
: !
Bouches Hérault \ ! Bouches '• Hérault_
PO .,..„...,-.
du Rhône Real Collobnerl Van 'Corselo.1 j u Rhône Real Collobner ( Var) CorSi:
C
60
1 :
HI\"ER j ! ETE
s: 50 1 , 1 ' '
S -J Chateaurenard
.io •—O r- ~ ^ —
u E
S: •
— í< ~TÎ •• J i, ii^-"
3 -10 —
8
-20 -
1 1
o Série de 2 exponentielles Exponentielle simple Exponentielle simple + rupture Je pente
-lai
Bouches | HéraultJ Bouches Í Hérault
1
P.O. du Rhône Real Collobner (Var) ¡Corse P.O. Real Collobner (Var) 'Corse
du Rhône , ,
70
^ 60 H
Chateaurenard ' ' HIVER ETE
50
: oO
0*
S 40 - H
•^f in l -, S
g ^ _ . ?9
| io — • g -8-to- -§»-
0*1
a 0 •+
'§
= •
-io g —
-20 r—---•
o Séné de 2 exponentielles o Exponentielle simple Exponentielle simple + rupture de pente
Ibi
Graphique n°II.3a et b : restitution des moyennes des valeurs des pluies maximales en I et 24 heures
pour différents essais de lois de probabilité des intensités moyennes d'averses.
Ce sont en particulier les postes présentant des valeurs extrêmes d'intensités moyennes d'averses qui
sont les plus améliorés.
On peut remarquer que pour la saison "hiver" et pour les pluies maximales en 1 heure (les plus
influencées par la variable HMAP) des postes du B.V.R.E. du Real Collobrier, les écarts-types ont
tendance a être augmentés. Cela provient du fait que, sur la plupart des postes pluviographiques du Real
Collobrier, la rupture de pente n'est pas observée pour les intensités moyennes des averses principales
en "hiver". La modélisation de cette rupture de pente a donc tendance à surestimer les intensités des
averses principales et par conséquent à augmenter les pluies maximales en 1 heure.
Bouches , Hérault i Bouches | Hérault_í ,

P.O. —' Real Collobrier (Var) Corse PO! j . r,Lî_. l ! RîrnllnhnprlV^ri
Real Collobner (Var) ' Corse
u du Rhône du Rhône
5 140
u 120
HIVER ETE
100
P ,
80
3 — 6 0
I • af of •o
J I 40 •s : » i . ««
,0 I
Si £^ 2 0 - 9 -
•J • 8«oo"
m. a
= = 0
-20 - o -
-40
o Sene de 2 exponentielles • Exponentielle simple • Exponentielle simple + rupture de pente
[cl
Bouches Hérault Bouches Hérault_
P.O.
du Rhône Real Coilobner (Var) 'Corse p.o! du Rhône Real Collobner (Van
400
Chateaurenard
Si
£J HIVER ETE
V 250
c
1
y)
i 200
150
nuli
1 100 fl
> X
50
ur ici
0 Ä
-50
o Séné de 2 exponentielles Exponentielle simple Exponentielle simple + rupture de pente j
Graphique n°II.3c et d : restitution des écarts-types des pluies maximales en 1 et 24 heures

pour différents essais de lois de probabilité des intensités moyennes d'averses.
Homogénéité de la variable intensité moyenne horaire :
Le graphique n°II.4 montre l'évolution de la valeur du paramètre 9 de la loi exponentielle simple calée
sur les intensités réduites par leur moyenne (HMA/uHMA).
Si l'on regarde le paramètre 9 sur les différents postes (graphique n°II.4). on observe une certaine
fluctuation d'un poste a l'autre. Cependant cette fluctuation n'a pas l'air d'être due à une hétérogénéité
spatiale des intensités, car le paramètre 8 varie d'un poste à l'autre indépendamment de la distance qui
les sépare.
Cette hétérogénéité est surtout due à la présence dans l'échantillon de valeurs extrêmes s'éloignant de la
distribution théorique ajustée, et forçant les valeurs de 9 vers des valeurs trop faibles.
Bouches Hérault Bouches | Hérault!

p.o! Real Collobner (Var) i Corse
P 0 Réal
- du Rhône l CoUobner (Var} Corse du Rhône , i
2.5
A
1\
Â * A A
9
o AA-*Ö
c
a. 'Si V i* *
x
u
1
ï'\
-2 C
HTVER ETE
0.5
°- Averses principales : loi calée sur les valeurs <4)j

— Â — Averses principales : loi calée sur l'ensemble des valeurs
Bouches Héraultl ! „ Bouches Hérault

P 0
du Rhône ',: Real Collobner (Var) Corse p.o: du Rhône Real Collobner (Van Corse
I6
O «
o o
! o"T
A A
S I0.8
-s c 0.6 -
HIVER ETE
0.4 —
3 0.2
0 i i Ii I Ii i ' 1 I i i i M !' I ' ' I I I i i [
0
Averses ordinaires : loi calée sur les valeurs <4u
—*— Averses ordinaires : loi calée sur l'ensemble des valeurs
Graphique n°Il.4 : évolution de la pente de la loi exponentielle simple calée sur les valeurs des
intensités réduites par leur moyenne : variable HMA/\À{HMA)
Entre les valeurs de 9 calées sur l'ensemble des valeurs et celles calées sur les valeurs inférieures à 4
fois la moyenne, on observe une certaine homogénéisation des valeurs.
Le calcul de 9 sur les valeurs inférieures au seuil de 4 fois la moyenne, permet de s'affranchir du
problème des horsains.
Bilan sur la modification de la loi des intensités :
Sur les graphiques n°II.5a et b, on compare des exemples particuliers d'ajustements de distributions de
la variable intensité moyenne, par les trois lois testées.
La loi exponentielle simple ne tient pas particulièrement compte des valeurs extrêmes, cependant
celles-ci peuvent introduire un biais sur l'estimation de la variable.
La loi formée de deux séries d'exponentielles décrit plus scrupuleusement la distribution empirique de
la variable, donnant beaucoup d'importance aux valeurs extrêmes.
HMAP/|i<HMAP) Poste LURI CAMPO (Con.) : HIVER HMAO / fi(HMAO) Poste TRUIE (Van : ETE
0 1 2 3 4 5 6 7 0 S 10 15 :o 2
V
*? •* •
^ ~* ^ — - ^
= -I e -H -
II , \
J
-12
• 14
• Ohservauims • UM exponentielle i<-lui + rupture ' ; • Ohscrvauons " " " " Un oxpcnenüciic . <-u i - rupiurc
Un cxpiincnuc " Scric Je Z cxnoncnucllc^ • I " " un exponentielle simple " Scric de 1 cxrvncruciles
[a] [b]
Graphique n°ll.5a et b : exemples d'ajustement des différentes lois de probabilité tests pour
caractériser les intensités moyennes d'averses.
D'autres lois connues auraient pu être étudiées pour représenter la distribution des intensités moyennes
des averses (loi de Gumbel, loi de Weibull, loi de Pareto, GEV..) . La plupart sont des lois à trois
paramètres, trop sensibles à l'échantillonnage.
La loi exponentielle simple avec rupture de pente est une sorte d'intermédiaire des deux lois
précédentes. Elle s'affranchit des valeurs extrêmes pour l'ajustement de la loi exponentielle simple,
et les considère de façon "régionale" par la modélisation d'une rupture de pente dans la loi
exponentielle calée.
Lors de la simulation des pluies horaires, on constate une amélioration progressive de la restitution
surestimée des écarts-types des variables tests, avec des lois de moins en moins sensibles à
l'échantillonnage. Cette surestimation était bien due à une modélisation des lois des intensités trop
proche des observations et donc pouvant être plus facilement biaisée par des problèmes
d'échantillonnage.
Remarque sur les valeurs extrêmes :
Dans ce paragraphe, on vient indirectement d'aborder le problème de la liaison pouvant

intervenir entre l'intensité et la durée d'une averse.
En effet, ce qui fait la rareté d'une intensité forte, ce n'est pas uniquement sa valeur, c'est surtout
sa combinaison avec une durée. C'est pourquoi, si l'on associe les intensités extrêmes indépendamment
de la durée, on risque de surestimer la pluie. On a d'ailleurs pu remarquer dans le tableau n° II. 1 que les
intensités extrêmes sont souvent associées à des durées d'une heure.
Cela justifie le fait de traiter les intensités extrêmes de façon régionale et de faire porter
l'ajustement de la loi de probabilité sur des valeurs plutôt moyennes (du moins peu soumises à
l'échantillonnage).
On peut retenir que la modification de la loi des intensités s'inscrit déjà dans la démarche de
régionalisation du modèle tout en améliorant sa robustesse.
CHAPITRE II - Amélioration des performances du modèle SS
II.3- PRISE EN COMPTE DE LA LIAISON INTENSITE-DUREE
L'hypothèse d'indépendance des variables descriptives du modèle n'a pas, jusqu'à présent, été remise en
cause, du fait de la faiblesse des coefficients de corrélation calculés entre les différentes variables
observées.
Cependant une faible liaison, bien que

Relation DAP - HMAP : ETE (Aix-en-P.) peu linéaire, avait déjà été observée (M.F.
VULLIET [1993]) entre les variables
"durée" et "intensité moyenne". Cette
liaison avait alors été modélisée par une
courbe enveloppe d'expression :
Durée = g- + l (Figure n°Il.3)
Intensité
imposant des contraintes sur des valeurs
ne pouvant être générées en même temps.
100 150 200 250
La loi des durées était conditionnée par
Intensité moyenne des averses principales :
HMAP 11/10 mm/h) les valeurs de l'intensité. Cette prise en
compte de la liaison avait amené une
meilleure restitution des variables
Figure n°II.3 : Exemple de liaison entre durée et intensité
descriptives du modèle, mais avait
moyenne pour les averses principales sur le poste d'Aix-
diminué ses performances sur la
en-Provence
restitution des variables tests.
La modélisation d'une courbe enveloppe reste toutefois une manière peu précise pour étudier une
éventuelle liaison entre deux variables supposées initialement indépendantes. En effet, l'occupation du
domaine de définition des deux variables étudiées (supposées indépendantes) va dépendre de la
fonction de répartition de chacune d'entre elles.
Par exemple, lors de la simulation de façon aléatoire et indépendante de deux variables suivant une loi
exponentielle \F(x) = 1 - e~x), la représentation graphique des couples des deux variables montre une
mauvaise répartition des valeurs dans le domaine de définition des variables {Graphique n°U.6). On
l'observe en particulier pour les valeurs extrêmes. Sur 500 couples de valeurs générées, les 10 plus
fortes valeurs d'une des deux variables semblent être associées à des valeurs ordinaires de l'autre
variable.
Cette répartition pourrait faire penser à la présence d'une contrainte ou d'une liaison dans la simulation
de couples de valeurs fortes, ou à la présence d'une loi conditionnelle, alors que la représentation
graphique en terme de probabilités montre bien l'indépendance des deux variables.
L'indépendance ou la liaison entre deux variables doit être étudiée en terme de probabilité
d'apparition. Deux variables seront considérées comme indépendantes si la probabilité d'apparition de
l'une ne dépend pas de la probabilité d'apparition de l'autre, c'est à dire si la répartition des couples de
probabilités d'apparition des deux variables est homogène sur son domaine de définition D=]0:1 [x]0; 1 [.
Tirage de 500 couples de valeurs Probabilité d'apparition des 500 couples de

indépendantes dans une loi exponentielle. points
4 6 10
X=-Ln(l-F(x))
Graphique n°ll.6 : représentation de couples de deux variables aléatoires indépendantes, suivant une
loi exponentielle simple : représentation des couples de valeurs brutes et représentation de leur
probabilité d'apparition.
Si l'on reprend l'exemple du poste d'Aix-en-Provence, saison "été", on observe une répartition moins
homogène des probabilités d'apparition des couples (durées-intensités) pour les averses principales que
pour les averses ordinaires (Graphique n°ll.7).
Averses principales ETE: Poste n310 Averses ordinaires ETE: Poste n"10
O
<
0.4 0.6 0.8 0.4 0.6

F(HMAP) F(HMAO)
Graphique n°ll. 7 : représentation de la probabilité d'apparition de la durée en fonction de la

probabilité d'apparition de l'intensité, pour les averses principales et ordinaires de la saison "été" du
poste d'Aix-en-Provence.
CHAPITRE lì - Amélioration des performances du modèle 90
Pour les averses ordinaires, l'indépendance entre les deux variables semble être respectée. Pour les
averses principales, la répartition des points autour d'une des diagonales du graphique suggère une
liaison négative entre les deux variables. Les valeurs de forte probabilité d'une variable semblent
préférentiellement associées aux valeurs de faible probabilité de l'autre variable, et inversement.
II.3.1 - Détermination d'une loi modélisant la liaison entre les durées et les
intensités des averses.
Le but est de trouver une loi permettant de quantifier puis de modéliser la liaison entre les fréquences
de deux variables étudiées.
On part du principe que si deux variables aléatoires X et Y sont indépendantes, leurs probabilités
d'apparition sont alors deux variables aléatoires indépendantes uniformes variant dans l'intervalle ]0:l[.
soit :
•* Soit F x = Prob(X<x) et F y = Prob(Y<y), alors si X et Y sont deux variables aléatoires

indépendantes, F x et Fy sont deux variables aléatoires uniformes indépendantes variant entre ]0; 1 [.
Cherchons alors à définir une relation entre F x et F y qui prendrait en compte la liaison entre les
variables, sans l'influence de leur loi de distribution.
II.3.1.1 - Loi de la somme de deux variables aléatoires indépendantes
On trouve dans les ouvrages de statistique, la définition suivante de la loi de probabilité de deux
variables aléatoires indépendantes :
soit deux variables aléatoires continues X et Y de densité de probabilité respectives /, et / , et
soit une variable définie par Z = X + Y : alors Z est une variable aléatoire dont la densité de probabilité
de Z est définie par :
f(z)= ¡fi(x)f2(z-x)dx= \fi(z-y)f2(y)dy (1)
Si l'on prend l'exemple simple de la somme de deux variables uniformes indépendantes, variant dans
l'intervalle ]0; 1[, on trouve la loi de densité de probabilité de Z et sa loi de distribution de probabilité
par intégration [P. DAGNELIE 1973] :
-2
si ze]0:l]
si *e]0;l]
f(z) = si :e]l;2[
(2)
2z-?-l si :.e]\:2[
CHAPITRE ¡I - Amélioration des performances du modèle 9/
Donc si deux variables aléatoires sont indépendantes, la somme de leurs probabilités d'apparition doit
suivre la loi de probabilité F(z).
On étudie alors la distribution de la somme des probabilités d'apparition des variables DA (durée de
l'averse) et HMA (intensité moyenne de l'averse). On observe par exemple sur le poste d'Aix-en-
Provence pour la saison "été" que, pour les averses principales, la distribution empirique se détache
fortement de la distribution théorique (Graphique n°ll.8). On observe alors une distribution qui résulte
d'une diminution de tirages combinant deux valeurs fortes, ou deux valeurs faibles.
Pour les averses ordinaires, l'indépendance semble être vérifiée par la bonne adéquation entre la
distribution empirique et la distribution théorique.
Awrses principales LTE(Poste n u lü) Averses orcfinaires ETE (Poste n°10)

1
0.9
0.8 / /
0.7
0.6
0.5
0.4
¡
M
0.3
i /I !
0.2 IZL
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Observé -Théorique ! z=F(DAP) + F(HMAP) O Observé -Théorique z=F(DAO) + F<HUAO)
Graphique n°U.8 .fonction de répartition de la somme des probabilités d'apparition des durées er des
intensités d'averses pour le poste d'Aix-en-Provence pour la saison "été", comparée ¿i la fonction de
répartition théorique de la somme des probabilités d'apparition de deux variables indépendantes.
Ayant trouvé une loi permettant de vérifier l'hypothèse d'indépendance entre deux variables, il reste à
trouver une expression analytique qui servira de loi modélisant la dépendance, lorsque celle-ci est
observée.
II.3.1.2 - Ajustement de la loi de la somme des probabilités d'apparition des

durées et des intensités moyennes des averses
Soit X = Prob (intensité < Valeur) e ]0; 1 [

Y = Prob (durée < Valeur) 6 ]0; 1 [
Z=X+Y e ]0;2[
On recherche l'expression d'une fonction de répartition théorique, pour ajuster des courbes telles que
celles observées sur le graphique n° II.8 . Cette fonction définie entre ]0:2[ doit prendre des valeurs
comprises entre ]0:1 [ et avoir une intégrale égale à 1.
A partir de la formulation (2), on introduit un paramètre n permettant d'ajuster une courbe théorique bur
les observations. La loi de probabilité de Z va alors être caractérisée par ce paramètre n caractérisant la
dépendance entre les variables X et Y. :
si ze]0;l]
= [2-F(z)]ñ si F(z)e]0;0.5]
F(z) = soit (3)
(2-z) n
si ze]l;2] = 2-[2-2F(z)]ñ siF(z)e]0.5;l]
On vérifie aisément que l'intégrale de F(z) vaut 1.
Remarque : Pour n = 2 , on retrouve la loi de la somme de deux variables aléatoires uniformes

indépendantes : formule (2).
Le graphique n°Il.9 représente la fonction de répartition définie par la formule (3), pour différentes
valeurs du paramètre n.
Cette loi est

symétrique par rapport au , F(z) 1 1
point z = I et F(z) = 0,5. ! 0.9 ! ! n=l
! ! = , 5 f'//. --•""
0.8
Lorsque n est supérieur à 2, on i ! n - '/
1i •
/ -•"
0.7
diminue la probabilité d'avoir
une combinaison de deux
:
; 0.6
!
,
| — n = 3
n=4
' '/'y. . . • "
i y-
valeurs très fortes ou de deux \ 0.5 " i — - — - - n=6
valeurs très faibles. On aura , .••'M
0.4
affaire à une liaison dite ¡
0.3
négative. Inversement, lorsque ;
0.2
n est inférieur à 2, on ;
favorisera la combinaison de j 0.1
valeurs fortes ou de valeurs 0
faibles. On aura affaire à une o 0.5 1.5
liaison dite positive. Z = x +y
Graphique n°II.9 .fonction de répartition de la somme de deux variables

aléatoires dont la dépendance est caractérisée par le paramètre n.
Pour chaque poste, chaque saison ("été" et "hiver") et chaque type d'averse (principale et ordinaire), la
valeur du paramètre n a été déterminée de façon à minimiser le carré des écarts entre les valeurs de la
distribution empirique et les valeurs de la distribution théorique. Les résultats sont regroupés sur le
graphique n°II.W.
Bouches Hérault Bouches Hérault

Corst p.o'
P.O.
du Rhône
RéalCollobner(Var)
du Rhône Real Collobner ¡Van Corse
Q
s 1
e 1
î Ì
ETE
ramèlre ile liu
i
« 1
! i #
1
4
• «
il
l/\ •• ••' •* i f • •
Í i 1 • i
3
"O .r- -a- ho coa 1
O -,
3CMO
i — !
,,,1, ^ 1.1 i
o , j i
IM, M
- • - Averses Principales -o— Averses Ordinaires |
Graphique n°II.lO : valeurs du paramètre n pour tous les postes, pour les deux saisons et les deux types
d'averses.
La valeur du paramètre n pour les averses ordinaires est proche de 2 et reste peu variable sur les
différents postes et pour les deux saisons. L'indépendance entre les durées et les intensités pour les
averses ord.naires semble plus marquée que pour les averses principales. Pour les averses principales,
les valeurs du paramètre n révèlent la dépendance entre les deux variables concernées, ainsi que la
variabilité de cette dépendance d'un poste à l'autre. On remarque que pour la saison "été". les valeurs de
n sont plus fortes que pour la saison "hiver".
Après avoir quantifié la liaison pouvant exister entre les durées et les intensités, il reste à l'inclure dans
le modèle.
II.3.2 - Modélisation de la liaison entre les deux variables et influence sur la

simulation.
¡1.3.2.1 - Modélisation de la liaison.
Pour introduire la liaison entre les variables DA et HMA, on procède de la façon suivante :
> On génère une valeur de c en tirant de façon aléatoire dans sa loi de répartition F(z) définie
par la formule (3) et en prenant la valeur du paramètre n correspondant au poste, à la saison et au type
d'averse étudié. On a alors la valeur de la somme des probabilités d'apparition des deux variables, durée
et intensité moyenne : ; = F(da) + FOxma).
> On tire ensuite de façon aléatoire la probabilité associée à l'une des deux variables (par
exemple F(hma) ) que l'on soustrait à la valeur de la somme ; pour avoir la probabilité de la seconde
variable (ici Fida) = z - F(hma) ). On s'assure alors que la valeur déduite soit comprise entre 0 et 1.
sinon on retire la probabilité de la première variable. Ainsi on respecte la loi de la somme des
probabilités d'apparition des deux variables, et donc la contrainte sur leur liaison.
Remarque : le retirage effectué sur la probabilité d'apparition de la première variable entraîne une petite
modification de la loi de répartition de celle-ci. En effet, comme on peut l'observer sur le graphique
n°II.l¡, lors de la simulation, la probabilité d'apparition de la variable HMA (de même que celle de DA)
ne suit pas totalement une loi uniforme comprise entre 0 et 1. Cependant ce biais intervient surtout pour
les valeurs extrêmes observées du paramètre n (n=l,5 et n=7) modélisant une forte liaison entre les
variables. Pour l'indépendance, obtenue à n = 2, la loi uniforme est bien respectée, ce qui montre que le
biais n'est pas dû au mode de génération des fréquences mais à la difficulté de trouver des valeurs
compatibles pour certaines fréquences lorsque les contraintes sont fortes.
Loi de répartition de F(hma) simulée pour différentes valeurs de n
09
08
07
06 4
03
02
0.1 -
0.1 O: 0 3 04 0.5 0.6 0 7 0 8 09

F(hina)
Graphique n°ll.l 1 : distribution de probabilité de la variable F(hma) simulée.
11.3.2.2 - Influence du paramètre n sur les variables tests
La contrainte est donc intégrée dans le modèle lors de la génération des variables DA et HMA. Le
modèle a donc maintenant deux paramètres supplémentaires qui sont les valeurs de n pour les averses
principales (noté LIAIP) et pour les averses ordinaires (noté LIAIO).
Afin d'apprécier l'influence de ces nouveaux paramètres sur la génération des hyétogrammes, on
regarde l'évolution des moyennes et écarts-types des variables tests, pour différentes valeurs de LIAIP
et LIAIO. Pour cela, deux séries de simulations de pluies horaires sur une période de 1000 ans sont
réalisées, en faisant varier chacun des deux paramètres indépendamment. Les paramètres utilisés pour
la simulation sont ceux du poste des Bonnaux (n°54) du bassin versant du Real Collobrier et de la
saison "hiver".
CHAP Ti >ÏE II - Amélioration des performances du modèle 95
Pour chaque simulation, on calcule l'erreur relative sur les moyennes et écarts-types, trouvées entre les
observations et la simulation. Les paramètres LIAIP et LIAIO varient entre 1,1 et 8 (la valeur 2
correspondant à l'indépendance).
Les résultats sont portés sur les graphiques n°II. 12a. b, c et d.
ERREUR SUR LES MOYENNES ERREUR SUR LES ECARTS-TYPESJ—
1 2 3 4 5 6 7 1 2 3 4 5 6 " 8
Valeur de n pour les awrses PRINCIPALES Valeur de n pour les awrses PRINCIPALES
[b]
ERREUR SUR LES MOYENNES ERREUR SUR LES ECARTS-TYPES
Valeur de n pour les averses ORDINAIRES Valeur de n pour les awrses ORDINAIRES
[cl [d]
Graphiques n°U.12a,b,c et d : évolution de l'erreur relative des moyennes et écarts-types en fonction du
paramètre n des averses principales (graphiques a et b) et des averses ordinaires
(graphiques c et d). Poste de Bonaud du Real Collobrier, saison "hiver".
On observe les différents points suivants :
- les estimations des variables tests augmentent lorsque le paramètre n diminue. Lorsque n
diminue, on tend vers une liaison positive qui favorise la combinaison de valeurs fortes d'intensité a\ec
des valeurs fortes de durées.
- bien que le paramètre n pour les averses principales (LIAIP) n'influence la génération que
d'une seule averse dans un épisode, son influence est aussi importante que celle du paramètre n pour les
averses ordinaires (LIAIO), qui concerne toutes les autres averses. Cela s'explique par le fait que LIAIP
s'applique pour l'averse la plus importante de l'épisode et donc pour celle qui influence le plus les pluies
maximales. Cela est moins vrai pour les pluies maximales de longue durée (>24h) et en particulier pour
les hauteurs totales des épisodes. C'est pourquoi on observe une influence plus grande de LIAIO pour la
variable HTOT (hauteur totale de l'événement) et PM24 (pluie maximale en 24 heures). Le paramètre
LIAIP est lui plus influent pour les variables PM12 et aussi PM24 (pluies maximales en 12 et 24
heures).
- la plus faible influence des paramètres LIAIP et LIAIO pour les pluies maximales en 1 heure,
provient du fait que les pluies maximales en 1 heure sont plus influencées par la combinaison des
variables HMA et RX que par la combinaison des variables HMA et DA.
- enfin notons la non linéarité entre l'influence des paramètres et leurs valeurs. A partir d'une
valeur de n supérieure à 5, l'influence n'est plus notablement modifiée. Cela est peut être dû aux
difficultés rencontrées au paragraphe précédent, pour trouver des valeurs "compatibles" pour certaines
fréquences lorsque les contraintes sont fortes. Cependant le problème ne semble pas se poser pour une
liaison positive forte (n<1.3).
On vient de voir l'influence non négligeable des paramètres de liaison LIAIP et LIAO sur les variables
tests. Ces paramètres ayant été calculés sur les différents postes, le paragraphe suivant présente l'impact
de leur prise en compte sur la restitution des variables tests.
II.3.2.3 - Résultats de la modélisation
Les résultats de la simulation tenant compte de la liaison entre les durées et les intensités, sont
comparés sur les graphiques n°II.13 et 11.14, aux résultats du même modèle ne tenant pas compte de
cette liaison. La loi des intensités du modèle en question, est la loi exponentielle simple avec rupture de
pente, présentée au paragraphe II.2.2.
La prise en compte de la liaison entre les durées et les intensités améliore considérablement les
performances du modèle dans la restitution des moyennes des pluies maximales. L'amélioration est
d'autant plus nette pour la saison "été", qui était la saison la moins bien restituée, et pour laquelle la
liaison apparaît comme plus forte. Elle est plus importante également pour les pluies maximales de
plusieurs heures qui étaient elles aussi moins bien restituées que les pluies en 1 ou 2 heures.
En ce qui concerne la restitution des écarts-types des pluies maximales de différentes durées,
l'amélioration est là aussi très nette. Seule l'erreur relative pour les pluies maximales en 1 heure est peu
touchée par la modification.
Si la prise en compte de la liaison entre durée et intensité amène à une diminution des erreurs relatives
sur la restitution des variables tests, elle est surtout intéressante parce qu'elle entraîne une homogénéité
des erreurs relatives des différents postes.
Seule la simulation faite sur le poste de Chateaurenard n'est pas réellement améliorée, ce qui s'explique
par le mauvais ajustement de la loi des intensités moyennes des averses principales.
PO Bouches ;, Hérault o ,_ „ . „ \n p o Bouches ¡ H^/aulh Rej | Collobner. Van Corse

. _.. — — Real Colloorien Var) ¡Curse
du Rhone du Rhône '
35
30
fi
i
PO Bouches
fÎî ra uiL' RéalCollobner(Var) I Corse p i Bouches , Hérault_l Real Collobner ( Var) ; Corse
du Rhône ' du Rhône ' ~
S 70
u
-a HIVER ETE
o 50
oyei
heui
40
E VO
c 30
les
u
c/) °o
aie
3 20
U
E o o o°
'3 10
a .-3 o
u
b«
La
g
0 •- • V.V • • 8* • •
• — • * —
•
»j
3
-10
• o- Sans liaison — • — Avec liaison
PO Bouches 1 Hérault Bouches Hérault Real Collobne n Van
Real Collobner (Var) Corse P O Corse
du Rhône du Rhône
pluu
o
maximales en 24 heures (%
"3 HIVER| o ETE

rSl
C
C o
o i 0
Teur relativ e sur les m
! ° oo o"a , o
n r, 0 C
U ; 5 «o
• O ° " : o° o 0
,.1
o oo o 0 °
10 - ° l
o
O_ - -
• •«
1
0 --j- - • > -
j
-10
1
m
o Sans liaison — • — A v e c liaison !
P.O. Bouches i Hérault
^-'aui! Real Collobner (Var) I Corse p o ] Bouches | HéraullJ Real CollobnenVan Corse
du Rhône du Rhône
60
50
! HIVER ETE
40
So 30 '-û
E 1
~ " Q — - ^—
« " 20 w-'f-
p
I S ,/\ o o
ë -io
^ o Sans liaison • Avec liaison
Graphiques //. 13 : influence de la modélisation de la liaison entre les durées et les intensités :
restitution des moyennes des pluies maximales en 1, 6 et 24 heures et sur les hauteurs d'eau totales.
PO Bouches Hérault ' _ . , _ , , .. i ,- p 0 j Bouches , Herauf. R e a | Collobrier > \ j n Cursi.

, i.— — Real Collobrier <\ an Corse
du Rhone du Rhône '
100
-3 — 80
HIVER ¡ETE]
d 60
1° 8o •«> . «°
T-. - 40
20
Ufo ilìV.:^
S S
| • -o- Sans liaison — • — Avec liaison

P.O., Bouches Hérault > Bouches Héraultl Real Collobrier (Van
Real Collobner (Var) Corse PO. ! Corse
V) du Rhône du Rhône
u
s plu
1
9
•3
HIVER | ETE
U '1
maximales en 6 heure
1 1 i
fZ
'_>
V.
.«
•\\
•f ? O
11 : °
o ° ° o • •
io
alive
O • o_ a o_ °oo o oo 3
i 1 °o«- ' o o -o o°
•898 »ti aT o0 °23»ti'~ï
0 0 • ° . ° * o°« o°° o O OO 0 OQ
•* * , *" • •"
i
o- Sans liaison - Avec liaison I

PO Bouches : Bouches Hérault
ultj R¿a| Collobner i\ar;
HerauU_ Réa| Collobner i Vari Corse po ; Corse
du Rhône du Rhône
J 400
0 ¡ •
1 i
r" = 250
1 HIVER 1
p ^1
i i
3 ?i -°°
!
3 5 150
— y) i o
5 "5 100 -Oo—
-__:—ôo—o-oo_
O- •
o—
ç.8
-50 —
o Sans liaison • Avec liaison |
P O. Bouches HérauUJ Bouches ¡ HérauUj Réal Collobner (Vari
Réal C o M o b r i e r (Var) 'Corse Corse
p o
du Rhône duRhô
d Rhône
300
„ 250
200
a iso —
=3 100 V
y)
= ? ° o
- 50 - - _ - o o" o o
1 fi
-50
o Sans liaison Avec liaison
Graphique II. N : influence de la modélisation de la liaison entre les durées et les intensités :
restitution des écarts-types des pluies maximales en I, 6 et 24 heures et sur les hauteurs d'eau totales.
II.4 - BILAN DES MODIFICATIONS
Les modifications effectuées pour améliorer la restitution des variables descriptives du modèle ont
constitué une première ?tape nécessaire pour améliorer le modèle. En éliminant les biais introduits sur
la génération des variai es du modèle, on espère offrir plus de "liberté" au modèle pour qu'il puisse
respecter les paramètres déterminés à partir des observations, et ainsi respecter les particularités de
chaque poste.
L'élimination de la contrainte du minimum relatif, la suppression des retirages sur la variable RX et la

modification du seuil sur la loi des durées d'averses ont permis d'améliorer les restitutions de certaines
variables descriptives. Cependant, aucune amélioration de la restitution des variables tests n'a vraiment
été observée.
Même si ces modifications ont été peu fructueuses, elles permettent de réduire les biais systématiques
qui pourraient rendre le modèle moins sensible aux modifications ultérieures.
La première modification ayant amélioré considérablement la restitution des variables tests est le
changement de loi de probabilité pour les intensités moyennes des averses.
La distribution empirique des intensités moyennes d'averses tend à suivre une loi de type
exponentielle. Le choix d'une loi de moins en moins sensible aux problèmes d'échantillonnage réduit
les problèmes de surestimation de la variable par la présence de valeurs extrêmes dont les fréquences
semblent surestimées. Ainsi, après l'ajustement d'une loi composée de deux branches exponentielles,
la loi exponentielle simple, puis la loi exponentielle calée sur les valeurs inférieures à 4 fois la
moyenne de la variable, améliorent les performances du modèle sur certains postes soumis aux
problèmes d'échantillonnage des intensités moyennes.
Enfin, la modification la plus notable est la prise en compte de la liaison existant entre l'intensité et
la durée des averses. En effet, elle améliore considérablement la restitution des moyennes et des
écarts-types types des variables tests. Cette modification est d'autant plus intéressante qu'elle permet
d'obtenir une certaine homogénéité des erreurs sur l'ensemble des postes. Ainsi la prise en compte
d'une éventuelle dépendance entre les variables durée et intensité semble être la particularité
longtemps ignorée du caractère différenciant des postes étudiés.
L'hypothèse initiale de l'indépendance des différentes variables est ici remise en cause pour les
variables durée et intensité.
Pour avoir une vision globale de l'évolution du modèle suite aux différentes modifications, les
graphiques n°II.J5 et 11.16 présentent les erreurs relatives sur les moyennes et les écarts-types des
pluies maximales en 1, 6 et 24 heures et des hauteurs d'eau totales, issues du modèle initial et les
moyennes et écarts-types des pluies maximales issues du modèle final.
CHAPITRE 11 - Amélioration des performances du modèle 100
Bouches Hérault Bouches , Hérault

P.O.
du Rhône II ii *¿al CoUohner I Var) Corse, p Q\ ì Real Collobner lVar)CorSL'
Bouches HérauÛ
P0
- r-"1-11** Collobner (Var) Corse, du AAÔnel ' Real Collobner (Vatforse
Bouches Hérault „ r \n .., Bouches Hérault

• P.O. tVari Corsef.Qj ^ ^ . ^ ,
du Rhône ¡ 1 /? R¿a¡ CMohr!er
80 —
• •
i ; 60 HIVER "ETE
1
• . •
S S .40 • * — * -
•S » :
20
S .1 ^
ï! 5
da 1 -:o —
• Modèle initial — • — Modèle final
Bouches Hérault Bouches Hérauli „
du Rhône lì •°l du Wiônel " ~ Real Collobner ,Var)Corse
8 ¡80
o
-^ HIVER ETE
i ¡
3 150
o , • ••
a
I*? f " T ^ V :" ^
-•-—•-
"^^%. Tr> • • •
-• «.._
! s
-io •
• Modèle initial - • Modèle final I
Graphiques n° 11.15 : évolution globale du modèle : erreur sur la restitution des moyennes des pluies
maximales en 1, 6 et 24 heures et des hauteurs d'eau totales.
Bouches Hérault Bouches Hérault

™ duRhône T^'^Collobner^Corsf.a ^RHone^-âlCoUonn
•200
•5" 3 150 HIVER ETE
!1 00
•a g I..
50 Qf j
7 Ï ^, • - «•
•!•* /
0 -V ¿Ä *_
Si -50
-• Modèle initial • Modèle final
Bouches HérauÙ Bouches Hérault
P.O. duRhùne 11 Real Collobner (Varj Corse P0i
duRhône\'i Real Collobner (Va'rforse
a. <S 400
HIVER Ii
ETE
I I
300 • •
I 200
•v .S • !«
4) S !
! -ï .§ ! 100 • • •
' — -3 ' * <> <W • ** •
! 1 1:-
•• - M o d è l e initial • Modèle final
J
Bouches Hérault , , ,, !|_ - Bouches Hérault _
500
i I
S 3 400
HIVER ETE|
300
•Í5 o :
' *
1 |
, 2 " 200 «
4> "a •
! .i g 100 •
1 i •»
• •
o • • • • • ;
«A
* <l
>
Ë 1 -100
| i i
• Modèle initial — • — Modèle final
Bouches Hérault Bouches Héraulì _
P
n°- du Rhône I f " - Ä « ? « / C o / t o f c n > r f ^ r . „I i flea/ Collobner (Var)Corse
350 — i !
1300
ï HIVER ETE
| ;,50 ^_
-S .
S 'S ¡
!: ¡1j Ii :• o • •[.!
>^-^^\\vrt^î
Ë '-50 '-' ' -i
• Modèle initial • - Modèle final J
Graphiques n°11.16 : évolution globale du modèle : erreur sur la restitution des écarts-types des pluies
maximales en 1. 6 et 24 heures et des hauteurs d'eau totales.
La pluie maximale en 1 heure qui était la variable la mieux restituée par le modèle initial, est la moins
touchée par les modifications. Par contre la restitution des pluies maximales sur plusieurs heures ont été
considérablement améliorées, en particulier les écarts-types qui étaient soumis à de très fortes erreurs.
Le modèle est beaucoup plus robuste et ses résultats sont acceptables sur la totalité des postes
étudiés. L'extension du modèle sur une zone plus étendue que sa zone de conception a ainsi été réalisée.
On obtient ainsi un outil capable de générer de multiples formes de hyétogrammes couvrant toute la
gamme des fréquences (exemple graphique n°II.17).
450 Poste pluvio graphique des Bonnaux Bö Poste pluviographique de Marignane
' Période de retour (an) )

10 100 1000 10000 01 100 1000 10000
Graphiques n°!l.¡7 : distributions de fréquence des variables tests issues des observations et issues de
simulations de 1000 ans, pour les postes des Bonnaux (Var) et de Marignane (Bouches du Rhône).
De plus, la répartition spatiale des postes pluviographiques (voir annexe 1.1), bien qu'hétérogène (car
liée à la disponibilité des données), permet de couvrir une large gamme pluviométrique (pluie annuelle
moyenne variant entre 500 et 1500 mm), ainsi qu'un large éventail de type de pluie (pluie d'hiver ou
pluie d'été, avec des postes de plaine et d'altitude jusqu'à 1100 mètres).
L'étude approfondie de ce modèle a permis d'aboutir à une constatation généralisable à tout modèle
stochastique. La garantie de bons résultats de la part d'un modèle stochastique, nécessite d'une part le
respect des caractéristiques des variables descriptives, entre le phénomène observé et celui simulé, ainsi
que le respect de leur éventuelle dépendance. Ce dernier point ignoré dans les modèles stochastique de
part leur définition, s'est pourtant révélé d'une grande importance dans le modèle développé ici. Notons
que l'on soulève là un problème déjà rencontré par ONOF et al [1995] qui relèvent le problème d'une
dépendance entre les durées et les intensités des cellules d'un modèle basé sur un processus
d'agrégation. Notons aussi qu'il est parfois judicieux d'étudier la dépendance entre deux variables, non
plus sur leurs valeurs, mais directement sur leurs probabilités d'apparition respectives. Cela permet de
s'affranchir de la déformation liée aux lois de distributions de chacune des variables.
On dispose maintenant d'un modèle de génération de hyétogrammes horaires, correctement calé sur 42
postes pluviographiques. Il parait alors intéressant d'effectuer une cartographie de ses paramètres pour
pouvoir générer des hyétogrammes horaires en tout point de la zone d'étude.
Cependant le faible nombre de pluviographes disponibles et leur mauvaise répartition spatiale rende
impossible une cartographie directe des paramètres. C'est la raison pour laquelle une étude régionale de
la paramétrisation est envisagée à partir de la connaissance exclusive de la pluviométrie journalière,
plus largement disponible. C'est cette étude qui fera l'objet de la troisième partie.
CHAPITRE III
ETUDE REGIONALE DE LA
PARAMETRISATION DU MODELE DE
GENERATION DE PLUIES HORAIRES
III. 1 - Etude des paramètres à fixer 108

III. 1.1- Tests d'égalité de certains paramètres 108
III. 1.2 - Variabilité des paramètres en fonction de leur influence sur le modèle 111
III. 1.3 - Etude des paramètres de la loi des intensités moyennes d'averses 114
III. 1.4 - Bilan des paramètres fixés sur les performances du modèle 116
III.2 - Caractérisation de certains paramètres à partir des pluies journalières 120

III.2.1 - Définition des caractéristiques journalières 121
m.2.2 - Relations entre les paramètres horaires et les caractéristiques
journalières 123
III.2.3 - Modélisation à partir des caractéristiques journalières 125
in.2.4 - Bilan de la paramétrisation régionale 127
in.3 - Validation de la paramétrisation régionale 131

111.3.1 - Modélisation sur des postes n'ayant pas servi à la paramétrisation 131
111.3.2 - Validation de la paramétrisation régionale : stabilité des relations 133
III.4 - Conclusion et perspectives 136

CHAPITRE III - Etude régionale de la paramétnsatwn du modèle de génération de pluies horaires 107
Les modifications apportées sur le modèle ont servi à le rendre plus performant. Ces performances se
mesurent dans la capacité du modèle à reproduire des variables tests ne participant pas à la modélisation
de la pluie.
L'intérêt des modifications apportées dans le chapitre précédent, a été d'homogénéiser les erreurs du
modèle sur les différents postes pluviographiques étudiés. Ainsi on a étendu la zone de validité du
modèle, en le rendant plus performant sur l'ensemble des départements étudiés.
L'extension de la zone de validité d'un modèle est une étape très importante et indispensable avant tout
essai de régionalisation des paramètres du modèle.
En effet, si le modèle n'a pas été testé, par calage, sur une région différente de celle de sa
conc mon, rien ne garanti qu'il puisse être ad. "é à celle-ci. La structure du modèle peut alors omettre
certaii.es particularités caractérisant une hétérogénéité du phénomène sur une zone plus importante.
De plus, même si le modèle a été calé sur une zone étendue, ses mauvaises performances seront
rarement atténuées par la régionalisation de ses paramètres. C'est pourquoi les performances du modèle
doivent être améliorées avant tout essai de régionalisation.
Le jeu de paramètres calés pour chaque poste pluviographique représente alors le jeu dit optimal",
c'est-à-dire le jeu de paramètres permettant d'obtenir les meilleurs performances du modèle. C'est ce jeu
de paramètres qui est utilisé pour régionaliser le modèle.
La régionalisation d'un modèle vise à déterminer les jeux de paramètres dits "régionaux", qui pourront
être obtenus en tout point d'une zone. Dans notre cas, pour le modèle de génération de pluies horaires. le
nombre de paramètres s'élève à 21 par saison. Il faut donc être capable de déterminer la valeur de ces 21
paramètres en tout point de la zone étudiée.
Parmi ces 21 paramètres, certains pourront être fixés, sur l'ensemble de la zone étudiée, ou sur des zones
dites "homogènes" par rapport au paramètre. Pour cela il faudra déterminer la ou les zones homogènes
pour ces paramètres, puis regarder l'impact des paramètres fixés sur la modélisation.
D'autres pourront être déterminés à partir de nouvelles variables plus facilement observables que celles
issues des pluies horaires. Ces nouvelles variables pourront alors plus facilement être cartographiées.
Le but de cette régionalisation des paramètres du modèle de pluies horaires est donc de déterminer des
zones homogènes sur lesquelles certains paramètres pourrons être fixés, et de déterminer les autres
paramètres par des relations simples les liant à de nouvelles variables, plus facilement disponibles. Ce
travail préliminaire doit servir à une future cartographie des paramètres.
CHAPITRE IH - Etude régionale de la paramétrisation du modèle de génération de pluies horaires ¡OH
ULI - ETUDE DES PARAMETRES A FIXER.
Dans un premier temps, certains paramètres vont être fixés pour un ensemble de postes. Pour cela il faut
répondre à différentes questions dans l'ordre suivant :
La variation inter-postes des paramètres est-elle due à des problèmes d'échantillonnage ?

e? <ù
OUI : on fixe le paramètre NON : cette variation peut-elle générer des erreurs
significatives lors de la modélisation ?
NON : on peut fixer le paramètre OUI : est-il possible de trouver des

zones homogènes pour ces paramètres ?
III.l.l - Tests d'égalité de certains paramètres.
La plupart des paramètres sont estimés par la méthode des moments, à travers la seule estimation de la
moyenne de l'échantillon observé. Dans ce cas, on peut tester l'égalité de ces moyennes grâce à des tests
statistiques, et en déduire l'égalité des paramètres qu'elles déterminent.
III. 1.1.1 • Tests statistiques de comparaison de moyennes.
Ce sont des tests paramétriques, qui consistent à définir une "règle de décision" concernant la validité
d'une hypothèse portant sur la valeur d'une caractéristique d'une population (ici la moyenne) dont on
observe un (ou plusieurs) échantillon aléatoire.
La procédure d'un test comprend les éléments suivants (Revue de Statistique Appliquée [1986]) :
1 - définition de la caractéristique à étudier.

2 - définition d'une hypothèse HQ (dite hypothèse nulle) et de son alternative H ¡.relatives à la
caractéristique considérée.
3 - Choix d'une valeur a pour le risque de refuser l'hxpothèse Hn alors qu'elle serait vraie.
4 - Définition d'un critère sur les observations dont on connaît la loi de probabilité lorsque
l'hypothèse Ho est vraie.
5 - Définition d'une région critique telle que a soit la probabilité pour que le critère prenne une
valeur comprise dans cette région , si Ho est vraie.
On énonce alors la "règle de décision" correspondante, au vu de la valeur numérique prise par le

critère calculé sur l'échantillon, à savoir rejeter ou accepter l'hypothèse Ho selon que le résultat
expérimental est compris dans la région critique ou dans son complément {région d'acceptation).
CHAPITRE III - Etude régionale de la paramémsation du modèle de génération de pluies horaires 109
Dans le test de comparaison de deux moyennes, l'hypothèse Ho suppose que les moyennes de deux
échantillons aléatoires indépendants soient représentatives de la moyenne d'une même population.
Il existe plusieurs tests pour comparer deux moyennes, suivant différents cas : par exemple
•=* Comparaison des moyennes de deux grands échantillons indépendants :

. • > T T X l — X"?
e entere est LL = , "
(2 2
n
n
l 2
qui suit une loi normale. Donc H o est acceptée si |U C <
Comparaison des moyennes de deux petits échantillons indépendants : (test t de Student)

x, - x , 2 ( n i "Osxi + ( n : - l ) s x i
!
le critère est tr = , avec sH = —
' ' n1+n2-2
qui suit une loi t de Student à V = ri| + n-> — 2 degrés de liberté. Donc H ü est acceptée si tc < • a / 2
Dans notre cas, on cherche à vérifier si les moyennes de certaines variables sur les différents postes
peuvent être fixées à une valeur représentative. Pour cela, on effectuera un test de comparaison de la
moyenne à une valeur fixe (test similaire au test de Student). Les variables qui vont être étudiées en vue
d'être fixées, sont les variables dont la variation de la moyenne est relativement faible, et dont
l'influence sur les performances du modèle est aussi relativement faible.
On s'intéresse à la moyenne des variables suivantes :

TSE : origine de l'épisode dans la journée
DIA : durée inter-averse
RX : rapport de la pluie horaire maximale sur l'intensité moyenne horaire pour une averse.
RPX : position relative du maximum de l'averse dans l'averse.
DAP : durée des averses principales
DAO : durée des averses ordinaires
II 1.1.1.2 - Comparaison de la moyenne de chaque poste à une valeur fixée.
Les six variables étudiées (TSE, DIA, RX, RPX, DAP, DAO) suivent des lois de probabilité dont un des
(ou le) paramètres est déterminé par la moyenne (i^de la variable au poste k. Pour chacune de ces six
variables, les moyennes calculées pour les différents postes vont être comparées à une valeur fixe (mo).
On fait alors l'hypothèse (Ho) que pour chaque variable observée, les échantillons issus des différents
postes appartiennent à la même population de moyenne mo .
La valeur de mo a été fixée à deux valeurs :
- l'espérance mathématique des moyennes de la variable calculées sur chaque poste : E[jl k J
- ainsi que la médiane des moyennes de la variable calculées sur chaque poste : p. k .
CHAPITRE 111 - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 110
Ces deux valeurs de mo sont des valeurs dites "centrales", pour lesquelles on a des chances que
l'ensemble des postes respectent l'hypothèse nulle.
Le test se présente de la façon suivante. On considère que la variance de la population de la variable
aléatoire X est inconnue. Elle est estimée avec v = n-1 degré de liberté, par la formule classique (pour
un poste k) :
, 1
sk~ = —
n-1*-
Dans ce cas, le test de comparaison d'une moyenne à une valeur fixée s'écrit :
H o : H k = mo est vrai avec un risque de première espèce a si le critère :
t. a / 2 où t est la variable de Student à v = n-1 degrés

de liberté (n l'effectif de l'échantillon).
Les valeurs prises par mo sont présentées dans le tableau suivant :
%k] Ak E
[Hk] m
Variable Moyenne (HIVER) Médiane (HIVER) Mo venne (ETE) Médiane i ETE)
TSE (heure) 7.41 7,41 8.86 8.70
DIA (heure) 3.30 3.29 3.51 3.44
RX 1.65 1.65 1.76 1.75
RPX 0.57 0.57 0.59 0.59
DAP < seuil (heure) 5.70 5.80 4.05 4.08
DAO < seuil (heure) 2.89 2.90 2.60 2.59
Vu la faible différence entre la moyenne et la médiane, seule la comparaison avec la médiane des
moyennes p. k de l'ensemble des postes est exposée, les résultats étant similaires pour mo= E[(i k ].
On calcule pour chaque poste et chaque variable, la valeur de t c . valeur de la variable de Student
observée, que l'on compare à la valeur critique tap de la variable pour un risque a donné.
L'hypothèse H o suppose que la moyenne }lk de la variable en un poste k vaut la valeur mo : | i k = mo.
On admet alors un risque a si l'on rejette cette hypothèse, c'est à dire si t c > t ^ - Le tableau ci-
dessous"' montre la proportion de postes pour lesquels l'hypothèse H o a été acceptée avec un risque a
de 5% et de 1%.
Variables a = 5 % (hiver) a = 1 % (hiver) a = 5 % (été) a = 1 9c (été)

TSE 38/42 Tous 38/42 41/42
DIA 40/42 41/42 38/42 41/42
RX 40/42 41/42 34/42 39/42
RPX 35/42 39/42 37/42 40/42
DAP 35/42 38/42 39/42 Tous
DAO 29/42 33/42 39/42 Tous
(1) Les graphiques ayant servi à dresser ce tableau se trouvent en annexe III.I. On y retrouve la valeur du t de Student calculée
sur les observations, comparée aux valeurs de ta/^ pour a = 1 et 5 ^ .
CHAPITRE III - Etude régionale de la ptiramétrisation du modèle de generation de pluies horaires // /
Le risque de second espèce, noté ß, d'accepter l'hypothèse H o alors que c'est une hypothèse alternative
Hi qui convient, reste cependant indéterminé.
Pour un risque a = 1 %, on ne trouve pas, pour chaque variable, plus de 4 postes sur 42 pour lesquels la
valeur de la moyenne n'est pas égale à la valeur de mo, sauf pour la variable DAO en "hiver".
Pour les variables ne présentant qu'un poste pour lequel on rejette l'hypothèse nulle (pour un risque
a = 1%), il paraît raisonnable de considérer que la moyenne de ces variables peut être fixée à une valeur
unique : celle de la médiane des moyennes calculées pour chaque poste.
Les moyennes des variables TSE et DIA vont donc être fixées à la valeur de leur médiane. Par
conséquent, le paramètre de la variable TSE et le premier paramètre de la variable DIA seront déduits
de cette valeur médiane pour tous les postes.
En ce qui concerne les autres variables, l'hypothèse de l'invariabilité de la moyenne n'est pas acceptée
sur quelques postes. Les chances pour que cela soit dû à un problème d'échantillonnage sont très
réduites (a = \%). C'est pourquoi, si l'on considère que la moyenne est constante pour ces variables, il
faut rester conscient du risque que l'on accepte.
Si le test d'égalité des moyennes à une valeur fixe n'est pas satisfaisant, on peut tout de même fixer
certains paramètres issus de la moyenne, si leur variation n'est pas significative par rapport à leur
influence sur le modèle. C'est ce qui est étudié dans le paragraphe suivant.
III.1.2 - Variabilité des paramètres en fonction de leur influence sur le

modèle.
II. 1.2.1 - Variabilité des paramètres
Après avoir étudié la constance de la moyenne de certaines variables, pour pouvoir fixer indirectement
un paramètre de leur loi, regardons directement la variabilité des paramètres de ces variables, sur
l'ensemble des postes.
On retrouve en annexe EQ.2 des graphiques représentant les valeurs des paramètres des lois des
différentes variables pour l'ensemble des 42 postes étudiés. A partir des valeurs d'un paramètre calé sur
les 42 postes, on calcule la valeur médiane du paramètre. On détermine alors pour chaque poste l'écart
relatif entre la valeur calée d'un paramètre et sa valeur médiane. Les graphiques n°III. la et III. lb
représentent, pour les différents paramètres étudiés, la distribution empirique de cet écart relatif.
CHAPITRE IH - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 112
-TSE pi -RX pi - D I A pi -DU -DAP pi -TSE pi -RX pi - D I A pi -O— DIA pi -DAP

-DAP p2 -DAO pi - D A O p2 • -RPX -RPX p: -DAP p2 -DAO pi -DAO p -O—RPX pi -RPX
02 II 4 II 6 04 06
Fréquence cumulée Fréquence cumulée
[a] ( [b]
Graphiques n°lU. la et b : distributions de l'écart relatif des paramètres avec la valeur médiane
pour les variables TSE, RX, DIA, DAP, DAO, RPX
Dans un premier temps, on peut remarquer que la variable pour laquelle l'écart du paramètre à la
médiane est le plus fort, est la variable TSE (hiver) pour laquelle le test sur la moyenne donnait les
meilleurs résultats. Le paramètre de la variable TSE est estimé par l'inverse de la moyenne de la
variable; l'écart de 30% sur ce paramètre observé en hiver correspond en fait à un écart de 23% sur la
moyenne. La relation entre le paramètre et la moyenne de la variable, la valeur prise par l'écart-type s et
l'effectif n pour calculer t c , expliquent la différence de résultat entre le test sur la moyenne de la
variable et la variation inter-postes. observée sur les paramètres des différents postes.
Entre la saison "été" et la saison "hiver", les paramètres présentent grossièrement les mêmes tendances.
Les paramètres les plus stables, dont l'écart à la médiane reste inférieur à 10% pour 98% des postes,
sont :
- le second paramètre de la variable DIA (DIA : p2)
- le second paramètre de la variable DAO (DAO : p2)
- le premier paramètre de la variable RPX. (RPX : pi)
Tous les autres paramètres étudiés présentent des écarts à la médiane inférieurs à 20% pour 98% des
postes (il peut y avoir un poste sur les 42. pour lequel l'écart est légèrement supérieur à 20%).
On s'aperçoit donc que tous ces paramètres étudiés varient autour de leur valeur médiane, avec un écart
pratiquement toujours inférieur à 20%. Leur variation est relativement faible et l'on aurait tendance à
vouloir fixer les paramètres à une valeur médiane ou moyenne.
Pour justifier cette démarche, il faut confronter la variation des paramètres à leur influence sur le
modèle.
III. 1.2.2 - Etude des paramètres de faible influence.
A partir du chapitre 1.4.4 sur la sensibilité du modèle aux fluctuations des différents paramètres, on peut
se faire une idée de l'influence sur les performances du modèle que peut produire la substitution un à un
des paramètres, par leur valeur médiane calculée sur l'ensemble des postes.
CHAPITRE 111 - Etude régionale de Ici paraméinsaiion du modèle de génération de pluies horaires 113
Variable TSE. RPX :

On a vu que la variation de 20% des paramètres des variables TSE et RPX, n'avait aucune
influence notable sur les performances du modèle. La variations des paramètres de ces deux variables
ne dépassant pas 20% dans 98% des cas, on décide de les fixer. La décision de fixer le paramètre de la
variable TSE se renforce donc, et est accompagnée par celle de fixer les paramètres de la variable
RPX.
Variable DIA :
Le premier paramètre de la variable DIA a été fixé suite au test sur les moyennes (paragraphe
III. 1.1). On s'aperçoit que sa variation est inférieure à 20%, et l'on a vu que cette variation maximale de
20% n'influe pratiquement pas sur la restitution des pluies maximales. Ce paramètre peut donc être fixé.
Le second paramètre de la variable DIA s'écarte de sa valeur médiane de 6% maximum en été et de 8%
maximum en hiver. Cette faible variation amène à fixer à priori la valeur de ce second paramètre à sa
valeur médiane.
Les deux paramètres de la variable DIA vont donc être fixés à leur valeur médiane.
Variable RX :
Pour le paramètre de la variable RX, l'écart maximum à sa valeur médiane est de 20%. On a vu
que cette variation de 20% sur le paramètre va influencer la restitution des pluies maximales en 1 ou 2
heures. L'erreur introduite lors de la modélisation est estimée à 10% maximum sur la moyenne et 15%
sur l'écart-type des variables tests. Une fluctuation de 10% du paramètre a par contre un effet beaucoup
plus négligeable.
Pour ce paramètre, les deux saisons peuvent être traitées séparément :
- en "hiver", 41 postes sur 42 admettent que la moyenne de la variable (et par conséquent le
paramètre) soit assimilée à une valeur fixe (la valeur médiane). De plus, on observe que pour ces 41
postes, l'écart à la valeur médiane est inférieure à 10%. On peut donc fixer le paramètre à sa valeur
médiane sans perturber les résultats de 41 postes. Seuls les résultats d'un poste peuvent être biaises mais
dans de faibles proportions.
- en été, le paramètre paraît plus variable. Il y a cette fois 3 postes pour lesquels le test sur la
moyenne est rejeté, et 8 postes présentant un écart à la médiane de plus de 10%. Dans un premier temps,
le paramètre de la variable RX, pour la saison "été", va être fixé à sa valeur médiane, l'erreur que peut
introduire une fluctuation de 20% du paramètre n'étant pas excessive. Cependant si cette décision
s'avère être la source d'un biais trop important, le paramètre devra être considéré de façon plus locale.
On rejoint jusqu'ici les résultats énoncés par RIBERO [1992] qui. lors de son étude sur la
régionalisation du modèle, a décidé de fixer la valeur des paramètres des variables TSE, RPX, RX
et DIA à la valeur médiane.
Variables DAP. PAO :

Pour les paramètres des durées d'averses principales (DAP) et ordinaires (DAOi, le même
problème que pour la variable RX se pose. Les tests sur la moyenne ne sont pas satisfaisants sur
l'ensemble des postes, et l'écart de 20% des paramètres peut entraîner des biais sur la restitution des
variables tests.
Cependant, sur la saison "été", les tests sur la moyenne des variables DAP et DAO sont satisfaisants
pour tous les postes. Le premier paramètre de ces variables peut alors être fixé à sa valeur médiane.
Pour la saison "hiver", on fait la même hypothèse, en acceptant le biais qui va être introduit. Notons
toutefois que le biais introduit sur les variables tests pour une modifications de 20% de ce paramètre, se
CHAPITRE III - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 114
traduit par une erreur supplémentaire inférieure à 10%, en moyenne comme en écart-type, sur les
variables tests du modèle.
On décide aussi de fixer le second paramètre des variables DAP et DAO car leur variation sur les
différents postes est faible (< 10% pour DAO et < 20% pour DAP).
Au regard de la variation des différents paramètres étudiés, et de l'influence de cette variation sur la
restitution de variables tests du modèle, on décide de fixer la totalité de ceux-ci.
Il faut cependant garder en mémoire que certains paramètres fixés peuvent introduire des erreurs plus
significatives que d'autres, en particulier ceux de la variable RX et des durées d'averses.
Si l'influence de la variation d'un paramètre a été étudiée dans le chapitre 1.4.4, l'influence de la
modification combinée de plusieurs paramètres reste inconnue. Suivant l'importance et le sens de la
variation (augmentation ou diminution) des différents paramètres, les erreurs peuvent s'amplifier ou se
compenser. Reste alors à réaliser différentes simulations avec les paramètres fixés pour apprécier
l'influence de ces modifications.
Le tableau ci-dessous fait le bilan des paramètres qui vont être fixés pour la paramétrisation
régionale.
PARAMETRES FLXES Saison HIVER Saison ETE

Variable TSE : 1° paramètre 0.135 0.113
Variable RX : 1 ° paramètre 1.538 1.322
2° paramètre'2) 1 1
Variable DIA : I o paramètre 0.304 0.291
2° paramètre 0.882 0.886
Variable DAP : 1° paramètre 5.799 4.084
2° paramètre 0.871 0.927
Variable DAO : 1° paramètre 2.905 2.589
2° paramètre 0.915 0.971
Variable RPX : 1° paramètre 0.574 0.588
2° paramètre 0.21 0.208
C'est dans le chapitre III. 1.4. que l'on dressera le bilan des modifications visant à fixer certains
paramètres, au regard de l'évolution des performances du modèle.
III. 1.3 - Etude des paramètres de la loi des intensités moyennes d'averses.
Dans le chapitre H.2. portant sur la modification de la loi des intensités moyennes des averses, on a
abouti à l'ajustement des valeurs réduites par leur moyenne. On ajuste sur ces intensités réduites par la
moyenne, une loi exponentielle sur les valeurs inférieures à 4 (intensités inférieures à 4 fois la
moyenne). L'ajustement de cette loi adimensionnelle est réalisé par une régression linéaire de la
<2)
Le second paramètre de la variable RX (paramètre de position de la loi exponentielle) vaut 1. Il représente le seuil i partir
duquel la variable RX est définie
CHAPITRE ¡II - Entele regionale de la pararnétnsation du modèle de génération de pluies horaires 115
fonction de répartition représentée sur un papier semi-logarithmique. On obtient donc deux paramètres
(a,b)^ qui sont la valeur de la pente et l'ordonnée à l'origine de cette droite.
Le fait d'ajuster les valeurs inférieures à 4 fois la moyenne, permet d'éviter les valeurs extrêmes
particulières, et d'amener ainsi à une certaine homogénéisation du paramètre a = -8 (Voir chapitre
11.2.2).
Cependant, si l'on regarde l'évolution des paramètres a et b de la loi des intensités, il reste une certaine
variation sur les différents postes (annexe 111.2). On remarque aussi que la variation de l'un des
paramètres est liée à celle de l'autre. En effet, faisons l'hypothèse que la pente a est constante sur tous
[es postes. On ajuste donc la loi exponentielle sur les intensités observées de façon à avoir la même
valeur de a. On trouve alors des valeurs de b beaucoup moins variables. Les graphiques n°IH.2.a, b, c et
d montrent l'évolution du paramètre b pour des lois exponentielles calées a1 ec une pente a constante et
égale à la valeur médiane des valeurs ajustées précédemment.
Averses principales : saison HIVER Averses principales : saison ETE
- Pente (a) médiane 0.1 • Pente (a) médiane

0
• Pente (a) ajustée •Pente (a) ajustée
Ibi
Averses ordinaires : saison HIVER Averses ordinaires : saison ETE

0.4
•¿s
y 0.35
'S» 0.3
0.25
02
0.15
0.1
0.05
• Pente (a) médiane
0
- Pente (a) ajustée
[c]
Graphiques n°III.2a. b, c et d : ordonnée à l'origine de la droite Y=a-X + b, pour l'ensemble des postes,
avec une pente a ajustée sur les observations ou fixée à sa valeur médiane.
Le fait de fixer la pente de la loi des intensités à sa valeur médiane, tend à obtenir une valeur de
l'ordonnée à l'origine constante et égale à sa valeur médiane. Les coefficients de corrélation restent dans
ce cas toujours élevés (r2 > 0.85).
0)
Y = Ln( I - F) = a • x + b avec x = HMA / u H M A
On peut alors définir des lois exponentielles uniques suivies par les intensités moyennes réduites par les
équations : (pour x < 4 )
Averses principales saison HIVER : Y = Ln(l - F) = -1,76 • x +0.80

Averses principales saison ETE : Y = L n ( l - F) = -1,32- x + 0.37
Averses ordinaires saison HIVER : Y = Ln(l - F ) = -1,25- x + 0.26
Averses ordinaires saison ETE : Y = Ln(l-F) = -1,14- x + 0.15
La pente est donnée par la valeur médiane des pentes ajustées pour chaque poste. L'ordonnée à l'origine
est donnée par la valeur médiane des valeurs obtenues après calage de la loi exponentielle avec a
médian.
On arrive en fait à une loi des intensités moyennes d'averses qui repose maintenant sur la seule
connaissance de la moyenne de la variable.
Remarque : si l'on génère les intensités par ces lois, même pour les valeurs x < 4|i, on génère alors un
échantillon de valeurs dont le coefficient de variation est constant quel que soit le poste. En effet, on
génère des intensités réduites dont la moyenne vaut 1 par une loi exponentielle unique de pente
constante quel que soit le poste, et équivalent à : a =-[ f o -~" C.V.= a / u = -1 / a.
Cependant la modélisation différente des valeurs x > 4u. fait varier légèrement le C.V. en fonction de la
moyenne.
III. 1.4 - Bilan des paramètres fixés sur les performances du modèle.
Dans un premier temps, les paramètres les moins variants ou auxquels le modèle est le moins
sensible, ont été fixés. Ce sont les paramètres des variables TSE, RPX, DIA, RX, DAP, DAO.
Des paramètres de la loi des intensités ont aussi été fixés pour arriver à une paramétrisation de cette
loi par la seule connaissance de la moyenne de la variable.
L'étude progressive des modifications a été réalisée paramètre par paramètre. Une simulation de 1000
années pour chaque poste a été faite, en fixant progressivement un premier paramètre, puis un second
etc..
Les graphiques n°III.3a, b, c et d montrent l'évolution des performances du modèle pour deux étapes
seulement.
La simulation n°l correspond à la simulation avec l'ensemble des paramètres calés sur les
observations, c'est à dire la simulation finale présentée à la fin du second chapitre.
La simulation n°2 correspond à la simulation pour laquelle les paramètres des variables TSE.
RPX, RX, DIA, DAP et DAO ont été fixés à leur valeur médiane.
La simulation n°3 correspond à la simulation n°2 pour laquelle on a aussi fixé les paramètres a
et b de la loi des intensités moyennes d'averses. C'est donc la simulation pour laquelle on a utilisé tous
les paramètres à fixer.
Entre la simulation I et H. on observe l'effet introduit en fixant les paramètres de 6 variables. On

observe une évolution tantôt positive (amélioration de la restitution des variables tests), tantôt négative
(augmentation de l'erreur sur la restitution des variables tests). L'évolution non systématique des
CHAPITRE IH - Etude régionale de la paramé!nsation du modèle de génération de pluies horaires ///
performances du modèle sur les différents postes, provient de la modification variable d'un même
paramètre suivant les postes, et de l'effet cumulé des modifications (aussi variable) des paramètres sur
les différents postes.
Voyons plus en détail l'influence progressive des paramètres Fixés successivement, sur la restitution des
variables tests.
Influence du paramètre de la variable TSE fixée à sa valeur médiane : aucune différence n'est
observée entre les pluies maximales simulées avec la valeur du paramètre calé, puis la valeur du
paramètre fixée. Seules de très légères variations sont observées sur les moyennes des durées totales des
événements. En effet, c'est seulement l'origine de l'épisode dans la journée, et par conséquent la durée
de l'épisode, qui sont touchées par cette modification.
Influence du paramètre de la variable RPX fixée à sa valeur médiane : la variation sur les
variables tests générées, due à la valeur fixée du paramètre, est très faible et similaire à celle due à la
simulation de deux millénaires successifs. La variation de l'erreur relative sur les variables tests est
inférieure à 5% et est considérée comme équivalente à l'erreur d'échantillonnage commise lors de la
simulation d'un millénaire.
Pour le paramètre de la variable DIA fixée ci sa valeur médiane, on fait les mêmes obser. ations
et remarques que pour le paramètre de la variable RPX.
Influence du paramètre de la variable RX fixée ci sa valeur médiane : la seule variable

influencée par cette modification est la pluie maximale en 1 heure, directement issue du produit de la
variable RX par l'intensité moyenne de l'averse. C'est pour les postes où la valeur calée du paramètre ne
permet pas de respecter le test d'égalité des moyennes, que l'erreur est la plus forte. Cependant, la
modification entraîne des variations peu sensibles dans les performances du modèle.
Dans l'ensemble, la dégradation qui apparaît sur certains postes pourrait être atténuée par une étude
plus locale des paramètres. Il faudrait déterminer des zones sur lesquelles la valeur du paramètre
pourrait être fixée sans trop dégrader le modèle. Cependant la dégradation observée reste
raisonnable et acceptable dans une large proportion, et n'impose pas d'étude locale de ces
paramètres.
Entre la simulation II et III :
De façon générale, la paramétrisation de la loi des intensités par la seule connaissance des
moyennes des intensités, présente l'avantage incontestable de limiter les problèmes d'échantillonnage
pouvant être importants, tout en limitant le nombre de paramètres à estimer.
La moyenne des intensités étant un paramètre relativement stable et représentatif de la pluviométrie.
elle apparaît comme le paramètre idéal pour caractériser régionalement la variable "intensité moyenne"
des averses.
Rappelons encore que l'on fait ici l'hypothèse d'une certaine homogénéité du coefficient de
variation des intensités moyennes des averses.
On peut remarquer que cette modification améliore la restitution des variables tests du poste
pluviographique de Chateaurenard, qui présentait de fortes erreurs. Les problèmes d'échantillonnage
présents sur ce poste (de plus faible effectif) semblent être résolus par une considération plus régionale
des intensités extrêmes.
Bouches H ¿r.T Bouches tLiiriuJ«

p o. Real Collobner iVjr P0 | i n R h<Sni, Real Collobner i
du Rhône*1
10
25
20
5 3 ,5 -C JSL
I I 10
- 3 5 • * *
^rr%
OQ, *
u r
-5 „o •
•II *
5 -10
ö. -15 18-1 Tal«
-20
o SIMULATION N°l SIMULATION N°2 SIMULATION N33
-lai
P.O. Bouches I il |
R".Collobrier(VarPors P.O. Real Collobner(Var)
30
i o.
25
i § H 20
1
S. S
15
•Jì
s io
8 " o
•3 5 L
o O* On «PO j-o°
o9 o*o o o°
TTgT
-5 à!« •s ?- a
-10
o SIMULATION NM o S I M U L A T I O N N°2 SIMULATION N 1
[hl
Bouches; Bouches. Ujcruili.
P O. Réal Collobner (Var)Corsip O ",""¿""_ " Real Collobner iV a r ) C o r s e
140
du R hônrt ilii R hi'inf
120 'ETE
- 100
80
60
40 A e -o-ga? o
§ • I |* s ' «o
t 8 t n 8 n •
20 8u*
•
2°
>l 1
e •°o°s8S ^ . • 8 . ...a -
8 % »88 . o 8 .
1IS •t 0 i ••
! 8
!
-40 1
o SIMULATION NM • SIMULATION N e 2 5_UMiJL_ATIOi_N_N_3 fcj
Bouches j I Bouches! Hérault
P O. Real Collobrier (VarCorst P Ò. R e a l Collobner ( V a r ) ' C o r s e
140 du Rhône riu-R-hòne-
120 •ETE
1£
i- 100
| 80
^ 60 J-L
S 40
•U-
| 20
i 0
,%
-40 •
-60
o SIMULATION N ° 1 o SIMULATION N '2 SIMULATION N '3
Graphiques n°lil.3a, b, c. d : évolution des performances du modèle suivant les cas :

Simulation n°l : paramètres calés
Simulation n°2 : paramètres des variables TSE. RPX, RX, DIA. DAP, DAO fixés
Simulation n°3 : ¡dem simulation n°2 + paramètres a et b fixés pour la loi des intensités.
CHAPITRE HI - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 119
Les différents paramètres fixés dans ce chapitre sont pour certains des paramètres de "forme", et en
général des paramètres peu variants par rapport à leur influence sur le modèle.
Les autres paramètres ne peuvent être fixés sans entraîner des erreurs beaucoup plus grandes, ce qui
se résumerait d'ailleurs à modéliser la même pluie pour tous les postes.
Pour ces paramètres restants, la recherche de liaisons avec de nouvelles variables plus facilement
disponibles doit être effectuée.
CHAPITRE /// - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 120
III.2 - CARACTERISATION DE CERTAINS PARAMETRES A

PARTIR DES PLUIES JOURNALIERES.
Dans le paragraphe précédent, on a étudié l'influence sur le modèle, des paramètres fixés. Le but étant
de dégrader le moins possible les performances du modèle tout en diminuant le nombre de paramètres à
caler sur des données au pas de temps horaire, on a pu fixer les paramètres de 6 variables et réduire à 1
le nombre de paramètres pour la loi des intensités moyennes.
Il est évident qu'un modèle pour lequel l'ensemble des paramètres serait fixé, ne présenterait plus
d'intérêt, en particulier pour décrire un phénomène aussi variable que la pluie. Certains paramètres du
modèle sont donc représentatifs de la pluviométrie locale observée par les enregistrements du poste
pluviographique. Leur valeur ne peut donc pas être fixée sans induire des erreurs non négligeables sur
les résultats des simulations.
Dans ce paragraphe, on va chercher à prendre en compte la variabilité de ces paramètres tout en

maintenant notre objectif de simplification de la paramétrisation, dans le but de faciliter sa cartographie.
Les paramètres du modèle de génération de hyétogrammes horaires sont calés sur des données issues
d'enregistrements au pas de temps horaire, c'est à dire issues d'enregistrements pluviographiques. Ces
données, lourdes à gérer et donc coûteuses, sont difficilement disponibles. Le calage des paramètres sur
un nombre de postes suffisant pour apprécier l'hétérogénéité spatiale du phénomène, n'est pas encore
possible.
C'est pourquoi on cherche un moyen d'exprimer certains paramètres par la connaissance de grandeurs
plus facilement disponibles et spatialisables.
Beaucoup d'études visant à la spatialisation de paramètres de modèles, ou de grandeurs physiques,

utilisent des données géomorphologiques pour tenter d'expliquer la variation des paramètres. Suivant la
nature du phénomène étudié, on s'intéresse à diverses variables géomorphologiques.
Pour des variables climatiques (telles que la pluviométrie, la température ...) on tente d'établir des
relations avec des variables telles que l'altitude, la distance à la mer, l'orientation de la vallée, etc.. C'est
l'approche utilisée par exemple pour les techniques de cokrigeage, lors de l'interpolation de données
climatiques (BENICHOU, LEBRETON [1986]).
Les variables géomorphologiques utilisées pour expliquer des variables pluviométriques. sont surtout
issues de la topographie. L'information topographique disponible la plus précise est contenue dans les
fichiers des Modèles Numériques de Terrain (M.N.T.), qui permettent par des moyens informatiques
CHAPITRE 111 - Elude régionale de la paramétrisation du modèle de génération de pluies horaires 121
importants (Système d'Information Géographique), le calcul de diverses variables telles que des pentes,
des orientations de versants, des surfaces, des distances etc..
Le M.N.T n'étant pas disponible lors de ce travail, les seules variables topographiques considérées sont
les coordonnées du poste et son altitude.
N'ayant pas trouvé de relations notables entre les paramètres du modèle, et les paramètres de position
des postes pluviographiques (coordonnées et altitude), on tente d'expliquer les paramètres du modèle à
partir de caractéristiques issues de la pluviométrie journalière.
La pluviométrie au pas de temps journalier est une grandeur plus facilement disponible que la
pluviométrie au pas de temps horaire. La régionalisation du modèle horaire passera donc par la
cartographie de variables issues de la pluviométrie journalière. Reste à trouver des lois de passage entre
des variables issues des pluies journalières et les parámetros du modèle calés sur les pluies horaires.
III.2.1 - Définition des caractéristiques journalières.
Les événements pluvieux traités ont été sélectionnés à partir des pluies journalières selon certains
critères (voir chapitre I). C'est à partir de ces événements pluvieux pris au pas de temps journalier que
les caractéristiques journalières ont été déterminées.
II1.2.1.1 - Etude déià réalisée : RIBERO il 9921. puis CERNESSON 119931
RIBERO [1992], puis CERNESSON [1993] ont étudié les relations entre les caractéristiques des pluies
journalières et les paramètres dits "irréductibles" du modèle. Ils ont alors défini les caractéristiques
journalières suivantes :
La moyenne des hauteurs totales des événements pluvieux que l'on notera : uHT
La moyenne des durées totales des événements pluvieux que l'on notera : uDT
La pluie annuelle moyenne sur les années d'observations que l'on notera : PAM
En introduisant ces caractéristiques dans une analyse en composantes principales, ils ont pu dégager des
liaisons. Ces liaisons sont caractérisées par une relation linéaire simple entre un paramètre du modèle et
une caractéristique journalière.
Au moment de ces études, le modèle distinguait deux types d'averses différentes (les averses isolées et
les averses groupées) ainsi que trois saisons différentes (été, automne, hiver).
CHAPITRE IH - Etude régionale de la paramétnsation du modèle de génération de pluies horaires . 122
Ils ont alors corrélé les paramètres suivants aux caractéristiques journalières (à partir de 24 postes dont
10 du Real Collobrier):
Coefficient de corrélation : r
PARAMETRES DU MODELE CARACTERISTIQUES Automne Eté Hiver
JOURNALIERES
Second paramètre de la loi de Weibull : uDT -0,49 -0,33 -0,22
intensité moyenne des averses isolées.
Second paramètre de la loi de Weibull : HHT 0,59 0,60 0,81
intensité moyenne des averses groupées.
Paramètre de NG UDT -0,81 -0,75 -0,76
Paramètre de NA uHT -0,52 -0,74 -0,71

D'après RIBERO [1992]
Ces relations linéaires dans l'ensemble bien marquées (si ce n'est pour la variable "intensités des averses
isolées") fournissent des résultats encourageants. Cependant la validation de ces relations n'a pas été
faite systématiquement sur tous les postes étudiés. La validation n'a porté que sur un seul poste (Nombel
[P.O.]), n'ayant pas participé à l'élaboration des relations, et donne des résultats satisfaisants.
II1.2.1.2 • Définition de nouvelles caractéristiques journalières.
De nouvelles caractéristiques des pluies journalières ont été définies afin d'élargir la possibilité de
trouver des relations linéaires avec les paramètres du modèle restant à expliquer. Ces nouvelles
caractéristiques ont été définies de manière à décrire au maximum la structure de l'événement pluvieux.
On cherche des caractéristiques pouvant être liées, au pas de temps journalier, à des caractéristiques
propres aux averses.
Les caractéristiques uHT et uDT sont bien sûr reprises pour étudier les corrélations.
A partir d'un événement pluvieux, on définit alors les variables suivantes {figure n°HI.l) :
La durée totale d'un événement : DT (jour)

La durée des pluies journalières supérieures à 20 millimètres : DUR20 (jour)
La hauteur d'eau totale de l'événement : HT (mm)
La hauteur d'eau totale des pluies journalières supérieures à 20 millimètres : TOT20 (mm)
La pluie journalière moyenne de l'événement : PJMOY (mm/jour) ; [PJMOY = HT / DT]
La pluie journalière maximale de l'événement : PJMAX (mm)
On calcule alors la moyenne et l'écart-type de chacune de ces variables sur l'ensemble des événements
d'une même saison et pour chaque poste pluviographique. Ces caractéristiques sont comparées aux
paramètres du modèle afin de définir des relations linéaires.
CHAPITRE III - Entde régionale de la paramétrisanon du modèle de génération de pluies horaires ¡23
Précipitations journalières (6h-6h TU) en mm

Pluie journalière maximale : ?JMAZ
Durée de pluies journalières > 20 mm : DUR20
30 -
25 - Durée totale de 1'événement : DT
Seuil à 20 mm
20 —
Pluie journalière moyenne : PJMOY
15 -
10 -
5 — Seuil à 4 mm
0 i
1 10
Date en jour
Précipitation totale de l'événement : HT
Précipitation des :ours ayant une pluie journalière > 20 sm : TOT20
Figure n°III.l: définition des variables journalières.
III.2.2 - Relations entre les paramètres horaires et les caractéristiques

journalières.
Les paramètres du modèle qui n'ont pas été fixés et qui restent à régionaliser sont :
Le paramètre de la variable NG : p(NG)

Le paramètre de la variable NA : p(NA)
La moyenne* de la variable HMAP : |uHMAP
La moyenne* de la variable HMAO : uHMAO
Le paramètre de liaison entre HMAP et DAP : LIAIP
Le paramètre de liaison entre HMAO et DAO : LIAIO
A partir des valeurs prises par ces paramètres et de celles prises par les caractéristiques journalières sur
l'ensemble des 42 postes, on calcule la matrice de corrélation entre les caractéristiques journalières de
l'ensemble des postes et les paramètres du modèle. On relève alors les relations linéaires les plus
marquées entre les différentes variables.
Moyenne des valeurs inférieures à 4 fois la moyenne Je l'ensemble des valeurs de l'échantillon.
Pour le paramètre de la variable NG :

Le paramètre de la variable NG est déterminé par la méthode des moments et correspond à
l'inverse de la moyenne de la variable. Ce paramètre est corrélé négativement avec la moyenne de la
variable DT, notée uDT. On retrouve ainsi des résultats similaires à ceux de RIBERO [1992]. Pour les
deux saisons, l'équation de la droite et le coefficient de corrélation sont les suivants :
HIVER. p(NG) = -0,11-uDT + 0,53 r = -0.71

ETE: p(NG) = -0,14 uDT + 0,58 r = -0,78
Cette corrélation négative signifie que la valeur du paramètre de NG diminue lorsque le uDT augmente
donc le nombre de périodes pluvieuses par épisode augmente avec la durée totale moyenne des
événements pluvieux. Ce qui parait assez logique; plus il y a de périodes pluvieuses, plus on a des
chances d'avoir des événements longs.
Pour le paramètre de la variable NA :

Le paramètre de la variable NA est aussi équivalent à l'inverse de la moyenne de la variable. On
trouve que ce paramètre est corrélé négativement à la moyenne des hauteurs d'eau des pluies
journalières supérieures à 20 mm, notée uTOT20. Pour les deux saisons, l'équation de la droite et le
coefficient de variation sont les suivants :
HIVER. p(NA) = -0,0035-UTOT20 +0,75 r = -0.80

ETE: p(NA) =-0,0047 UTOT20 +0,90 r = -0.73
Cette corrélation signifie que le nombre moyen d'averses par période pluvieuse augmente avec la
hauteur d'eau des pluies journalières les plus fortes (>20mm). On peut expliquer cette liaison par le fait
que plus les averses seront groupées, plus les hauteurs d'eau obtenues sur une journée seront
importantes.
Pour les moyennes des intensités d'averses HMAP et HMAO :

Les moyennes des variables HMAP et HMAO (exprimées en mm/h) sont corrélées positivement
à la valeur moyenne des intensités journalières des événements, notée uPJMOY. On obtient pour les
deux saisons, les droites d'équations et de coefficients de corrélation suivants :
HIVER : nHMAP = 0,093 • uPJMOY + 1,4 r= 0.77

ETE: nHMAP = 0,097-uPJMOY+ 4,6 r = 0.51
HIVER: uHMAO = 0,065 |iPJMOY +0,01 r = 0.93
ETE: |iHMA0 = 0,066 • uPJMOY+ 0,33 r = 0.80
Là aussi la corrélation paraît facilement explicable. En moyenne, plus les intensités des averses seront
élevées, plus elles généreront des événements d'intensité pluvieuse élevée. Bien sûr, ces variables sont
aussi corrélées avec la moyenne des hauteurs d'eau totales de l'événement, mais le calcul de l'intensité
moyenne journalière permet de s'affranchir de la durée de l'événement qui biaise un peu la relation avec
l'intensité d'averses.
CHAPITRE III - Etude régionale de la parame'trisation du modèle de génération de pluies horaires 125
Pour le paramètre de liaison entre les durées et les intensités des averses ordinaires et principale1; :
Pour le paramètre de liaison entre les durées et les intensités des averses ordinaires, aucune
corrélation linéaire notable n'a été observée avec les caractéristiques journalières définies. Comme la
valeur de ce paramètre varie relativement peu, il a été fixé à sa valeur médiane, c'est à dire à
LIAIO = 1,8 pour les deux saisons.
Pour le paramètre de liaison entre les durées et les intensités des averses principales, une
relation linéaire semble se dégager avec la moyenne des pluies journalières maximales, notée uPJMAX.
L'équation de la droite et la valeur du coefficient de corrélation sont les suivants :
HIVER: LIAIP = -0,071 uPJMAX + 6,2 r = -0,74

ETE : LIAIP = -0,074 • uPJMAX + 7.4 r = -0,57
En moyenne, la valeur du paramètre de liaison a tendance à diminuer lorsque la pluie journalière

maximale augmente. L'augmentation de la valeur du paramètre de liaison traduit la difficulté d'associer
des durées et des intensités fortes. Par conséquent, la possibilité d'avoir une averse (ici principale) avec
un volume d'eau élevé, va diminuer. Ce qui explique la diminution en moyenne des pluies journalières
maximales.
On retrouve en annexe III.3 les graphiques des relations linéaires trouvées pour les différents
paramètres.
Remarque : les régressions entre les paramètres à déterminer et les variables journalières sont des régressions
linéaires simples. Une anamorphose sur les variables n'est pas nécessaire car on observe généralement
des tendances linéaires marquées sur les graphiques. La prise en compte de deux ou trois variables
journalières aurait pu permettre d'expliquer une plus grande partie de la variance d'un paramètre.
Cependant les régressions multiples présentant le danger d'être plus sensibles à l'échantillonnage, leur
étude n'a pas été faite.
III.2.3 - Modélisation à partir des caractéristiques journalières.
Les relations linéaires trouvées dans le paragraphe précédent sont plus ou moins marquées. La
substitution des paramètres calés sur les pluies horaires, par une paramétrisation basée sur les
caractéristiques journalières, va entraîner certaines erreurs sur la génération des hyétogrammes. Pour
avoir une idée plus précise de ces erreurs, des simulations ont été faites sur l'ensemble des postes, pour
les différentes modifications.
On simule alors 1000 ans de pluies sur les 42 postes. Les paramètres fixés dans le chapitre FILI restent
fixés à leur valeur médiane, les autres sont successivement déterminés par les relations linéaires qui les
lient aux caractéristiques journalières.
Les graphiques n°III.4a, b, c cid font le bilan de la paramétrisation par les caractéristiques journalières.
CHAPITRE HI - Etude régionale de la paramémsation du modèle de génération de pluies horaires 126
Bouches H H m ii II Bouches Héraidr

PO Real Collobner (Vaf£ors p.q Real Collobner (Vari Corse
25
du R hône
2 | 'i
« ° n ° . •n
o iwi
••
•'S? 15 <1 ii 1 ~ -o« 1^ i 1
i '£T'£
= a io S
o "Ilo"" 8 2¿°¿ i
* Cl
o jl 0
•' • w w
4 ' 1 i 1 • •1 1 1 ' O * UL -IQ , , O ! . f»'r. i, , • •,
2 -5
•5. ¿ T I o¿
o
1 -.0 o
• ó
? 1^Tïi
OIO •
_ o?i •
-f(T • ! «
• ; •!
•!"
a P ä ö «°.
"^"
.oo
a
a
c
-15 T~—I -*»— é . • • •
u -20
II
inid
-25
j
o Paramètres calés sur les pluies horaires
L • Paramètres fixés et issus des caractéristiques journalières -la]
P.C Bouches H¿raiiJill
| f c L ¿ r ! m J Í RéalCoUobrier
dii R honel || RéalCoUobner ( V a r ) C o r s e
20
15
10
Io8!
OS?
O O o «o* • o o • -o°
pò O —•• • o 8.
-2 2 z. a
3
•?_ - i o
¡ü
• Paramètres fixés et issus des caractéristiques journalières
Ibi
Cl)rse
RéalCollobner i V a r l

-Ici
Corse
Real CoUobner (VafPors RéalCoUobner ( V a r )
-5 -60
aï o Paramètres calés sur les pluies horaires
-Ni
Graphique n°III.4a, b. c et d : évolution du modèle entre la paramétrisation horaire et journalière.
Restitution des moyennes et écarts-types de pluies maximales en l et 24 heures.
CHAPITRE III - Etude régionale de la puramétnsatwn du modèle de génération de pluies horaires 127
Après avoir fixé le paramètre de liaison pour les averses ordinaires, on regarde alors l'impact de la
paramétrisation journalière des variables successives : NG, NA, uHMAP, uHMAO, LIAIP.
Par rapport aux simulations faites à partir des paramètres calés sur les données horaires, la modélisation
effectuée à partir des paramètres fixés et des paramètres issus des variables journalières, n'introduit pas
d'erreur supplémentaire notable.
Pour certains postes, l'erreur sur la restitution des moyennes et écarts-types des variables tests
est légèrement augmentée. Cette dégradation (bien que légère) est tout à fait normale puisque le jeu de
paramètres calés sur les données horaires est sensé représenter le jeu optimal pour un poste considéré.
Pour d'autres postes, on observe une amélioration de la restitution des variables tests. Le jeu de
paramètres "régionaux" donne donc parfois de meilleurs résultats que le jeu de paramètres "horaires".
L'étude "régionale" semble donc permettre de résoudre sur certains postes des problèmes de
paramétrisation liés à l'échantillonnage.
III.2.4 - Bilan de la paramétrisation régionale.
Sur les 21 paramètres (par saison) du modèle calés initialement sur les observations des pluies horaires.
16 ont été fixés. Seulement 5 varient d'un poste à l'autre. Ces paramètres sont peu nombreux mais sont
les plus importants du modèle. Le résultat des simulations sur les différents postes dépend donc
uniquement de ces paramètres, à travers les caractéristiques journalières qui les expriment.
Par rapport à la paramétrisation initiale. le fait de fixer la valeur de certains paramètres à leur valeur
médiane et d'exprimer les autres à partir de caractéristiques journalières, n'introduit pas de biais
excessifs sur la restitution des variables tests.
Sur certains postes, on a même observé une diminution des erreurs en fixant les paramètres de la loi des
intensités, ce qui permet de s'affranchir des problèmes d'ajustements dus à un faible effectif. Pour
d'autres, une augmentation de l'erreur est due aux écarts entre les paramètres calés sur les données
horaires et ceux déterminés par la droite de régression, qui les lient aux caractéristiques journalières.
Afin de faire un bilan sur le modèle dit "régionalisé", on présente sur les graphiques n°III.5 et III.6 les
valeurs des variables tests simulées à partir des caractéristiques journalières, en fonction de celles
observées.
Sur ces graphiques, la droite représentant la médiane permet de visualiser l'écart entre les observations
et les simulations.
CHAPITRE HI - Etude régionale de la paramétrisation du modèle de génération de pluies horaires ¡28
Moyenne des pluies maximales en 1 heure (mmi/ 5 Moyenne des pluies maximales en 6 heures tmmy
Simulations
20 — 40
15 — g 30
M i
• Hiver
20
oEté
10 -
/
10
1
/ Observations
0^
10 15 25 10 20 30 40 50
Moyenne des pluies maximales en 24 heures (mm} 120 T — Moyenne des pluies totales (mm)
20 40 60 80 20 40 60 80 100 120
Graphiques n°III.5 : comparaison des moyennes des pluies maximales en l, 6 et 24 heures et des pluies
totales issues des pluies simulées par la paramétrisation journalière, avec celles issues des pluies
observées.
Sur les moyennes des variables tests, on observe une très bonne restitution des valeurs observées, et
cela sur tout l'intervalle des observations. Le modèle restitue les moyennes des variables tests avec une
erreur inférieure à 25% pour la totalité des postes étudiés. On n'observe pas de biais sur la restitution
des moyennes des variables tests, la qualité du modèle étant homogène quelle que soit la pluviométrie
(forte ou faible).
Remarque : les résultats obtenus ici résument les performances propres au modèle ainsi que celles de la
paramétrisation régionale. La paramétrisation régionale, en elle-même, n'a pas altéré la capacité du
modèle à restituer les moyennes des pluies maximales horaires.
Sur les écarts-types, la restitution est plus difficile. Les graphiques n°III.6 montrent que le modèle a
tendance à sous-estimer les écarts-types les plus forts.
CHAPITRE ¡II - Etude régionale de la paraméirisanon du modèle de génération de pluies horaires 129
15 — Ecart-tspe des pluies maximales en ! heure '• 40 - Ecart-type des pluies maximales en 6 heures (mm)\
¡i ii ¿T
f Néuulous(P Û.)
Felce (Corse)
12 15
80 —j Ecart-type des pluies maximales en 24 heures!mm) L Ecart-type des pluies totales (mm)
Graphiques n°III.6 : comparaison des écarts-types des pluies maximales en I, 6 et 24 heures et des
pluies totales issues des pluies simulées par la paramétrisation journalière, avec celles issues des
pluies observées.
Par exemple, pour les pluies maximales en 24 heures, les valeurs des écarts-types les plus fortes (postes
de Felce [Corse] et Néoulous [P.O.]) sont sous-estimées à 40%. Le modèle aurait donc des difficultés à
restituer de fortes valeurs de pluies sur 24 heures pour certains postes. Mais ce problème ne vient pas
spécialement de la paramétrisation journalière, puisque ces valeurs étaient déjà sous-estimées par le
modèle calé sur les pluies horaires.
La bonne restitution des moyennes montre que la différence entre les écarts-types observés et simulés
ne provient pas d'une forte tendance du modèle à surestimer ou sous-estimer les pluies. Les erreurs sur
les écarts-types proviennent plutôt de la difficulté du modèle à générer des valeurs extrêmes dans
certains cas, et peuvent aussi s'expliquer par des problèmes d'échantillonnage.
Discussion : c'est pour les pluies maximales en 6. 12 et 24 heures que l'écart est le plus grand, l'erreur sur les
écarts-types diminuant pour la variable "pluie totale" (HTOT). Une solution à ce problème pourrait être
d'augmenter les possibilités de combiner des valeurs fortes entre les variables DA et HMA des averses
principales (influant sur les pluies en 6. 12 et 24 heures). Cependant, pour ne pas influencer les
moyennes qui sont bien restituées, cette "liberté" doit être modélisée de façon exceptionnelle.
On peut remarquer qu'une telle modélisation se justifie car on a vu les difficultés de modéliser la
combinaison de deux valeurs fortes (de DAP et HMAP) pour des liaisons marquées (paragraphe
H.3.2.1).
De façon générale, ce sont les plus forts écarts-types des pluies maximales en 6, 12 et 24 heures que le
modèle a du mal à reproduire. Ce cas est présent surtout pour les postes d'altitude (Felce 810 m ou
Néoulous 1100 m) qui présente une typologie de pluies pouvant être issues d'événements bloqués par le
relief. Ces postes peuvent alors présenter de forts cumuls de pluies sur la journée. Une analyse
qualitative d'événements présentant de forts cumuls journaliers permet de s'apercevoir qu'ils sont bien
sûr liés à une importante averse principale, mais qu'ils sont aussi dus à la succession de nombreuses
averses regroupées et présentant de relativement fortes intensités, qu'elles soient principales ou
ordinaires. Il faudrait alors sûrement introduire dans la modélisation, une sorte de persistance des
averses ordinaires fortes, autour de la principale, pour modéliser de façon plus courante de forts cumuls
journaliers pour certains postes d'altitude.
Pour les pluies maximales en 1 heure, les erreurs observées sur les moyennes et les écarts-types peuvent
s'expliquer par différents problèmes d'échantillonnage, des problèmes dus au dépouillement des données
ou à la présence d'une éventuelle liaison entre les variables RX et HMA. La modélisation d'une
éventuelle liaison entre ces deux variables a été étudiée, mais n'apporte pas suffisamment de gain pour
être prise en compte.
La paramétrisation est dite "régionale" car elle est basée sur l'étude des paramètres calés sur une région,
ici la façade méditerranéenne française. Elle consiste à fixer certains paramètres à leur valeur médiane
(calculés sur les postes d'une région), et à déterminer les autres paramètres par des relations linéaires
avec des caractéristiques de pluviométrie journalière. Les paramètres fixés sont considérés comme
valables en tout point de la région considérée. De même, les relations établies entre certains paramètres
et les variables journalières, sont les mêmes en tout point de la région considérée.
Le paragraphe suivant cherche à valider cette paramétrisation régionale.

III.3 - VALIDATION DE LA PARAMETRISATION REGIONALE.
Les résultats obtenus dans les paragraphes précédents (III.2.3 et m.2.4) valident déjà la démarche
choisie. Ils montrent que la paramétrisation régionale n'entraîne pas de biais significatifs sur les
performances du modèle, pour tous les postes ayant servi à sa détermination.
Afin de conforter cette approche, et la paramétrisation en général, des simulations sont effectuées sur
des postes n'ayant pas participé à l'élaboration de ces relations "régionales".
III.3.1 - Modélisation sur des postes n'ayant pas servi à la paramétrisation
Sept postes pluviographiques supplémentaires sont utilisés pour la validation de la paramétrisation

régionale. Ces postes appartiennent à la région étudiée et sont localisés dans différents départements :
- trois postes en Corse (postes numéros 94, 95 et 96)

- deux postes dans les Pyrénées Orientales (postes numéros 03 et 04)
- un poste dans l'Hérault (poste numéro 35)
- un poste dans les Bouches du Rhône (poste numéro 22)
III.3.1.1 • Valeurs des paramètres
Un jeu de paramètres a été calé sur les données horaires, pour chacun des 7 postes. Le jeu de paramètres
dits régionaux est aussi établi pour les 7 postes, à partir des paramètres fixés et des valeurs issues des
variables journalières. On compare ainsi les paramètres issus du calage à ceux issus de l'étude régionale.
On s'aperçoit que certains paramètres issus de l'étude régionale peuvent être assez différents des
paramètres calés (écart relatif de 30 à 40%). Mais en moyenne, sur les 7 postes et pour les deux saisons,
les paramètres régionaux sont proches des paramètres calés.
Dans l'ensemble, les paramètres régionaux sont du même ordre de grandeur que les paramètres calés, ce
qui paraît encourageant pour la simulation.
Pour juger de la paramétrisation régionale sur les performances du modèle, des simulations de 1000 ans
ont été faites à partir des paramètres fixés et issus des pluies journalières. On compare alors les
variables tests observées (puisque l'on dispose de l'information horaire) aux valeurs simulées.
II1.3.1.2 - Restitution des variables tests
Rappelons que les résultats des simulations effectuées dans ce paragraphe sont issus du jeu de
paramètres régionaux de chaque poste. C'est à dire à partir des paramètres fixés et de ceux déduits de
l'information journalière de ces postes.
Les graphiques n°IÏÏ.7a et b présentent l'erreur relative obtenue sur les sept postes, sur les moyennes et
les écarts-types des variables tests. On ne présente ici que les variables pluies maximales en l, 6 et 24
heures (PMI, PM6, PM24) ainsi que la pluie totale de l'épisode (HTOT).
HTOT aPMI QPM6 • PM24

40
30
0i l VER^_^)
A
a
c
I o
20 a
10
A t
ï •
a a
Q
| G
A
•
S
a
D
0 i
D [
s a
m
•
D
A n
• • • § fi •
!!
-10
• a
i
•20
§ ?! 9 7 Numéro du poste
'—[a]
HTOT DPMI a PM6 IPM24
80
a HIVERJ ' ETEJ
•¿_ 60
a i
40
a
**~ 20 a g •
A D a a
a a D
Erreu r rel.inive s
0 •-D-
4- •
a- - í - a - a • ~û • D
• à • g • I
1 a ai
-20 •
1 e a • g
ii
-40 •
• 1
-60
t «A O n *, T v. I r
T T T %' ? ? r Numéro du poste i ?
-[b]
Graphiques n°HI.7a et b : restitution des moyennes et écarts-types des variables PMI, PM6 PM24 et
HTOT, pour les 7 postes de validation. Paramétrisation par la seule connaissance des pluies
journalières.
On observe une meilleure restitution des variables pour la saison "été" que pour la saison "hiver". Mais
dans l'ensemble les résultats sont satisfaisants. D'une façon globale, on peut estimer que dans 85% des
cas (6 postes sur 7) on trouve une erreur sur les moyennes des variables tests comprise entre +/- 20*^- et
une erreur sur les écarts-types des variables tests comprise entre +/- 40 %.
CHAPITRE IH - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 133
Le modèle semble, sur les 7 postes étudiés, avoir la même tendance que pour les 42 autres postes
étudiés, à sous-estimer l'écart-type de pluies maximales en 24 heures. Là encore, c'est plus un problème
dû à la modélisation, qu'à la paramétrisation régionale.
On peut aussi remarquer pour le poste numéro 35 que l'erreur sur la moyenne des pluies maximales en I
heure, est en grande partie due à la valeur du paramètre RX. Le paramètre de la variable RX est fixé à la
valeur médiane trouvée sur les 42 postes initiaux. Or pour le poste n°35, le paramètre RX s'écarte de
40% de cette valeur pour la saison hiver. Cet écart est responsable de l'erreur sur la pluie maximale en 1
heure.
Pour améliorer les performances du modèle pour les pluies maximales en 1 heure, une prise en compte
plus locale du paramètre de la variable RX serait nécessaire, du moins si la variation de celui-ci n'est
pas due à des problèmes de dépouillement.
Compte tenu des résultats obtenus sur les graphiques n o m.5, 6 et 7, on peut considérer que la
paramétrisation régionale donne des résultats corrects. Cependant on peut se poser des questions quant
à la paramétrisation elle-même.
III.3.2 - Validation de la paramétrisation régionale : stabilité des relations.
Les valeurs des paramètres fixés, comme les relations linéaires entre les paramètres non fixés et les
variables journalières, sont le résultat de l'étude de 42 postes pluviographiques. Elles constituent les
éléments de la paramétrisation régionale. On se pose alors la question de la représentativité de cette
paramétrisation.
Pour cela on va procéder de façon empirique en recalculant les valeurs médianes et les relations
linéaires sur différents groupes de postes. On génère des échantillons de jeux de paramètres en tirant au
hasard 30 postes parmi les 42 postes pour lesquels les valeurs des paramètres ont été calées. On génère
ainsi une trentaine d'échantillons sur lesquels on recalcule les relations de la paramétrisation régionale.
Pour les paramètres fixés :
A partir des échantillons de 30 postes, on calcule les différentes valeurs des médianes des paramètres à
fixer. On observe alors une très faible variation de ces valeurs. Par rapport aux valeurs médianes
calculées sur les 42 postes, les valeurs médianes calculées sur 30 postes fluctuent dans 90% des cas
entre +1-2%. Si l'on prend des échantillons de 20 postes seulement, les valeurs médianes fluctuent alors
dans 90% des cas, autour de +/-4cc des valeurs médianes calculées sur les 42 postes. On peut alors
conclure à la bonne représentativité des valeurs médianes calculées sur les 42 postes. Elles ne semblent
pas trop influencées par l'échantillonnage des postes.
CHAPITRE III - Etude régionale de la paraméthsation du modèle de génération de pluies horaires 134
Pour voir de façon plus extrême les variations de ces paramètres fixés, on peut aussi procéder de la
façon suivante. Pour chaque paramètre à fixer (par exemple le premier paramètre de la durée des
averses principales : DAP1), on dispose des 42 valeurs calées sur les 42 postes de départ. Le calcul de
la valeur médiane de cet
échantillon donne la valeur du Echantillon de 42 valeurs
non classées
paramètre pour la Echantillon des n valeurs maximales
paramétrisation régionale.
Pour juger de sa Médiane maximale
représentativité par rapport au liane

nombre de postes ayant servi
à son élaboration, on peut
Echantillon des n valeurs minimales
calculer sa valeur la plus
défavorable, en classant Médiane minimale
l'échantillon, A partir de
l'échantillon de 42 valeurs Echantil on de 42 valeurs
classées par ordre décroissant
classées, on crée un
échantillon avec les n plus fortes valeurs et un échantillon avec les n plus faibles valeurs. Les valeurs
médianes de ces deux échantillons correspondent aux valeurs médianes extrêmes pour un échantillon
de n valeurs.
Le calcul de ces valeurs pour les différents paramètres, a été fait pour un effectif n de 20 et 30 postes. A
partir de ces val ;urs on calcule l'écart entre la médiane de l'échantillon de 42 valeurs et les médianes
maximales et minimales des échantillons de n valeurs. Tous paramètres confondus, on obtient les écarts
maximums suivants :
Effectif : n Ecart maximal (%) Ecart minimal (%)

30 postes 3.1 -5.6
20 postes 5.8 -6.9
On voit que les valeurs médianes des paramètres fixés sont stables et peu influençables par le nombre
de valeurs ayant participé à leur élaboration (dans une limite de 20 valeurs toutefois). Les paramètres
fixés à partir des 42 postes sont donc bien représentatifs des paramètres invariants à utiliser pour la
paramétrisation régionale.
Pour les relations linéaires :
Pour les relations linéaires établies sur les 42 postes dans le paragraphe HI.2.2., on procède de la même
façon que pour les valeurs médianes. On génère des échantillons de 30 postes sur lesquels on recalcule
les liaisons linéaires.
Sur les différents échantillons générés (une trentaine), les paramètres des droites de régression fluctuent
de façon plus sensible que les valeurs médianes. Si l'on note par exemple la droite de régression
Y = a- X + b, les coefficients a et b peuvent varier de plus de 30% lors de l'ajustement de certains
échantillons.
Cependant on remarque que les coefficients de corrélation restent bons, malgré la fluctuation des
coefficients a et b. Dans 90% des cas, les coefficients de corrélation varient entre +/-10% de la valeur
trouvée sur les régressions du paragraphe III.2.2. Ils sont parfois améliorés, parfois diminués.
CHAPITRE III - Etude régionale de la paramétnsatwn du modèle de génération de pluies horaires . 135
Les relations linéaires entre les paramètres et les variables journalières sont confirmées, cependant elles
ne sont pas toujours exprimées par les mêmes coefficients a et b.
La fluctuation des coefficients a et b traduit l'influence de

l'échantillonnage sur la stabilité des relations linéaires.
b
Cependant pour une même relation entre deux variables,
b' les différentes valeurs de a et de b issues de la régression
sur les différents échantillons de poste, sont extrêmement
corrélées. La corrélation entre les valeurs de a et de b,
s'explique par le fait que la droite de régression passe
pratiquement par le même point moyen (voir figure ci-
contre).
En effet, la droite de régression entre deux variables X et Y ajustée par la méthode des moindres carrés
passe par le point moyen (X,Y). Les échantillons composés de 30 postes sélectionnés au hasard,
gardent des valeurs moyennes relativement équivalentes, ainsi la droite de régression passe par un point
moyen sensiblement le même. L'exemple de la figure ci-dessus, montre que lorsque la pente (a)
augmente (a -*• a'), l'ordonnée à l'origine (b) diminue (b -* b'). C'est ce qui se passe lorsque l'échantillon
des points servant au calcul de la régression varie.
La stabilité des relations entre les paramètres et les variables journalières est donc fonction du nombre
de points utilisés dans la régression. Plus le nombre de points augmente, plus la relation est stable. C'est
pourquoi on donne plus d'importance aux résultats obtenus sur la régression des 42 postes, qu'à la
variation des résultats obtenus sur la régression des échantillons de 30 postes.
CHAPITRE ¡II - Etude régionale de la paramétrisation du modèle de génération de pluies horaires 136
III.4 - CONCLUSION ET PERSPECTIVES.
Les résultats obtenus lors de la modélisation des pluies horaires par la paramétrisation régionale, sur les
sept postes pluviographiques n'ayant pas servi à la paramétrisation, sont satisfaisants. Sur ces sept
postes, les pluies horaires ont été modélisées par la seule connaissance de la pluviométrie journalière et
de paramètres régionaux fixés.
Les paramètres fixés lors de l'étude des 42 postes de départ, sont très peu soumis à l'échantillonnage. Ils
peuvent être utilisés pour représenter les valeurs médianes sur l'ensemble des postes de la zone étudiée.
Cependant, avec l'acquisition de nouvelles données horaires, leur valeur peut être réajustée. De même
l'augmentation du nombre de postes de mesure peut permettre une étude plus locale de ces valeurs, par
la distinction de zones géographiques d'isovaleurs, et éventuellement par une cartographie de ces
différents paramètres.
Les relations établies entre certains paramètres et les variables journalières, permettent l'obtention des
paramètres régionaux des 7 postes de validation, avec un écart correct par rapport à leurs paramètres
calés. Ces relations sont cependant plus dépendantes du nombre de postes participant à leur élaboration,
que les valeurs médianes. C'est pourquoi on retiendra de préférence les relations établies sur le plus
grand nombre de postes disponibles (49 pour le moment).
Une étude plus locale peut aussi être envisagée, mais à condition que le nombre de postes soit
important, sans quoi on risque de retomber sur des problèmes d'échantillonnage. L'augmentation du
nombre de postes étudiés pourrait alors permettre de définir différentes relations en fonction d'une zone
considérée.
Dans l'état actuel de l'étude régionale de la paramétrisation, on arrive à définir certains paramètres par
des variables fixes, d'autres par des relations avec des variables journalières. Les résultats sont corrects,
mais peuvent être modifiés par l'acquisition de nouveaux postes.
On arrive ainsi à l'obtention d'éléments de régionalisation suffisants pour pouvoir espérer réaliser une
cartographie des paramètres, nécessaires au modèle de génération de pluies horaires, à travers la
cartographie des variables journalières définies, et avec l'aide de l'information topographique obtenue
par un modèle numérique de terrain et traitée un système d'information géographique.
L'effort à fournir actuellement, réside donc dans la cartographie des variables journalières afin d'avoir
un modèle utilisable en tout point de la zone étudiée. Ce travail fait d'ailleurs d'objet d'une nouvelle
thèse.
Deuxième partie
CHAPITRE IV
LA MODELISATION DE LA PLUIE EN DEBIT
IV. 1 - Les modèles mathématiques en hydrologie 142

rv.1.1 - Généralités, définitions 142
IV.1.2 - Enumeration de quelques modèles hydrologiques de transformation
de la pluie en débit 145
IV.1.3 - Intérêts et utilisations de modèles de transformation pluie-débit 150
IV.2 - Présentation des modèles GR3J et GR3H 153

IV.2.1 - Généralités sur les modèles GR 153
IV.2.2 - Architecture des modèles GR3J et GR3H 154
IV.3 - Procédure de Calage des modèles GR3H et GR3J 161

IV.3.1 - Méthode d'optimisation 161
IV.3.2 - Problème de l'initialisation du système 162
IV.3.3 - Critères de performance 163
IV.4 - Sensibilité des paramètres des modèles GR3J et GR3H 165

IV.4.1 - Sensibilité des paramètres du modèle GR3J 165
IV.4.2 - Sensibilité des paramètres du modèle GR3H 166
CHAPITRE IV - Passage à la transformation de la pluie en débit ¡41
La première partie de ce mémoire, a été consacrée à la modélisation de hyétogrammes au pas de temps

horaire. Après une présentation générale du modèle, une étude plus poussée a été réalisée dans le but
d'améliorer ses performances et d'étendre sa zone de validité. L'étude régionale sur la France
méditerranéenne a permis sa paramétrisation à partir de la connaissance de données journalières.
Le modèle de génération de pluies horaires est donc devenu un outil relativement performant et robuste,
qui peut être utilisé en tout point de la façade méditerranéenne où l'on dispose d'une information
journalière. La cartographie de ses paramètres fait l'objet de nouveaux travaux, qui permettront d'arriver
à un outil, capable de fournir en tout point d'une région, des chroniques d'événements pluvieux simulées
au pas de temps horaire.
Les utilisations des résultats issus de la simulation de pluies horaires sont diverses :
- obtention une information horaire à partir de données journalières

- élaboration de pluies de projet
- nouvelle approche du comportement à l'infini des caractéristiques de pluies
- calcul de courbes I.D.F. pour des fréquences élevées
- cartographie de grandeurs caractéristiques de la pluviographie
- etc..
Ces différentes utilisations montrent des intérêts du modèle de génération de pluies horaires. Cependant
l'intérêt principal des résultats du modèle, reste l'information temporelle qu'il fournit, très importante
pour le passage aux débits. Les simulations seront alors systématiquement utilisés pour résoudre des
problèmes hydrologiques ou hydrauliques, en permettant l'étude des débits résultant d'une chronique de
pluie.
L'intérêt principal d'un tel modèle réside donc dans son couplage avec un modèle de transformation de
la pluie en débit, afin de fournir directement la variable intéressant les aménageurs et les gestionnaires
de l'eau : le débit. Ce passage de la pluie au débit est alors traité dans cette seconde partie.
Le modèle de génération de pluies horaires va donc être couplé à un modèle de transformation de pluie
en débit. Le chapitre suivant sert d'introduction à la modélisation de la pluie en débit. On retrouvera des
généralités sur les modèles mathématiques utilisés en hydrologie pour l'étude des débits, et la
présentation de certains d'entre eux. Puis les modèles de transformation de pluie en débit utilisés pour
être couplés avec la modélisation de la pluie, seront présentés. La méthode de calage des paramètres des
modèles, ainsi que la sensibilité de ces paramètres seront également étudiés.
On trouvera dans ce chapitre l'étude de deux pas de temps : journalier et horaire. La prise en compte de
ces deux pas de temps servira plus loin, lors de l'étude du couplage des deux pas de temps, au niveau de
l'initialisation et de la paramétrisation du modèle horaire par l'information journalière.
CHAPITRE IV - Passage à la transformation de la pluie en débit 142
IV.l - LES MODELES MATHEMATIQUES EN HYDROLOGIE.
IV.1.1 - Généralités, définitions :
Le développement des modèles mathématiques est lié à l'augmentation des moyens

informatiques et à l'amélioration des données disponibles, tant en qualité (finesse du pas de temps,
précision des appareils de mesure...) qu'en quantité (chroniques de plus en plus longues, diversification
des variables mesurées, densification des réseaux de mesures...). La prise en compte de la répartition
spatiale des variables, par les images satellites ou les images radars, et l'introduction des caractéristiques
géomorphologiques des bassins versants dans la modélisation, amènent à une approche de plus en plus
régionale de la modélisation.
Ces modèles sont des outils de plus en plus utilisés par les gestionnaires des ressources en eau
et les aménageurs, car ils permettent d'appréhender des problèmes ponctuels de prévision ou de
prédétermination de l'évolution du débit dans un cours d'eau.
Dans tout ouvrage d'hydrologie générale (ROCHE [1963], CHOW [1964] , LLAMAS [1993])
comme dans de nombreuses synthèses bibliographiques d'articles ou de thèses portant sur la
modélisation en hydrologie, on retrouve souvent une classification des modèles mathématiques
hydrologiques, suivie d'une enumeration plus ou moins exhaustive de modèles existants. La
classification suivante des modèles hydrologiques ne se veut ni plus complète ni plus synthétique qu'une
autre, elle essaie juste de dégager les grandes familles de modèles pour mieux situer notre approche.
Quant à ['enumeration des différents modèles existants elle sera sûrement loin d'être complète,
car comme le souligne AMBROISE [1991] "...il y a presque autant de modèles que d'hydrologues...!".
IV.l.1.1 • Définition eénérale d'un modèle :
On peut définir un modèle, de façon générale, comme une représentation forcément simplifiée (de
forme physique ou mathématique) d'un système réel dont la complexité rend la réponse à une
sollicitation externe difficilement prévisible.
Si cette définition est générique à tous les types de modèles, leur différence peut être exprimée en
fonction du degré de simplification que présente le modèle par rapport à la réalité. C'est ce degré de
simplification qui va être à la base de la classification suivante.
CHAPITRE IV - Passade ¿i la transformarían de la pluie en débit 143
IV.1.1.2 - Classification des types de modèles mathématiques hydroloeiaues :
Si l'on classe les modèles en fonction de leur degré de simplification, on peut différencier 3 types de
modèles.
& Les modèles empiriques : ce sont les modèles qui simplifient le plus le système réel à modeliser. A
caractère principalement déductif, ils présentent une approche directe pour obtenir la réponse du
système à une sollicitation. Cette réponse est définie par une équation ou un opérateur dont les valeurs
des paramètres sont déterminées par des résultats expérimentaux. Ils ne font appel qu'aux seules
variables d'entrée et de sortie du système sans faire intervenir de notion liée à la physique du processus.
Le système est donc assimilé à une "boîte noire" donnant une description purement mathématique de
son fonctionnement.
Ce sont des modèles très dépendants des données utilisées lors de leur élaboration et par conséquent
difficilement exploitables au-delà de la zone d'observation.
« Les modèles conceptuels : de façon générale, ces modèles sont basés sur une conception que l'on se
fait du processus sans vouloir entrer dans la physique du phénomène. Ils intègrent des facteurs
complexes en modélisant, de façon simple, différents éléments du processus physique ainsi que leurs
interactions.
La prise en compte d'un concept physique se traduit par la modélisation des différentes
composantes du cycle de l'eau (évapotranspiration. infiltration, stockage...) souvent par l'assemblage de
réservoirs interconnectés. Cette prise en compte du processus physique sert uniquement à la
construction des opérateurs dont les paramètres n'auront pas de significations physiques réelles. Il faut
bien prendre conscience que les paramètres décrivant les réservoirs et leur vidange sont les résultats
d'un calage numérique du modèle sur des réponses observées, et n'ont pas de signification physique.
•=» Les modèles mécanistes : aussi appelés modèles à base physique ou théorique, ils cherchent à
représenter et à expliquer le fonctionnement d'un système par la description de ses mécanismes internes.
Basés sur des lois physiques théoriques et sur la connaissance précise du système, tous les paramètres
de ces modèles sont censés être mesurables. La difficulté consiste cependant à obtenir l'information
nécessaire au calcul des paramètres (multiplicité des mesures) et à limiter la description du
fonctionnement du système. En effet, la prise en compte de la complexité des phénomènes naturels
conduirait à une modélisation trop lourde.
Ces trois familles de modèles se différentient sur la part de réalité physique que l'on veut
intégrer dans le modèle. Cependant d'autres qualificatifs peuvent s'ajouter pour différencier les modèles.
De nombreux travaux de synthèse (MICHEL [1989], AMBROISE [1991], LLAMAS [1993] et MAKHLOL'F
[1994]) passent ainsi en revue différents qualificatifs permettant des distinctions supplémentaires.
On peut ainsi différencier les modèles sur leur utilisation : les modèles de simulation (ou
descriptifs) cherchent à reproduire la réponse d'un système à une sollicitation, tandis que les modèles
de gestion (ou prédictifs) situés souvent à l'aval des modèles de simulation, se réfèrent plus à la prise
de décision. Pour le premier type de modèle, le critère de performance est lié à la meilleure adéquation
avec les observations, tandis que pour le second type de modèle, il est lié à un critère de choix. Dans sa
classification, FLEMING [1975] parle aussi de modèles de non-optimisation pour les modèles de
simulation, et de modèles d'optimisation pour les modèles de gestion.
Par la suite, on s'intéressera surtout aux modèles de simulation et de connaissance des phénomènes,
laissant pour le moment les modèles de gestion à ceux qui maîtrisent "l'art de la décision...".
Suivant la prise en compte de l'hétérogénéité spatiale des paramètres, on différenciera les

modèles globaux pour lesquels on néglige l'influence de la variation spatiale des paramètres, des
modèles distribués qui intègrent cette variation par une discrétisation de l'espace (maillage). Si un
modèle global essaie de prendre en compte l'hétérogénéité spatiale des entrées et des paramètres du
système en créant des sous-zones homogènes, on parlera de modèle semi-distribué.
La nature des grandeurs impliquées caractérise deux types de modèles : les modèles
déterministes et les modèles statistiques. Un modèle est déterministe lorsque la réponse possède un
caractère déductif dominant. Il existe alors une relation de cause à effet unique entre les variables
d'entrée et de sortie. Un modèle est statistique s'il fait appel aux méthodes statistiques pour faire
ressortir les relations entre les entrées et les sorties du système. Parmi les modèles statistiques, on peut
différencier trois types de modèles (LLAMAS [1993]):
> les modèles de régression et de corrélation : les relations entre entrées et sorties
sont quantifiées à l'aide de coefficients de corrélation, d'intervalles de confiance et de tests de
signification.
> les modèles probabilistes : ils utilisent la notion de fréquence et associent les
observations à un échantillon représentatif d'une population, pour lequel on détermine la loi de
probabilité. Son extrapolation amène à la notion de risque que le modèle peut quantifier.
>• les modèles stochastiques pour lesquels certaines variables d'entrée ou certains
paramètres sont des variables aléatoires, éventuellement corrélées. La réponse du système devient donc
une variable aléatoire. On trouve parmi ces modèles, les modèles du type auto-corrélation, de Markov et
de Monte-Carlo (où les données sont indépendantes).
Pour finir, on distingue aussi :

>• les modèles dynamiques (dont les paramètres évoluent dans le temps) et les
modèles statiques (dont les paramètres sont indépendants du temps),
>• les modèles continus (lorsque les entrées et les sorties sont continues dans le temps)
et les modèles discontinus (fonctionnant en événementiel avec le problème des conditions initiales),
> les modèles linéaires (respectant le principe de superposition) et les modèles non-
linéaires,
>• les modèles horaires, journaliers, décadaires...etc, que l'on distingue suivant le pas
de temps considéré.
Remarque : parmi tous ces qualificatifs, certains sont appelés différemment suivant les utilisateurs (par
exemple, on peut parler de modèle maillé, matriciel ou discrétisé pour un modèle distribué). Seule une
définition rigoureuse faite par leurs modélisateurs pourrait aboutir à une classification exacte des
modèles.
CHAPITRE IV - Passage ¿i la transformation Je la pluie en débit 145
IV. 1.1.3 - Elaboration d'un modèle mathématique hydrologique :
L'élaboration d'un modèle mathématique passe par différentes étapes énumérées dans leur ordre
chronologique (LLAMAS [1993]).
® L'identification : c'est l'analyse de la structure du modèle et des liens internes existant entre ses
éléments constitutifs. Elle amène à la définition des différentes variables du modèle et à poser les
hypothèses simplificatrices en fonction des objectifs et précisions désirés. C'est en fait la phase de
description du modèle.
(D La calibration ou calage : c'est l'estimation des paramètres du modèle à l'aide de fonctions critères
basées sur les variables observées (entrées ou sorties). L'estimation de ces paramètres peut se
faire soit directement, s'il existe des relations entre les paramètres et les variables observées, soit
par optimisation en rendant minimale la fonction critère. Cette étape nécessite donc la recherche
d'une méthode d'estimation et le choix de fonctions critères liées aux objectifs du modèle.
d) La validation : c'est la mesure de la qualité du modèle. Pour cela, on compare les observations avec
les réponses théoriques. La validation ne pourra être pertinente que si les variables utilisées pour
celle-ci sont différentes de celles ayant servi à l'élaboration du modèle (au calage). La validation
nécessite aussi le choix d'une fonction critère.
® La définition des limites d'utilisation : Chaque modèle a été développé suivant des objectifs
définis, par des méthodes spécifiques et sur une zone géographique plus ou moins étendue. Tous
ces points le rendent restrictif. En effet, le caractère doublement relatif de tout modèle dépend
d'une part de la justesse des conceptions et des hypothèses de base, et d'autre part de l'objectif
poursuivi (AMBROISE [1991]). Il faut donc préciser les hypothèses et approximations sous-
jacentes au modèle, le domaine d'application du modèle, ses défauts et ses faiblesses etc.... tout ce
qui peut limiter son application abusive et systématique.
Après ces généralités concernant la modélisation mathématique en hydrologie, le paragraphe suivant

présente quelques exemples de modèles hydrologiques existants. Cette enumeration reste cependant très
loin d'être complète, mais elle traite des exemples touchant les différentes familles de modèles.
IV.1.2 - Enumeration de quelques modèles hydrologiques de transformation

de la pluie en débit.
Ce paragraphe est consacré aux modèles hydrologiques de transformation de la pluie en débit.

Les modèles étudiant les écoulements sans tenir compte de l'information pluviométrique ne seront pas
présents parmi les exemples de modèles présentés. On peut citer à titre d'exemple tous les modèles
mathématiques qui permettent l'ajustement de lois statistiques directement sur les distributions de
fréquences des variables d'écoulement, mais aussi les modèles d'auto-corrélation (modèles ARMA,
ARIMA. PARMA).
CHAPITRE IV - Passage à la transformation de la pluie en débita 146
On recense ici les différents modèles susceptibles d'utiliser les résultats obtenus lors de la modélisation
de la pluie. Suivant leur conception, ces modèles pourront utiliser des chrc iques de pluie, des pluies de
projet ou des caractéristiques statistiques de pluie (pluie décennale, inten .es maximales...), issues du
modèle de génération de hyétogrammes.
On groupera les différents exemples de modèles en fonction du type d'approche qui les caractérise le
mieux : approche de type empirique, conceptuelle ou mécaniste.
IV.1.2.1 • Exemples de modèles empiriques :
•=* Modèles de corrélation expérimentale : ce sont les plus simples et parmi les plus anciens de
la modélisation hydrologique. Ils sont basés sur la recherche d'une relation de cause à effet entre les
pluies et les écoulements. A partir de la mesure des grandeurs mises en cause, les relations sont
déterminées empiriquement par des méthodes statistiques. Les variables traitées dans ces modèles sont
des caractéristiques de la pluie (pluie annuelle, pluie journalière maximale décennale...) et du débit
(lame annuelle, volume de crue, débit de pointe...). Le processus hydrologique complet ne peut être
étudié par ce genre de modèle.
•=> La méthode rationnelle : proposée par KUICHLING en 1889, elle représente une des premières
modélisations hydrologiques. Placée parmi les modèles empiriques pour sa méthode de résolution, sa
conception est cependant basée sur une loi physique extrêmement simplifiée, pour laquelle le bassin
versant est considéré comme une surface dont le déficit d'humidité est constant. Elle s'exprime par la
formule classique : Q = C.I.A (où Q est le débit de pointe, C le coefficient de ruissellement, I l'intensité
de la pluie et A la surface de drainage). Dans la lignée de cette formulation, on trouve la formule de
Caquot.
Ces méthodes sont couramment utilisées pour la détermination de caractéristiques de crues nécessaires
au dimensionnement d'ouvrages d'assainissement.
-^ La méthode du GRADEX : cette méthode a été mise au point par DUBAND et GllLLOT
[1968]. C'est une méthode d'ajustement statistique de la distribution de fréquences des variables
d'écoulement, en tenant compte de l'information pluviométrique pour extrapoler la distribution vers les
valeurs fortes. Initialement développée pour l'étude des pluies et des débits journaliers maximums, la
méthode peut être utilisée pour des pluies et des débits maximums calculés sur des durées différentes de
la journée.
La loi des pluies et la loi des débits sont représentées

par une loi de Gumbe(1) 1. Sur le papier fonctionnel de PouQ
Gumbel, la distribution de fréquences est représentée Extrapolation

par une droite dont la pente définit la grandeur
appelée Gradex ("Gradex des pluies" pour la loi
ajustée sur les pluies, et "Gradex des débits" pour la
loi ajustée sur les débits). La méthode du Gradex se Variable centrée réduite de Gumbel
caractérise par une extrapolation de la loi des débits a p = Gradex des pluies
suivant une loi caractérisée par le Gradex de pluie a
Q = Gradex des débits
(voir figure ci-contre).
' " La loi calculée sur les débits observés avant l'extrapolation, peut ne pas ¿tre une loi de Gumbel.
CHAPITRE IV - Passade à la transformation de la pluie en débit 14'/
—* Le modèle AGREGEE : ce modèle est issu de la méthode du Gradex, puis des travaux sur
l'élaboration d'un Gradex "esthétique". Comme pour la méthode du Gradex. la loi des débits maximums
tend vers un comportement identique à celui de la loi de pluie, pour les fréquences rares. La différence
principale réside dans la façon dont cette tendance est modélisée. La loi des débits est ici extrapolée au
delà des fréquences observées, par une loi de Gumbel dont le paramètre Gradex varie avec la période de
retour (MARGOUM et al [1994], LANG [1995]).
•^ Les modèles CRUPEDIX et SOCÓSE (synthèse nationale sur les crues des petits bassins
versant [1980]): ce sont deux modèles régionaux d'estimation de la crue décennale. Le premier modèle,
basé sur une formulation globale du débit en fonction de caractéristiques physiques du bassin, permet
d'obtenir le débit de pointe décennal à partir de la pluie décennale journalière, de la surface du bassin et
d'un paramètre régional dont la valeur a été cartographiée. Le second modèle est basé sur une pluie de
projet, et l'utilisation de la fonction de production du Soil Conservation Service (S.C.S.) donnant le
ruissellement cumulé en fonction de la pluie. Les paramètres nécessaires au modèle sont déterminés à
partir de variables caractéristiques du bassin versant (surface, longueur du thalweg le plus long...), à
partir de caractéristiques pluviométriques (pluie journalière décennale, pluie moyenne annuelle...) et à
partir de paramètres déduits de relations régionales. Le modèle fournit alors, sur tous bassins non jaugés
de surface < 200km2, un hydrogramme dont le débit de pointe a une fréquence décennale.
IV. 1.2.2 • Exemples de modèles conceptuels :
Alors que la plupart des méthodes empiriques utilisent des grandeurs caractéristiques de la
pluviométrie, les modèles conceptuels utilisent l'information temporelle d'un événement pluvieux, et
modélisent l'évolution du débit au cours de cet événement. De façon générale, ces modèles allient une
fonction de production et une fonction de transfert. Cette modélisation se fait grâce à l'utilisation de
différents opérateurs tels que :
- l'hydrogramme unitaire, élaboré en 1932 par SHERMAN, et représentant la réponse à l'exutoire
d'un bassin soumis à une pluie nette unitaire,
- les réservoirs dont la vidange est souvent décrite par une fonction linéaire ou une fonction
puissance.
Parmi les modèles conceptuels, on trouve beaucoup de modèles dits à réservoirs. Pour n'en citer que
quelques uns :
<=» Le modèle SWM de Stanford : développé en 1966 par CRAWFORD et LlNSLEY. ce modèle du
type conceptuel distribué, est construit autour de 8 réservoirs (dont 3 sont utilisés pour prendre en
compte la fonte des neiges) et 27 paramètres. Ce modèle considère que les différentes parties du sol se
comportent comme des réservoirs d'eau. Ces réservoirs se remplissent suivant une loi conditionnée par
la partie en amont du système, et se vident suivant une loi qui dépend de leur propre constitution, de
leur degré de remplissage et de l'état des réserves en aval.
•* Le modèle CEOUEAU : élaboré par I.N.R.S. université du Québec, c'est un modèle à

réservoirs plus complexe que celui de Stanford. C'est aussi un modèle distribué. Le bassin versant est
découpé en surfaces élémentaires carrées sur lesquelles on calcule les écoulements. Le modèle compte
deux parties principales : la première partie concerne l'écoulement vertical de l'eau (fonction de
production), calculé sur chaque surface élémentaire; la deuxième partie concerne le transfert de
l'écoulement dans le réseau de drainage. Le modèle tient aussi compte de l'influence des surfaces
saturées (lacs, marécages, etc..) dans le calcul de la fonction de transfert. Le pas de temps considéré est
le pas de temps journalier.
•^ Le modèle CREC : créé en 1970 par le L.H.M. de Montpellier, ce modèle est caractérisé par
3 réservoirs et 10 paramètres (version complète) ou 7 paramètres (version simplifiée). La fonction de
production est définie par un réservoir en cul de sac simulant l'humidité du sol et alimentant l'ETP (3
paramètres). La fonction de transfert est définie par 2 réservoirs, à la fois en série et en parallèle (4
paramètres). Appliqué à de nombreux bassins différents en zone tempérée, ce modèle semble avoir une
grande capacité d'adaptation (SERVAT et al [1992]).
•==• Le modèle MODGLO : crée en 1974 par GIRARD, de l'O.R.S.T.O.M., ce modèle conceptuel
global fonctionne au pas de temps journalier. Sa fonction de production est définie par un réservoir
"sol" caractérisé par une capacité de rétention. La fonction de transfert, elle, est composée de 4
réservoirs.
•=• Les modèles GR (Génie Rural) : cette famille de modèle, du type conceptuel global, s'inscrit
dans la théorie de l'hydrogramme unitaire. En effet, ces modèles sont composés de réservoirs et
d'hydrogrammes unitaires. La différence fondamentale avec la plupart des modèles à réservoirs se situe
dans le transfert. Il n'est pas linéaire il passe par un réservoir qui stocke l'eau et la restitue en fonction de
son remplissage. Ces modèles présentés plus loin, présentent l'avantage d'être caractérisés par un
nombre très réduit de paramètres (4 au maximum).
•* La méthode DPFT : formulée pour la première fois par DUBAND en 1978. cette approche est
basée sur la théorie de l'hydrogramme unitaire introduit par SHERMAN en 1932. On cale une fonction de
transfert sur les différences premières (Q¡-Qj_i), pour retrouver les pluies efficaces. On détermine
ensuite la fonction de production (passage P brute •-• P nette), soit par un modèle analytique (genre
SCS), soit par un modèle à réservoir (vidange d'un réservoir).
Il existe bien sûr une grande quantité d'autres modèles conceptuels globaux. Leur différence provient
principalement du nombre et de la combinaison des différents opérateurs qui les caractérisent.
IV. 1.2.3 - Exemples de modèles mécanistes (ou à base physique) :
•* Le modèle TOPMODEL : conçu par BEVEN et KlRKBY [1979], il est qualifié de modèle
physico-conceptuel. Il est considéré comme semi-distribué car certains phénomènes sont analysés
localement, tandis que d'autres sont globalisés. Sa caractéristique principale réside dans la prise en
compte d'un indice topographique. En tout point d'un bassin, les flux latéraux dans le sol sont estimés à
partir de cet indice, faisant intervenir un paramètre ayant une dimension de transmissivité. la pente et la
CHAPITRE IV - Passage ci la transformation de la pluie en débit ¡49
surface amont drainée en ce point. La fonction de répartition spatiale de cet indice "sol-topographie" -
déduite du M.N.T. et d'hypothèses sur les variations de transmissivité - synthétise, par une courbe
simple mais à base physique, l'essentiel de l'information spatialisée. Cette fonction de répartition
spatiale permet des calculs beaucoup plus simples par classes d'indices. Le modèle est appliqué en tout
point d'un maillage systématique et régulier du bassin versant. Le modèle est composé d'une
composante d'écoulement de nappe, qui alimente la rivière par infiltration, et d'une composante de
surface due aux précipitations sur les zones saturées (celles où la nappe affleure). L'idée directrice de ce
modèle est que les écoulements ont deux composantes principales, que l'on calcule sur chaque entité
géographique et que l'on transfère ensuite vers l'exutoire (principe de la plupart des modèles distribués).
L'intérêt récent pour un tel modèle, vient de la facilité croissante pour obtenir l'information
topographique ''Modèle Numérique de Terrain), et du développement des moyens de traitement de cette
information (Système d'Information Géographique).
=~ Le modèle SHE (Système Hydrologique Européen) : (ABBOTT et al [1986]) est un modèle

mécaniste, distribué, à maillage systématique régulier. Ce modèle tente de représenter l'ensemble du
fonctionnement hydrologique d'un bassin versant, par couplage de modèles physiques partiels. La
description de tous les processus hydrologiques se fait par la résolution d'équations différentielles par
des méthodes de différences finies. C'est probablement le modèle actuel le plus mécaniste.
Il existe une multitude d'autres modèles. Tous ces modèles sont d'ailleurs rarement utilisés en dehors de
leur lieu de conception. D'où l'intérêt d'étudier les limites et les potentialités de chaque modèle, plutôt
que de toujours vouloir créer ou affirmer l'universalité d'un concept élaboré dans un cas particulier
(SERVATetal [1988]).
Certaines études essaient de comparer les performances de différents modèles (SERVAT et al
[1988],[1992]). Ces derniers, lors d'une étude comparative entre un modèle conceptuel global (N'AM).
un modèle semi-distribué (WATBAL) et un modèle distribué à base physique (MIKE SHE), arrivent
aux mêmes conclusions que d'autres études comparatives :
- lorsque l'on dispose de quelques données (au moins 1 à 3 années) enregistrées sur un bassin
versant, les modèles conceptuels globaux sont les outils les mieux adaptés sur le plan technique et
économique.
- pour les bassins versants non jaugés, les modèles distribués sont capables de donner de
meilleurs résultats qu'un modèle global, si l'information sur les caractéristiques du bassin sont
disponibles.
L'idéal serait peut-être d'arriver à l'élaboration d'un modèle conceptuel semi-distribué (discrétisation en
sous-bassins homogènes), avec une cartographie des paramètres, liées à des variables
géomorphologiques.
L'énumération de ces différents modèles est assez limitée, et ne cherche pas à présenter le
fonctionnement propre à chaque modèle. C'est un éventail de différents modèles que l'on peut trouver
lorsqu'on étudie la modélisation hydrologique. Le choix des approches et des modèles ne manque pas
pour celui qui veut modéliser la transformation de la pluie en débit. Mais cette multitude de modèles
n'est que le reflet du manque de certitudes quant à la modélisation hydrologique.
CHAPITRE ¡V - Passage à la transformation de la pluie en débit 150
Le choix des modèles GR
Parmi tous les modèles présents sur le "marché" de la modélisation hydrologique, les modèles choisis
pour être couplés à la modélisation de la pluie appartiennent à la famille des modèles GR. Ces modèles
développés par le Cemagref, n'ont pas été choisis uniquement pour leur facilité d'obtention. Les modèles
GR présentent différents intérêts.
Ce sont des modèles parfaitement connus, robustes et testés sur de nombreux bassins versants
avec des résultats satisfaisants (en particulier au pas de temps journalier).
Le faible nombre de paramètres qui les composent et leur rusticité, sont des atouts pour la
régionalisation, et garantissent aussi une certaine robustesse. De plus, par rapport au nombre de
paramètres (3 ou 4 paramètres maximum) servant à modéliser la transformation de la pluie en débit, peu
de modèles permettent de reproduire aussi fidèlement les formes de crue.
Ils permettent en plus d'appréhender la modélisation de la transformation de la pluie en débit,
pour différents pas de temps, ce qui s'avérera fort utile lors du couplage des pas de temps horaire et
journalier.
IV.1.3 - Intérêts et utilisations de modèles de transformation pluie-débit
La modélisation de la transformation de la pluie en débit s'appuie sur la connaissance des pluies (et
éventuellement de l'évapotranspiration) pour générer des débits à l'exutoire d'un bassin versant. L'intérêt
d'une modélisation de la transformation de la pluie en débit est donc d'étudier les débits à partir des
variables qui les génèrent, en s'appuyant sur des relations statistiques, conceptuelles ou physiques.
Cette démarche permet d'utiliser l'information contenue dans la pluie, pour appréhender les problèmes
liés aux écoulements.
L'utilisation de ces modèles est variable. Elle dépend de leur mode de fonctionnement, de leur
conception et de leur capacité à reproduire ou estimer certaines variables.
Reconstitution de débits
Dans de nombreux cas, la modélisation de la transformation de la pluie en débit est utilisée pour la
reconstitution de débits.
Pour les gestionnaires de stations limnimétriques : si une chronique de débits présente des
lacunes, celles-ci peuvent être corrigées par une modélisation de la pluie en débit. Pour cela il faut bien
sûr connaître les pluies précipitées lors de la période de lacunes et avoir préalablement calé le modèle
sur le bassin versant considéré. Cette utilisation, si elle est possible, est plus "réaliste" qu'une
interpolation arbitraire sur la période de lacunes.
Lors d'études de crues : il arrive fréquemment que les limnigraphes soient endommagés,
bloqués voire emportés lors d'événements de crues importants. L'enregistrement de la crue comprend
alors sa montée, mais l'information la plus intéressante qui correspond à la pointe de crue peut manquer.
On essaie alors de reconstituer la partie manquante de la crue. Cette reconstitution pourra aussi être
CHAPITRE IV - Passage ci la transformation de la pluie en débit 151
contrôlée par diverses informations concernant la crue (laisses de crues, photos, enregistrements à
l'amont ou à l'aval du limnimètre endommagé, etc..)
Prévision
La prévision consiste à déterminer les débits qui risquent d'apparaître dans un futur proche. En
prévision de crues, on s'intéresse à l'évolution des débits dans les heures à venir, et en prévision
d'étiages on s'intéresse plutôt à l'évolution des débits à quelques jours. Si la prévision est associée à
l'incertitude de la modélisation, elle est surtout liée aux incertitudes des prévisions météorologiques. La
prévision des débits est en effet soumise aux hypothèses faites sur l'évolution de la pluviométrie.
A l'approche d'un événement dont on veut prévoir l'évolution, on estime tout d'abord l'évolution des
pluies. Cependant, pour certains bassins versants importants, il existe un décalage de quelques heures
entre le début des pluies et le débit résultant à l'exutoire. On peut alors utiliser directement les pluies
observées en temps réel pour prévoir la montée de la crue quelques heures après. A partir des pluies
observées ou prévues, le modèle préalablement paramétré et initialise, va estimer les débits à venir.
De plus en plus, l'utilisation des images radar permet d'approcher les pluies de bassins, de prévoir
l'évolution d'une cellule orageuse et de fournir ainsi une estimation de la pluviométrique nécessaire à la
prévision des crues.
Des essais de prise en compte de l'état hydrique du sol par des images satellites dans la modélisation
pluie-débit, pourraient permettre d'initialiser les modèles pour résoudre des problèmes de prévision
(COGNARD [1995], LOUMAGNE et al [1996]).
Prédétermination
En prédétermination, l'utilisation de la modélisation de la transformation de la pluie en débit nécessite

aussi la connaissance de l'information pluviométrique. L'information pluviométrique utilisée en entrée
du système, peut être une pluie observée de fréquence connue, une pluie synthétique ou une pluie
simulée. Tout le problème réside alors à attribuer une fréquence à l'hydrogramme résultant de la
transformation de cette pluie.
La méthode SHYPRE développée plus loin, utilise l'information pluviographique issue du modèle de
génération stochastique (au pas de temps horaire ou journalier) comme entrée du modèle GR3 (horaire
ou journalier) pour simuler des débits. Dans cette méthode, la fréquence des débits observés est
empirique. On s'affranchit de la correspondance entre la fréquence d'un événement pluvieux donné et la
fréquence de la crue qui en résulte.
Les bassins non-jaugés
On voit que toutes les utilisations que l'on peut faire d'un modèle de transformation de la pluie en débit,
dépendent de l'information pluviométrique dont on dispose. Or cette information est généralement plus
largement disponible (5000 postes pluviométriques en France) que l'information hydrographique (2000
stations limnimétriques suivies). De plus, l'information pluviométrique est plus facilement integrable
dans l'espace, que l'information hydrographique brute. En effet, la pluie est un phénomène considéré
comme aléatoire et un traitement géostatistique permet d'approcher sa répartition moyenne dans l'espace
(cartographie du Gradex des pluies, des précipitations décennales etc.). La variable débit est moins
facilement cartographiable, car elle est non seulement dépendante de l'information pluviométrique du
bassin versant, mais surtout des caractéristiques géomorphologiques du bassin versant.
La modélisation de la pluie en débit trouve là un de ses principaux intérêts : utiliser

l'information pluviométrique le plus largement disponible pour déterminer ou prédéterminer des débits
sur des bassins versants non-jaugés.
C'est en fait dans ce but, que la plupart des recherches hydrologiques sont menées. Dans le cas de
l'utilisation de la modélisation pluie-débit, on cherche à expliquer les paramètres du modèle par des
caractéristiques géomorphologiques du bassin. Cette paramétrisation pourra ensuite être utilisée sur des
bassins versants non-jaugés, où l'on dispose de l'information pluviométrique.
CHAPITRE IV - Passage a la Iransformation de la pluie en débit ¡53
IV.2 - PRESENTATION DES MODELES GR3J ET GR3H.
IV.2.1 - Généralités sur les modèles GR
Les modèles GR (Génie Rural) ont été développés au Cemagref à partir de 1983 par Claude
MICHEL. Ils font partie de la grande famille des modèles conceptuels globaux à réservoirs. Dérivés
notamment du modèle CREC cité précédemment, leur conception se veut plus simple.
Les différents modèles GR développés au Cemagref couvrent trois pas de temps : le pas de
temps mensuel (GR2M), le pas de temps journalier (GR3J ou GR4J) et le pas de temps horaire
(GR3H).
IV.2.1.1 - Au pas de temps mensuel
On peut trouver une présentation récente du modèle GR au pas de temps mensuel (GR2M) dans
MAKHLOUF et MICHEL [1994]. Comme l'indique son nom. ce modèle ne dépend que de deux paramètres
(GR2M) à ajuster sur les données d'un bassin versant. La structure du modèle est basée sur deux
réservoirs : un réservoir de production (dont la capacité est fixée) et un réservoir de transfert. Le
réservoir de production permet de déterminer la partie de la pluie participant à l'écoulement. Ce
réservoir est vidangé par l'intermédiaire de la prise en compte de l'ETP. La partie de la pluie contribuant
à l'écoulement est séparée en deux fractions. Une faible fraction (20%) est dirigée directement pour le
calcul du débit à l'exutoire. et l'autre fraction (807c) transite vers le réservoir de transfert.
Le modèle GR2M ne sera pas utilisé par la suite, car on s'intéresse uniquement aux pas de temps
journalier et horaire, sur lesquels on dispose d'outils de génération de pluies.
IV.2.1.2 - Aupas de temps journalier
Initialement élaboré au pas de temps journalier et décrit par un seul paramètre (MICHEL [ 1983]),
le modèle GR journalier a évolué progressivement pour arriver à un modèle à 4 paramètres (MAKHLOUF
[1994], DE OLIVEIRA NASCIMENTO [1995]). En effet, après avoir testé un modèle à un réservoir et un
paramètre, puis à deux réservoirs paramétrés avec le même paramètre, MICHEL a conclu qu'il était
inévitable de prendre deux paramètres différents pour caler les deux réservoirs. Le modèle GR2J fut
alors mis au point. Un réservoir gère la fonction de production et un autre la fonction de transfert,
chaque réservoir étant caractérisé par un paramètre.
Trop simple pour être appliqué à une large gamme de superficie de bassin, un troisième
paramètre fait son apparition dans le modèle GR3J (EDIJATNO et MICHEL [1989]). Ce paramètre permet
d'intégrer des décalages entre les pluies nettes et leur contribution au débit à l'exutoire. Il caractérise
deux hydrogrammes unitaires associés au transfert. On arrive ainsi à couvrir une gamme de bassins
versants allant de quelques kilomètres carrés à quelques milliers de kilomètres carrés. L'application de
ce modèle est cependant limitée aux bassins à écoulement perenne, le modèle ayant des difficultés à
modéliser les bassins intermittents.
Un quatrième paramètre est alors introduit (MAKHLOUF [1994], DE OLIVEIRA NASCIMENTO

[1995]), pour tenir compte des échanges souterrains. Le modèle alors appelé GR4J, reprend les
équations de GR3J avec l'introduction du quatrième paramètre, concernant des échanges avec
l'environnement extérieur du bassin (perte ou gain) et s'appliquant au niveau de la fonction de transfert.
IV.2.1.3 - Au pas de temps horaire
Le modèle GR3H est basé sur la même architecture que le modèle GR3J. Il peut fonctionner en continu
(YANG [1993]) ou en événementiel. Le modèle de génération de pluies horaires simulant des épisodes
pluvieux, on s'intéresse au fonctionnement par événement du modèle GR3H, les données n'étant
d'ailleurs pas suffisantes pour caler le modèle en continu. Dans ce cas, on ne tient pas compte du facteur
ETP. En effet, au pas de temps horaire, on s'intéresse exclusivement à la période de crue durant laquelle
on néglige l'effet de l'évapotranspiration et de l'évapotranspiration face au volume précipité. Lorsque le
modèle fonctionne en événementiel, chaque réservoir doit être initialise au début des crues.
IV.2.2 - Architecture des modèles GR3J et GR3H
Le modèle GR3H fonctionnant par événement a la même structure que le modèle GR3J, mais sans le
module ayant rapport à l'évapotranspiration. La seule différence entre les deux modèles se trouve donc
dans la fonction de production. La fonction de transfert est commune aux deux modèles. Par la suite, on
présentera la structure des modèles GR3H et GR3J comme celle d'un même modèle (modèle GR3) en
précisant les différences liées au pas de temps que l'on considère.
L'architecture du modèle GR3 repose sur deux réservoirs, caractérisés par un paramètre chacun, et sur
deux hydrogrammes unitaires, caractérisés par le même paramètre (EDUATNO et MICHEL [1989]) :
- le réservoir-sol : c'est la fonction de production du système. Il commande la répartition de la

pluie entre le sous modèle de routage et lui-même. Dans le cas du modèle journalier, un prélèvement est
occasionné par l'évapotranspiration potentielle.
- le premier hydrogramme unitaire : il décrit la propagation d'une importante fraction (90%) des
pluies sortant de la fonction de production jusqu'au deuxième réservoir.
- le second hydrogramme unitaire : il décrit la propagation d'une petite fraction (10%) des pluies
issues de la fonction de production, et participant à l'écoulement direct sans passer par le second
réservoir.
- le réservoir-eau-gravitaire : il reçoit les débits routés selon le premier hydrogramme unitaire.

Sa vidange, définie par une fonction puissance, fournit la seconde partie du débit à l'exutoire.
CHAPITRE IV - Passage à la transformation de la pluie en débit_ 155
E P
k=S/A
Pr = k2Pn
! En = O si P> E Pn=P-E si P > E
En=E-PsiP<E Pn = O si P < E
(En=O en horaire) (Pn=P en horaire)
Es = k.(2-k).En\ ; = (l-k2).Pn
Fonction de production
(sous-modèle de routage)
P = pluie brute
E - Evaporation potentielle
Q = débit à l'exutoire
Q=Qr+Qd
Figur- n°IV.l : Architecture générale des modèles GR à trois paramètres.
La figure n0IV.l schématise dans son ensemble la structure du modèle GR3. En italique on
trouve les termes ne concernant que le modèle au pas de temps journalier, c'est à dire la prise en compte
de l'évapotranspiration potentielle (£).
Voyons plus en détails les deux ensembles composant le modèle : la fonction de production et la
fonction de transfert.
IV.2.2.1 - La fonction de production (DESCRIPTION DE FONCTIONNEMENT DU

RESERVOIR-SOL)
L'étude de la fonction de production se limite à l'étude du réservoir-sol. Unique élément de la fonction

de production, le réservoir-sol distribue en deux parties, la pluie P n . qui est la pluie brute corrigée par
l'évapotranspiration. Une partie (notée Ps) va servir à remplir le réservoir-sol, l'autre partie (notée Pr ou
pluie nette) va être dirigée vers le sous modèle de routage pour participer à la génération des débits.
La prise en compte de l'évapotranspiration se fait au niveau du calcul de la pluie brute corrigée P n .
Dans le cas du pas de temps horaire, l'évapotranspiration étant négligée face à la pluie, la pluie
P n est alors égale à la pluie brute.
~ E n o u E = 0 doncP n = P
CHAPITRE ¡V - Passage à la transformation de la pluie en débit_ 156
Dans le cas du pas de temps journalier, la pluie P n est égale à la différence entre la pluie brute
(P) et l'évapotranspiration moyenne journalière (E). Deux cas de figure se présentent alors :
si P > E ~ En = 0 et Pn = P - E
si P < E « Pn = 0 et En = E - P
Le réservoir-sol est alors soumis : [ Si E > P | [Si P > E )

• soit à la pluie corrigée par l'évapotranspiration E • „
(P-E), (vers le sous-modèle de roulage)

• soit à l'évapotranspiration potentielle (E-P), En=E-P Pn=PE • Pr = k2 Pn
lorsque l'un de ces termes est positif. Es : U. (I-k 2 ).Pn
Al
La répartition de la pluie P n est fonction du taux I
de remplissage k du réservoir-sol, défini comme
A = Capacité du réservoir-sol
le rapport du niveau de remplissage (S) par la S = niveau de remplissage du réservoir
capacité maximale du réservoir (A). k = S/A = taux de remplissage
Fonctionnement du réservoir-sol
Si le système est soumis à une pluie élémentaire dP n . la pluie dirigée vers le sous-modèle de routase
(S\2
(P r ou pluie nette) est égale à dPr = [—) dPn , et son complément est dirigé vers le réservoir-sol. La
variation du niveau du réservoir-sol est donc dS = dPn car l'évapotranspiration est nulle dans
ce cas.
Cette relation en valeur instantanée peut être intégrée sur le pas de temps considéré. Ainsi, on obtient
l'accroissement du niveau du réservoir par la formule :
1-
(1)
avec tanh(x) = ( e 2 x - l ) / ( e 2 x + l ) .
où Si est le niveau du réservoir au début du pas de temps pendant lequel il reçoit la pluie P n , et S2 le
niveau du réservoir à la fin de ce pas de temps.
Dans le cas du modèle journalier, si le terme E n est positif, l'évapotranspiration est plus forte que la
pluie. Le réservoir subit alors une perte, fonction de son niveau de remplissage, exprimée par :
En l'intégrant sur le pas de temps, on obtient la variation du niveau du réservoir par la formule :
(2)
CHAPITRE IV - Passage ci la transformation de la pluie en débit_ 157
qui donne approximativement :
E + A / ( 2 - S / A)
Les deux fractions concernant le Evaporation

rendement de la pluie et le rendement de S/A.(2-S/A)
l'évapotranspiration ont des caractéristiques
symétriques. La différence entre les deux
processus se traduit par le fait que le rendement
des pluies n'approche le maximum que
tardivement, lorsque S est proche de 1, et que le
rendement de l'évapotranspiration n'approche la Pluie nette
valeur 0 que pour S proche de 0 (EDIJATNO et
MICHEL [1989]).
S/A
Rendement de la pluie et de l'évapotranspiration

d'après EDIJATNO et MICHEL [1989]
Notons que le modèle au pas de temps horaire fonctionne en événementiel et que l'état initial du
réservoir-sol doit être optimisé à chaque événement. En effet, puisque l'on ne tient pas compte de
l'évapotranspiration dans ce cas, le réservoir-sol fonctionne en "cul de sac" et n'est soumis à aucune
perte. Son niveau de remplissage ne fait qu'augmenter. Sans une initialisation du niveau du réservoir à
chaque événement, et sans tenir compte de l'évapotranspiration. le réservoir-sol se saturerait rapidement
après quelques crues, le rendant ainsi sans effet. Toute la pluie participerait alors à l'écoulement.
IV.2.2.2 - La fonction de transfert
La fonction de transfert est caractérisée par deux hydrogrammes unitaires et un réservoir appelé
réservoir-eau-gravitaire. Voyons séparément chacun de ces opérateurs.
CD LES HYDROGRAMMES UNITAIRES ou FONCTION RETARD
La pluie nette issue de la fonction de production est dirigée vers le sous-modèle de routage ou fonction
de transfert. Dans ce sous-modèle, la pluie nette est fractionnée en deux parties :
- la première partie (correspondant à 90% de la pluie nette) va transiter par le premier
hydrogramme unitaire (HUÍ) avant d'être dirigée vers le réservoir eau-gravitaire. Elle correspond à
l'idée d'un écoulement souterrain.
- la partie complémentaire (10% de la pluie nette) va transiter par le second h\drogramme
unitaire (HU2) pour générer un débit dirigé directement vers l'exutoire. Elle correspond à la prise en
compte du ruissellement direct.
CHAPITRE IV - Passage à la transformation de la pluie en débii_ 158
Le premier hydrogramme unitaire sert à de production^)

introduire un décalage progressif entre la
pluie brute et la pluie nette au moment où elle
va participer à la génération du débit, en
entrant dans le réservoir eau-gravitaire. Sa
formulation strictement croissante ne peut
assurer la forme de la décrue, celle-ci étant
fournie par la vidange du réservoir.
Par contre pour le second hydrogramme
unitaire, une partie décroissante assure la
Vers le réservoir-eau-gravitaire : vers l'exutoire
décrue.
Pour ne pas compliquer le modèle, les deux hydrogrammes unitaires ont été définis par le même
paramètre (C) qui exprime un temps. Le second hydrogramme unitaire est symétrique. Il est construit
sur la même fonction analytique que le premier. On peut remarquer que pour les deux hydrogrammes, le
maximum est obtenu au temps t = C.
Formulation de l'hydrogramme HUI :
Sa forme analytique est :

3t2
pour 0 < t <C / x
pour t>C q(t) = O
Comme on travaille à pas de temps régulier (l'heure ou la journée), l'hydrogramme unitaire sera
discrétisé. Il prendra comme valeurs successives q\, q2, •••qk+l où k est la partie entière du paramètre C.
Si C < 1 alors qi = 1 est la seule valeur de l'hydrogramme unitaire. Si C > 1, sa forme discrétisée est
alors :
si j < k
et
j-l sij = k+l
Formulation de l'hydrogramme HU2 :
La forme analytique du second hydrogramme unitaire HU2 est issue de celle de l'hydrogramme unitaire
HUÍ, de façon à obtenir une fonction symétrique dont l'intégrale vaut 1. On aboutit à la formulation
suivante :
q(t) = pour 0 < t < C

CHAPITRE IV - Passage à la transformation de la pluie en débita 159
3(2C-t)"
q(t) = pour C < t < 2C
2C:
q(t) = O pour t > 2C
De même que pour HUÍ, on discrétise les fonctions précédentes. C doit être supérieur à 0,5 pour avoir
un effet sensible sur la forme de l'hydrogramme. On distingue deux cas :
SiO,5<C<l :
n ( i
q, = 1 - 0 , 5 - 2 et q9=0,5- 2 - -
1 ¿
C) \ C
et
SiC> 1 : qj =0,5- n3 si 1 <j <k
si j = k + 1
=0,5- si k+2<j <i
qj =0,5- 2- si j =i+1
avec k = partie entière de C

i = partie entière de 2C.
Remarque de C. MICHEL [1991] pour le modèle journalier : "La discrétisation peut être responsable d'un
certain nombre d'écrêtement, ce qui peut expliquer que les pointes de crues puissent être sous estimées.
Cet effet amplifie l'effet déjà connu du lissage, dû au découpage temporel arbitraire lié ¿i l'emploi de
pas de temps fixes. Les deux effets peuvent entraîner une sous-estimation de plus de 20 rc du débit
maximal."
La pluie transitant par l'hydrogramme unitaire HUÍ est dirigée vers le réservoir-eau-gravitaire dont le
fonctionnement est décrit dans le paragraphe suivant.
® LERESERVOIR-EAU-GRAVITAIRE
Comme le réservoir-sol, le réservoir-eau-gravitaire est caractérisé par sa capacité maximale B, qui

correspond à la "rétention maximale" sur un pas de temps. Le réservoir-eau-gravitaire reçoit la pluie
nette apportée par le premier hydrogramme unitaire. Le niveau R du réservoir détermine le débit Qr qu'il
relâche selon la relation :
Qr(t) = ß R ( t ) a avec cc>l
La vidange est donc une fonction puissance du contenu du réservoir-eau-gravitaire (R).

L'équation de continuité donne l'expression:
On obtient ainsi l'équation différentielle,

Ra
En intégrant sur un pas de temps At on obtient l'équation :

/ \Ct-l / \Ct-l
ß i i ) •<-»•>•*
où Rj est le niveau de R au début du pas de temps et
Rf est le niveau de R à la fin du pas de temps. t=0 i t= 1
Vidange du réservoir
Le débit étant vidangé au début du pas de temps, R+AR | 1 R
Qr = Ri-Rf ' — A R= Q R = lame écoulée pendant ( t = 1 )
1
En posant : B a-I on obtient,
(a-l)-ß-At
va-l va-l a-l a-l

ou
.Rf+Qr B .R. - R,
Dans son élaboration initiale, la vidange du réservoir eau-gravitaire suivait une loi quadratique, c'est à
dire pour a = 2. Après de nombreux essais sur différents bassins versants, il en est ressorti que la valeur
que a = 5 (ou même 6) donnait les meilleurs résultats (EDIJATNO [1991]). On obtient finalement :
1 1 1
— = + 4 avec (3)
R 4; R ; B 4-ß-At
'
On voit que la valeur maximale de Rf est égale à B quand R, est infini. C'est pour cela que l'on appelle B
"capacité maximale sur un pas de temps", du réservoir-eau-gravitaire.
IV.3 - PROCEDURE DE CALAGE DES MODELES GR3H ET GR3J
Le modèle GR3 aux pas de temps journalier et horaire, possède donc 3 paramètres A. B et C à
identifier. De façon générale, le calage des paramètres d'un modèle consiste à déterminer le jeu de
paramètres qui permet d'obtenir une réponse du modèle la plus proche possible de la réponse observée.
Pour cela, on cherche à minimiser une fonction critère qui permet de juger de la bonne adéquation entre
les réponses simulées (ou calculées) et les réponses observées, suite à des sollicitations connues.
IV.3.1 - Méthode d'optimisation :
L'optimisation d'un modèle peut être "directe" ou "indirecte". Elle est "directe" s'il existe de relations
entre les données, les paramètres et les critères de performance. L'exemple le plus simple est
l'optimisation d'une droite de régression linéaire par la méthode des moindres carrés.
La méthode d'optimisation est "indirecte" si l'on doit procéder par itération. C'est un cas sou\ent
rencontré pour les modèles globaux non linéaires. Les paramètres n'étant pas directement liés à la
réponse du modèle, une liaison directe avec les observations n'est pas possible.
L'optimisation du modèle GR3 est faite par un algorithme simple qui s'apparente à la technique des
gradients. On recherche, dans cette méthode, les lignes de plus grande pente de la fonction critère, pour
aboutir le plus rapidement possible à l'optimum de la fonction. On travaille sur les logarithmes
népériens des paramètres afin de rendre l'optimisation plus efficace (MICHEL [1989]).
Les paramètres à optimiser sont alors : a = Ln(A)

b = Ln(B)
et c = Ln(C-0.5)
Le faible nombre de paramètres libres à optimiser réduit considérablement le risque de trouver un

optimum secondaire.
L'optimisation va donc porter sur la valeur du critère de performance, ou fonction critère. Ce critère doit
tenir compte de l'écart entre les observations et les simulations. Divers types de critères, plus ou moins
pertinents, peuvent être utilisés lors de l'optimisation, en fonction de l'objectif du modèle. Dans le cas
présent, c'est le critère de Nash qui a été retenu. Ce critère proposé par NASH et SUTCLIFFE [1970], est
basé sur le critère des moindres carrés (somme des carrés des écarts) rendu adimensionnel. Il permet
ainsi la comparaison entre différents bassins.
NASH = 1 - — tend vers 1 pour une adéquation parfaite.
¡=i
Pour chaque valeur prise par les paramètres lors des différentes itérations, le critère de Nash est calculé
à partir des débits simulés et observés.
Remarque : notons cependant, que pour le modèle horaire, fonctionnant par événement, la valeur des débits
simulés est fortement influencée par l'initialisation du modèle. L'optimisation devra aussi porter sur
l'état initial du système, à chaque événement.
IV.3.2 - Problème de l'initialisation du système :
L'état initial du système doit être connu. Suivant le pas de temps auquel on s'intéresse, le problème est
différent.
Au pas de temps journalier, le modèle fonctionne en continu. Si l'on cale le modèle sur une
certaine période, l'influence de l'initialisation va se faire sentir surtout sur le début de la période de
calage. En effet, au fur et à mesure, le modèle va intégrer pas à pas les modifications des niveaux des
réservoirs, l'influence de l'initialisation sur ces niveaux devenant de plus en plus négligeable. C'est pour
cette raison que la première année d'observation est systématiquement utilisée pour la période
d'initialisation du modèle. Le calage se fait alors sur les années suivantes.
Cependant, afin de limiter les effets d'une initialisation aléatoire, on utilise pour le réservoir-sol la
valeur moyenne du taux de remplissage du mois de démarrage de la simulation. Ces valeurs mensuelles
ont été obtenues lors d'études menées sur plusieurs bassins versants.
MOIS 1 2 3 4 5 6 7 8 9 10 11 12
S/A 0.80 0.85 0.84 0.74 0.62 0.44 0.28 0.16 0.19 0.-8 0.50 0.67
Initialisation du réservoir-sol de CR3J (EDUATNO, MICHEL [1989]).
L'initialisation du réservoir-eau-gravitaire peut être déterminée par la connaissance du débit initial QQ.
Si on note Ro la valeur du niveau du réservoir à la fin du pas de temps sur lequel on observe Qy.
l'équation (3) s'écrit : —j- = j - H—j
B
Ro (RQ+QO)
La résolution de cette équation par la méthode itérative de Newton peut être longue à converger. C'est
pourquoi on cherche une valeur approchée de la solution de l'équation, pour démarrer le processus
itératif de Newton. Cette valeur approchée est (MAKHLOUF [1994]):
1 ou
R n = B - 1--
0.4 qo = Q o / B
(4q0)02+(8q0)
Si les données disponibles ne permettent pas d'avoir une période d'initialisation, il faut alors considérer
les valeurs initiales comme des paramètres à optimiser. C'est le cas pour le pas de temps horaire.
Au pas de temps horaire, le modèle fonctionne en événementiel. C'est à dire que les
observations sont disponibles sur certains événements de crues, et la continuité entre chaque événement
n'est pas assurée. Pour chaque crue, le modèle doit être initialise.
CHAPITRE IV - Passage ci la transformation de la pluie en débit 163
Pour le réservoir-eau-gravitaire, on utilise le débit QQ du début de l'événement pour initialiser le niveau

du réservoir, de la même façon qu'au pas de temps journalier. L'état initial du réservoir-sol (SQ) est,
quant à lui, optimisé à chaque crue. Le modèle GR3 horaire (événementiel), nécessite en fait
l'optimisation de 4 paramètres : A. B, C et So- En pratique, c'est la valeur du taux de remplissage So/A
du réservoir que l'on optimise.
IV.3.3 - Critères de performance :
On a vu que le critère de Nash est utilisé comme critère de calage. Cependant, il existe d'autres critères
qui permettent déjuger de la bonne adéquation entre les débits observés et les débits calculés. Citons-en
quelques uns :
Coefficient d'appréciation du bilan volumétrique :
+ Erreur relative du bilan. Au pas de temps horaire, il permet d'apprécier les capacités du modèle
à restituer les volumes ruisselés lors de la crue. Au pas de temps journalier, il permet d'apprécier
la capacité du modèle à prendre en compte le ruissellement (en période pluvieuse) et
l'évapotranspiration (en période sèche). Il peut être formulé par :
Ce coefficient tend vers 0 lorsque les débits calculés tendent vers les débits observés. Il est positif
si le volume est surestimé par le modèle, et négatif dans le cas contraire.
Coefficients d'appréciation de la restitution des débits de crues :
>• Au pas de temps horaire :

+ Rapport des pointes de crues : Pointe(%) = 100 '
Max(Q o b s )
On calcule pour chaque crue le rapport entre le débit de pointe calculé et le débit de pointe
observé. Ce rapport vaut 100% si la pointe de crue est parfaitement restituée. Il est supérieur à
100% si le débit de pointe calculé est surestimé, et inférieur à 100% dans le cas contraire. En
général, on regarde la moyenne et l'écart-type de ce rapport, calculés sur l'ensemble des
événements de crues disponibles sur un même bassin versant.
>• Au pas de temps journalier

OX
• Rapport des crues annuelles moyennes : CRU(9c) = [00-^=^—
_ _ QX ü b s
où QX c a | et QX obs sont respectivement les moyennes des débits calculés et les moyennes des
débits observés, supérieurs à quatre fois le module interannuel. Ce rapport tend vers 100%
lorsque les débits de crues sont bien restitués par le modèle.
Coefficients d'appréciation de la restitution des durées de crues :

Associés aux coefficients portant sur les volumes, ils permettent d'apprécier la forme des
hydrogrammes.
Au pas de temps horaire :

N
+ Rapport des durées où O > Q p o i n t e / 2 : Durée (%) = 100- cal
Nobs
où N c a l et N o b s sont respectivement les durées (en heures) calculées et les durées observées pour
lesquelles le débit de l'événement est supérieur à la moitié du débit de pointe.
>• Au pas de temps journalier :

NX
+ Rapport des durées de crues : RDC = —
obs
où NXcaj est le nombre de jours où le débit calculé est supérieur à 4 fois le module inter-annuel
et NX o b s le nombre de jours où le débit observé est supérieur à 4 fois le module inter-annuel.
NN cal - NN s
+ Rapport des durées des étiages : RCE = — °
n
où NN cal est le nombre de jours où le débit calculé est inférieur au quart du module inter-annuel.
NN o b s le nombre de jours où le débit observé est inférieur au quart du module inter-annuel et n
est le nombre total de jours de simulation.
Tous ces critères permettent d'apprécier la restitution des débits simulés par le modèle, en les comparant
aux débits observés. Suivant l'objectif du modèle, on pourra s'intéresser préférentiellement à certains de
ces critères (étude des crues, temps d'inondation, étude des étiages...). D'autres critères peuvent aussi
être mis au point en fonction des besoins. Ces critères peuvent servir à la comparaison des performances
de différents modèles.
Avant d'effectuer le calage des modèles sur les données disponibles et de faire d'éventuelles
interprétations, nous allons voir la sensibilité des modèles horaire et journalier, à leurs différents
paramètres. Pour le modèle au pas de temps journalier, une brève synthèse bibliographique va présenter
les principales caractéristiques à retenir. Le modèle au pas de temps horaire, qui est plus au centre de ce
travail, sera plus amplement étudié par la suite.
IV.4 - SENSIBILITE DES PARAMETRES DES MODELES GR3J ET

GR3H
IV.4.1 - Sensibilité des paramètres du modèle GR3J
Ce paragraphe n'est qu'une synthèse bibliographique des études menées sur la sensibilité des paramètres
du modèle GR3J (MICHEL [1989], EDUATNO et MICHEL [1989], MAKHLOUF [1994], DE OLIVEIRA
NASCIMENTO [1995]).
Pour étudier la sensibilité du modèle à ses différents paramètres, on étudie en fait l'influence de la
variation de chaque paramètre sur la réponse du modèle (ici la chronique de débits simulés).
Pour évaluer l'influence des paramètres du modèle GR3J sur les variables hydrologiques, MAKHLOUF
[1994] a retenu 3 variables hydrologiques représentatives :
- l'écoulement annuel Q a , pour caractériser l'écoulement sur une longue durée,

- le débit journalier maximal de l'année, Q x , pour caractériser les crues,
- le débit journalier minimal de l'année, Q n , pour caractériser les étiages.
Les caractéristiques hydrologiques retenues sont des quantiles de ces 3 variables. L'étude de
MAKHLOUF [1994] montre que :
Pour les écoulements annuels, seul le paramètre A (réservoir-sol) a une influence. Si A

augmente, les écoulements annuels diminuent. Dans ce cas, on augmente la capacité de rétention du
système, augmentant ainsi la quantité d'eau soumise à l'évapotranspiration. On diminue en fait la pluie
nette, participant à la formation du débit, et par conséquent on diminue le coefficient d'écoulement.
Pour les crues, les 3 paramètres A, B et C ont une influence. Quand l'un des trois paramètres
augmente, le débit de crue diminue. Cependant, à la même variation du paramètre (en pourcentage),
l'effet du paramètre A est supérieur à celui du paramètre B qui est lui même supérieur à celui du
paramètre C.
- Pour les étiages. le paramètre A introduit un effet variable mais faible sur les écoulements. Le
paramètre B a une influence positive très nette sur les étiages, ces derniers croissant un peu plus vite
que la racine carrée de B.
On retrouve ces résultats, pour le modèle GR4J (MAKHLOUF [1994]). Les résultats sont issus d'essais
sur une vingtaine de bassins versants français. La synthèse des influences des paramètres sur
l'écoulement généré peut se résumer par la figure noIV.2. Sur les petits graphiques présentés dans la
figure n°rv.2, on trouve en abscisse la variation du paramètre et en ordonnée la variation des variables
hydrologiques étudiées.
Ln(Aj Ln(B) D
Ecoulement
annuel moyen
Ecoulement
journalier de
crue décennale
Ecoulement
médian du mois
de septembre
Figure n°IV.2 : effet comparé des différents paramètres du modèle GR4J sur les trois aspects
des écoulements d'un bassin versant, MAKHLOUF [1994]
Remarque : comme le signale l'auteur, cette étude de l'influence des paramètres est partielle puisque l'on
n'étudie pas toutes les configurations possibles (un seul paramètre varie, les autres étant fixés à leur
valeur médiane, déterminée par le calage de 120 bassins versants français). Cependant cette étude donne
une idée centrale sur l'effet d'un paramètre isolé.
IV.4.2 - Sensibilité des paramètres du modèle GR3H
Si on utilise le modèle GR3 horaire en mode événementiel, le modèle n'est pas conservatif en volume
WENDUNG [1992]. En effet, la fonction de production représentée par le réservoir-sol (en cul de sac),
crée un abattement de la pluie brute qui est perdu pour la modélisation. La fonction de production
calculant la pluie nette qui participera à la génération des débits, dépend à la fois du paramètre A et de
l'état initial du réservoir-sol. Le paragraphe suivant montre l'influence de ces deux paramètres sur la
génération des débits.
IX'.4.1.1 - Influence du paramètre A et de l'état initial du réservoir-sol
De façon théorique :
II parait évident que la valeur de ces paramètres va influer sur le volume d'eau ruisselée. car ces
paramètres sont à la base du calcul de la pluie nette.
L'équation (1) donnant la variation du niveau du réservoir-sol, intégrée sur le pas de temps, montre que
pour le même état du système (paramètre A et k=S/A constants), la transformation de la pluie brute
corrigée P n (1) en pluie nette (Pr = 1 - Ps), n'est pas linéaire.
( ' > Au pas de temps horaire, la pluie efficace est équivalente à la pluie brute, car l'évaporation est négligée.
CHAPITRE IV - Passage à la transformation de la pluie en déhii_ 167
En effet, pour A et k constants, la pluie nette P r , n'est pas proportionnelle à la pluie qui la génère P n .
Le graphique ci-contre donne la pluie nette

associée à une pluie brute, pour une valeur de k
donnée (ici k= 0,3). On a donc la représentation de
-k = Ps/A
la réponse du réservoir-sol, pour un taux de
remplissage donné. Cette représentation n'est
valable que pour un pas de temps donné car le pas
de temps suivant, la valeur de k est modifiée.
Pluie brute corrigée : Pn /
L'allure de la courbe reste cependant la même, mais
l'écart entre celle-ci et la médiatrice diminue puisque
le terme (1-k) diminue lui aussi.
Ce graphique donne un aperçu de l'influence de la pluie brute corrigée, du paramètre A et du taux de

remplissage du réservoir-sol, sur la réponse de la fonction de production.
Plus le taux de remplissage augmente (k tend vers 1), plus la pluie brute corrigée et la pluie
nette seront équivalentes. Le réservoir-sol tend alors à se saturer et neutralise ainsi son influence sur la
production.
Plus la pluie brute corrigée est importante, plus la pluie nette l'est aussi. Cependant cette
relation n'est pas linéaire. Elle dépend de A, de P n et de k.
Notons la particularité de la courbe, qui tend vers une asymptote parallèle à la médiatrice lorsque Pn/A
augmente. A partir de l'équation (1). on quantifie l'écart entre la courbe et l'asymptote par la valeur I-k
qui représente le taux de non remplissage du réservoir. Pour Pn/A=2, on peut approximer cet écart à
0,96(l-k). Lorsque la valeur de la pluie brute corrigée est supérieure à la valeur de A, le réservoir se
sature très rapidement. La pluie nette tend alors vers la pluie brute corrigée ôtée de la valeur (A-S). On
voit bien ici que la quantité maximale d'absorption du système vaut (A-S). pour un événement donné.
Elle dépend donc de la capacité de A et de son taux de remplissage initial.
De façon empirique :
Pour illustrer l'influence d'un paramètre, on soumet le modèle à une pluie quelconque, et l'on compare
les réponses obtenues pour différentes valeurs du paramètre. Les graphiques n°FV.l et IV.2 présentent
la réponse du modèle GR3H à une pluie observée le 14 février 1967, par le poste pluviographique des
Bonaud sur le bassin du Real Collobrier (poste représentatif de la pluie de bassin à la station de Pont de
Fer : surface = 70,6 km2). Le modèle préalablement calé sur cet événement a donné aux paramètres les
valeurs suivantes :
ln(A) = 6,27
ln(B) = 4.65
ln(C-0.5)= 1.72
SO/A = 54,7%
Influence du paramètre A :
On fait varier ln(A) entre 1 et 9, ce qui correspond à des valeurs de A comprises entre 2,7 et
8100 mm. Les hydrogrammes simulés pour les différentes valeurs du paramètre A, sont représentés sur
le graphique n°IV. 1.
ln(B) = 4.65 PLUIE (mm)

In(Q=1.72 ln(A) = 1
SQ/A= 0.547 ln(A)=4
ln(A)=5
- - • - ln(A) = 7
Heures
25 49 73 97 121 145
Graphique n°IV. I : influence du paramètre A sur la modélisation de la crue du ¡4/02/67 à Pont de Fer.
Sur le graphique n°IV.l, on voit bien l'influence du paramètre A sur le volume ruisselé et sur la valeur
du débit de pointe. La crue subit une homothétie mais pas de déformation. Plus la capacité du réservoir-
sol diminue, plus le débit généré est important, car la capacité d'absorption du sol diminue avec le
paramètre A.
Influence du paramètre Sr/A :
Le graphique n°FV.2 montre l'influence du niveau initial du réservoir-sol. On génère la crue à

partir des paramètres optimisés, en faisant varier SQ/A entre 0,1 et 0,9.
o
ln(A) = 6.27 • • M i PLUIE (mm) l 5
ln(B) = 4.65 S0/A = 0.1
ln(Q=1.72 SO/A = 0.4 *- io
• S0/A = 0.7 I- 15
S0/A = 0.8
20
S0/A = 0.9
I S0/A optimisé ! (0.547) • -^
- 30
T 35
Graphique n°IV.2 : influence de S(/A sur la modélisation de la crue du 14/02/67 ci Pont de Fer.
CHAPITRE IV - Passage a la transformation de la pluie en débu_ 169
On observe une influence comparable à celle du paramètre A. Lorsqu'on augmente le taux de

remplissage initial du réservoir-sol, on augmente l'état de saturation de celui-ci, ce qui génère une
augmentation du volume ruisselé et du débit de pointe généré.
Pour la fonction de production, le paramètre A ainsi que son état initial de remplissage, ont une
grande influence sur le volume d'eau ruisselé. Ils n'ont par contre aucune influence sur la position des
pics de crues, et seulement une faible influence sur la forme de la crue.
On peut remarquer qu'une valeur forte de A (qui tend à diminuer la production) peut être
compensée par une forte valeur du niveau initial de remplissage (qui tend à augmenter la production).
Ainsi la paramétrisation par une valeur de A forte associée à SQ/A élevée, peut avoir la même influence
qu'une valeur de A faible associée à So/A faible.
En fait, c'est la quantité d'eau maximale que le système peut retenir, qui va influencer la
( S /\
production. C'est donc la valeur A - S o ou A • 1 - °Á 1.
On aborde ici le problème de l'indépendance des paramètres à optimiser. A et So/A ne sont pas
indépendants. Leurs influences sont en fait combinées. Pour étudier l'influence de ces deux paramètres.
on simule le comportement du système en faisant varier systématiquement les valeurs de A et les
valeurs de
On reprend l'exemple de l'événement du 14 février 1967, à partir duquel on simule la crue pour
différentes valeurs de ln(A) et So/A. Les valeurs des paramètres B et C sont fixées à leur valeur
optimisée.
On calcule ensuite un critère d'écart entre les crues simulées et la crue observée. On a reporté sur le
graphique n°IV.3, les courbes d'isovaleurs du critère de Nash.
1.00
Nash optimum
SO/A
Nash de + de 90 %
Nash entre 80 et 90
0.50 - Nash de 60 %
0.00
4.00 6.00
Graphique n°IV.3 : valeur du critère de Nash, en fonction de A et de SQ/A, pour l'événement du

14/02/67 à Pont de Fer, avec ln(B) = 4.65 et ln(C) = 1.72
CHAPITRE IV - Passage à la transformation de la pluie en débit / 70
Sur ce graphique, on retrouve le point optimum pour ln(A) = 6.27 et So/A = 0.547. Si l'on regarde la
zone où le Nash est supérieur à 80 %, elle est définie pour des valeurs de ln(A) augmentant en même
temps que les valeurs de So/A. Ce graphique illustre la dépendance entre ces deux paramètres optimisés.
On -marque aussi une sorte de palier pour la valeur de So/A. L'augmentation de ln(A) à partir d'une
cert^ne valeur, peut avoir moins d'influence que l'augmentation de So/A sur la génération des débits. Ce
graphique relatif à l'événement étudié, traduit bien le comportement du modèle en ce qui concerne
l'optimisation de A et So/A. En effet, on retrouve ce type de comportement lorsque l'on prend d'autres
événements en exemple.
Nous retiendrons donc qu'il existe une dépendance entre A et So/A, qui se traduit lors de
l'optimisation par la possibilité d'avoir des valeurs de Nash proches, pour une large gamme de valeurs
de ces paramètres.
IV.4.1.2 • Influence des paramètres B et C. et de l'initialisation du réservoir eau-

eravitaire)
La fonction de transfert sert à modéliser l'acheminement de la pluie nette vers l'exutoire. Dans sa
conception au pas de temps horaire le réservoir-eau-gravitaire se vidange, contrairement au réservoir-
sol. Si l'on attend suffisamment après la fin de la crue, le réservoir-eau-gravitaire peut retrouver son
niveau de remplissage initial. On reste alors conservatif sur les volumes entre les pluies nettes et les
lames écoulées.
Théoriquement, la variation des paramètres de la fonction de transfert ne doit pas affecter le bilan.
Cependant, lorsqu'on étudie un événement de crue, on limite la durée de celle-ci suivant certains critères
de fin de crue (débit atteignant une certaine fraction du débit de pointe après la fin de la pluie). A la fin
de l'événement, le système n'ayant pas retrouvé son état initial, il peut rester de l'eau dans le réservoir
eau-gravitaire (B) qui correspond à une perte lors du bilan.
Si la fonction de transfert peut introduire des pertes sur les volumes pour les raisons évoquées
précédemment, il est certain qu'elle a une influence directe sur la forme des crues simulées.
Les trois facteurs pouvant avoir une influence sur la réponse du modèle au niveau de la fonction
de transfert sont :
- le paramètre B caractérisant la capacité du réservoir, et par là-même, sa fonction de
vidange.
- le niveau de remplissage initial de ce réservoir, qui gère en partie la valeur des
premiers débits.
- le paramètre C caractérisant les deux hydrogrammes unitaires, et donc le décalage
pouvant être introduit entre la génération des pluies nettes et leur participation à l'écoulement.
CHAPITRE IV - Passage à la transformation de la pluie en déba_ 171
Influence du paramètre B : capacité maximale du réservoir-eau-gravitaire :
On reprend l'exemple de l'événement du 14/02/67. Le graphique n°IV.4 montre l'influence de la

variation du paramètre B sur la réponse du modèle. On fait varier la valeur de B entre 2.7 et 8100 mm,
ce qui correspond à une variation de ln(B) entre 1 et 9.
ln(A) = 6.27 M M PLUIE (mm) - 5

ln(C)=1.72 ln(B) = l
10
S(VA= 0.547 ln(B) = 3 T
ln(B)=4 - 15
ln(B) = 5
- 20
ln(B) = 6
ln(B)=9 - 25
•ln(B) optimisé (4.65) _ 30
25 49 73 Heures 97 121 145
Graphique n°IV.4 : influence du paramètre B sur la modélisation de la crue du 14/02/73 ¿1 Pont de Fer.
Le graphique n°IV.4 illustre, à partir d'un exemple, l'influence caractéristique du paramètre B. On

observe tout d'abord une influence sur le volume de la crue. Plus la valeur de B est forte, plus le
réservoir-eau-gravitaire a une capacité de stockage importante. Cela lui permet de restituer l'eau de
façon plus lente et plus étalée dans le temps. Pour les raisons énoncées plus haut. lorsque l'on arrive à la
fin de la crue, le réservoir B n'a pas fini de se vidanger, ce qui crée une perte au niveau du bilan. Cette
perte s'accroît lorsque la capacité du réservoir-eau-gravitaire augmente
Influence du paramètre B sur la forme de la crue.
Si le paramètre B est faible, le transfert sera rapide. Dans ce cas, le niveau du réservoir varie
plus rapidement, du fait de sa faible capacité. La vidange se fera alors de façon plus rapide. II en résulte
des montées de crues plus brusques, plus intenses et plus élevées. La décrue sera aussi plus rapide. En
définitive, pour les faibles valeurs de B, le système réagira plus vite aux sollicitations.
A l'inverse, pour une valeur élevée du paramètre B, le système réagit de façon plus lente. La
montée de la crue est plus lente, la pointe de la crue est plus tardive et moins importante, et la décrue est
fortement amortie et étalée dans le temps. Le réservoir eau-gravitaire crée un effet "tampon" dans le
transfert de pluie nette. Cet effet s'amplifie lorsque la valeur du paramètre B augmente.
Le paramètre B a donc un rôle dans le transfert, mais il a aussi une influence sur la production lorsque
l'on considère la durée d'un événement.
CHAPITRE IV - Passage ¿i la transformation de la pluie en débit_ 172
Influence de l'initialisation du réservoir eau-gravitaire :
De même que pour le réservoir-sol, le modèle horaire nécessite l'initialisation du niveau du réservoir
eau-gravitaire, pour chaque événement de crue. Le niveau initial de ce réservoir n'est pas optimisé
comme celui du réservoir-sol. Il est déterminé par la valeur du débit initial. Même si ce n'est pas
vraiment un paramètre du modèle, il est intéressant de regarder son influence sur le modèle.
Si l'on prend l'événement déjà étudié en exemple, avec ses paramètres optimisés et si l'on fait varier
simplement le débit observé initialement, on obtient le graphique n°IV.5.
14 — 0
ln(A) = 6.27 H M B PLUIE (mm) is

12 -
ln(B) = 4.65 Q0=0
ln(Q=1.72 - 10
10 -
Q0 = 0,04 m3/s
SO/A = 0.547 - 15
8 -
QO = 0.13m3/s
Q0 = 0 35 m3/s - 20
6 - Q0 observé
- 25
(0.22 >n3/s)
- 30
Graphique n°IV.5 : influence du débit initial sur la modélisation de la crue du 14/02/73 ¿i Pont de Fer.
Le débit initial observé est de 0,22 m3/s. On fait alors varier ce débit initial entre 0 et 0.35 m-/s. ce qui
reste faible face aux débits observés de la crue. Le tableau suivant montre la valeur du niveau initial du
réservoir (RQ), déterminé pour les différentes valeurs de Qo, sachant que Rmax = B = 105 mm.
Qo en m3/s 0 0,04 0.09 0.13 0.18 0.22 0,27 0.31 0.35

Ro en mm 0 16 18.5 20 21.2 22,2 23 23.7 24.4
On s'aperçoit que la valeur prise pour Qo = 0 se détache des autres valeurs. On observe d'ailleurs pour
cette valeur, une forte influence au niveau des débits simulés.
Cette influence du débit initial, très importante vers les faibles valeurs, est remarquable même pour des
valeurs plus fortes. En effet, souvent oublié car n'entrant pas en compte dans l'optimisation, le débit
initial reste une variable très influente du modèle. Si l'on regarde l'influence du débit initial sur le débit
de pointe, on s'aperçoit vite que le débit initial ne se limite pas à produire un débit de base pour la crue,
mais qu'il a une forte influence sur la réponse du modèle.
On voit ici l'importance relative de cette initialisation sur la reconstitution des débits, mais aussi
indirectement, sur l'optimisation des paramètres. Un débit initial sous-estimé peut entraîner
l'optimisation du paramètre B à une valeur plus faible pour compenser un taux de remplissage du
réservoir B trop faible. On observe ce phénomène, on optimise le paramètre Ln(B) sur la crue du
14/02/67, en gardant les valeurs optimales des autres paramètres (Ln(4)=6.27, Ln(C)=1.72 et
S Q / A = 0 . 5 4 7 ) et en faisant varier la valeur du débit initial. On obtient alors les valeurs suivantes :
Qo en m-Vs 0 0.02 0.04 0.22 (Qo observé) 0.35

Ln(B) optimisé 3.9 4.3 4.5 4.65 4.7
On observe bien une influence de Qo sur l'optimisation de Ln(B), bien que celle-ci devienne faible
lorsque le débit croît.
Influence du paramètre C :
Ce paramètre caractérise les deux hydrogrammes unitaires. Il représente la durée du premier

hydrogramme et la moitié de la durée du second hydrogramme. Chaque pluie horaire est répartie d'après
la forme des hydrogrammes unitaires. La forme analytique de ceux-ci montre que, la partie la plus
importante de la pluie participe à l'écoulement après un décalage dans le temps de la valeur de C,
exprimée en heures. Le paramètre C devrait donc introduire un simple décalage entre les pluies et les
débits. C'est ce que l'on observe sur le graphique n°IV.6, où l'on fait varier le paramètre C de 1 heure à
17 heures (ln(C) = 2.8).
30 —
25 -
20 -
15 -
'I r r I' 1 DI D2
ln(A) = 6.27
!n(B) = 4.65
SO/A-0.547
• • • • P L U E (mm)
Ini P i
lmC) = 2.4
O *î
ln(C) = 2 8
's
— 0
- 4
- 6
^ ln(C) optimisé (1.72) - 8
10 - I - 10
S
- 12
5 -
j -,
a | f
0 - a Heures
— 14
I 25 49 73 121 145
Graphique n°IV.6 : influence du paramètre C sur ta modélisation de la crue du ¡4/02/73 à Pont de Fer.
On s'aperçoit que la variation de C introduit bien un décalage au niveau des pointes de crues. Le tableau
ci-dessous met en relation le décalage respectif entre les pics d'averses et les pics de crue (Dl pour le
premier pic, D2 pour le second pic), et la valeur du paramètre C.
ln(C-0.5) -0.4 0 0.4 0.8 1.2 1.6 2 2.4 2.8

C(heure) 1 1.5 2 2.7 3.8 5.5 7.9 11.5 17
Dl (h) 1 1 1 3 4 9 13 18
D2(h) 1 1 1 2 3 5 7 11 16
On voit qu'il existe une liaison directe entre le paramètre C et le décalage observé entre les pics de
pluies et les pics de débits. Cela provient de la forme exponentielle de l'hydrogramme unitaire, qui
prend sa plus forte valeur pour t = C.
Outre ce décalage observé, les fortes valeurs de C tendent à lisser l'hydrogramme et à diminuer les
pointes de crues. Le découpage irrégulier des pluies dans le temps, est en effet plus ou moins lissé par
les hydrogrammes unitaires, suivant la valeur du paramètre C considérée. Plus la durée de
l'hydrogramme est grande, plus les pluies des différents pas de temps vont être combinées pour donner
une sorte de pluie "moyennée" entrant dans le sous-modèle de routage.
Au contraire, pour de faibles valeurs de C, les pluies issues des hydrogrammes unitaires
garderont l'allure du hyétogramme des pluies brutes, et suivront donc les irrégularités des hyétogrammes
observés.
En ce qui concerne la restitution du volume, le paramètre C semble peu influent si on le compare aux
autres paramètres.
Nous venons de voir quelles sont les influences des différents paramètres du modèle sur le
comportement de celui-ci. Bien que l'on ne présente qu'un exemple à travers l'événement du 14/02/67 à
Pont de Fer, on peut généraliser ces résultats pour les autres événements.
Conclusion
Dans ce chapitre, des généralités ont été présentées, concernant la modélisation des débits à partir de la
connaissance de la pluie. Afin d'être couplé à la modélisation stochastique de hyétogrammes. le modèle
conceptuel global GR3 a été choisi pour modéliser la transformation de la pluie en débit.
Une présentation de ce modèle fonctionnant en continu au pas de temps journalier, et en événementiel

au pas de temps horaire, a permis de définir sa structure, ses paramètres ainsi que l'influence de ces
paramètres sur la réponse du modèle.
En ce qui concerne la paramétrisation du modèle GR3 horaire, nous retiendrons les caractéristiques
suivantes.
•=> Le paramètre A et son taux de remplissage initial So/A ont des influences complémentaires
sur la production. Il est donc logique qu'ils influencent le volume ruisselé, ainsi que le débit de pointe.
Une dépendance entre ces deux variables est d'ailleurs mise en évidence lors de leur optimisation. Cette
dépendance devra être prise en compte lors de la modélisation. Il parait essentiel de ne pas dissocier la
sensibilité du modèle événementiel, à un paramètre et à son initialisation.
•=* Le paramètre B, paramètre de transfert, a une double influence lorsque l'on modélise en
événementiel. Ce paramètre s'exprime en mm par unité de temps. Le paramètre B accélère ou retarde le
transfert. Une faible valeur du paramètre B se traduit par un transfert rapide, des montées de crues
brusques et intense, avec une décrue rapide. Une forte valeur du paramètre B crée une réponse lente,
avec une pointe de crue plus tardive et plus faible et une décrue fortement amortie et étalée dans le
temps.
Au niveau d'un événement de crue, le paramètre B a aussi un rôle de production.
CHAPITRE IV - Passage ci la transformation de ¡a pluie en débit / 75
—• On a vu l'importance de la valeur du débit initial pour l'initialisation du réservoir B. Cette

influence est d'autant plus grande que le débit en début de crue est faible. Ceci est dû en partie à la
forme analytique en puissance 5, liant le débit et le niveau du réservoir B. La valeur du débit initial ne
se limite pas à produire une décalage dû au débit de base, mais il a une très forte influence sur la
réponse du modèle. Ce point est quelque peu gênant pour l'utilisation du modèle en événementiel, donc
sans connaissance à priori du débit initial.
Une solution, non testée ici, aurait été de fixer systématiquement le taux de remplissage du
réservoir B (éventuellement à 0) afin d'évacuer ce problème en le reportant sur l'optimisation des autres
paramètres. Le problème ne se pose pas lorsque l'on couple le modèle horaire au modèle journalier qui
génère le débit en continu et donc au début de la crue.
•=> Le paramètre C a peu d'influence sur les valeurs du débit modélisé. Son influence porte
principalement sur le décalage introduit au niveau des pluies et des débits.
Le calage des paramètres du modèle GR3 horaire effectué pour chaque événement, conduit à une
description de ceux-ci en terme de distribution de probabilité. Lors de la simulation, chaque paramètre
nécessaire sera généré dans sa loi de probabilité de façon indépendante. Il convient cependant de
s'assurer que cette indépendance est légitime.
A partir des hyétogrammes simulés, on pourra alors procéder à la transformation de la pluie en débit,
nécessaires à la résolution des problèmes de prédétermination. Cette démarche, présentée sous le nom
de méthode SHYPRE, va faire l'objet du chapitre suivant.
Pour la suite du travail, on utilisera les données de différents bassins versants, pour caler les modèles
aux pas de temps journalier et horaire.
CHAPITRE V
ETUDE DES DEBITS PAR LA METHODE SHYPRE

AUX PAS DE TEMPS JOURNALIER ET HORAIRE.
V. 1 - la méthode SHYPRE 1 "9

V. 1.1 - Présentation de la méthode 1 "9
V.l.2- Objectifs et utilisations ¡SI
V. 1.3 - "Etat des lieux'1... 182
V.2 - Présentation des données 184

V.2.1 - Le bassin versant de recherches expérimentales du Real Collobrier 184
V.2.2 - Autres bassins versants étudiés 187
V.3 - Application au pas de temps journalier 1S9

V.3.1 - Simulation de longues chroniques de pluies journalières 189
V.3.2 - Calage du modèle GR3J 197
V.3.3 - Simulation de longues chroniques de débits journaliers 202
V.4 - Application au pas de temps horaire 209

V.4.1 - Calage du modèle GR3H 209
V.4.2 - Simulation d'événements de crues 220
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire /7<>
V.l - LA METHODE SHYPRE
Cette méthode est développée au Cemagref d'Aix-en-Provence depuis 1990, avec les travaux de thèse de
CERNESSON [1993]. Elle permet d'obtenir des événements de crues de fréquences courantes à rares, à
partir d'une modélisation de hyétogrammes et de leur transformation en débit.
Ce premier paragraphe rappelle le principe de cette méthode et ses objectifs, et présente l'état de son
développement au commencement de cette thèse.
V.l.l - Présentation de la méthode
V.l.1.1 - Principe
SHYPRE signifie : Simulation d'HYdrogrammes pour la PREdétermination de crues. Cette méthode

consiste donc à simuler des hydrogrammes sur de longues périodes pour réaliser des études de
prédétermination. La simulation d'hydrogrammes passe par la simulation de hyétogrammes couplée à
une modélisation de la transformation de la pluie en débit.
Simulation de hyétogrammes + Modélisation Pluie-Débit = Simulation d'hydrogrammes
P
ìrfìH1 fil Modèle Pluie-Débit
La simulation des hyétogrammes est assurée par un modèle de génération stochastique de

hyétogrammes dont le principe est énoncé dans le chapitre I. Le passage de la pluie au débit est réalisé
par la modélisation conceptuelle globale des modèles GR3 présentés dans le chapitre IV.
Le principe de la méthode est simple. Il s'applique à n'importe quel pas de temps, à condition d'avoir la
possibilité de modéliser les pluies et leur transformation en débits. Les deux pas de temps considérés
dans ce travail sont les pas de temps journalier et horaire. Le pas de temps horaire est cependant au
centre de cette étude, de par son intérêt à fournir un outil de prédétermination de crues à un pas de
temps fin.
V.l.1.2 • Première étape : le calage des modèles
Les paramètres du modèle de génération des pluies sont calés sur les enregistrements d'un poste
pluviométrique ou pluviographique représentatif du bassin versant que l'on étudie. Les pluies simulées
seront donc utilisées pour représenter la pluviométrie du bassin versant dont l'écoulement va être
modélisé.
Les paramètres du modèle de transformation de la pluie en débit sont calés sur les chroniques
pluie-débit observées sur le bassin versant. La pluie associée aux débits observés est celle du poste sur
lequel on a calé le modèle de génération de pluies.
CHAPITRE V : Méthode SHYPRE au pax de temps journalier et horaire_ 180
Suivant le pas de temps considéré, les observations requises sont de natures différentes. Le modèle
horaire (événementiel) est calé sur des événements pluvieux et sur des événements de crues enregistrés
au pas de temps horaire. Tandis que le modèle journalier est calé sur la chronique continue des pluies et
des débits journaliers observés.
Remarque : on voit apparaître ici le problème de la pluie de bassin. La méthode est principalement adaptée
aux petits bassins versants (< 100 km2), sur lesquels on peut approcher la pluie de bassin par la pluie
ponctuelle, enregistrée sur le poste le plus représentatif. Cependant, pour des bassins versants plus
grands, on peut faire intervenir des coefficients d'abattement des pluies. Pour simuler des pluies de
bassins à partir de plusieurs postes, il faudrait arriver à modéliser leur concomitance et leur
participation à la pluie de bassin, ce qui reste très difficile à approcher.
V.l. 1.3 - Deuxième étape : la simulation
Une fois les modèles calés sur les observations, on procède à la simulation des pluies et à leur
transformation en débits. On obtient alors des débits simulés sur une période très longue. De la même
façon que pour la simulation de longues périodes de pluies, on fait l'hypothèse de stationnante du
phénomène et donc des paramètres du modèle'".
Au pas de temps journalier, une simulation de 1000 années de débits consiste à générer une chronique
de 1000 ans de pluies en continu, que l'on transforme en débits.
Au pas de temps horaire, une simulation de 1000 années de débits consiste à générer un nombre
d'événements équivalent à 1000 ans d'enregistrement. Si on a observé 175 événements en 35 ans (en
moyenne 5 par an), on simulera en moyenne 5000 événements sur 1000 ans.
V.l.1.4 - Troisième étape : le contrôle
Comme pour le modèle de génération de pluies horaires, la validation va porter sur des variables n'ayant
pas servi à la modélisation. Le tableau n°V.l énumère les variables appelées "variables tests", sur
lesquelles est effectuée la validation :
Génération de pluies Génération de débits

Pas de temps Pluies maximales en 1, 2. 3, 4, 6, 12, 24, Lames ou débits moyens, maximaux en
horaire 48 et 72 heures 1,2,3,4,6, 12, 24. 48 et 72 heures
Durée et hauteur totale de l'événement Débit de pointe.
Pas de temps Pluies mensuelles Lames mensuelles
journalier Pluies maximales journalières du mois Lames maximales journalières du mois
Tableau n°V.l : variables tests, servant à la validation des différents modèles utilisés.
On étudie la restitution des principales grandeurs statistiques de ces différentes variables (moyenne,
écart-type), l'évolution de leurs valeurs maximales et les tendances de leur distribution de fréquences.
(l)
Remarque : la simulation de longues chroniques ne doit en aucune façon être prise en terme de prédiction à long terme
(chose impossible). C'est uniquement un moyen d'approcher de façon statistique les tones périodes de retour.
CHAPITRE V • Méthode SHYPREau pas de temps journalier et horaire IHI
V.1.2 - Objectifs et utilisations
La méthode SHYPRE a été conçue et développée pour appréhender les problèmes de prédétermination
en hydrologie opérationnelle, en fournissant à l'aménageur des scénarios de crues de forme "réaliste".
Ces crues simulées sont associées à une probabilité d'apparition empirique et sont utilisées pour des
calculs d'hydraulique transitoire ou des problèmes de gestion de retenues. L'originalité de la méthode
vient de l'utilisation des observations pour décrire le phénomène afin de le reproduire statistiquement.
La construction des distributions de fréquences des variables hydrologiques, se fait de façon empirique
à partir des pluies simulées, et non plus sur l'ajustement direct des distributions observées.
Les utilisations des résultats fournis par cette approche sont multiples.
Dans un premier temps, la simulation sur de longues périodes permet d'avoir des distributions
de fréquences empiriques sur les variables hydrologiques simulées. Ces distributions peuvent être
considérées comme une extrapolation possible de la distribution de fréquences observées. On peut donc
approcher les problèmes de prédétermination classiques (estimation des quantiles rares, estimation
d'une fréquence pour un événement) en étudiant les variables hydrologiques classiques, issues des
hydrogrammes simulés.
Dans un second temps, on dispose de scénarios des pluies et de crues de forme "réaliste", qui
peuvent être utilisés dans tous les problèmes liés à l'évolution des débits dans une rivière. Ces scénarios
peuvent être intégrés dans différents modèles, pour étudier par exemple : les problèmes de
comportement d'ouvrages hydrauliques, les problèmes d'érosion, les problèmes de diffusion des
polluants, etc..
Dans ce cas, l'intérêt est d'estimer les risques à partir des différentes réponses de ces modèles, plutôt que
d'étudier la réponse des modèles à un événement dont l'occurrence est définie, et souvent liée à une
seule caractéristique. On s'affranchit de cette façon de la crue de projet synthétique unique, déterminée
par un débit de pointe ou un volume de fréquence déterminée.
Les utilisations sont variables suivant le pas de temps considéré. Au pas de temps journalier, l'évolution
en continu des débits et la prise en compte des périodes d'étiages, pourront être utilisées pour étudier les
problèmes de ressources en eau, les problèmes de gestion de retenues, etc..
Au pas de temps horaire, seuls les événements de crues sont pris en compte, et pourront servir aux
calculs d'hydraulique transitoire pour tester les ouvrages évacuateurs de crues, etc.. On effectue ainsi
l'étude du risque à partir des débits calculés à l'aval des ouvrages.
Les méthodes de prédétermination de crue classiques sont basées sur la réduction de l'information
temporelle disponible pour n'étudier l'occurrence que de quelques variables représentatives, parfois
même d'une seule. La nécessité de disposer d'une information temporelle des crues pour effectuer des
calculs d'hydraulique transitoire conduit alors à synthétiser des forme de crue par la construction de
pluie ou de crue de projet.
Alors que les méthodes classiques laissent donc de l'information pour essa\er de la récupérer après, la
méthode SHYPRE utilise dès le départ, le maximum de l'information temporelle observée pour
reproduire des scénarios de crue. Elle s'affranchi ainsi de la difficile tâche du choix d'une crue de projet
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire 1X2
synthétique unique pour dimensionner un ouvrage, puisqu'elles sont implicetement obtenue par la
modélisation.
V.1.3 - "Etat des lieux"...
V. 1.3.1 - Au pas de temps journalier
La méthode a été initialement prévue pour fonctionner au pas de temps horaire. Cependant des
applications au pas de temps journalier ont déjà été réalisées (DUMONT D'AYOT [1993], GOETTMANN
[1996]). Au pas de temps journalier, le modèle de génération de pluies est simple; il ne pose
pratiquement pas de problème de calage et fournit des résultats tout à fait corrects. Le couplage avec le
modèle de transformation pluie-débit GR3J, ne pose pas de problème non plus. Le modèle GR3J testé
sur de nombreux bassins versants français donne des résultats très corrects pour les bassins non
intermittents. Dans son élaboration, au pas de temps journalier, la méthode SHYPRE est déjà
opérationnelle, mais a été testée sur un faible nombre de bassins versants. Peu de recherches ont été
menées sur son développement, le pas de temps journalier n'ayant qu'un faible d'intérêt pour l'étude des
crues. De plus, il existe beaucoup d'autres approches de modélisation des débits au pas de temps
journalier (par exemple les modèles d'auto-corrélation).
Par la suite, peu d'efforts ont été faits pour améliorer la méthode au pas de temps journalier, qui donne
de bons résultats. Tous les efforts ont porté sur le pas de temps horaire.
V. 1.3.2 • Au pas de temps horaire
La méthode SHYPRE a été développée au pas de temps horaire par le travail de thèse de CERNESSON
[1993], à partir des données enregistrées sur le bassin versant de recherche du Real Collobrier.
Dans la première partie de ce mémoire, nous avons vu les modifications apportées sur le modèle de
génération des pluies horaires depuis sa conception. Des modifications ont aussi été apportées pour le
passage aux débits. Ces modifications concernent en premier lieu la paramétrisation du modèle GR3H,
lors de son couplage avec le modèle de génération de pluies horaires.
On a vu que le modèle horaire fonctionne en événementiel. Le problème d'une telle approche réside
dans l'initialisation du système et dans sa paramétrisation. Chaque crue étudiée est considérée
indépendante des autres crues. Si l'on veut caler le modèle sur les événements de pluies et de débits
observés, on obtient un jeu de paramètres (A, B, C) pour chaque crue. On peut aussi optimiser le
modèle GR3H sur l'ensemble des crues d'un bassin versant. On obtient ainsi un jeu de paramètres A. B
et C pour l'ensemble des crues d'un bassin versant. Cependant, pour chaque crue, on optimise l'état
initial du réservoir-sol (SQ/A), qui sera alors caractérisé par une loi de probabilité théorique.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire ISS
Lors de la modélisation, il faut initialiser le modèle à chaque crue, en déterminant les valeurs de Sf/A et
de Q o . CERNESSON [1993] a cherché à relier les valeurs de l'état initial du réservoir-sol à des
caractéristiques pluviométriques (pluie totale de l'événement), mais sans trouver de corrélations
suffisantes. Supposée indépendante des paramètres du modèle, la valeur de So/A est alors tirée
directement de sa loi de probabilité (loi de Weibull), ajustée sur les valeurs optimisées à chaque crue.
La valeur du débit initial servant à initialiser le réservoir-eau-gravitaire (voir paragraphe n3FV.3.2), est
déduite d'une relation simple avec So/A (avec cependant un faible coefficient de corrélation).
La paramétrisation des crues de façon globale est une solution qui permet d'obtenir un seul jeu de
paramètres A, B et C. On évite ainsi de considérer chaque paramètre A, B et C comme une variable
aléatoire, avec les problèmes de dépendance qui peuvent apparaître entre les différents paramètres.
Une étude plus approfondie de la paramétrisation et de l'initialisation du modèle GR3H est nécessaire,
et fera l'objet des paragraphes suivants. Pour cela de nouvelles données sont nécessaires pour mettre au
point et valider les recherches qui vont être entreprises.
Dans la première partie, l'acquisition de données pluviographiques nouvelles a permis l'extension de la

zone de validité du modèle de génération de pluies. Ces données pluviographiques vont servir à
représenter la pluviométrie des bassins versants sur lesquels la méthode SHYPRE va être développée.
Le choix de différents bassins versants à étudier a donc été conditionné par la présence d'un poste
pluviographique disponible sur le bassin versant.
L'autre critère de sélection, c'est la surface. Pour pouvoir observer des concordances entre les
événements pluvieux d'un poste pluviographique unique et les débits mesurés à la station limnimétrique.
il faut un bassin versant de petite taille (< 100 ou 200 km2). Plus la surface du bassin augmente, plus on
aura du mal à représenter la pluie de bassin par une pluie ponctuelle.
Sur ces critères. 17 bassins versants contrôlés ont été choisis :

7 bassins versants du Real Collobrier.
1 bassin versant dans le département des Bouches du Rhône,
5 bassins versants dans le département des Pyrénées Orientales
4 bassins versants du département de Corse.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire 184
V.2 - PRESENTATION DES DONNEES
V.2.1 - Le bassin versant de recherches expérimentales du Real Collobrier
On pourrait dire que ce bassin versant ne se présente plus, tant ses données sont utilisées aux travers
d'innombrables travaux. Géré par le Cemagref d'Aix-en-Provence, ce réseau de mesures expérimentales
a été mis en place depuis 1966. Il a été décrit dans plusieurs publications (MARTIN [1986], LAVABRE
[1990]), c'est pourquoi la description suivante ne présente que les caractéristiques essentielles du bassin
versant.
V.2.1.1 - Caractéristiques géographiques
Situation géographique : le bassin versant de recherches expérimentales du Real Collobrier est situé
sur la façade méditerranéenne française, dans le département du Var, à l'extrémité Ouest du massif
montagneux des Maures, à vingt kilomètres au nord-est de Toulon (voir carte n°V. 1)
Relief : le bassin s'arrête à l'Est sur une série de crêtes, disposées en arc de cercle, tandis que vers
l'Ouest, des accidents tectoniques entraînent une disposition en échines allongées dans la direction est-
ouest. La vallée orientée est-ouest est drainée par le Real Collobrier. Les altitudes extrêmes du bassin
principal sont 80 et 780 mètres. L'altitude moyenne du bassin principal est voisine de 330 mètres pour
une surface de 70.6 km2. Les bassins amonts, plus encaissés, ont des pentes qui peuvent atteindre 3 5 ^ .
L'utilisation d'un modèle numérique de terrain (disponible à 20 mètres) permet d'avoir une connaissance
approfondie des caractéristiques topographiques du bassin versant.
La géologie et les sols : à partir d'une carte géologique de la région, on observe une orientation
sud-ouest nord-est des formations géologiques. Les terrains qui affleurent sont d'origine
christallophylienne. Les roches présentent un métamorphisme décroissant d'Est en Ouest. On trouve une
dominance de Gneiss (durs et peu altérés) au sud-est et en altitude, et de phyllades (moins perméables) à
l'Ouest et au Nord (GRESILLON [1994]). Entre les deux, on trouve une série stratigraphique de
métamorphisme décroissant : amphibolites, leptynites et micaschistes (MARTIN [1986]).
On trouve quelques formations alluviales autour de la rivière, à l'aval de Collobrières. Les sols sont à
caractères argilo-sableux, plus ou moins caillouteux et d'épaisseur variable en fonction de la roche mère
et de la topographie. La roche est nue sur certains flancs abrupts des Gneiss, et l'épaisseur du sol peut
atteindre 2 à 3 mètres dans les dépressions des zones alluviales.
Climat et végétation : le climat est de type méditerranéen humide avec une sécheresse estivale très
marquée, des précipitations parfois intenses en automne et un printemps pluvieux. Les précipitations
connaissent cependant de fortes variations inter-annuelles.
CHAPITRE V . Méthode SHYPRE au pas de temps journalier et horaire_ 1X5
La végétation est caractéristique de la forêt méditerranéenne. En raison de la nature cristalline des sols,
la végétation est essentiellement calci fuge. Les châtaigniers occupent les versants arrosés sur lesquels le
sol n'est pas dégradé. Les chênes lièges sont présents dans tout le bassin, avec un développement
variable selon les expositions, les sols et la pluviométrie. Le maquis (chênes verts, arbousiers, bruyères)
se développe sur les sols les plus dégradés. Enfin, une faible partie du bassin principal (2 à 3 %) est
cultivée en plaine (vignes).
V.2.1.2 - Le réseau de mesure
Installé depuis 1966, il comprend actuellement 12 stations limnigraphiques, 17 postes pluviographiques

et une station climatologique. Initialement, le réseau comptait 30 pluviographes dont les
enregistrements sont disponibles jusqu'en 1988, certains postes pluviographiques ayant été supprimés
lors de l'automatisation du réseau d'enregistrement.
Le tableau n°V.2a présente les différents bassins versants contrôlés et leurs caractéristiques.
Numéro Nom de la Superficie Altitude Date de Nombre de Pluviographe Sous-bassin de...

delà station en km2 moyenne mise en pluviographes représentatif
station en m place
BV001 Pont de Fer 70.6 336 07/ 1966 14 n°54
BV002 Collobrières 29.0 419 08/ 1972 8 n°71 BV001
BV004 Malière 12.4 368 11/ 1965 3 n°52 BV00I
BV005 Valescure 9.2 466 11/ 1967 2 n°58 BV001 etBV002
BV006 Maurets 8.5 453 10/ 1968 3 n°57 BV001 etBV002
BV007 Vaubamier 1.5 391 01/1968 1 n^62 BV001 etBV002
BV008 Rimbaud 1.5 550 09/ 1967 1 n 3 69 BV001 etBV004
BV009 Davids 9.6 277 07/ 1966 ? n°67
BV010 Cogolins 5.5 334 0 1 / 1969 1 n°65 BV009
BV018 Boussicaut 0.7 505 12/ 1979 1 n°80
BV019 Meffrey 1.5 274 04/1985 1 n°66 BV001
BV020 Mauret 2 5.9 11/ 1991 2 n°60 BV001,BV002et
BV006
Tableau n°V.2a : caractéristiques des différents bassins versants contrôlés sur le B. V.R.E du Real
Collobrier.
La carte n°V.l présente le B.V.R.E. du Real Collobrier dans son ensemble, les sous-bassins contrôlés et
l'implantation des pluviographes et limnigraphes.
Durant la période 1966-1988, les postes pluviographiques étaient équipés de pluviographes à augets
basculeurs. dont le cône de réception est de 2000 cm2, et dont l'enregistrement était effectué sur table
déroulante à la vitesse de 10 mm/h. Les mesures des limnigraphes à flotteurs étaient enregistrées sur
table déroulante à la vitesse de 20 mm/h.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _ 1S6
A partir de 1989, tous les appareils de mesure sont équipés de centrales CR2M permettant
l'enregistrement sur support informatique, assurant ainsi une acquisition de données plus facilement
exploitables, et une meilleure appréciation des pas de temps fin.
60
station climatologique
limnigraphe
pluviographe
Carte n°V. 1 : carte des sous-bassins contrôlés du B. V.R.E. Real Collobrier avec localisation des
pluviographes et limnigraphes (d'après FOLTON [1995]).
Y.2.1.3 - Caractéristiques hydrologiques
Les enregistrements effectués depuis plus de trente années, permettent d'estimer de façon précise les
caractéristiques hydrologiques des différents bassins versants. En voici quelques unes :
La pluviométrie : la pluviométrie annuelle moyenne atteint 1000 mm avec parfois des

sécheresses estivales très marquées. La pluviométrie moyenne annuelle varie d'Ouest en Est de façon
croissante entre 700 et 1200 millimètres.
La variation inter-annuelle peut être importante. A titre d'exemple, la pluie annuelle de bassin (calculée
sur l'année hydrologique d'Août à Août) pour le bassin versant principal à Pont de Fer (70.6 km2), varie
de 480 mm en 1988 à 1535 mm en 1976, sur 27 ans d'observations (FOLTON [1995]).
Les écoulements : les écoulements annuels sont fortement tributaires des pluies annuelles. Une
régression entre la pluie annuelle et les écoulements annuels à la station de Pont de Fer. sur la période
1969-1989, donne la relation :
Lame Annuelle (mm) = 0.894 Pluie Annuelle (mm) - 361
avec un coefficient de détermination r2=0.97 (LAVABRE et al [1996]).
CHAPITRE V. Méthode SHYPRE au pas de temps journalier et horaire M7
On constate que lorsque la pluviométrie annuelle est inférieure à 600 mm, les écoulements annuels sont
presque nuls.
L'écoulement moyen annuel présente une forte variabilité d'un sous-bassin à l'autre. Par exemple il
passe de 150 mm pour le bassin de Cogolins, à 650 mm pour le bassin de Rimbaud. Cette variation,
expliquée en partie par la pluviométrie, est aussi fonction des caractéristiques géomorphologiques du
bassin.
Si l'on regarde le coefficient d'écoulement, caractérisé par le rapport de la lame moyenne inter-annuelle
par la pluie moyenne inter-annuelle, calculé pour chaque mois, c'est pour les mois de janvier, février et
mars (sols saturés) qu'il est le plus fort, et de juillet à novembre (sols non saturés) qu'il est le plus faible.
V.2.1.4 - Validité des données
La validité des données enregistrées sur le B.V.R.E. du Real Collobrier est garantie par l'usage intensif
de celles-ci. La critique des données brutes est effectuée, dans un premier temps, lors de leur mise en
forme informatique. La densité des postes pluviographiques et des stations limnigraphiques. permet
d'effectuer des tests de comparaison et de cohérence entre les données des différents points de mesure.
Enfin, leur utilisation massive pour différents travaux, permet une remise en question permanente des
données et la détection d'éventuelles erreurs ou incohérences.
V.2.2 - Autres bassins versants étudiés
Les autres bassins versants étudiés ont été choisis en fonction des données pluviographiques dont on
dispose. Ils se situent dans les départements de Corse, des Bouches du Rhône et des Pyrénées
Orientales. Les données de débits ont été extraites de la banque de données HYDRO, sous la forme de
débits moyens journaliers et de débits à pas de temps variables.
Les informations sur ces différents bassins sont beaucoup moins complètes que celles obtenues sur les
bassins du Real Collobrier. Les caractéristiques générales sur la géologie, la nature du sol et de la
végétation, et le climat qui caractérisent ces bassins, sont présentés en annexe n°V. 1.
Les caractéristiques des stations de mesures, sont présentées dans le tableau n°V.2b. On observe que la
superficie maximale des bassins est de 216 km2. Ces bassins présentent des écoulements variables
(lames inter-annuelles variant de 70 à 700 mm). Ils sont tous représentés pour un seul poste
pluviographique dont le numéro est précisé.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire_ 188
Numéro de Nom du cours d'eau Surface Période de la Lame annuelle Pluviographe

la station en km2 chronique (mm) représentatif
STATION DES BOUCHES DU RHÔNE
BV022 L'Infemet aux Gaudinettes 27 1954-1996 100 n°22
STATIONS DES PYRENEES ORIENTALES
BV061 La Massane à mas d'en Torrent 17.2 1967-1996 500 n°01
BV062 L'Ample au vila 47.8 1969-1996 230 n°02
BV063 La Canterrane au moulin d'en 33.4 1973-1996 170 n°04
Canterrane
BV064 Le Reart à mas Palegry 137 1967-1990 73 n°04
BV065 L'Agly à Clue de la Fou 216 1971-1996 420 n°03
STATIONS DE CORSE
BV072 Le Bevinco à Lancone 53.6 1960-1995 400 n°94
BV074 Le Fango à Galería 129 1977-1995 540 n°93
BV076 L'Ortolo à moulin de Cursia 70.3 1977-1995 390 n°95
BV079 Le Fium'Alto à Acitaja 114 1961-1995 380 n°91
Tableau n°V.2b : caractéristiques des différents bassins versants étudiés, autres que ceux du Real
Collobrier.
Les cartes n°V.2 et n°V.3 permettent de localiser les différents bassins versants des départements des
Pyrénées Orientales et de Corse.
Postes photographiques
;
1
Bevinco y
Bassins versants des Pyrénées Orientales

Bassins versants de CORSER
Cartes n°2 et n°3 : localisation des bassins des Pyrénées Orientales (carte n°2) et de Corse (carte n°3).
CHAPITRE V. Metilo Je SHYPRE au pas de temps journalier et horaire. 189
V.3 - APPLICATION AU PAS DE TEMPS JOURNALIER
Dans un premier temps, nous allons voir l'application de la méthode SHYPRE au pas de temps
journalier. Pour cela, le modèle de génération de chroniques de pluies journalières va être calé sur les
différents postes pluviométriques disponibles, tandis que le modèle de transformation de la pluie en
débit (GR3J) va être calé sur les différentes stations de jaugeage des bassins présentés précédemment.
V.3.1 - Simulation de longues chroniques de pluies journalières
Avant de présenter les résultats du calage et les résultats des simulations, du modèle de génération des
pluies journalières, le paragraphe suivant fait une présentation du modèle et de ses variables.
V.3.1.1 - Présentation sommaire du modèle de simulation de pluies journalières
Le modèle de simulation de pluies journalières est un modèle stochastique de simulation de

hyétogrammes.
Le principe d'un tel modèle a été présenté dans le chapitre 1.1.2. De même que le modèle de simulation de
hyétogrammes horaires, la pluie est assimilée à un processus aléatoire intermittent dont l'évolution est
décrite par des lois de nature stochastique.
Contrairement au modèle horaire, le modèle génère des chroniques de pluies en continu. II est beaucoup
plus simple que le modèle horaire, car la description du phénomène ne repose que sur la description de
5 variables. En effet, au pas de temps journalier, la pluviométrie est beaucoup moins variable qu'au pas
de temps horaire, ce qui facilite sa description.
Le principe du modèle n'est pas nouveau (BUISHAND [1977]). Il n'a cependant été programmé et utilisé
pour la première fois au Cemagref d'Aix-en-Provence, qu'en 1993 par Du.MONT D'AYOT.
Les variables descriptives choisies pour décrire une chronique de pluies journalières sont:
• La durée des périodes sèches : notée DS

• La durée des périodes pluvieuses : notée DP
• La hauteur de pluie d'un événement pluvieux d'un jour ("hauteur isolée") : notée HI
• La hauteur d'eau aux extrémités d'un événement pluvieux d'au moins deux jours : notée HE
("hauteurs aux extrémités)
• La hauteur de pluie au milieu d'un événement pluvieux d'au moins trois jours : notée HM
("hauteurs du milieu")
A Pluie journalière (mm)
HM HI
HE
HE HM HE HE Te
Temps (jour)
DP DS .DP, DS DP
« •
CHAPITRE V : Méthode SHYPREau pas de temps journalier et horaire 190
Les durées sont exprimées en jours et les hauteurs d'eau en millimètres. La succession des durées
sèches et pluvieuses dont les valeurs sont tirées aléatoirement, permet de prendre en compte la structure
intermittente de la pluie. La differentiation des hauteurs d'eau en fonction de la durée de l'événement
pluvieux, doit servir à prendre en compte la forme des périodes pluvieuses, au pas de temps journalier.
Chacune de ces 5 variables est repérée sur les chroniques de pluies journalières observées. Elles sont
alors triées en fonction du mois pendant lequel elles ont été observées(1).On obtient pour chaque mois,
une série de valeurs prises par les 5 variables.
Des lois de probabilité sont alors ajustées, pour chacune de ces variables et pour chaque mois. Pour des
raisons de simplification du modèle, et afin de le rendre plus facilement transposable sur différentes
zones, les lois calées sur les 5 variables sont les mêmes quel que soit le mois considéré.
Pour les variables discrètes, des lois discrètes ont été choisies :
- les durées sèches sont calées sur une loi binomiale négative tronquée,
- les durées pluvieuses sont calées sur une loi géométrique.
Pour les variables continues, des lois continues ont été choisies :
- les hauteurs de pluie (HI, HE, HM) sont calées sur une loi de Weihidl. à deux
paramètres, sachant que le troisième paramètre (paramètre de position) est fixé à 0,9 mm car le seuil
définissant une journée comme pluvieuse est de 1 mm.
Les liaisons entre les variables du modèle ont été étudiées. La liaison entre les hauteurs de pluie des jours
successifs est caractérisée par le coefficient d'autocorrélation calculé entre les valeurs successives H, et
H,+i non nulles (l'indice i représente le temps en jour). Les faibles valeurs du coefficient
d'autocorrélation (r2 < 0,1 dans 85% des cas et r2 < 0,2 dans 96% des cas) permettent de garder
l'hypothèse d'indépendance des hauteurs de pluies, et donc de procéder au tirage aléatoire de celles-ci
indépendamment les unes des autres.
En ce qui concerne les durées, leur liaison est testée sur un coefficient de corrélation linéaire
directement calculé sur les couples (DS, DP) successifs, pour chaque mois. Là encore, l'indépendance
peut être acceptée au regard de la faiblesse des coefficients de détermination (r2 < 0.1 dans la majorité
des cas).
Organisation des tirages aléatoires : on génère d'abord un nombre aléatoire entre 0 et 1, permettant de
choisir si l'on commence par un épisode pluvieux ou sec. Par convention, si le nombre aléatoire est
supérieur à 1/2, on commence par générer une durée sèche, s'il est inférieur à 1/2 on génère une durée
pluvieuse. On génère ensuite alternativement des durées sèches et des durées pluvieuses. Lorsque l'on
génère une durée pluvieuse, on génère en même temps les hauteurs d'eau correspondant à chaque jour
de l'épisode pluvieux. Le choix de la variable HI. HE ou HM, se réfère à la définition donnée à chacune
d'entre elles.
La génération des variables se fait par tirage aléatoire dans leurs lois de probabilité, avec les paramètres
du mois approprié.
(l)
Les variables durées (DP ou DS) débordant sur deux mois, appartiennent au mois pendant lequel elles débutent. Par
exemple, une durée sèche débutant le 29 juillet et unissant le 10 août, appartient au mois de juillet.
CHAPITRE V ; Methode SHYPRE au pas de lemps journalier et horaire. 191
V.3.1.2 - Calase des paramètres du modèle de uluies journalières
Le calage des paramètres du modèle de génération de pluies journalières a été réalisé sur les postes
pluviographiques étudiés dans la première partie, avec trois postes supplémentaires des Pyrénées
Orientales, soit un total de 52 postes.
Les 5 variables dites descriptives (DP, DS, HI, HE, HM) sont extraites des chroniques de pluies
journalières. Les paramètres des lois caractérisant ces variables, sont déterminés par la méthode des
moments.
Problème de l'échantillonnage :
L'ajustement des lois de probabilité est effectué si l'on a un minimum de 5 valeurs. Il est évident
que même 5 valeurs ne suffisent pas à ajuster une loi de probabilité, et que dans ce cas les incertitudes
sont énormes. Le calage des lois sur les échantillons de faible effectif (inférieurs à une quinzaine de
valeurs), est tout de même effectué, car il permet d'avoir une indication sur la distribution de la
variable. Il faut cependant être vigilant dans ces cas là, et rectifier les paramètres en cas de dérive trop
forte par rapport aux valeurs obtenues sur les autres postes. Mais ce cas ne se présente que peu de fois.
Le tableau suivant montre le nombre moyen (calculé pour les 52 postes étudiés) de valeurs servant au
calage des paramètres, pour les différentes variables et pour les 12 mois.
Janv. Fév. Mars Avril Mai Juin Juillet Août Sept. Oct. Nov. Dec.
DP 72 76 84 89 77 63 36 54 61 68 72 70
DS 74 76 86 88 78 64 37 52 60 69 72 70
HI 36 36 46 51 41 42 27 37 35 34 37 35
HE 73 81 75 76 70 41 20 33 53 68 70 71
HM 38 42 27 32 24 9.8 1.4 6.6 16 34 29 32
Moyennes des effectifs des variables descriptives, calculées sur les 52 postes.
C'est pour la variable HM (hauteur d'eau du milieu), que l'on observe les plus importants problèmes
d'échantillonnage. Pour les mois les moins pluvieux (en particulier de juin à août), l'ajustement est alors
parfois impossible. Dans ce cas on utilise les paramètres de la variable HE pour générer la variable HM.
Le cas se présentant pour les mois où la période pluvieuse est courte (rarement supérieure à trois jours),
cette modification n'entraîne pas de biais excessifs.
Caractéristiques des variables descriptives :
Les tableaux suivants présentent les moyennes et les écarts-types des variables "descriptives",
moyennées sur les 52 postes étudiés. On remarque ainsi l'évolution grossière des variables au cours de
l'année.
CHAPITRE V. Méthode SHYPRE au pas de temps journalier et horaire _ 192
Janv. Fév. Mars Avril Mai Juin Juillet Août Sept. Oct. Nov. Dec.
DP (jour) 2.1 2.1 1.8 1.8 1.8 1.5 1.3 1.4 1.7 1.9 2
DS (jour) 6.2 6 6.2 6.4 7.4 13 16 11 7.9 8 7 7.5
HI (1/ 10mm) 72 63 81 72 75 77 71 100 123 105 110 72
HE (1/1 Omm) 125 111 111 107 106 85 95 113 148 173 125 129
HM(l/l0mm) 190 223 153 173 139 112 96 144 182 241 178 203
Moyennes, calculées sur les 52 postes, des moyennes des variables descriptives.
Janv. Fév.
Mars Avril Mai Juin Juillet Août Sept. Oct. Nov. Dec.
DP (jour) 1.5 1.4 1.1 1.1 1.1 0.8 0.6 0.8 1 1.4 1.2 1.3
DS (jour) 7 6.2 6.5 7 7.8 15 14 10 7.7 7.9 7.7 8.1
HI(l/10mm) 102 73 105 74 97 94 85 172 145 137 122 85
HE(l/10mm) 146 131 126 149 120 95 99 156 190 224 164 151
HM(l/l0mm) 208 266 167 203 143 136 96 153 193 269 203 226
Moyennes des écarts-types des variables descriptives, calculées sur les 52 postes.
On observe différents points :

• une décroissance de la durée des épisodes pluvieux (DP) pour les mois d'été. En movenne, les
épisodes pluvieux les plus longs se retrouvent entre les mois d'octobre à février.
• la durée des périodes sèches séparant les épisodes pluvieux (DS) augmente sensiblement pour
les mois de juin à août, avec un maximum pour le mois de juillet.
• les hauteurs de pluies isolées (HI) (épisode pluvieux d'un jour) prennent des valeurs
maximales pour les mois d'août à novembre, ce qui correspond aux précipitations courtes mais intenses
à caractère plutôt orageux.
• les hauteurs aux extrémités des épisodes pluvieux (HE) et les hauteurs au milieu (HM)
présentent un maximum pour le mois d'octobre, qui semble être le mois le plus pluvieux sur la région
étudiée. Cependant, on peut considérer la période de septembre à février, comme la période apportant le
plus d'eau, les deux mois les plus secs étant les mois de juin et juillet. Le mois d'Août est caractérisé par
une faible pluviométrie totale, mais par la présence d'intenses épisodes pluvieux (plus fort écart-type
pour la variable HI).
On retrouve ici les observations caractéristiques de la pluviométrie en climat méditerranéen.
V.3.1.3 - Simulation de chroniques de pluies journalières et validation
Choix d'une période de simulation :
La validation consiste à comparer les variables tests observées et simulées. On a vu que pour le modèle
de génération de pluies journalières, ces variables tests sont, pour chaque mois :
- la pluie journalière maximale du mois (notée PJMAX) et

- la pluie totale du mois ou pluie mensuelle (PMENS).
CHAPITRE V Méthode SHYP RE au pas de temps journalier et horaire 19J
La restitution des valeurs moyennes et des écarts-types de ces variables sert de critère de validation. La
comparaison des distributions de fréquences des valeurs observées avec celles des valeurs calculées
permettra d'étudier le comportement à l'infini des variables tests.
Le graphique n°V.l montre l'évolution des moyennes et des écarts-types de la variable PJMAX, en
fonction du nombre d'années simulées.
« 40 X Moyennes des siècles successifs

- Ecarts-types des siècles successifs
X* YXv y X
Ecart-tvpe
2100 3100 4100 Années de simulation
Graphique n°V.l : évolution de la moyenne et de l'écart-type en fonction du nombre d'années simulées.

Exemple du mois de Novembre, pour le poste des Bonaud ( Var)
On vérifie empiriquement l'hypothèse statistique qui veut que les valeurs des moyennes et des écarts-
types tendent asymptotiquement vers la moyenne et l'écart-type de la population étudiée, au fur et à
mesure que l'effectif augmente. On s'aperçoit qu'à partir de 1000 ans de simulation on approche de la
stabilité des valeurs moyennes et des écarts-types. Cette durée de simulation est donc choisie
arbitrairement pour constituer les échantillons des valeurs simulées.
Simulation de chroniques de pluies journalières (exemple sur deux postes) :
A titre d'exemple, on montre dans ce paragraphe les résultats obtenus pour une simulation de 1000 ans
de pluies journalières, réalisée sur le poste n°58 (1) et le poste n°91 <2) .
On compare alors pour chaque mois les valeurs des moyennes et écarts-types des variables tests
observées et simulées. Les graphiques n°V.2a et V.2.b présentent les valeurs des moyennes et des
écarts-types des variables tests observées et simulées sur ces deux postes.
On remarque ici que le modèle génère bien la fluctuation annuelle des variables tests. Les moyennes de
ces variables sont correctement restituées, de même que les écarts-types. Les variations les plus fortes
entre les valeurs observées et calculées apparaissent pour les écarts-types qui sont plus sensibles à
l'échantillonnage.
' ' ' Poste pluviographique du Cms de Mouton, sur le bassin du Real Collobner ( Var).
Poste pluviographique de Felce (Corse)
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire. ¡94
POSTE n°5H - - • • - - - PJMAX observées • PM ENS observées

¡220 ---A--- PJMAX simulées •PM ENS simulées
¿200
£ 180 MOYENNES J
(ÊCARTS TYPES ^
a.
|
g
13 > ¿ 2 -c '5 .£ = 5 s. g >
. . . # . . . PJMAX observées PM ENS observées

• --A--- PJMAX simulées PM ENS simulées
Graphiques n°V.2a et b : restitution des moyennes et écarts-types des pluies journalières maximales et
des pluies mensuelles.
Pour mieux apprécier ces résultats, les graphiques n°V.3a et b, montrent la distribution de fréquences
des variables tests pour le mois d'Octobre, mois présentant le plus fort écart entre les valeurs observées
et les valeurs simulées.
PJMAX observées PM ENS observées PJMAX observées PM ENS observées

PJMAX simulées -PMENS simulées PJMAX simulées -PMENS simulées
POSTE n°58
Mois d'Octobre
POSTE tr9I
Mois d'Octobre
10 100 1000 10000 10 100 1000 10000

Période de retour (en années) Période de retour (en années )
M ! [hl
Graphiques n°V.3a et b : distributions de fréquences des variables tests obsenées et calculées
pour le mois d'Octobre.
Pour les pluies journalières maximales (PJMAX) dont la moyenne et l'écart-type sont bien restitués, la
distribution des valeurs simulées colle parfaitement à la distribution des valeurs observées.
Pour les pluies mensuelles (PMENS) des postes n°58 et n°91 (au mois d'Octobre), les erreurs relatives
entre les écarts-types observés et les écarts-types calculés sont respectivement de 25% et -40%.
Cependant la distribution des valeurs simulées s'ajuste relativement bien sur la distribution des valeurs
observées.
On retiendra que la bonne restitution des moyennes et des écarts-types peut nous garantir une bonne
adéquation entre les distributions des valeurs observées et des valeurs simulées. De plus, l'erreur
relative sur les écarts-types sera toujours plus forte à cause des problèmes d'échantillonnage. Cependant
une forte erreur sur les écarts-types (supérieure à +/-30%), n'entraîne pas forcément une mauvaise
adéquation entre les distributions des valeurs observées et celles des valeurs simulées.
Résultats sur l'ensemble des postes disponibles :
Des simulations de chroniques de 1000 ans ont été réalisées sur les 52 postes pluviométriques étudiés.
Pour chacun de ces 52 postes, l'erreur relative sur les moyennes et l'erreur relative sur les écarts-types
ont été calculées, pour chaque mois et pour chaque variable test, par la formule classique:
Valeur,.,-,,,! :„ - Valeurnhs_rV(î(1
Erreur relative (%) = '-^^ obsédée x 100
Valeur
observée
Pour chaque mois et pour chaque variable test, on obtient une distribution des erreurs relatives issue des
52 valeurs calculées. Les graphiques n°V.4a. b. c et d, représentent la distribution de fréquences de ces
erreurs relatives pour les différents mois. Cependant, pour ne pas surcharger le graphique, six mois
seulement sont représentés, parmi lesquels les plus défavorables (en surestimation et sous-estimation).
Pour juger du bon fonctionnement du modèle, des seuils sur les erreurs relatives ont été fixés :
+ ou - 20% pour une bonne restitution de la moyenne,
+ ou - 30% pour une bonne restitution de l'écart-type.
Ainsi les graphiques n°V.4a, b, c et d, permettent de déterminer le pourcentage de postes compris dans
cet intervalle.
On trouve que :
•^ sur la moyenne des pluies maximales journalières du mois. 85% des postes étudiés ont une
erreur relative comprise entre plus et moins 20%, et cela tous mois confondus,
•=* sur la moyenne des pluies mensuelles, 80% des postes étudiés ont une erreur relative
comprise entre plus et moins 20%,
-^- sur l'écart-type des pluies maximales journalières du mois. 90% des postes étudiés ont une
erreur relative comprise entre plus et moins 30%,
~ sur l'écart-type des pluies mensuelles. 75% des postes étudiés ont une erreur relative
comprise entre plus et moins 30%.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire. 196
Restitution de la moyenne des pluies maximales du mois
Fréquence cumulée
Ja]
Restitution de l'écart-type des pluies maximales du mois
- Janvier i
- M ars |
Mai !
3 Août ;
V
u.
Ottobre i
Décembre!
Fréquence cumulée
ibi
40
Restitution de la moyenne des pluies mensuelles
30 - J a n \ 1er
20 - M jrs
« — HO % rfe5 pastes V T^"*
IO - M ai
0 — - . —
-—
• * •
Août
—•"- -r
-103 Septembre
o
l -20 Décembre
-30
•'
-40
Fréquence cumulée
Je]
Restitution de l'écart-type des pluies mensuelles
V
>
Fréquence cumulée
là]
Graphiques n°V.4a, h, c et d : distributions de fréquences des erreurs relatives calculées sur les
moyennes et écarts-types des variables tests PJX1AX et PXIENS.
CHAPITRE V : Méthode SHYPREau pas de temps journalier et horaire ¡97
II faut remarquer que l'on considère ici les performances du modèle sur l'ensemble des mois. Si l'on
regarde chaque mois séparément, on peut voir par exemple :
- que tous les postes étudiés ont une erreur, sur la moyenne des pluies maximales journalières
du mois de mai et décembre, comprise entre plus et moins 20%,
- que l'erreur sur les écarts-types des pluies mensuelles est comprises entre plus et moins 30%
pour le mois de mai,
- etc..
De façon générale, les performances du modèle de génération de pluies journalières sont très
satisfaisantes. Les erreurs les plus importantes pour la restitution des écarts-types sont plus souvent
dues à des problèmes d'échantillonnage qu'à des défauts propres au modèle.
Conclusion :
Les bonnes performances du modèle de génération de pluies journalières vont permettre d'avoir des
chroniques de pluies au pas de temps journalier, réalistes et représentatives de la pluviométrie locale.
Associé au modèle de transformation de la pluie en débit, il permet l'obtention de longues chroniques
de débits journaliers simulés à l'exutoire du bassin versant.
V.3.2 - Calage du modèle GR3J
Le modèle GR3J n'en est pas à ses débuts. Il a déjà été calé sur de nombreux bassins versants français.
EDUATNO (1991) a étudié le modèle GR3J sur 114 bassins versants français de superficie variant entre
1.5 à 3750 km2. MAKHLOUF (1994) a étudié le modèle à 4 paramètres sur un total de 120 bassins
versants et obtient la valeur moyenne de 80% pour le critère de Nash.
V.3.2.1 - Problème de la stabilité des paramètres
Le calage des paramètres du modèle GR3J se fait sur une période dite période de calage. En général on
partage l'échantillon des données disponibles en deux parties, souvent égales. Une première partie sert
au calage du modèle, la seconde est utilisée pour contrôler le comportement du modèle. Les
performances du modèle sont surtout appréciées sur la période de contrôle. Une bonne restitution des
débits sur cette période de contrôle permet d'apprécier la stabilité temporelle des paramètres et le
pouvoir prédictif du modèle.
Les valeurs prises par les paramètres optimisés sont le résultat du calage des observations sur une
période donnée. Si le fonctionnement hydrologique du bassin conserve ses caractéristiques dans le
temps, le modèle calé devrait pouvoir servir à modéliser les événements futurs.
Par contre, si le fonctionnement hydrologique d'un bassin versant est modifié par des facteurs naturels
ou anthropiques, le jeu de paramètres calé avant ce changement risque de ne plus être adapté au nouvel
état du bassin. C'est pourquoi il est nécessaire d'étudier la stabilité des paramètres en fonction des
périodes de calage.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire.
Pour étudier la non-stationnarité de la relation pluie-débit face aux variations climatiques et aux actions
anthropiques, DE OLIVEIRA NASCIMENTO [1995] a travaillé sur les paramètres du modèle GR4J. Pour
cela, il a étudié la variation des paramètres sur différentes périodes de calage. Au terme de ses
recherches, il a conclu que "des bassins versants n'ayant pas été soumis à des inte n'entions humaines
ou à d'autres types de changements connus, voire observés, dans l'occupation du sol, sont vus par le
modèle GR4J comme étant non-stationnaires... ".
Pour étudier ce phénomène, les paramètres du modèle GR3J ont été déterminés sur différentes périodes
de calage de 4 ans, sur 7 bassins versants du Real Collobrier*'). Le tableau n°V.3, montre les valeurs
extrêmes des paramètres trouvés sur ces différentes périodes de calage.
Ln(A) LnfB) A (mm) B(mm) C (en jour)

Min. Max. Min. Max. Min. Max. Min. Max. Min. Max.
Pont de Fer 5.8 6.24 3.92 4.57 330 513 50.4 96.5 1.07 1.35
Collobrières 5.9 6.88 4.16 4.88 365 973 64.1 132 1.09 1.27
Malière 5.28 6.24 3.92 5.04 196 513 50.4 154 1.14 2.32
Valescure 5.92 6.88 4.37 4.84 372 973 79 126 1.09 1.14
Maurets 5.6 6.35 4.06 6 270 572 58 403 1.05 1.20
Vaubarnier 5.49 6.33 3.9 4.92 242 561 49.4 137 1 05 1.21
Rimbaud 2.83 5.53 4.24 4.89 16.9 252 69.4 133 0.97 1.14
Tableau n°V.3 : valeurs extrêmes des paramètres de GR3J, prises pour différentes périodes de calage
de 4 ans, sur 7 bassins versants du B. V.R.E. du Real Collobrier.
On peut remarquer la variation relativement forte des valeurs extrêmes des paramètres. Pour prendre un
exemple de l'évolution des paramètres en fonction de la période de calage, les graphiques n°V.5a et b.
montrent pour les bassins des Maurets et de Rimbaud, les différentes valeurs prises par les paramètres
optimisés sur des périodes de calage successives.
[a]
7 --- Bassin des Maurets J
19b9- 1974-
19"M 1977
Graphiques n°V.5a et b : évolution des paramètres du modèle GR3J avec la période de calage, pour les
bassins versants des Maurets et de Rimbaud (Var).
(
' ' Bassins versants sur lesquels les observations présentent les chroniques les plus longues et les plus complètes
CHAPITRE V : Methode SHYPRE au pus de temps journalier et horaire _ 199
II faut noter que le bassin de Rimbaud a été incendié à 85% en 1990. Cet événement coïncide
notamment avec la période de calage sur laquelle on observe une forte diminution du paramètre A. Sur
le bassin des Maurets, on observe aussi une fluctuation des différents paramètres, de même que sur les
autres bassins étudiés, mais dans des proportions moins grandes.
On retrouve, à travers les différents essais d'optimisation, les conclusions faites par DE OLIVEIRA
NASCIMENTO [1995] lors de ses recherches.
-=> Une modification profonde des caractéristiques physiques de la surface d'un bassin (incendie
ou déboisement, agriculture, urbanisation...), ou une modification de l'écoulement du cours d'eau
(pompage pour irrigation, construction d'une retenue, endiguement...) peuvent se traduire par une
modification du fonctionnement hydrologique du bassin, et une évolution dans le temps des paramètres
d'un modèle hydrologique.
•^ Cependant, des bassins n'ayant pas été soumis à ce genre d'influence, peuvent présenter un
état non-stationnaire, au sens de la modélisation de la relation pluie-débit. Cette non-stationnarité peut
être due à différents facteurs :
X Tout d'abord, elle dépend du nombre d'années prises en compte pour la période de
calage. Il est évident que plus la période de calage va être courte, plus l'optimisation des paramètres va
être soumise à l'échantillonnage. Par exemple DE OLIVEIRA NASCIMENTO [1995] montre que. sur une
période de calage assez courte, la présence d'un événement exceptionnel peut conduire à un biais dans
l'estimation des paramètres.
X Elle dépend aussi de la non-stationnarité des variables climatiques et par conséquent
des variables hydrologiques, tel que l'état hydrique du sol. Le fonctionnement hydrologique du bassin
versant est très sensible à une tendance persistante sur la période de calage (période de sécheresse ou
période pluvieuse). On rejoint ici le problème de la durée de la période de calage, car plus la période est
courte, plus on risque de se trouver dans une période climatique particulière.
X La non-stationnarité des paramètres peut aussi être tributaire du modèle lui-même,
de la fonction critère utilisée pour le calage, de la présence d'un maximum secondaire ou d'une
dépendance entre les paramètres.
De façon générale, c'est la combinaison de tous ces facteurs qui peut expliquer la non-stationnarité des
paramètres d'un bassin, dont le fonctionnement est à priori inchangé.
Pour évaluer la stabilité des paramètres sur les 7 bassins étudiés du Real Collobrier, le tableau n°V.4,
montre les critères de performance (critère de Nash et erreur sur le bilan) déterminés sur la période de
calage et sur la période de contrôle (mêmes paramètres que sur la période de calage).
CALAGE CONTROLE
'.-.VBässitf^ y j S Ä ^>~>'~ X B iv- -Pénode'y: : îash? •Bilan ?Pêrioàè- ; Nash ; - Bilan
PbnfdeFërS 5.92 4.4 -0.52 1967-1981 84 -13 1982-1995 7S -10
Collobrières^ 6.24 4.88 -0.44 ¡973-1984 79 -11 1985-1995 75 -4
9
Malière" i- 5.76 4.76 -0.48 ¡967-1981 86 -3 1982-1995 60 -11
Valescure 6.11 4.95 -0.46 ¡968-1981 86 -4 1982-1995 82 -13
Maurets •• 6.56 4.72 -0.44 ¡969-1982 81 17 1983-1995 70 15
Vaubarriier 5.68 4.71 -0.5 1969-1982 89 13 1983-1995 73 5
Rimbaud 5.31 4.46 -0.52 1968-1981 89 9 1982-1995 73 29
Tableau n°V.4 : valeurs des critères de performances (Nash et Bilan) calculés sur les périodes de
calage et les périodes de contrôle, sur 7 bassins versants du Real Collobrier.
Les coefficients de Nash diminuent sur la période de contrôle tandis que les bilans sont du même ordre
de grandeur. La diminution du critère de Nash est plus logique car c'est sur ce critère que les paramètres
ont été optimisés pendant la période de calage. Dans l'ensemble, on peut considérer que ces résultats ne
sont pas mauvais. Cependant, afin d'avoir la meilleure estimation possible des paramètres, ceux-ci
seront déterminés à partir de l'ensemble des données disponibles, c'est à dire sur la période totale
d'observation (à l'exception toutefois du bassin de Rimbaud où l'on ne prendra que la période avant
incendie pour le calage de GR3J).
V.3.2.2 - Calage du modèle
Certains bassins étudiés présentent des lacunes sur les chroniques de pluies journalières observées.
Dans ce cas, le calage du modèle GR3J est impossible, si l'on n'a pas la possibilité de compléter les
séries pluviométriques par des séries de postes voisins. C'est pourquoi, pour ces bassins. le calage se
fait indépendamment sur les différentes périodes pour lesquelles les observations sont disponibles.
Le jeu de paramètres définissant le bassin, sera alors déterminé par les valeurs médianes des
paramètres, optimisés sur les périodes disponibles. Le critère de calage sera ensuite recalculé sur
l'ensemble de ces périodes, à partir du jeu de paramètres médians.
Dans certains cas, pour des bassins dont les données sont parfois douteuses, le calage des paramètres
permet de déceler d'éventuelles anomalies. Par exemple, une forte dérive des paramètres, ou l'obtention
de critères d'optimisation très mauvais, sont parfois dus à des problèmes dans les séries de données.
L'examen graphique des chroniques des pluies superposées aux chroniques de débits, permet la
détection de ces anomalies.
Par exemple, sur une période de calage de courte durée, l'absence de pluie pour un très fon é\énement
peut biaiser énormément le calage. De telles particularités dans le calage du modèle, sont étudiées plus
en détails (examen graphique) pour juger de leur représentativité dans la paramétrisation. Si elles
présentent un biais, les paramètres calés ne sont pas retenus.
Les résultats du calage des paramètres du modèle GR3J, obtenus sur les différents bassins, sont
représentés dans le tableau n°V.5.
Sur les bassins du Real Collobrier, les valeurs du critère de Nash et l'erreur sur le bilan, sont bonnes.
Elles restent correctes pour la plupart des autres bassins. Quelques uns présentent des valeurs du critère
de Nash faibles. Cela est dû aux lacunes que présentent certaines séries de données pluviométriques. et
qui obligent à optimiser sur plusieurs périodes relativement courtes et soumises à l'échantillonnage.
Cependant, dans l'ensemble, les bilans sont relativement bien conservés et les valeurs du critère de
Nash sont acceptables.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _ 21)1
¿/^Bassin .>". N°,. •Ln(A) Ln (B) •-• C (en jour) P é r i o d e ».• Nash (%) Bilan (%)
Pont de Fer BV001 5.92 4.4 1.09 1967-1995 83.2 12.2
Collobrières BV002 6.24 4.72 1.14 1973-1995 78.9 8
Malière BV004 5.9 4.6 1.13 1967-1995 80.3 -0.3
Valescure BV005 6.21 4.76 1.14 1968-1995 85.2 3.1
Maurets BV006 6.08 5.2 1.14 1969-1995 82.3 2.2
Vaubamier BV007 5.6 4.4 1.14 1969-1995 81 -9.2
Rimbaud BV008 5.05 4.57 1.09 1968-1989 87 -8.2
L'Infernet BV022 5.52 5.12 1.09 1967-1995 50.6 -0.9
La Massane BV061 6.37 4.35 1.19 1970-1991 65.7 -3.1
L'Ample BV062 6.56 5.04 1.39 1971-1985 82.3 24
La Canterrane BV063 5.56 4.11 1.49 1974-1991 73 9.7
Le Reart BV064 6.88 2.96 1.32 1973-1991 53.1 29
L'Agly BV065 5.83 4.92 1.15 1971-1990 74.6 -7.5
Le Bevinco BV072 5.17 5.43 1.01 1974-1992 79.2 -8.7
Le Fango BV074 5.73 4.59 1.23 1978-1988 42.3 -16.3
L'Ortolo BV076 7.5 5.04 1.14 1975-1983 52 0.93
Le Fium'Alto BV079 7.2 5.04 1.14 1974-1983 56.1 50
Tableau n°V.5 : résultats du calage du modèle GR3J sur les 17 bassins versants étudiés.
Des essais d'optimisation du modèle à quatre paramètres (GR4J) s'accompagnent d'une amélioration du
critère de Nash. Cependant le gain n'est pas suffisant pour vouloir intégrer un nouveau paramètre. Le
but de la démarche étant en effet d'avoir un modèle correct nécessitant le moins de paramètres possible.
afin de faciliter sa transposition sur des bassins non jaugés. De plus, la réduction du nombre de
paramètres permet d'éviter les effets de dépendance, pouvant apparaître entre les paramètres, qui
biaiseraient leurs rôles respectifs.
On peut remarquer les fortes valeurs prises par le paramètre A sur certains bassins de la Corse. On
pourrait croire que ces bassins ont une capacité d'absorption plus élevée que les autres bassins étudiés.
Cependant, ces bassins ne semblent pas présenter des caractéristiques géomorphologiques différentes
des autres bassins de Corse.
Cette valeur élevée du paramètre A est en fait due au choix du peste pluviométrique représentatif du
bassin. En effet, les bassins pour lesquels la valeur de A est très élevée (ln(A) > 7, ou A > 1100mm).
sont caractérisés par un poste pluviométrique situé au plus haut point du bassin, et présentant une forte
pluviométrie non représentative de la pluie de bassin :
- le bassin n°079 est représenté par le poste n°91 (Felce) situé à une altitude de 810
mètres, pour une pluviométrie moyenne annuelle de 1320 millimètres.
- les bassins n°076 est représenté par le poste n°95 (Marghese) situé à une altitude de
960 mètres, pour une pluviométrie moyenne annuelle de 1165 millimètres.
CHAPITRE V. Méthode SHYPRE au pas de temps journalier et horaire 202
Les pluviométries ponctuelles des postes de Felce et de Marghese, doivent surestimer la pluie tombée
sur le bassin et utilisée par le modèle pour reconstituer les écoulements des bassins n°076 et n°079.
Cela peut expliquer les fortes valeurs du paramètre A obtenues sur ces bassins, qui permettent de
modéliser une capacité de rétention élevée.
Le critère de Nash et la valeur du bilan sont utilisés ici pour apprécier les restitutions des débits
observés. Les tableaux n°V.4 et V.5 permettent de juger respectivement du pouvoir prédictif du modèle
calé (sur les bassins du Real Collobrier), et du pouvoir de modélisation des débits. Pour être utilisé en
prédétermination, le modèle ainsi calé va être associé au modèle de génération de pluies journalières.
Pour un bassin versant donné, on modélise donc des chroniques de pluies journalières à partir des
paramètres calés sur le poste pluviométrique représentatif du bassin, puis on les transforme en débit par
le modèle GR3J calé sur ce bassin. On va simuler ainsi de longues chroniques de débits journaliers.
V.3.3 - Simulation de longues chroniques de débits journaliers
Dans les paragraphes suivants, la simulation pone sur une période de 1000 années, correspondant à la
période minimale pour obtenir une stabilité des moyennes et des écarts-types des variables simulées.
V.3.3.1 - Restitution de la variation saisonnière des variables tests
Pour juger de la capacité du modèle à restituer les débits journaliers, on compare les valeurs des
variables tests observées à celles des variables tests simulées. Ces variables tests sont les lames
journalières maximales du mois (notées LJMAX) et les lames mensuelles (notées LMENS). De même
que pour la validation du modèle de génération de pluies journalières, on compare les moyennes et les
écarts-types de ces variables.
Les graphiques n°V.6a, b et c montrent la restitution des moyennes et des écarts-types des lames
mensuelles et des lames maximales journalières, pour les différents mois et pour trois bassins versants
différents.
On observe sur ces graphiques, une bonne restitution des variables tests. Les écarts entre les variables
observées et les variables simulées sont relativement faibles. Pour certains mois, l'écart peut être plus
prononcé, mais il est souvent dû à des problèmes d'échantillonnage. En effet, les valeurs moyennes et
les écarts-types observés sont parfois calculés sur un effectif inférieur à 15 ou 10.
BASSIN du Rimbaud (Vari -•-•- UMAX observées LM ENS observées

• A- - • UMAX simulées LM ENS simulées
•X r- >
•=! - < $ O ¿ a
BASSIN de la Mossane (P.O. ) UMAX observées LM ENS observées

•A--- UMAX simulées LM ENS simulées
= Z -
BASSIN du Bevincof Corse) -•••-•- UMAX observées - LM ENS observées

S 140 -.-A--- UMAX simulées -LMENS simulées
Graphiques n°V.6a, b et c : restitution des moyennes et des écarts-types des variables tests (lame
journalière maximale et lame mensuelle) de chaque mois, pour les bassins versant du Rimbaud ( Var),
de la Mussane (Pyrénées Orientales) et du Bevinco (Corse)
On constate ici que l'on retrouve bien la variation annuelle des débits. Cette variation saisonnière est
réalisée exclusivement par la simulation des pluies journalières puisque les valeurs prises par les
paramètres du modèle GR3J sont les mêmes, quel que soit le mois. La méthode SHYPRE au pas de
temps journalier, permet d'avoir des chroniques de débits dont la variation saisonnière est respectée.
Elle permet ainsi d'avoir de longues chroniques de débits respectant les périodes de hautes eaux et de
basses eaux, nécessaires pour tester par exemple des règles de gestion de retenues d'eau.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _ 204
V.3.3.2 - Restitution de la distribution des variables tests
Pour mieux apprécier la restitution des variables tests, la distribution de fréquences des valeurs
observées est superposée à la distribution des valeurs simulées. Les graphiques n°V.7a, b et c
reprennent l'exemple des trois bassins versants précédents.
1200 — • LJMAXobs. •UMAXsim. o LMENSobs. LMENSsim.
1000 -
Bassin du Rimbaud (Var)
10 100 1000 10000

Penode de retour (an)
1200 — • UMAX obs. •UMAXsim. o LMENSobs. LM ENS Min.
1000 -
I Bassin de la Massone (P.O.)
I 800 -
100 1000 10000

Période de retour (an)
Ibi
1200 — • UMAX obs. •UMAXsim. o LMENSobs. LMENS sim.
1000 -
Bassin du Bevinco (Corse)
100 1000 10000

Penode de retour (an)
Graphiques n°V.7a. b et c : distributions de fréquences observées et simulées, des valeurs maximales

annuelles des variables UMAX et LMENS, sur les bassins du Rimbaud ( Var). de la Massone (Pyrénées
Orientales) et du Bevinco (Corse)
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _
Sur ces graphiques, est représentée la distribution des valeurs maximales annuelles des variables tests
"lame mensuelle" (LMENS) et "lame journalière maximale du mois" (LJMAX).
Pour ces trois bassins, les distributions de fréquences simulées s'ajustent bien sur les distributions
observées. Des divergences apparaissent vers les valeurs extrêmes de la distribution observée, qui
restent plus soumises à l'échantillonnage que les valeurs courantes.
Pour l'ensemble des bassins étudiés, les graphiques similaires aux graphiques n°V.7 sont tracés. Sur
chacun de ces graphiques, les valeurs des distributions observées et des distributions calculées vont être
comparées jusqu'à la période de retour de 10 ans ( 1 ) . Au delà, les fluctuation dues à l'échantillonnage et
à la difficulté d'associer une période de retour aux valeurs extrêmes, rendent la comparaison
difficilement significative.
On calcule alors les quantiles correspondant aux périodes de retour de 2, 5 et 10 ans. Ces valeurs
permettent d'avoir un aperçu global et représentatif de la restitution de la distribution de fréquence des
variables tests.
Les valeurs des variables tests pour les différentes périodes de retour, sont déterminées de la façon
suivante (graphique n°V.8) :
• UMAX sim. LMENS sim. LJMAX obs. o LMENS obs. •GUMBEL
500 -
;
Bassin du Pont de Fer (War)
400 -
C/5
LU
5 6 7 8
u : variable réduite de Gumbel
Graphique n°V.8 : illustration de l'extraction des quantiles des variables tests observées et simulées.
pour des périodes de retour de 2, 5 et 10 ans.
1
' ' Les différentes sénés de données ont été observées sur une vingtaine ou une trentaine d'années. Le calcul de la période de
retour par 1J formule de Hazen donne pour la valeur la plus forte, une période de retour valant le double de la période
d'observation (soit 40 ou 60 ans). La limite à T = 10 ans est choisie pour rester dans le domaine des observations sans -îller vers
les valeurs maximales observées, pour lesquelles Ion a souvent une forte incertitude sur l'attribution de leur période de retour.
- pour les valeurs observées, une loi de Gumbel est ajustée sur les valeurs correspondant à une
période de retour d'au moins deux ans(2) . Les valeurs pour T = 2, 5 et 10 ans sont ensuite déduites de
cet ajustement.
- pour les valeurs simulées, on prend directement la valeur associée à la période de retour
calculée de façon empirique. On considère en effet que pour des périodes de retour faibles, sur une série
de 1000 ans, ces quantiles sont stables et peu soumis à l'échantillonnage.
Remarque : à titre d'exemple, le graphique n°V.9 montre les distributions des lames maximales mensuelles,
de 10 millénaires simulés séparément. On observe bien une stabilité de ces valeurs associées aux faibles
périodes de retour (jusqu'à 10 ans), alors que les quantiles associés à des périodes de retour plus grandes
sont plus soumis à l'effet d'un échantillonnage. Ce graphique permet aussi de visualiser un intervalle de
confiance empirique, de la distribution de fréquences d'une simulation de 1000 ans.
800 -
r - H Bassin du! Pont de Fer {War)y

¡ili ' ì
7O
4J S ° •
: i ; : ;• / ; ' • • :
c •" Ann
s sii
1
C
s en
j i
I i
3
Ü 1)
i
= S 400 - 1
= 5 ^ _
^ '
y 2 .loo -
I
!
3 | :oo - 1 1
1
,3 100 -
s* i i i ,i
0 J
10 100 1000 10000
Période de retour un )
Graphique n°V.9 : distributions de fréquences des lames mensuelles maximales issues de 10

simulations de 1000 ans de pluies journalières.
On obtient ainsi, pour chaque bassin versant étudié, la valeur des maxima annuels des variables tests
pour les périodes de retour de 2, 5 et 10 ans.
On place alors sur un même graphique les valeurs simulées en fonction des valeurs observées, pour une
période de retour donnée et une variable test choisie. On obtient ainsi les graphiques n°V. 10.
Sur ces graphiques, la médiatrice permet de visualiser l'écart entre les valeurs observées et les valeurs
simulées. Plus les points se rapprochent de la médiatrice, plus la valeur simulée tend vers de la valeur
observée.
On observe une bonne restitution des quantiles des variables tests pour les différentes périodes de retour
étudiées. Les lames mensuelles sont, dans l'ensemble, mieux restituées que les lames maximales
journalières, mais pour les deux variables, les résultats sont largement satisfaisants sur toute la gamme
des valeurs observées.
' - ' L'ajustement de la loi de Gumbel est effectué arbitrairement sur les valeurs dont la période de retour est supérieure ou égale
à 2 ans. Pour cela on calcule la droite de régression entre les lames et la valeur de la variable réduite de Gumbel lu) qui leur est
associée, telle que u > 0.36.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire_ .207
80 - L J M A X simulées (mm) 250 - L M E N S simulées (mm)
200 - Médiatrice
150 -
100 -
50 - = 2ansJ
0 50 100 150 200 250

LMENS observées (mm)
200 - LJMAX simulées (mm) 400 T LMENS simulées (mm)

350 I
Médiatrice Médiatrice
150 - 300 I
250 i
100 - 200 |
150 I
50 - T = 5 ans J 100 I
5
o :L
50 100 150 200 o 100 200 300 400
LJMAX observées (mm) LMENS observées (mm)
250 - LJMAX simulées (mm) 450 j LMENS simulées (mm)

400 1
200 - Médiatrice 350 T Médiatrice
300
150 - yy
250
200
100 - y •
150
50 - ,JT= 10 ans J 100 J
= 10 ans
50
0 s* . . 0
0 50 100 150 200 250 0 50 100 150 200 250 300 350 400 450
LJMAX observées (mm) L M E N S observées (mm)
Graphiques : Valeurs des LJMAX et LMENS maximales annuelles observées et simulées, pour les
périodes de retour de 2, 5 et 10 ans, sur les 17 bassins étudiés.
On observe par exemple une erreur maximale de 15% sur l'estimation de la lame mensuelle décennale,
et dans 75% des cas, une erreur inférieure à 20% sur l'estimation de la lame maximale journalière
décennale.
On peut considérer que la modélisation des débits journaliers donne des résultats largement
satisfaisants. Ils sont bien sûr tributaires de la bonne modélisation des pluies, mais aussi de la bonne
représentativité des paramètres calés, qui permettent la correction de pluies ponctuelles pas forcément
adaptées à la représentation la pluie de bassin (par exemple pour certains bassins de Corse).
Les chroniques de débits journaliers sont donc représentatives des chroniques observées, dans leur
comportement moyen, mais aussi dans leur nature aléatoire, ce qui permet d'avoir des scénarios
extrêmes.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire^ 20H
V.3.3.3 - Etude du comportement à l'infini
On vient de voir la capacité de restitution des valeurs moyennes et des écarts-types des variables liées
aux débits. Les distributions de fréquences de celles-ci s'ajustent correctement aux valeurs observées,
pour les périodes de retour inférieures à la période d'observation. On dispose alors de longues
chroniques de pluies et de débits journaliers de mêmes caractéristiques que les séries observées. Si l'on
fait l'hypothèse de la stationnante du phénomène modélisé, on peut utiliser les valeurs simulées pour
extrapoler la distribution de fréquences des valeurs observées. C'est l'une des applications possibles de
la méthode.
Le comportement à l'infini de la distribution des variables tests, ou d'autres variables liées aux débits
journaliers, peut être appréhendé par la simulation. A titre d'exemple, les graphiques n°V.lla et b,
présentent les résultats de la simulation d'une chronique de 10 000 ans, sur le bassin versant du
Rimbaud. Pour étudier le comportement à l'infini de la modélisation de la pluie en débit, on superpose
sur ces graphiques, les distributions des pluies et des lames, simulées et observées.
PJMAX simulées - UMAX simulées PMENS simulées • LiVIENS simulées

PJMAX observées UMAX observées PMENS observées LMENS observées
i H : variable de Guinbel
Graphique n°V.H : distribution des pluies et des lames, maximales journalières et mensuelles, issues
d'une simulation de 10 000 ans et issues des observations, pour le bassin du Rimbaud (pluie
représentée par le pluviographe n°69).
Si l'on se réfère à la théorie du Gradex (DUBAND et GuiLLOT [1968]), à partir d'une fréquence élevée, la
quantité de pluie précipitée est suffisamment élevée pour obtenir la saturation du bassin. A partir de
cette fréquence, toute augmentation de la pluie s'accompagne de la même augmentation de la lame d'eau
ruisselée. Cela se traduit par une extrapolation de la loi de distribution des débits suivant une loi
parallèle à la loi des précipitations.
On observe ce comportement sur la distribution des lames mensuelles. Cependant, la distribution des
pluies maximales journalières calculées sur le bassin du Rimbaud, ne suit pas cette règle. Même pour
les précipitations les plus fortes, on n'atteint pas la saturation du bassin. Cela peut être dû à plusieurs
raisons :
- une valeur du paramètre A trop élevée (ce qui n'est pas le cas pour le bassin du Rimbaud où
A = 150 mm)
- des valeurs de S/A faibles lors des événements extrêmes,
- la répartition sur plusieurs jours des pluies journalières maximales, lors du passage en lames
(sans influence alors sur les pluies mensuelles).
CHAPITRE V . Methode SHYPRE au pas de tempi journalier er horaire 209
V.4 - APPLICATICI AU PAS DE TEMPS HORAIRE
Le principe de la méthode SHYPRE au pas de temps horaire est le même que pour le pas de temps
journalier. Des chroniques de pluies sont simulées et utilisées par le modèle de transformation de la
pluie en débit, pour générer des chroniques de débits.
La différence fondamentale vient du mode de fonctionnement, qui est événementiel au pas de temps
horaire et continu au pas de temps journalier. La méthode appliquée au pas de temps horaire, va alors
être soumise aux problèmes d'initialisation du modèle GR3H.
Le modèle de génération d'événements de pluie horaire a été décrit et calé dans la première partie. Le
modèle de transformation de la pluie en débit utilisé, est le modèle GR3H présenté dans le chapitre
précédent. Nous allons voir dans le paragraphe suivant le calage du modèle GR3H pour les différents
bassins étudiés.
V.4.1 - Calage du modèle GR3H

On a vu dans le chapitre IV, qu'en ce qui concerne le modèle GR3H, une optimisation de ses
paramètres intrinsèques (A, B et C), ainsi que l'état initial de son réservoir A t h . est nécessaire à
chaque événement de crue.
Le calage des paramètres consiste alors à déterminer, pour chaque crue, le jeu de paramètres A. B. C
et So/A optimum, donnant la meilleure valeur au critère d'optimisation (critère de Nash).
Les paramètres calés sur les crues observées sur une station limnimétrique. serviront à caractériser le
bassin versant étudié lors de la modélisation de la transformation des pluies horaires en lames
horaires. La paramétrisation sera définie par les lois de distribution des 4 variables (A. B. C et
en tenant compte de leurs éventuelles liaisons.
V.4.1.1 - Sélection des événements de crues
Le calage du modèle GR3H sur les différents bassins versants étudiés, est effectué sur un échantillon
d'événements de crues observées. La sélection de ces événements est effectuée sur un critère de pluie,
afin de rester homogène avec la modélisation des pluies horaires.
Remarque : la sélection des événements de crues à partir d'un critère de débit (par exemple : seuil sur débit
de pointe) ne permet pas d'obtenir un critère de sélection sur les événement pluvieux les générant.
Lors de la modélisation de la pluie, le passage à la modélisation des débits ne peut pas se faire à
priori. Si l'on doit éliminer les crues simulées pour respecter le critère de sélection sur les débits, on
introduit alors un biais non maîtrisable sur la modélisation pluie-débit. C'est une raison pour laquelle
la sélection des événements de crues est effectuée sur un critère lié à la pluie.
Le taux de remplissage du second réser\oir du modèle (réser\oir B), est initialise par le débit JU début de la crue
Le critère de sélection des événements de crues est basé sur les mêmes critères utilisés pour la
définition d'un événement pluvieux : un événement pluvieux est retenu s'il possède une pluie
journalière supérieure à 20 mm et s'il est borné par des pluies journalières inférieures à 4 mm.
Cependant, le seuil de 20 mm sur la pluie journalière, est relativement faible pour sélectionner des
crues. En effet, certains de ces événements peuvent n'entraîner aucune réponse du bassin (sols secs ou
perméables, intensités faibles des précipitations...). Quand l'effectif des crues le permet, le seuil de
sélection sur la pluie journalière maximale de 20 mm est alors augmenté à 30 ou 40 mm. On étudie
ainsi les événements de crues les plus importants.
Le critère de sélection des événements étant établi, on cherche à déterminer le début et la fin de la
crue. De manière automatique, on relève les valeurs des pluies et des débits observées au pas de temps
horaire, depuis le début de la pluie jusqu'à 10 jours après la fin de la pluie, s'il n'y a pas de lacune. On
recherche alors la valeur du débit de pointe Qp (valeur instantanée). On définit de façon arbitraire un
débit seuil pour repérer la fin de la crue, par la relation :
(Qp-Qbase)
Débit de la fin de crue = Q f- =
On effectue ensuite un retour en arrière, jusqu'à ce que le débit atteigne le débit de la fin de crue Qf.
Cette première démarche, automatique, ne sert qu'à dégrossir la sélection des événements de
crues. Chaque événement repéré, est tracé sur un graphique similaire au graphique n°V. 12.
1
5OE+3 o
45 E+3
40E+3
-1 / \
in
QP
T
10
20
35E+3
J4 \\ ! Bassin versant de Pont de Fer 3 ft
• L 4
^ 3OET3
J
\
\ !
(Real Collobrier)
Crue du 09/02/78
i
i 25E+3
a
6g
I
S 20E+3
7ÏÏ
15E+3
80
I0E+3
90
5 E+3 Qbase
i 1 1 1 1 1 i 100
000E+0 I 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 S5 88 91
HEURES
Graphique n°V.12 : exemple d'événement de crue observé.
A partir de la visualisation graphique des hydrogrammes de crues et des hyétogrammes

correspondants, on peut facilement critiquer le découpage de l'événement, et observer certaines
anomalies. Par exemple, on détecte facilement :
- les décalages entre les pics de pluies et de débits (crue précédent parfois la pluie).
- les éventuelles augmentations du débit, sans enregistrement de pluie,
- les enregistrements erronés (débits constants en pleine crue...),
- la présence de crues multiples à séparer ou non,
- etc..
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire. 211
La critique visuelle des événements de crues est donc beaucoup plus justifiée qu'une critique
effectuée uniquement sur des critères numériques. Mais elle reste cependant influencée par
l'appréciation personnelle.
Les événements sont gardés en fonction de leur crédibilité suite à la critique visuelle. On obtient alors
pour les différents bassins versants étudiés, les effectifs de crues présentés dans le tableau n°V.6
Numéro Seuil Effectif Effectif Effectif Numéro Seuil Effectif Effectif Effectif
Bassin PJmax HIVER ETE total Bassin PJmax HIVER ETE total
40 mm 59 39 98 BV062 30 mm 24 16 40
s
JJH§to ¿ 40 mm 53 32 85 BV063 20 mm 12 7 19
40 mm 63 37 100 BV064 20 mm 14 5 19
§BV{H>5 40 mm 74 46 120 BV065 30 mm 36 26 62
ÎBVÔÔ6 40 mm 59 37 96 BV072 20 mm 27 17 44
ÎPÔ7 40 mm 62 39 101 BV074 20 mm 50 34 84
-BV008 40 mm 77 43 120 BV076 20 mm 32 28 60
BV022 20 mm 31 13 44 BV079 20 mm 50 27 77
BV061 J^3 31 26 57
Tableau n°V.6 : effectifs des échantillons des crues étudiées pour chaque bassin versant.
Le nombre d'événements de crues disponibles, est à la fois fonction de la qualité des enregistrements.
de la durée des observations et de la pluviométrie du bassin (puisque la sélection se t'ait sur les
pluies). Certains bassins présentent un effectif largement suffisant (supérieur à 30 pour chaque
saison), pour d'autres l'effectif est trop faibles pour être représentatif (bassin BV063 ou BV064). Ces
bassins seront traités à titre indicatif, et des réserves devront être faites sur leurs résultats.
Dans un premier temps, les 3 paramètres du modèle (A, B et C) et l'état initial du taux de remplissage
du réservoir A (SQ/A) sont optimisés pour chaque crue.
V.4.1.2 - Calage des paramètres A, B, C et SQ/A.
A partir des valeurs numériques des différents paramètres calés à chaque crue, on calcule leurs
valeurs moyennes et leurs écarts-types. Les graphiques n°V.13a, b, c et d présentent ces valeurs
moyennes et ces écarts-types déterminés pour chaque bassin versant étudié.
Remarque : On différencie les valeurs issues des crues d'hiver et des crues d'été, pour avoir un jeu de
paramètres associé à chaque saison lors du couplage avec le modèle de génération de pluies horaires.
Les numéros des bassins entre parenthèses, correspondent aux bassins dont l'effectif des crues de la
saison "hiver", est inférieur à 20. Entre crochets, on trouve les numéros des bassins dont l'effectif de
la saison "été" est inférieur à 20.
Ecart-typeiHiver) Ecart-type • Huer)

Ecart-type lEté) Ecart-typt: 'Eté)
lai (bj
—•—Moyenne (Hiver) ~ i A Ecart-type (Hiver) -Moyenne (Hiver) -Ecart-type (Hiver)
—O— Movenne (Eté) Ln (C-O.5) | _ A _ Ecart-type (Eté) -Moyenne (Eté) -Ecart-type (Eté)
Graphiques n°V.l3 : valeurs des moyennes et écarts-types des paramètres A. B. C et S(/A calés sur
chaque bassin versant.
On observe une certaine variation des paramètres d'un bassin à l'autre, sans en dégager une tendance
géographique. Certaines valeurs des écarts-types ne sont pas représentatives, car elles sont
déterminées sur un effectif trop faible. Par exemple, la valeur forte de l'écart-type de Ln(B) pour le
bassin BV064, n'est pas significative car elle est calculée sur 5 valeurs seulement.
Pour juger de la qualité de l'oprimisation, on regarde les valeurs prises par le critère de Nash (critère
d'optimisation), ainsi que par les critères de performance (Bilan et Pointe) définis dans le paragraphe
IV.3.3. Les graphiques n°V.14a, b et c présentent les valeurs des moyennes et des écarts-types de ces
critères.
100
=8=
80
• Moyenne (Hiver) • Ecart-lype (Hiver)
60 - • Movenne (Eté) NASH •Ecari-type (Eté)
40 - -
> > >

Numéro du bassin
CHAPITRE V : Méthode SHYPREciu pas de temps journalier et horaire. 213
Ecan-t> pe (Hueri MoyenneiHiver)

Ecart-tvpelEléi Moyenne (Eté)
Se x S x ^ O ™ so (N
™ —
" —
~~
5 S § S c s o s o
>
¡a
>
a
>
a
>
a
>
a a > a > I
> >
>
a
5
¿,
>
a
>
a
>
a
>
a a I I I¡ ¡ I i î î I ¡ I I I
> a i a
_ Si a a m a a
[c]
Graphiques n°V.l4a, b et c : moyennes et écarts-types du critère de Nash, du critère de bilan et du
critère de pointe, issus de l'optimisation des paramètres A, B et C et de S(/A, sur les ¡7 bassins
versants étudiés.
Les résultats de l'optimisation sont très bons. Sur la valeur moyenne, le critère de Nash est supérieur à
90% pour les bassins du Real Collobrier (BV001 à BV008) et supérieur à 80% sur les autres bassins
étudiés. De même, la moyenne du critère Bilan est comprise dans 95% des cas entre +/- 5% sur tous
les bassins'". Les valeurs de la moyenne du critère Pointe sont aussi très bonnes puisqu'elles sont
proches de 100%.
Ces résultats montrent que les crues sont correctement reconstituées sur la quasi totalité des bassins
étudiés. Pour certains bassins, on ne peut pas faire de conclusions à cause du faible nombre de crues
ayant servi au calage.
Le calage des paramètres ne pose pas de problème particulier. On arrive facilement à trouver un jeu
de paramètres optimum permettant d'obtenir de bonnes valeurs sur les critères de performances. On se
pose cependant la question de la représentativité des paramètres trouvés. Les valeurs optimisées sont-
elles réellement caractéristiques de la crue ? Y a-t-il des liaisons entre les valeurs des paramètres
optimums?
On a vu dans le paragraphe sur la sensibilité des paramètres du modèle GR3H (paragraphe FV.4.1.1)
qu'il devait exister une liaison entre l'influence du paramètre A et celle de l'état initial So/A. On
cherche alors à voir si l'on retrouve cette liaison, par l'étude des valeurs optimisées de A et SQ/A
V'.4.1.3 - Etude de la liaison entre A et Sq/A.
Le graphique n°V.15, similaire à celui présenté dans le paragraphe IV.4.1.1, montre des courbes
d'isovaleurs du critère de Nash, dans le domaine de variation des paramètres Ln(A) et So/A. Ce
graphique obtenu sur les données d'une crue de Pont de Fer (crue du 13/04/68). peut être établi sur
d'autres épisodes de crues. On retrouve alors la même allure pour les différents graphiques.
1
Ces résultats tiennent compte du bassin BV064 j la saison "été", qui n'est représenté que par 5 crues.
L'optimisation des paramètres permet d'atteindre la valeur du critère de Nash optimum (*).
Cependant, pour de nombreuses valeurs de Ln (A) et So/A. on retrouve des valeurs du critère de Nash
voisines du Nash optimum. Ces différentes valeur de Ln(A) et So/A, semblent être liées. Lorsque la
capacité du réservoir A augmente (Ln(A) augmente), le taux de remplissage de celui-ci (So/A)
augmente aussi. Il y a donc un effet compensatoire entre les valeurs de ces deux variables.
1.00-
* Nash optimum
¡•^B Nash supérieur à 95%

!..•..•••: :i Nash entre 80 et 95%
0.50- Nash de 50%
Evénement du 13/04/1968 (BV001)
0.00-
2.00 4.00 6.00 8.00 10.00
Graphique n°V. 15 : valeur du critère de Nash en jonction de Ln(A) et SQ/A. pour l'événement du
13/04/68. ci la station de Pont de Fer, avec les paramètres Ln(B)=4 et Ln(C-0.5)=I.5.
Il semble donc qu'il y ait une certaine liaison entre les valeurs de A et So/A voisines de l'optimum.
Cette liaison devrait se retrouver sur les valeurs optimisées sur les différentes crues.
On étudie alors la liaison entre les variables Ln(A) et So/A. à partir des valeurs obtenues lors de
l'optimisation. Pour chaque bassin, on trace sur un graphique les valeurs optimisées de So/A en
fonction des valeurs optimisées Ln(A). On observe alors une tendance dans la répartition des couples
de valeurs. On modélise cette tendance par une régression linéaire simple. Les valeurs des coefficients
de détermination (r2) obtenus, sont représentés sur le graphique n°V. 16.
Liaison entre Ln(A) et SO/A optimisés (avec B et C optimisés)J
Graphique n°V. 16 : coefficient de détermination des régressions linéaires effectuées entre les
paramètres Ln(A) et SQ/A, issus des jeux de paramètres {A. B. C et SQ/A) optimisés pour chaque
bassin versant.
Certes la régression linéaire n'est pas marquée pour tous les bassins mais, bien que les coefficients de
détermination ne dépassent pas 0.70, ces résultats ne permettent pas d'ignorer la dépendance entre les
paramètres A et So/A. Une relation linéaire (ou autre) marquée signifierait qu'un de ces deux
paramètres est redondant dans la paramétrisation du modèle GR3H. Ce n'est pas le cas. mais il
convient de prendre en compte la dépendance entre ces deux variables.
On remarque aussi que dans tous les cas, la liaison est positive (r > 0), c'est à dire que les valeurs
fortes d'un des paramètres sont plus souvent associées à des valeurs fortes de l'autre paramètre.
Pour étudier la dépendance des deux variables, on détermine les probabilités d'apparition des valeurs
de chaque couple (A ; So/A). Le graphique n°V.17, reporte les points formés par ces couples de
valeurs, pour le bassin de Valescure (BV005). Ce graphique permet d'observer la dépendance entre la
probabilité d'apparition de SQ/A et celle de A.
Bassin de Valescure (Var) HIVER Bassin de Valescure (Var)

1
0.8 * 08
• • • •
< 0.6 •
• *
< 0.6 -+- «-
4 \
° ><
•
'«• • j
• * •
02 * * 0.2
• • • • *!
i
0
0 0.2 0.4 0.6 08 1 0 02 04 06 OS
F (A) F (A)
Graphique n°V.I7 : représentation de la probabilité d'apparition de SQ/A, en fonction de la

probabilité d'apparition de A.
En même temps, la liaison entre les autres paramètres a été étudiée. On observe de manière
qualitative, les résultats suivants :
- il n'y a aucune liaison entre le paramètre C et les autres paramètres.
- on n'observe pas de liaison notable entre les paramètres A et B.
- on observe une faible liaison entre les paramètres B et So/A, qui reste cependant moins
visible que celle observée entre A et Srj/A. Cette relation semble cependant plus marquée pour la
saison "été" que pour la saison "hiver".
Les liaisons entre les différents paramètres sont peu marquées, exceptée celle entre le paramètre A et
l'état initial So/A. Mais cette liaison n'est pas assez marquée pour établir une relation directe entre les
deux paramètres. Il paraît tout de même intéressant d'exploiter cette dépendance. C'est pourquoi,
pour faire l'économie d'un paramètre, on fixe le paramètre A, afin de faire porter son influence
sur la variable
Les différentes crues d'un bassin versant donné, vont donc être calées par les paramètres B. C et SQ/A.
en prenant une valeur fixe pour le paramètre A. Pour ne pas introduire de trop fortes erreurs, la valeur
fixe du paramètre A sera, dans un premier temps, celle de la valeur médiane du paramètre A calé sur
les crues du bassin considéré.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _ 2/6
V.4.1.4 - Calage des paramètres B, C et Sn/A avec A médian.
Pour les différents bassins, les valeurs médianes du paramètre A sont calculées pour les deux saisons
considérées. Les paramètres B, C et SQJA sont alors optimisés crue par crue.
Les graphiques n°V.18a, b et c, montrent les nouvelles valeurs des moyennes et des écarts-types des
paramètres calés. Pour voir l'influence du calage du paramètre A, on porte aussi sur ces graphiques les
valeurs trouvées lors du calage de tous les paramètres (paragraphe n°V.4.1.2).
• Moyenne Ecart-type 4- - • B, C et SO/A calés avec A médian

-o--- Moyenne Ecart-type_L - > A, B, C et SO/A optimisés
1 HIVER \
~ Zi 2 £ vg t
S o o 5
> > > > > >
[cil
Moyenne Ecart-type- -> B. C et SO/A calés avec A médijn
•0- - • Moyenne • • -A- - E• Ecart-type_ _+. A. B. C cl SO/A optimisés
CC CQ « SH 2> 2H C^ H H
-Ibi
-•—Moyenne —*—Ecart-type -*• B, C et SO/A calés avec A médian
-©---Moyenne ---A---Ecart-type- "*" A, B, C et SO/A optimisés
0 —
— ri r-j — r< f. -T i£ (N TT O ^
•x s rj
c
\û
o
\o
c
NC
c;
c o > > > > > >
-[cl
Graphiques n°V.18a, b et c : évolution des moyennes et des écarts-types des paramètres B. C et S(/A.
suivant que le paramètre A est optimisé crue par crue, ou fixé à sa valeur médiane pour chaque
bassin.
CHAPITRE V : Méthode SHYPREau pas de temps journalier et horaire 2 l'y
Pour ne pas surcharger les graphiques, seules les valeurs obtenues pour la saison "hiver" sont
représentées. Les résultats obtenus pour la saison "été" montrent la même tendance que ceux de la
saison "hiver". On retrouve en annexe n°V.2 les résultats pour les deux saisons.
On observe deux points :
Pour les paramètres B et C : leurs valeurs moyennes et leurs écarts-types restent pratiquement
identiques, que l'on optimise ou non le paramètre A. On vérifie ainsi les résultats obtenus dans le
paragraphe précédent : il n'y a pas de liaison notable entre le paramètre A et les paramètres B et C.
Pour l'état initial Sn/A : on observe une augmentation systématique sur tous les bassins de la
moyenne de So/A, et une faible diminution de son écart-type. On retrouve ainsi l'influence de
l'optimisation du paramètre A sur les valeurs prises par Srj/A.
L'augmentation en moyenne de So/A (en hiver comme en été) peut s'expliquer par la non linéarité
entre l'influence du paramètre A et celle de So/A (voir les exemples des graphiques n°IV.3 et n°V. 15).
Le fait de fixer A à sa valeur médiane, signifie que la moitié des crues d'un bassin vont être
optimisées avec une valeur de A trop forte et l'autre moitié avec une valeur de A trop faible. Les
graphiques n°FV.3 et n°V.15 montrent qu'une variation de A vers les fortes valeurs, n'impose pas une
variation importante de So/A pour maintenir un critère de Nash correct. Alors que pour les valeurs de
A plus faibles, leur variation impose une forte variation de So/A pour rester dans une zone de critère
de Nash correct.
En moyenne, on arrive à une plus forte augmentation des valeurs de So/A associées aux crues dont le
paramètre A est augmenté, et une plus faible diminution des valeurs de So/A associées aux crues dont
le paramètre A est diminué. Cela explique l'augmentation de la moyenne de So/A lorsque l'on fixe le
paramètre A.
La diminution de l'écart-type de So/A (même faible) s'explique par la disparition de valeurs

"extrêmes" (0 ou 1) imposées par certaines valeurs de A.
Le fait de fixer un paramètre n'est intéressant que si cela n'entraîne pas de perturbations sur les
résultats du modèle. Pour juger de la perte d'informations produite par la diminution du nombre de
paramètres à optimiser, on regarde l'évolution des critères d'optimisation et de performance. Les
graphiques n°V.19a, b et c, montrent l'évolution des critères de Nash, de bilan et de pointe.
Les moyennes des différents critères sont très légèrement dégradées. Ce qui est normal puisque les
jeux de paramètres obtenus par l'optimisation de A, B, C et So/A. sont les jeux de paramètres
optimums.
Dans l'ensemble, le critère de Nash moyen est diminué de quelques pour-cent. Les bassins sur
lesquels on observe les diminutions les plus importantes du critère, sont ceux pour lesquels l'écart-
type est fortement augmenté. Sur ces bassins, c'est souvent une crue mal reconstituée qui entraîne la
diminution moyenne du critère de Nash et l'augmentation de son écart-type.
CHAPITRE V : Méthode SHYPREau pas de temps journalier et horaire_ 218
Pour le critère de bilan et le critère de pointe, on n'observe pratiquement pas de modifications entre
les deux optimisations.
-•—Moyenne — * — Ecart-type-p • B, C et SO/A calés avec A médian

-O--- Moyenne - - A - - - Ecart-type-4- - • A, B, C et S0/A optimisés
100
80
— (M
O O i N \ o ^ o ^ o ^ O v o
o o c o o o o o
> > > > >dm >dm > Cû > > > > >>
ce os dm CM CQ CO CQ 22 — dm C£
C£
m
70 _r i —•—Moyenne
| — o - - - Moyenne
• ^ è — E c a r t - t y p e t:
•A- -- Ecart-type i_
B, C et SO/A calés avec A médian
A, B, C et SO/A optimisés
-10
Bilan HIVER
-20
)72
)62
o
o 5 5 5 5 5 = 3
c
os ce
-•—Moyenne •Ecart-type B, C et SO/A calés avec A médian
125
-o--- Moyenne .-A- Ecart-type A, B, C e t SO/A optimisés
75 —
Graphique n°V. 19 : moyennes et écarts-npes des critères de Nash, de bilan et de pointe, obtenus par
les optimisations avec et sans le paramètre A.
Les résultats obtenus lors du calage des paramètres B, C et Srj/A, en fixant le paramètre A à sa valeur
médiane, sont suffisamment bons pour garder cette paramétrisation du modèle GR3H. Si les valeurs
moyennes des paramètres B et C n'ont pratiquement pas été modifiées, les valeurs moyennes de S(/A
ont changé. C'est pourquoi l'étude de la liaison éventuelle entre les différents paramètres est réalisée
une seconde fois, sur les nouvelles valeurs des paramètres calés.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _ 2/9
V.4.1.5 - Etude de la liaison entre B et SiJA
Si pour chaque bassin versant et pour chaque saison on fixe A à sa valeur médiane, il ne reste plus que
les paramètres B et C, ainsi que So/A à caler sur chaque crue. On a vu dans le paragraphe V.4.1.3 qu'il
existait une faible liaison entre B et So/A. En fixant A, le calage a modifié principalement les valeurs
de So/A. C'est pourquoi on étudie à nouveau la liaison qui pourrait exister entre So/A et les 2
paramètres restants (B et C).
On n'observe toujours pas de relation entre le paramètre C et les autres paramètres (B et So/A). Les
valeurs du paramètre C peuvent être considérées comme indépendantes des valeurs prises par
les autres paramètres.
Il reste à étudier la liaison entre le paramètre B et So/A. Les graphiques n°V.20a et b. représentent les
valeurs du coefficient de détermination calculées lors de la régression linéaire entre Ln(B) et So/A (l1 ,
dans le cas où A est optimisé, et dans le cas où A est fixé à sa valeur médiane.
-••A--- A calé • A médian

1
I OS
HIVER
•S 0.6
.•a 0 4
-S
A.
•I o :
"A.
••-A-
5 Cl — r_¡ Ol
x ri
e sz se
•2- ! • ••&••• A calé • A médian
Graphiques n°V.20a et b : valeurs du coefficient de détermination issu de la régression linéaire entre

Ln(B) et SQ/A, lorsque A est optimisé et lorsque A est fixé.
Les graphiques n°V.2O montrent la nette évolution de la liaison entre Ln(B) et So/A. On passe d'une
relation linéaire très faible lors du calage avec tous les paramètres, à une relation linéaire bien plus
(1)
Relation linéaire de la forme : S 0 / A = J X L m B ) +
marquée lorsque le calage ne porte plus sur le paramètre A. Il semblerait donc qu'en fixant le
paramètre A, la dépendance qui était observée entre le paramètre A et So/A se soit reportée sur celle
observée entre le paramètre B et SQ/A.
Les graphiques n°V.21a et b, montrent de manière flagrante que, sur le bassin de Valescure (BV005),
le fait de fixer le paramètre A, amène à l'augmentation de la dépendance entre les valeurs prises par B
et SQ/A. En terme de probabilité d'apparition, la combinaison des valeurs de B et de So/A n'est plus
aléatoire. On observe là une dépendance entre ces paramètres qui devra être prise en compte lors de la
modélisation des crues.
A calé Bassin de Valescure (Real Collobrier) A median Bassin de Valescure (Real Collobrier) \
1 — 1 Ä A O
09 - o • O ¿ <j 0.9
08 -
0o
A Oo 0 0.8 I
07 - o o
0.7
o o o^ o
> °o o* j
I o «
V
o
6 - O
(V/OS
5 - J } • o o* ' los oo o
oo°
o
'* 0 4 -
o o OôO i 04 ¿ o o o
03 — o o o o 0.3 -
o° o '
0- -¿> o° / 0.2 o 0
0 i « 0 1
o o n V« *• *
0 0.2 0.4 0.6 08 1 0 02 04 06 OS 1
Hirer | F( B ) | Hirer F (B )
1
la] Ib]
Graphiques n°V.2la et b : probabilité d'apparition de S(/A en fonction de la probabilité d'apparition
de B. Exemple du bassin versant de Valescure (Real Collobrier) pour la saison "hiver".
Lors de la modélisation des crues, le modèle GR3H sera paramétré pour chaque événement pluvieux
par un jeu de paramètres (A, B, C), et initialise par les valeurs de So/A et du débit initial Q o . Pour
cela, il faut déterminer les lois de probabilité de chaque paramètre, et lorsque le cas se présente,
modéliser les liaisons entre les paramètres.
V.4.2 - Simulation d'événements de crues.
V.4.2.1 - Lois de probabilité des variables.
Pour chaque événement de crue à simuler, on doit générer un jeu de paramètres A, B et C. ainsi que
les valeurs de SQIA et Q o pour initialiser le modèle.
Parmi ces cinq paramètres, deux sont fixés pour chaque saison et pour chaque bassin versant :
- la valeur du paramètre A est fixée à sa valeur médiane, calculée à partir des valeurs de A
calées crue par crue, sur l'ensemble des crues d'un bassin et d'une saison.
- la valeur du débit initial est fixée à sa valeur moyenne, calculée sur l'ensemble des crues
d'une même saison et pour un bassin versant donné.
CHAPITRE V : Méthode SHYPRE au pus de temps journalier et horaire_ 221
Les autres paramètres vont être obtenus par un tirage aléatoire dans leur loi de probabilité théorique,
ajustée sur les distributions observées. La loi normale est choisie pour décrire les distributions des
différents paramètres. Le calage de cette loi est effectuée par la méthode des moments. Les grandeurs
décrivant la loi de probabilité des paramètres sont donc leur moyenne et leur écart-type.
Les ajustements réalisés sur les deux saisons, pour les 17 bassins étudiés et tous paramètres
confondus, donnent dans 75% des cas des résultats positifs sur les tests d'adéquation*'>, pour un risque
de première espèce a de 0.1.
Remarque : l'ajustement d'une loi de probabilité sur la variable So/A est plus difficile lorsque le paramètre
A est optimisé, que lorsqu'il est fixé. On explique cela par la présence marquée de valeurs "extrêmes"
de So/A (augmentation du nombre de valeurs égales à 0 ou 1) lorsque l'optimisation porte aussi sur le
paramètre A. Les graphiques n°V.22a et b, montrent un exemple où la présence de valeurs nulles de
SQ/A (7 à 8 % des valeurs) biaise un peu l'ajustement.
Saison "hiver" : bassin de Walescure IBV005) Saison "hiver" : bassin de Valescure (BV005)
0.2 04
SO/A 06 08 04
SO/A0"6
Graphiques n°V.22a et b : influence du calage du paramètre A, sur l'ajustement de la loi de

distribution de la variable SQ/A.
V.4.2.2 - Prise en compte des liaisons entre les paramètres
La seule liaison notable entre les paramètres, est celle observée entre le paramètre B et la variable
So/A. Cette liaison peut être caractérisée par une relation linéaire entre Ln(B) et So/A. à tra\ers le
coefficient de détermination, présenté pour chaque bassin sur le graphique n°V.20a et b.
Cette liaison va être modélisée par la droite de régression déterminée pour chaque bassin. Si la droite
de régression linéaire s'écrit Y = a X + b, les coefficients a et b peuvent être déterminés par la
méthode des moindres carrés. Leur expression, ainsi que celle du coefficient de corrélation, sont
obtenues à partir des moments des deux variables X et Y :
' ' ' Test Je Cramer-Von-Mises. test de Watson, tesi JAnJerson-Darling et test du Khi 2.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire^ •>->?
a = Cov(X,Y)/a-
b=Y-a X
_ Cov(X.Y)/
OU Cov(X,Y) est la covariance des variables X et Y,

X et Y sont les moyennes respectives des variables X et Y
c x et G y sont les écarts-types respectifs des variables X et Y.
La relation linéaire permet donc de déterminer une valeur de la

= aX
variable Y à partir d'une valeur de la variable X. Cependant,
pour toute valeur de la variable X observée, il existe un écart
entre la valeur de la variable Y calculée par la relation
Y = a.X + b et la valeur de Y observée. Pour chaque couple de
points, sur lesquels la régression linéaire est effectuée , on
associe une erreur e¡ entre la valeur de Y observée et la valeur
de Y calculée par la régression (voir figure ci-contre).
Si l'erreur e¡ est considérée comme une variable aléatoire indépendante de X et des paramètres a et b.
cette erreur suit alors une loi Normale de moyenne nulle et d'écart-type a e . Cet écart-type caractérise
ïi M
la liaison existant entre les variables X et Y et s'exprime par la formule : a e = J\ 1 - r" ) • o\ .
On fait l'hypothèse d'indépendance de l'erreur e, par rapport à la variable X.
Pour modéliser la liaison linéaire entre le logarithme népérien de B et la valeur de So/A, tout en tenant
compte du degré de cette liaison (traduit par le coefficient r2), on procède de la façon suivante :
- on génère une valeur de Ln(B) dans sa loi de distribution : ' c Ln(B)

- on génère une valeur de e, dans sa loi de distribution : íA¿(0,o e )
- on calcule la valeur de So/A par la relation : SQ/A = a.Ln(B) + b + e,
On respecte ainsi la loi du paramètre B et la liaison entre B et SQ/A.
Remarque : la définition de la variable So/A impose qu'elle soit bornée entre 0 et 1. Toutes les valeurs
générées inférieures à 0 sont alors ramenées à la valeur nulle et toutes les valeurs supérieures à 1 sont
ramenées à la valeur 1. Toutefois, l'ajustement d'une loi normale et la valeur relativement faible de
l'écart-type de la variable, garantissent une faible probabilité de se trouver dans ces cas.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire^ .223
V.4.2.3 - Modélisation des débits : couplage du modèle GR3H avec le modèle de

vénération de pluies horaires.
Le principe du couplage du modèle GR3H avec le modèle de génération de pluies horaires est simple.
On utilise le modèle GR3H lorsque l'on génère un événement pluvieux dont la pluie journalière
maximale est supérieure au seuil de sélection des crues observées (voir tableau n°V.6). L'événement
pluvieux sélectionné est utilisé par le modèle GR3H pour la transformation de la pluie en débit. Pour
chaque événement de pluie sélectionné, on calcule ainsi l'hydrogramme qui lui est associé. A chaque
passage dans le modèle GR3H, les paramètres B et C sont générés dans leur loi de probabilité, et Srj/A
est déduit de B suivant le principe présenté dans le paragraphe précédent. Les valeurs de A et du débit
initial sont fixées pour chaque saison et chaque bassin étudié. La figure n°V.l schématise la
procédure de couplage du modèle de génération de pluies, avec le modèle GR3H.
^Fichier des paramètres du modèle de pluie j A fixé à sa valeur médiane

B généré dans une loi normale
C généré dans une loi normale
SO/A calculé à partir de B en tenant compte
de leur liaison
MODELE DE PLUIE QO fixé à sa valeur moyenne
HORAIRE
Boucle sur les événements

PJmax > seuil de sélection
des crues observées
Sortie des variables "tests"

Statistiques : moyenne, écart-type, minimum, maximum
Distribution de fréquences
Hvétosrammes et hvdroarammes
Figure n°V. 1 : principe du couplage du modèle de génération de pluies horaires et du modèle CR3H.
Les paramètres utilisés par le modèle GR3H, sont bien sûr ceux issus du calage des événements de
crues du bassin BVi associé aux événements de pluies observés sur le poste Pr
A partir des pluies simulées sur le poste P¡, on simule des débits horaires par le modèle GR3H. A
partir des débits calculés, on étudie les variables tests qui sont (voir le tableau n°V.l) les lames
maximales en différentes heures. On préfère travailler en lames pour pouvoir comparer des bassins
des différentes superficies.
Pour tester le comportement du modèle sur les différents bassins versants étudiés, on génère
l'équivalent de 1000 ans de pluies horaires que l'on transforme en débits.
Restitution des moyennes des lames maximales :
Les valeurs moyennes des variables tests obtenues sont comparées à celles calculées sur les
observations. Les graphiques n°V.23a et b, présentent les valeurs simulées en fonction des valeurs
observées. La médiatrice permet d'apprécier les écarts entre les observations et les simulations.
4 Moyenne des lames maximales horaires (mm) 50 i Moyenne des lames maximales en 24 heures (mm)L
45
(ÔBSERVATIONS y o ETE
10 30 40 50
la] [b]
Graphiques n°V.23a et b : comparaison des moyennes des lames maximales en 1 et 24 heures
observées et simulées, sur les 17 bassins étudiés et pour les deux saisons.
Les graphiques n°V.23a et b, montrent qu'en moyenne le modèle restitue correctement les lames
maximales en 1 et 24 heures des différents bassins étudiés. Les résultats obtenus sur les autres
variables tests sont similaires et présentés en annexe n°V.3.
Dans l'ensemble, le modèle semble plutôt sous-estimer les débits. Il ne présente toutefois pas de biais
systématiques. Les erreurs sont du même ordre de grandeur quel que soit le type d'écoulement
(écoulement fort ou faible).
Restitution des écarts-types des lames maximales :
Les graphiques n°V.24a et b montrent les valeurs des écarts-types des lames maximales en 1 et 24
heures simulées, en fonction des valeurs des écarts-types des lames maximales en 1 et 24 heures
observées. On observe alors une certaine dispersion des points autour de la médiatrice.
Sur certains bassins, cet écart par rapport à la médiatrice est dû à l'échantillonnage. En effet, pour
certains bassins et suivant la saison, l'effectif des crues observées est inférieur à 20 et même à 10 (voir
tableau n°V.6). Le calcul d'un écart-type devient alors fortement soumis à l'effet d'échantillonnage.
On peut aussi expliquer l'écart entre les écarts-types observés et les écarts-types simulés, par le
comportement à l'infini des variables hydrologiques. Il est courant de considérer que l'écart-type d'une
variable d'écoulement, augmente lorsque l'on s'intéresse aux valeurs extrêmes. C'est le principe même
de la méthode du Gradex (DUBAND et GUILLOT [1968]) et des méthodes qui lui sont associées
(Gradex progressif, modèle AGREGEE).
Dans ces approches, l'ajustement de la loi de distribution des débits (ou lames) se fait par une loi de
Gumbel. Un des paramètres de cette loi est le Gradex, qui est proportionnel à l'écart-t\pe de la
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire _
variable étudiée. Pour extrapoler la distribution de fréquences des débits vers les valeurs fortes, la loi
est alors définie à partir d'une certaine fréquence, par le Gradex (ou l'écart-type) des pluies
(théoriquement supérieur à celui des débits). On considère que l'écart-type des variables d'écoulement
n'est pas stable et augmente vers les fréquences rares.
C'est pourquoi, si le modèle suit un comportement asymptotique à celui des pluies, l'augmentation de
la durée de simulation (passage de 1000 à 10 000 ans par exemple) pourra introduire une
augmentation de l'écart-type des variables liées au débit.
-j Ecart-type des lames maximales horaires (mm) [ 50 -Á Ecart-type des lames maximales en 24 heures (mm^j
45
• HIVER
OBSERVATIOSS J O ET F.
la] [b]
Graphiques n°V.24a et b : comparaison des écarts-types des lames maximales en I et 24 heures
observées et simulées, sur les 17 bassins étudiés et pour les deux saisons.
Pour une simulation de 1000 ans, les valeurs des écarts-types des lames maximales en 1 heure sont de
façon générale plutôt surestimées. Les écarts-types des lames maximales en 24 heures sont mieux
restitués que ceux des lames horaires.
Afin d'avoir une idée plus précise de ces erreurs, on étudie directement la distribution de fréquences
des variables tests.
Restitution des distributions de fréquences :
Pour avoir un aperçu global de la restitution des variables tests, on trace sur le même
graphique les distributions de fréquences des variables observées et des variables simulées. La bonne
adéquation de ces deux distributions garantit le respect des caractéristiques des variables observées.
Les graphiques n°V.25a, b, e, d, e et f présentent les distributions de fréquences des lames maximales
horaires et des lames maximales en 24 heures pour trois bassins versants. Parmi ces trois exemples, on
a choisi de présenter deux bassins sur lesquels on observe, une sous-estimation des lames observées
(bassin de la Massane : BV06I) et une surestimation des lames observées (bassin du Bevinco :
BV072). On trouve en annexe n°V.4, les graphiques similaires tracés pour les simulations faites sur
les autres bassins.
On observe une très bonne adéquation entre la distribution des lames observées et celle des lames
simulées sur le bassin versant de Pont de Fer, pour la saison "hiver" et pour la saison "été". C'est un
résultat représentatif de ce que l'on observe sur la quasi totalité des bassins versants du Real
Collobrier. et sur plusieurs autres bassins étudiés.
Bassin de Pont de Fer :BV001 (hiver) 150 Bassin de Pont de Fer : BV001 (hiver) \
Simulation
Période de retour (an) \ • Observation
10 100 1000 10000
-ibi
Bassin du Bevinco : BV072 (hiver ) V , ¿AA
{'Bassin du Bevinco : BV072 (/iiver)\-
• ' Période de retour (an)
( Bassin de la Massone : BV061 (hiver) \ ( Bassin de la Massone : BV061 (hiver) \
Simulations j
• Observations {
j Période de retour (an)
Graphiques n°V.25a, b. e, d. e elf : distributions de fréquences des lames maximales en I et 24

heures, des valeurs observées et des valeurs calculées, pour les bassins de Pont de Fer ( Var),
du Bevinco {Corse) et de la Massane (Pyrénées Orientales).
Les résultats obtenus sur le bassin de la Massane et du Bevinco, représentent des cas parmi les plus
défavorables, caractérisés par une erreur notable sur la restitution des moyennes ou des écarts-types
(voir graphiques n°V.24a et b).
CHAPITRE V : Méthode SHYPREau pas de temps journalier et horaire.
Cependant notons que pour le bassin versant du Bevinco, parmi les données disponibles pour caler le
modèle, deux crues (en 1993 et 1994) n'ont pu être traitée puisque le limnigraphe a été apporté. Les
valeurs des débits de pointes de ces crues ont cependant pu être estimée à plus de 200 m3/s. et dont la
lame maximale horaire à sûrement dépasser les 10 mm. La prise en compte de ces deux crues aurait
permis de minimiser l'écart présent entre la distribution observée et la distribution simulées du
graphique n°V.25c.
Pour étudier plus en détails ce qui se passe pour le bassin de la Massane, par exemple, on superpose
aux graphiques n°V.25 e et f, les distributions des pluies observées et simulées (graphiques n°V.26a et
b).
Bassin de la Massane : BV061 (hiver)J Bassin de la Massane : BV061 (hiver) j

• Lames simulées Lames observéesi Lames simulées Lames observées
-4m Pluies simulées Pluies observée ! Pluies simulées Pluies observées
10000
Graphiques n°V.26a et b : distributions des pluies et des lames, observées et simulées, en I et 24

heures, sur le bassin de la Massane, dont la pluie de bassin est représentée par le poste
pluviographique de Néoulous.
Les lames calculées à partir de ces pluies de bassin présentent un comportement à l'infini qui tend
vers celui des pluies. La modélisation de la transformation pluie-débit semble donc correctement
effectuée. Le graphique n°V.26b, montre que la sous-estimation des pluies maximales de Néoulous en
24 heures, se répercute sur la restitution des lames.
On observe l'influence de la modélisation de la pluie sur la restitution des variables tests liées aux
débits horaires. Une sous estimation de la pluie lors de la modélisation, va entraîner une sous
estimation des débits bien que la modélisation de la transformation de la pluie en débit soit correcte.
Inversement, une surestimation des pluies lors de la modélisation des hyétogrammes horaires, va
entraîner une surestimation des débits.
Les résultats obtenus lors de la simulation des débits horaires, sont donc tributaires à la fois de la
modélisation de la transformation pluie-débit, et à la fois des performances de la modélisation des
pluies horaires.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire_ 22«
Remarques sur la stabilité de la méthode face à l'échantillonnage :
Reprenons le cas du bassin versant du Bevinco. Les données disponibles ont permis de caler le
modèle sur une première période allant de 1972 à 1992. Les résultats de la simulation de débits
horaires sur une période de 1000 ans donnent les résultats suivants : graphiques n°V.27a et b. On
reporte ici les valeurs des deux saisons confondues.
Pluies maximales horaires (mm) Débits de pointe (m3/s)

180 -, Poste de Murato (Corse) Bassin du Bevinco (Corse)
500
160
140-
(
120-
100-
1
80-
60-
/
/ • (a)
40- Loi de Gumbel

1CM
Période de retour (an)
\'r^ 0 1 1- 1
0.1 10 100 1000 10 100
Graphiques n°V.27a et b : distributions de fréquence des pluies maximales horaires du poste

pluviographique de Murato et des débits de pointes du bassin du Bevinco à bancone, issues des
observations de 1972 à 1992 et issues d'une simulation du 1000 ans du modèle calé sur la période
1972-1992.
On observe un bon ajustement de la distribution des pluies maximales horaires par le modèle et une
tendance à nettement surestimer les débits de pointe. On retrouve ici la tendance des résultats obtenus
plus haut sur le graphique n°V.25c.
Par rapport au quantile déterminé par l'ajustement d'une loi de Gumbel sur la distribution des débits
de pointe observés, on estime un débit de pointe décennal pratiquement doublé par la simulation.
On a vu que les années 1993 et 1994 ont présenté deux crues exceptionnelles, dont les hydrogrammes
ne sont d'ailleurs par disponibles, mais dont les débits de pointe ont pu être estimés. Ces deux années
présentent des données des pluies horaires disponibles. Le modèle de génération de pluies horaires a
alors été recalé sur la nouvelle période allant de 1972 à 1994 (et comportant les événements pluvieux
"reconstitués" des pluies ayant générées les deux fortes crues). Le modèle de transformation pluie-
débit GR3H a aussi été recalé sur la période 1972-1994, mais sans pouvoir disposer du calage des
deux crues exceptionnelles. Cependant on peut penser que les valeurs des paramètres du modèle calé
sur ces deux crues, n'aurait pas influencé la loi des paramètres du modèle GR3H. la rareté de ces
crues étant surtout due aux fortes pluies qui leur sont associées.
Le modèle calé sur la nouvelle période 1972-1994 donne alors les résultats présentés sur les
graphiques n°V.27c et d.
CHAPITRE V . Méthode SHYPRE au pas de temps journalier et horaire _ 229
On peut comparer les simulations issues des deux périodes de calage. On observe peu de différences
entre les distributions de fréquence du modèle calé sur la période 1972-1992 et celles du modèle calé
sur la période 1972-1994.
Pluies maximales horaires (mm) Débits de pointe (m3/s)

180 j Poste de Murato (Corse) Bassin du Bevinco (Corse)
160 4- /'
I Pluies 1993-1994
140
Loi de Gumbel
(c) (d)
Période de retour (an) Période de retour (an)

0.1 1 10 100 1000 1 10 100
Période de calase: 1972-1992 Période de calane : 1972-1994
Graphiques n°V.27c et d : distributions de fréquence des pluies maximales horaires du poste

pluviographique de Murato et des débits de pointes du bassin du Bevinco ¿i Lancone, issues des
observations de 1972 ci 1994 et issues d'une simulation du 1000 ans du modèle calé sur la période
1972-1992 ainsi que sur la période 1972-1994.
L'exemple présenté ici est un cas particulier où les événements les plus extrêmes ont été observés
pendant deux années consécutives. On observe alors la nette influence de l'échantillonnage sur
l'ajustement d'une loi statistique, telle que la loi de Gumbel, effectué directement sur les valeurs des
débits de pointe observés. Entre les deux périodes d'observation, deux années supplémentaires ont
suffit pour faire varier du simple au double le débit de pointe décennal estimé par une loi statistique.
Par contre, le modèle calé sur ces deux périodes différentes ne subit pas d'influence notable. C'est la
large prise en compte de l'information pluviométrique par le modèle, la stabilité de celle-ci entre les
deux périodes d'observation et la stabilité de la modélisation pluie-débit face à de forts événements.
qui rendent la méthode par simulation beaucoup plus stable qu'une approche statistique classique.
L'approche par simulation semble donc être moins sensible à l'apparition d'un événement extrême
dans une chronique d'observations, que les méthodes de prédétermination basées sur l'ajustement
statistique direct des variables hydrologiques. Cette relative stabilité provient d'une part de la large
prise en compte de la pluviométrie et à la stabilité de la modélisation de la pluie en débit. De plus
l'analyse d'une grande quantité d'événements courants pour générer des événements
exceptionnels, permet au modèle d'accorder moins d'importance aux événements extrêmes
observés, lors du calage de ses paramètres.
Conclusion :
Ce chapitre a abordé le couplage des résultats des modélisations des pluies, en journalier et en
horaire, avec leur transformation en débit.
Comme le modèle de génération de pluies horaires, le modèle de génération de pluies journalières est
de nature stochastique. Il est toutefois plus simple, en accord avec le phénomène modélisé. La
description des chroniques de pluies journalières n'est en effet réalisée que par l'intermédiaire de cinq
variables.
Nous disposons alors d'un outil de simulation de longues chroniques continues de pluies journalières,
aisément transformables en débits journaliers grâce au modèle GR3J. La mise en œuvre du modèle
GR3J, déjà testé sur un grand nombre de bassins versants, n'a pas posé de problèmes particuliers.
Un des objectifs de la méthode SHYPRE est alors atteint : fournir des chroniques continues de débits,
sur de longues périodes, pour aborder l'examen du remplissage et tester des règles de gestion d'un
ouvrage. Bien sûr les statistiques sont directement déduites des distributions de fréquences
empiriques des différentes variables hydrologiques modélisées : pluies et lames journalières
maximales, pluies et lames mensuelles, niveau de la retenu pour un mois donné, volumes lâchés, etc..
L'application a été testée sur 17 bassins versants méditerranéens : Corse, Pyrénées Orientales. Bouche
du Rhône et Var. Les résultats sont jugés satisfaisants, au regard des faibles écarts entre les quantiles
déduits des observations et ceux déduits des chroniques simulées grâce à la double modélisation, des
pluies et de leur transformation en débits.
Le modèle de crue (SHYPRE au pas de temps horaire), a été calé sur les mêmes bassins versants.
Ceci représente un lourd volume de traitement informatique des couples averses-crues au pas de
temps horaire. Pour chacun des bassins versants, la procédure fournit un jeu de 4 paramètres pour
chacun des événements examinés. Sans altérer les résultats du calage, on peut faire l'économie du
paramètre A, capacité maximale du réservoir de production, qui était fortement corrélé avec la valeur
de son taux de remplissage initial So/A. Après avoir fixé le paramètre A à sa valeur médiane,
l'optimisation des trois paramètres restants fait apparaître une liaison entre So/A (taux de remplissage
du réservoir A au début de la crue) et le paramètre B du réservoir de transfert. Cette relation sera
ensuite utilisée, dans le chapitre suivant, afin d'économiser un paramètre supplémentaire.
La comparaison des statistiques et des distributions de fréquences des observations et des débits
simulés (issus, comme dans le cas journalier, de la modélisation de la pluie puis de sa transformation
en débit) montre un bon comportement de la méthode. La double modélisation n'engendre pas de
biais systématiques, et nous conforte dans son utilisation pour la prédétermination des débits de crue
de fréquences courantes, rares et exceptionnelles. Remarquons aussi que, la méthode génère de
hydrogrammes de crues "réalistes", utilisables pour tout problème de gestion transitoire : champs
d'inondation, laminage de crues par les ouvrages écréteurs, etc..
Dans ce chapitre, on a aussi pu se rendre compte de la stabilité de la méthode face aux problèmes
d'échantillonnage. C'est par la grande prise en compte de l'information pluviographique et la stabilité
de la modélisation de la pluie en débit face à la présence d'événements extrêmes observés, que la
méthode semble plus stable que les approches basées uniquement sur l'ajustement des variables
hydrologiques étudiées.
CHAPITRE V : Méthode SHYPRE au pas de temps journalier et horaire 2J1
Dans le chapitre suivant, nous abordons le problème du couplage des pas de temps journalier et
horaires. Outre l'intérêt opérationnel évident pour la gestion d'une retenue, ce couplage est utilisé
pour tester les possibilités de préparamétrage du modèle horaire grâce à la seule information du pas
de temps journalier. L'enjeu est important. Si l'on peut affirmer que l'information journalière est
utilisable pour paramétrer un modèle de crue, il est clair que les approches de prédétermination du
débit de crue seraient grandement facilitées avec l'espoir de réduire les larges intervalles de confiance
des méthodes actuellement utilisées.
CHAPITRE VI
COUPLAGE DES PAS DE TEMPS JOURNALIER

ET HORAIRE.
VI. 1 - Introduction
VI.2 - Couplage des pas de temps au niveau de la simulation des hyétogrammes 237
VI.2.1 -Principe 237
VI.2.2 - Application 239
VI.3 - Couplage des pas de temps au niveau de la génération des débits 244
VI.3.1 - Initialisation du modèle GR3H par l'information journalière. 244
VI.3.2 - Paramétrisation de GR3H sans l'information horaire. 255
CHAPITRE VI : Couplage des pas de temps journalier et horaire 235
VI.l - INTRODUCTION
La méthode SHYPRE présentée dans le chapitre V, permet d'obtenir des hydrogrammes simulés au pas
de temps journalier et au pas de temps horaire, à partir de la modélisation de la transformation pluie-
débit appliquée sur des hyétogrammes simulés.
La méthode a été testée à partir des données de 17 petits bassins versants méditerranéens. Le calage des
modèles et la réalisation de simulations, ont été effectués pour les deux pas de temps. Les résultats
obtenus sur des simulations de 1000 ans montrent une bonne restitution des variables tests, assurant le
respect des caractéristiques des pluies et des débits observés.
Le pas de temps journalier permet d'obtenir des chroniques continues de débits. Ce pas de temps est
plus adapté à l'étude de la ressource en eau. Le fonctionnement en continu permet la simulation de
périodes de crues et de périodes d'étiages. utilisées par exemple :
- en predetermination, pour étudier les risques d'inondation,
- pour tester des règles de gestion de retenue d'eau,
- pour être intégrées dans tout modèle nécessitant des chroniques de débits comme
variable d'entrée (modélisation du transport de polluants ou de matière solide...)
- etc.
Le pas de temps horaire fournit une information plus précise sur l'écoulement, en temps de crue. Il
permet ainsi la modélisation de différents scénarios de crues, utilisés pour étudier le comportement de
différents ouvrages hydrauliques en période de crue.
Chaque pas de temps présente cependant des inconvénients. Le pas de temps journalier ne fournit pas
une information assez précise pour une étude hydraulique en période de crue (où la forme de la crue est
souvent nécessaire), et les résultats du pas de temps horaire sont fortement tributaires de l'initialisation
du modèle.
C'est à partir de ce constat qu'est venue l'idée de coupler les deux pas de temps. L'information en
continu, obtenue au pas de temps journalier, doit servir à l'initialisation du modèle horaire, tandis que la
simulation au pas de temps horaire est utilisée en période de crue. On observe dans cette approche deux
intérêts du couplage des pas de temps.
Dans un premier temps, la modélisation de chroniques journalières va permettre de situer les

événements pluvieux horaires dans une chronique simulée en continu. La prise en compte de la
saisonnalité et la modélisation de l'occurrence des événements seront alors assurées par le
fonctionnement en journalier.
Dans un deuxième temps, le modèle journalier doit permettre l'initialisation du modèle horaire
et donc la diminution du nombre de paramètres nécessaires à la modélisation au pas de temps horaire.
C'est en fait la finalité de cette étude : arriver à utiliser l'information journalière pour générer des
hyétogrammes et des hydrogrammes au pas de temps horaire.
Le couplage de la méthode SHYPRE au pas de temps journalier et au pas de temps horaire va se faire à
deux niveaux :
- au niveau de la génération des pluies,
- au niveau de la transformation de la pluie en débit.
Voyons d'abord le couplage des deux pas de temps lors de la génération des pluies. Par la suite on
parlera d'événements pluvieux pour les événements sélectionnés à partir des pluies journalières, et
d'épisodes pluvieux pour les événements simulés au pas de temps horaire.
CHAPITRE VI : Couplage des pas de temps journalier et horaire . 237
VI.2 - COUPLAGE DES PAS DE TEMPS AU NIVEAU DE LA

SIMULATION DES HYETOGRAMMES
VI.2.1 - Principe
Au niveau de la simulation des pluies, le couplage des pas de temps sert uniquement à placer les
épisodes de pluies horaires dans une chronique. Le principe est très simple (figure n°VI.l).
Modèle de pluies journalières Modèle de pluies horaires
60 - Plute journalière immi PJ > 20 mm 20 y Pluie horaire Imm)

40 -
10 T
20 -
-TL H. nUfU Jours
1 4 7 10 13 16 19 22 25 28 il 34 37 40 etc..
EVE :
Boucle sur les années
Chroniques de pluies journalières • Hyérogrammes horaires

Distributions et statistiques sur • Distributions et statistiques sur
les variables tests : PMENS et PJMAX les variables tests : pluies maximales
Figure n° VI. I : principe du couplage de la simulation de pluies journalières et de la simulation de

pluies horaires.
On simule en continu une chronique de pluies journalières. A partir de ces pluies journalières, on repère
les événements pluvieux définis à partir des critères de sélection présentés au paragraphe 1.2.1 (un
événement pluvieux est composé de pluies journalières supérieures à 4 mm avec la présence d'une pluie
journalière d'au moins 20 mm). Lorsqu'un événement pluvieux est repéré, on simule en parallèle un
épisode pluvieux par le modèle de génération de pluies horaires.
Le nombre d'événements par an(1) est donc obtenu par la simulation des chroniques de pluies
journalières. L'occurrence saisonnière des événements pluvieux étant respectée au pas de temps
journalier, elle sera aussi respectée au pas de temps horaire.
En effet, en fonctionnant en événementiel, la simulation des différents épisodes de pluies horaires se

faisait de façon indépendante. Par le couplage avec le modèle journalier, on replace les épisodes
' ' ' Variable NE dans le modèle horaire.

pluvieux horaires dans le temps. On peut ainsi obtenir des épisodes pluvieux, et donc des événements de
crues, successifs ou séparés de quelques jours. On pourra alors prendre en compte, dans la modélisation
des débits, l'influence de la pluviométrie antérieure à l'événement considéré.
Le couplage des deux pas de temps au niveau de la génération des pluies, peut être abordé de deux
façons différentes. Le passage au pas de temps horaire est effectué lorsqu'un événement pluvieux, noté
EVE¿, est repéré au pas de temps journalier (respect du seuil des 20 mm). On simule alors un épisode
pluvieux au pas de temps horaire, noté EP!¿.
Dans un premier temps, l'épisode pluvieux horaire (EPI¿) peut être généré sans respect des
caractéristiques journalières de l'événement pluvieux (EVE¿). La saisonnalité des événements sera alors
portée uniquement sur la variation mensuelle du nombre moyen d'événements.
Dans un deuxième temps, l'épisode pluvieux horaire (EPI¡) peut être généré en respectant les
caractéristiques journalières de l'événement pluvieux (EVE¿). Dans ce cas. on contraint la génération des
épisodes horaires par retirage, pour qu'ils respectent :
- soit la durée totale de l'événement simulé au pas de temps journalier,
- soit la hauteur totale de l'événement simulé au pas de temps journalier.
- soit la pluie journalière maximale.
- soit une combinaison de plusieurs caractéristiques journalières.
Dans le cas où l'on désire respecter la hauteur totale de l'événement journalier, on peut procéder à une
dilatation de l'échelle pour éviter un retirage excessif des épisodes horaires simulés. On fait subir une
transformation homothétique aux épisodes horaires, afin qu'ils respectent la hauteur totale de
l'événement journalier (même approche que pour la désagrégation de la pluie journalière présentée par
Glasbeyetal[1995]).
Si la hauteur totale de l'événement journalier EVE¿ est notée HTOT, et que la hauteur totale de
l'épisode horaire EPI¿ est notée HTOT*, on modifie toutes les pluies horaires d'un rapport
HTOT/HTOT*, pour obtenir un épisode horaire de hauteur totale HTOT. On garde l'épisode ainsi
recalculé, s'il respecte les contraintes de sélection (pluies journalières supérieures à 4 mm et présence
d'une pluie journalière supérieure à 20 mm).
Des essais ont été effectués pour contraindre le modèle horaire à respecter la hauteur totale de
l'événement journalier qui lui est associé. Cette approche revient à effectuer une sorte de désagrégation
de la pluie journalière, similaire à celle présentée dans le paragraphe n°1.1.1.3, mais à partir de pluies
journalières simulées. Les essais effectués dans ce cas ne sont pas vraiment concluants. La dilatation de
l'échelle des hauteurs d'eau, entraîne un biais sur les pluies maximales de faibles durées (pluies
maximales de 1 à 6 heures). Bien que les hauteurs totales soient respectées, la structure du
hyétogramme ne l'est pas. Les résultats de cette approche sont présentés sur les graphiques de l'annexe
La contrainte sur les événements journaliers portera alors uniquement sur le respect de la durée totale de
l'événement journalier. Les épisodes horaires seront resimulés jusqu'à l'obtention d'une durée totale (en
jour) égale à celle de l'événement journalier considéré.
VI.2.2 - Application
Le passage du pas de temps journalier au pas de temps horaire au niveau de la génération des pluies, va
être réalisé à partir des deux approches présentées dans le paragraphe précédent. On parlera de couplage
sans contrainte sur les pluies journalières, dans le cas où l'épisode horaire est simulé indépendamment
des caractéristiques de l'événement pluvieux journalier qui lui est associé. On parlera de couplage avec
contrainte sur les pluies journalières, dans le cas où l'épisode horaire simulé doit respecter la durée
totale de l'événement journalier qui lui est associé.
Dans ces deux cas, deux modes de paramétrisation seront utilisés pour la génération des épisodes
horaires. Dans un premier temps, les épisodes horaires seront simulés à partir des paramètres calés sur
les pluies horaires observées (paramétrisation horaire déterminée dans le chapitre II). Dans un
deuxième temps, les épisodes horaires seront simulés à partir des paramètres issus de l'étude régionale
de la paramétrisation (paramétrisation régionale déterminée dans le chapitre III) calculés sur la seule
connaissance des pluies journalières.
On comparera donc quatre cas différents pour la simulation des épisodes horaires :
- simulation 1 : sans contrainte sur les pluies journalières avec la paramétrisation horaire.
- simulation 2 : avec contrainte sur les pluies journalières avec la paramétrisation horaire.
- simulation 3 : sans contrainte sur les pluies journalières avec la paramétrisation régionale.
- simulation 4 : avec contrainte sur les pluies journalières avec la paramétrisation régionale.
VI.2.2.1 - Restitution du nombre moyen d'épisodes par an de chaque saison.
Quelle que soit la modélisation du passage du pas de temps journalier au pas de temps horaire, le
nombre moyen d'épisodes pluvieux horaires à simuler va dépendre de la modélisation des chroniques
journalières.
Pour chaque poste pluviographique représentatif d'un bassin versant étudié, et pour chaque saison, on
compare le nombre moyen d'événements par an, obtenu sur les observations et sur les pluies
journalières simulées (graphique n°VI.l).
—*— /JJH ¿es pluies journalières observées

a.
8 -
—*— Issu des pluies journalières simulées
«/•
5 •
4
1i 3 -
>> in
III .1J
1 -
HIVER | JETÉ I
0 —
c
Z
Graphique n°VI.I : comparaison du nombre moyen d'épisodes par saison (variable NE) obtenu ci partir
des pluies journalières observées et des pluies journalières simulées.
On observe de faibles différences sur la plupart des postes étudiés. Toutefois les écarts maximums
peuvent aller jusqu'à 25% sur certains postes. En général, on surestime le nombre moyen d'événements
par saison, à partir de la simulation des pluies journalières.
Les écarts entre les valeurs simulées et les valeurs observées, s'expliquent principalement par la
surestimation ou la sous-estimation des pluies journalières par le modèle de génération de pluies
journalières. Si le modèle journalier a tendance à surestimer les pluies, le nombre d'événements
sélectionnés sur le critère de 20 mm, sera plus élevé que celui observé.
On peut aussi noter la difficulté d'obtenir la véritable valeur de la variable NE sur certains postes, à
cause des lacunes contenues dans certaines séries observées.
VI.2.2.2 - Restitution des variables tests des pluies horaires
Pour évaluer l'effet du couplage des pas de temps sur la modélisation des pluies horaires, on effectue
des simulations de 1000 ans. A partir du modèle de génération de pluies journalières, on simule donc
1000 ans de pluies en continu, et on repère les événements pluvieux satisfaisant les critères de sélection.
Pour chaque événement repéré au pas de temps journalier, on simule un épisode au pas de temps
horaire, que l'on attribue au mois durant lequel il débute. Les épisodes sont alors regroupés par saison.
Pour chaque saison, on regarde la restitution des moyennes et des écarts-types des pluies maximales de
différentes durées (variables tests du modèle de génération de pluies horaires).
Remarque : les résultats de la simulation au pas de temps journalier sont les mêmes que ceux présentés dans
le chapitre V. En effet, la modélisation journalière n'est pas influencée par le couplage des pas de temps.
Les graphiques n°VI.2a, b, c et d montrent les valeurs des moyennes et des écarts-types des variables
tests PM1 et PM24 (pluies maximales en 1 et 24 heures) obtenues sur les différents postes représentatifs
des bassins versants étudiés. On trouve les valeurs issues des 4 schémas de simulations définis
précédemment.
Pour une même paramétrisation des pluies horaires, on n'observe pas de différences notables entre les
simulations faites sans contrainte sur les pluies journalières et les simulations faites avec la contrainte
sur les pluies journalières. La contrainte du respect de la durée totale de l'événement journalier,
n'entraîne pas de biais sur la simulation des pluies horaires.
Par contre, on observe une différence entre les simulations faites avec la paramétrisation horaire et
celles faites avec la paramétrisation régionale. Cette différence n'est autre que celle observée dans le
chapitre III.
Si la contrainte sur la durée totale des événements n'entraîne pas de modification sur la restitution des
variables tests du modèle de génération de pluies horaires, calculées pour chaque saison, cette
contrainte se justifie par la prise en compte de certaines caractéristiques saisonnières des épisodes
pluvieux.
•> • • Sanitation ! -Sinulation 2 • Sinulation 3 -Sinulafion 4

40
-20
» r- M
un r i/i ^ iî *O
a- a. a- a. a- a. Q. O. O. O. 3.
- o - - Sinxilaiion 1 -Sinulation 2 - Sinulation 3 -Sinulation 4

40
•20
i. =. o. Í; à. £ £ £ £ £ £ £ £ » : £ a. a- a. a.
—-IbJ
100 •o--- Sinuhtion 1 -Sinulanon 2 • Siiruhtion - Sinulation 4
-50
_/c-y
-A//
Graphiques n°VI.2a, b, c et d : évolution des moyennes et des écarts-types des variables tests PMI et
PM24, en fonction du mode de passage du pas de temps journalier au pas de temps horaire au niveau
de la modélisation des pluies.
Pour illustrer cette saisonnalité, on calcule les moyennes des variables tests pour chaque mois. Pour cela
on prend un poste pluviographtque présentant un nombre d'événements observés suffisant pour que le
calcul de ces valeurs mensuelles soit représentatif.
Les graphiques n°VI.3 présentent l'évolution mensuelle des moyennes des variables DTOT (durée totale
des événements), HTOT (hauteur totale des événements), PMI et PM6 (pluies maximales en 1 et 6
heures), pour le poste n°54 représentatif de la pluie du bassin versant de Pont de Fer. On reporte les
valeurs observées et les valeurs issues des simulations de 1000 ans (avec et sans contrainte sur les
durées totales).
60 Moyenne de DTOT (heures) 90 -, Moyenne de HTOT (mm) —,

80 -
7O / ^ \ A !
i/.V....\. / \
6o/ - -xvv... /..-.\
50 -
40 -
30 - •
20 -
Sans contrainte
Sans contrainte 10 - •Avec contrainte
Avec contrainte Mois
Observation Observation
0—
8 9 10 M 12 1 9 10 11 12
Ibi
Moyenne des pluies maximales en 1 heure (mm)
Moyenne des pluies maximales en 6 heures (mm)
45 -
25 -
40 -
20 - 35 -
30 -
15 - 25 -
20 -
10
15 '-
10 Sans contrainte
5 Sans contrainte - Avec contrainte
Avec contrainte 5 i Mois Observation
Mois Observation
r
0 0 -
1 6 7 10 11 12 8 9 10 11 12
-Ici -là]
Graphiques n°VI.3a, b, c et d : moyennes mensuelles des variables tests DTOT, HTOT, PMI et PM6, en
fonction du mode de passage du pas de temps journalier au pas de temps horaire, au niveau de la
modélisation des pluies.
On observe le respect de la saisonnalité des variables DTOT et HTOT, lors de la prise en compte de la
contrainte sur les durées totales des événements. Par contre, cette contrainte ne permet pas d'introduire
une variation saisonnière sur les pluies de courte durée (< 6 heures).
La contrainte sur la durée des événements sera conservée par la suite. En effet, même si cette contrainte
ne permet pas de prendre en compte l'éventuelle saisonnalité des pluies de courtes durées, on respectera
la variation saisonnière des caractéristiques globales des événements (hauteur d'eau précipitée et durée
totale). De plus cette contrainte n'entraîne pas de biais sur la restitution des pluies horaires, et facilitera
le passage du pas de temps journalier au pas de temps horaire lors de la génération des débits.
En effet, si l'on simule au pas de temps journalier, deux événements pluvieux successifs (séparés par
une journée sèche), le non respect des durées entre les événements journaliers et les épisodes horaires
correspondants, risque d'introduire des problèmes de chevauchement des épisodes.
Par la suite, on effectuera donc le passage du pas de temps journalier au pas de temps horaire, en
respectant la durée des événements simulés au pas de temps journalier, tout en conservant pour l'instant
la paramétrisation horaire (simulation n°2).
VI.3 - COUPLAGE DES PAS DE TEMPS AU NIVEAU DE LA

GENERATION DES DEBITS
On a vu comment la simulation de chroniques de pluies au pas de temps journalier pouvait fournir des
informations complémentaires sur la modélisation des hyétogrammes au pas de temps horaire. Pour la
modélisation de la transformation en débit, on cherche aussi à s'appuyer sur la modélisation en continu
des débits journaliers, pour récupérer l'information nécessaire à la modélisation des débits au pas de
temps horaire.
Deux types d'informations sont alors nécessaires au modèle GR3 horaire pour modéliser les débits d'un
événement donné : la valeur des paramètres du modèle, et l'état initial du modèle à chaque événement.
Dans les paragraphes suivants, on cherche à obtenir ces informations à partir de la modélisation au pas
de temps journalier.
Pour ne pas confondre les paramètres des modèles GR3 aux pas de temps journalier et horaire, on
notera Aj, Bj et C¡ les paramètres du modèle GR3 journalier, et AH, BH et CH les paramètres du modèle
GR3 horaire.
VI.3.1 - Initialisation du modèle GR3H par l'information journalière.
L'initialisation du modèle GR3 horaire est effectuée pour chaque crue, car ce modèle fonctionne en
mode événementiel. Les deux variables servant à son initialisation sont :
- la variable SO/AH pour l'initialisation du réservoir A,

- le débit initial (noté QHQ) pour l'initialisation du réservoir B.
VI.3.1.1 - Principe
Les deux variables servant à l'initialisation du modèle horaire, sont SO/AH et QHo- Dans la méthode
SHYPRE au pas de temps horaire, présentée dans le chapitre V, le débit initial est fixé à sa valeur
moyenne et la variable SO/AH est générée par un tirage aléatoire dans sa loi de distribution
préalablement calée.
Le principe du couplage de la simulation aux pas de temps journalier et horaire, est d'obtenir
l'information nécessaire à l'initialisation du modèle horaire, à partir de la simulation au pas de temps
journalier.
La méthode de couplage est alors la suivante : au début de chaque événement, sélectionné au pas de
temps journalier pour être modélisé au pas de temps horaire, on repère les valeurs de l'état initial du
réservoir A du modèle journalier [noté (So/Aj)j], et du débit simulé (noté QJo). Ces valeurs vont alors
servir à initialiser directement le modèle GR3H.
La figure n°VI.2 schématise le principe de l'initialisation du modèle GR3H par le modèle GR3J.
Modèle de pluies journalières
PJ > 20 mm
Simulation d'une chronique de pluies journalières Modèle de pluies horaires
GR3J : paramètres A j , B , , C Simulation d'un épisode pluvieux horaire
T GR3H : paramètres B ,C
Simulation d'une chronique de débits journaliers
(S 0 /Aj
QJo T
Simulation d'un épisode de crue horaire
Figure n°VL2 : principe de l'initialisation du modèle GR3H par le modèle GR3J.
Pour être appliquée lors de la simulation, l'initialisation du modèle GR3H par le modèle GR3J, doit être
prise en compte lors du calage du modèle GR3H sur les observations. Pour cela, on étudie les variables
servant à l'initialisation du modèle GR3H, en comparant leurs valeurs obtenues lors du calage des
événements horaires et celles issues de la modélisation des débits au pas de temps journalier.
Comparaison des variables QJQ et
On procède à la comparaison des débits journaliers observés les jours précédant le début des crues, avec
les débits horaires observés au début des événements de crues (avant la montée).
Les graphiques n°VI.4a et b. présentent les valeurs de QHo en fonction de QJo, observées sur les bassins
versants de Pont de Fer (Var) et du Bevinco (Corse).
3
(^Bassin versant de Pont de Fer (BVOOl)J^* ' Bassin versant du Bevinco (BV072) )
! S S/
|—:2.5 1
1
1
2
I= jji 1
Íll IJ i
i
II ' ' 4
3' 0.5
* |
- S Ii r0 , ' •
••4)
0.5 1.5 25
Débit moyen journalier ( m' /s) Débit moyen journalier f m /si
la] i r^rr. -— - = . [h]
Graphiques n°VI.4a et b : débit horaire en fonction du débit moyen journalier, observé au début de
chaque crue, pour les bassins versants de Pont de Fer et du Bevinco.
Le faible écart entre les valeurs journalières et les valeurs horaires, observé aussi sur les autres bassins
versants, justifie l'utilisation du débit journalier observé avant la crue pour effectuer l'initialisation du
réservoir B du modèle GR3 horaire.
L'utilisation de l'information journalière permettra alors de s'affranchir du biais introduit lors de la

simulation, en Fixant le débit initial à une valeur moyenne. Cette valeur moyenne est d'ailleurs
parfaitement respectée, si l'on regarde le graphique n°VI.5a.
3
médiatrice
4
3.5
! |
j méuiumce
\ /
5 2.5 i .
= 3 T
o " • 2.5
X
a 1.5 - u 4
u "= 1.5
•o
u SL
c |
c 2> 1
u 0.5
>»
o
0.5 1 1.5 2
!
2.5
I" 0 05 I
i
i
15
•
2 2.5 3 3.5
Moyenne des QJ0 (mrVs) Ecart-type des QJ(, (rrr/s)
-[a] L
Graphiques n°Vl.5a et b : moyennes et écarts-types des débits horaires observés au début des crues, en
fonction des moyennes et des écarts-types des débits journaliers observés au début des crues, pour
l'ensemble des bassins versants étudiés.
On fait ainsi l'économie du paramètre QHo qu'il faut déterminer au pas de temps horaire. Si l'on regarde le
graphique n°VI.5b, on s'aperçoit que les écarts-types des débits journaliers précédant la crue, sont supérieurs
aux écarts-types des débits horaires du début de la crue. On explique cela par la présence de valeurs plus fortes
des débits journaliers de certains événements de crues rapprochés, pour lesquelles le calcul du débit moyenne
journalier intègre les débits de la décrue de l'événement précédent.
L'optimisation des paramètres sera effectuée par la suite, en prenant la valeur du débit journalier précédant la
crue (QJQ). afin d'initialiser le réservoir B du modèle GR3 horaire.
Comparaison des variables (S(/Aj)j et (So/Aj)tj :
Comme pour les débits initiaux, on compare les valeurs du taux de remplissage du réservoir A obtenues lors du
calage du modèle GR3J sur les chroniques de débits journaliers, avec les valeurs du taux de remplissage du
réservoir A optimisées sur les épisodes de crues au pas de temps horaire.
Pour que ces valeurs soient comparables, on effectue le calage du modèle GR3 horaire en donnant à la capacité
de son réservoir A, la même valeur que celle obtenue pour le réservoir A du modèle journalier. Par conséquent,
le modèle GR3 horaire ne sera plus calé avec la valeur médiane de AH de chaque saison (voir chapitre V), mais
avec la valeur A obtenue lors du calage du modèle GR3 journalier (voir tableau n°V.5).
On notera alors (So/Aj)j la valeur du taux de remplissage du réservoir Aj avant le début des événements de
crue, obtenue lors du calage du modèle GR3 journalier. On notera (SO/AJ)H la valeur du taux de remplissage du
réservoir A (1) au début de la crue, optimisée au pas de temps horaire.
" ' L a capacité du réservoir A du modèle horaire est fixée à la valeur de la capacité du réser\oir A calée sur le modèle
journalier, pour pouvoir comparer les valeurs du taux de remplissage du réservoir A. en journalier et en horaire.
Les graphiques n°VI.6a et b montrent l'évolution mensuelle de la moyenne des variables (So/Aj.lj et (Sn/Aj)n
sur deux bassins versants.
j f Bass in versant de Pont de Fer (BV001)J_ Bassin \ersant de Malière (B V005)
i • Horaire
O—Journalier ;
3 4 5 6 7 8 9 10 II 12 2 3 4 5 6 7 8 9 10 11 12
.[a] [b]
Graphiques n°VI.6a et b : moyennes mensuelles des variables (SÇ/AJ)J et (SQ/AJ)^ sur les bassins
versants de Pont de Fer et de Malière.
On observe une tendance saisonnière de ces deux variables. On peut remarquer que cette tendance n'est pas
modélisée lors de la simulation des débits au pas de temps horaire. En effet, lors de la simulation, le taux de
remplissage initial du réservoir A du modèle GR3 horaire, est géré dans une loi Normale paramétrée pour les
deux saisons "hiver" et "été". La variation mensuelle n'est pas considérée bien que l'on différencie deux saisons.
Le tableau n°VI. 1 montre les coefficients de détermination obtenus lors des régressions linéaires effectuées
entre les valeurs de (So/Aj)j et (SO/AJ)H- Ces coefficients de corrélation montrent une forte liaison sur les
bassins du Real Collobrier. Cette liaison est plus variable pour les autres bassins versants et reste, dans
l'ensemble, plus faible. Cependant, elle est aussi calculée sur un nombre de point plus réduit.
Numéro du r2 Nombre de Numéro du r2 Nombre de

bassin versant points bassin versant points
BV001 0.57 95 BV062 0.59 40
BV002 0.77 78 BV063 0.38 19
BV004 0.63 97 BV064 0.10 11
BV005 0.79 120 BV065 0.70 62
BV006 0.76 96 BV072 0.56 22
BV007 0.60 100 BV074 0.22 66
BV008 0.49 120 BV076 0.15 54
BV022 0.10 44 BV079 0.24 38
BV061 0.43 54
Tableau n°Vf.l : coefficients de détermination des régressions linéaires entre les variables (S(/Aj)j et
(SQ/AJ)H . calculés sur les 17 bassins versants étudiés.
A partir de ces résultats, on décide d'effectuer une optimisation des paramètres BH et CH du modèle GR3
horaire, en fixant la capacité de son réservoir A à celle prise par le modèle GR3 journalier, et en initialLsant
le modèle à chaque crue, par les variables QJQ et (So/Aj)j.
L'initialisation du modèle horaire va donc être réalisée à partir de l'information journalière obtenue au début
de chaque crue.
VI.3.1.2 - Optimisation des paramètres avec la prise en compte de l'information

journalière
Pour observer l'évolution de l'optimisation des paramètres du modèle GR3 horaire lorsque l'on prend en
compte l'information journalière, les résultats de trois optimisations sont présentés. On définit ces trois
optimisations de la façon suivante :
- l'optimisation n°l : elle porte sur les 3 paramètres du modèle GR3H (AH, BH et CH) ainsi que
sur l'état initial du réservoir A (SO/AH). Le débit initial utilisé pour initialiser le réservoir B. est le débit
horaire (QHQ).
- l'optimisation n°2 : elle porte sur 2 paramètres du modèle GR3H (BH et CH) ainsi que sur l'état
initial du réservoir A dont la capacité est fixée à celle obtenue par le calage du modèle journalier
(S(/Aj). Le débit initial utilisé pour initialiser le réservoir B, est toujours le débit horaire (QHo).
- l'optimisation n°3 : elle porte uniquement sur 2 paramètres du modèle GR3H (BH et CH)- Le
paramètre du réservoir A est fixé à sa valeur journalière. Le taux de remplissage du réservoir A et le
débit initial sont issus de l'information obtenue au pas de temps journalier.
Conséquence sur les critères d'optimisation :
Le calage du modèle GR3H a été effectué sur les 17 bassins versants. Les graphiques n°VI.7a. b et c
présentent l'évolution des valeurs médianes des critères de performance, au fur et à mesure que l'on
diminue le nombre de paramètres optimisés. Les critères de performances sont le critère de Nash, le
critère de bilan et le critère de pointe, déjà étudiés dans le chapitre V. Leurs valeurs médianes
présentées sur ces graphiques ont été calculées sur l'ensemble des crues d'un même bassin, sans
distinguer les deux saisons.
inn
A, k Ô - - â - - O
— •
f?n ^ ~
7n
" « ^ $—•
» — »•—*z—*~
•• • - • - " " "•>
Aft
• * "
dian
-
sn
\
in
Optimisation 2 — - • - - Optimisation 3
o Optimisation 1 •Optimisation 2 • • Optimisation 3

20
15
10
s 5
•3 0
-5 \ /
B
C -10
es
15
SQ — in ri —
>
S > o I S s» s «û r* "r
sa CQ 33
33 33 03
°
S3
1 i
ce
-[b]
^120
• • «L
o - Optimisation 1 -Optimisation 2 Optimisation 3

002
006
005
072
062
004
065
1221
061
100
tu
"Ü > > ^ ^> i I
co as 03 33 — _ = ¿ 03 se >e
c ;>
23 es
u - - /c-7
Graphiques n°VI.7a, b et c : valeurs médianes des critères de performance, lorsque l'optimisation porte
sur 4 paramètres (optimisation n°l), sur 3 paramètres (optimisation n° 2) et sur 2 paramètres
(optimisation n° 3).
Sur ces graphiques on retrouve, dans un premier temps, les mêmes résultats que ceux obtenus sur les
graphiques V.19, entre l'optimisation portant sur le paramètre AH et celle où le paramètre AH est fixé à
une valeur médiane. Ici, le fait de fixer le paramètre AH à la valeur du paramètre A journalier (Aj),
n'entraîne pas de grandes perturbations sur les valeurs des critères de performance.
Le fait d'imposer au taux de remplissage initial du réservoir A, de prendre la valeur repérée en

journalier, a plus d'impact sur les critères de performance. L'optimisation sur deux paramètres
uniquement, diminue les valeurs médianes du critère de Nash. Cependant, cette valeur reste largement
acceptable pour la plupart des bassins (valeur médiane du Nash > 80%).
Pour certains bassins, on obtient des valeurs médianes du critère de Nash inférieures à 70%. Ces bassins
correspondent généralement aux bassins sur lesquels l'ajustement du modèle GR3 journalier n'était pas
très performant (les numéros des bassins entre crochets correspondent aux bassins dont les critères de
Nash obtenus lors du calage de GR3J, ne dépassent par 60%). Pour les critères de bilan et de pointe, on
peut faire les mêmes remarques.
Cependant, dans l'ensemble on peut considérer que l'optimisation n°3 portant sur les deux seuls
paramètres BH et CH, donne des résultats corrects. Même si les crues sont moins bien restituées qu'avec
l'optimisation supplémentaire de Srj/A. les erreurs sur les volumes et les pointes de crues restent
acceptables. Les moins bons résultats sur certains bassins proviennent en partie des problèmes de calage
du modèle journalier, et de la faible corrélation observée entre les valeurs de (SQ/AJ)J et (SO/AJ)H.
Le principe d'initialisation du modèle horaire par l'information journalière reste une approche
intéressante, car elle permet de s'affranchir du calage des paramètres de production, dont l'importance
n'est pas négligeable. Elle permet aussi de prendre en compte l'évolution mensuelle des paramètres
d'initialisation et de réaliser cette initialisation en continu.
Evolution de la paramétrisation
Cette nouvelle paramétrisation va sûrement entraîner des modifications sur les valeurs des paramètres
qui restent à optimiser. Les graphiques VI.8a, b et c montrent l'évolution des médianes des paramètres
BH et CH, ainsi que l'évolution de la valeur du taux de remplissage du réservoir A, en fonction des
différentes étapes de l'optimisation.
Pour le taux de remplissage du réservoir A, sa valeur médiane augmente progressivement lors des
différentes optimisations, tandis que son écart-type aurait plutôt tendance à baisser. La différence
observée entre l'optimisation n°l et l'optimisation n°2, est similaire à celle observée dans le chapitre V,
lorsque l'on a fixé la valeur de A à sa valeur médiane. Ici, le fait de fixer A à la valeur journalière, fait
porter l'optimisation de A sur les valeurs du paramètre So/A. La différence observée entre l'optimisation
n°2 et l'optimisation n°3 traduit en fait la différence entre les valeurs des variables (So/Aj)j et (SQ/AJ)H.
Pour le paramètre BH, on observe une faible variation de sa valeur médiane entre les optimisations
n°l et n°2. Le fait de fixer la valeur de A n'influe pratiquement pas sur l'optimisation du paramètre BH.
c'est le taux de remplissage du réservoir A qui tend à compenser cet effet. Par contre, le fait d'imposer
au taux de remplissage du modèle horaire, la valeur optimisée au pas de temps journalier, va influencer
les valeurs prises par BH- La modification des valeurs de BH est en fait proportionnelle à l'écart que
présentent les valeurs de (So/Aj)j et (SO/AJ)H- Lorsque la médiane du taux de remplissage du réservoir
A est augmentée, la valeur médiane du paramètre BH est aussi augmentée, pour compenser l'effet de la
surestimation de SQ/A.
Pour le paramètre Cjj : malgré quelques variations de la valeur médiane de CH, on n'observe pas une
tendance forte dans l'évolution du paramètre CH- L'optimisation du paramètre CH ne semble pas
influencée par les différentes optimisations. Ce paramètre ayant pour caractéristique de modéliser le
décalage entre les pluies et les débits qui en résultent, il n'est pas influencé par la variation des
paramètres de production (A et SQ/A) et semble peu influencé par la variation du paramètre BH-
o Optimisation 1 (SO/Ah) - Optimisation 2 (SQ/Aj)h - • • - • Optimisation 3 (SO/Aj)j

SO
~ 3
o» 2 Optimisation 1 -—*— Optimisation 2 -• • - • Optimisation 3 -
.2 i
33 o r-
— (N M ci r-
> > >
ê> O
O
> 09 03 £Q
03
X
-Ib]
- O Optimisation -Optimisation 2 • - Optimisation 3
2.5
....Ici
Graphiques n°Vl.8a, b et c : évolution de la valeur médiane des paramètres Btf et # et de la valeur
médiane du taux de remplissage du réservoir A, pour les différentes optimisations.
Evolution de la liaison entre B et So/A
Les valeurs de S(/A et de B H ayant été modifiées, on regarde comment évolue leur liaison observée
dans le paragraphe V.4.1.5, par l'intermédiaire du coefficient de détermination calculé lors de la
régression linéaire entre Srj/A et Ln(Bn).
Entre les simulations n°l et n°2, on observe la même évolution que sur les graphiques n°V.20a et b. Le
fait de fixer la valeur du paramètre A permet de dégager une liaison entre les valeurs de Sç/A et les
valeurs de Ln(Bn). Cette liaison était très peu marquée lors de l'optimisation portant aussi sur le
paramètre A. Entre les simulations n°2 et n°3, la liaison est conservée dans l'ensemble, bien qu'elle soit
moins marquée sur certains bassins.
L'étude de la liaison entre ces deux variables sera plus amplement détaillée dans le paragraphe VI.3.2.
Dans le paragraphe qui suit, on va procéder à la simulation des débits horaires en initialisant le modèle
GR3H par les valeurs simulées, du débit journalier (QJo) et du taux de remplissage (Srj/Aj)j. obtenues le
jour avant le début de l'événement de crue à simuler.
Le paramètre CH est bien sûr tiré dans leur loi de probabilité calée sur les valeurs obtenues lors de
l'optimisation n°3. Le paramètre BH est conditionné par la valeur de (So/Aj)j . en respectant leur degré
de liaison modélisé par les nouveaux coefficients de détermination.
VI.3.1.3 - Modélisation des débits horaires
Dans un premier temps, afin de vérifier que la simulation journalière restitue bien les paramètres
servant à l'initialisation du modèle GR3H. on simule une chronique de 1000 ans de débits journaliers,
sur laquelle on extrait les valeurs de QJo et (So/Aj)j qui doivent servir à initialiser le modèle GR3H. On
compare alors leurs caractéristiques statistiques à celles des mêmes variables issues des observations.
On s'assure ainsi que l'initialisation du modèle GR3H est réalisée sans biais par rapport à l'optimisation
des paramètres.
Bassin versant de Pont de Fer

0.9 - • Issue du calags des observations
0.8 - - Issue de la simulation
0.7 -
< 0.6 -
0.5 -
1)
0.4 -
-o
1)
c 0.3 -
c
1)
02 -
1
>•,
; o
0.1 -
0 -
1 8 9 10 11 12
M !_
Graphiques n°VI.9a et b : valeurs mensuelles des moyennes variables QJQ et (S(/Aj)j issues du calage
des chroniques observées et des chroniques simulées.
Les graphiques n°VI.9a et b présentent les valeurs mensuelles des moyennes des variables QJo et
(SO/AJ)J, issues des observations et de la simulation sur le bassin versant du Pont de Fer. Cet exemple
montre de l'on respecte bien la variation mensuelle des variables servant à initialiser le modèle GR3
horaire. Ces résultats sont observés aussi sur les autres bassins versants, avec des écarts plus ou moins
marqués.
Cependant sur certains bassins versants, le nombre d'événements composant l'échantillon des crues
optimisées ne permet pas d'étudier les valeurs mensuelles. C'est pourquoi on effectue sur l'ensemble des
bassins versants, une comparaison des grandeurs statistiques (moyenne et écart-type) calculées sur
toutes les crues d'un même bassin versant. Ces valeurs inter-annuelles des moyennes et des écarts-types
des variables QJo et (So/Aj)j issues des observations et de la simulation, sont représentées sur les
graphiques n°VI.10a et b.
On observe une bonne restitution de la moyenne et de l'écart-type de la variable (So/Aj)j, garantissant le

respect des caractéristiques liées à l'initialisation du réservoir A. La variable QJo est aussi très bien
restituée au niveau de sa valeur moyenne, qui servait d'unique descripteur de cette variable lors des
précédantes simulations. L'écart-type est bien respecté sur la plupart des bassins et se trouve parfois
surestimé sur les bassins présentant peu de valeurs observées. La bonne restitution de la valeur moyenne
nous garantit cependant le respect de l'initialisation de réservoir B.
CHAPITRE VI . Couplage des pas de temps journalier et horaire 25
- - -o- • • Issues des observations • Issues des simulations ¡ ¡ | : - - -o- - - Issus des observations •Issus des simulations
09 - 0.9
o s - Moyennes de SO/A ! o s - ; Ecarts types de SO/A
!
0 7 -
0 6 Í
05 j
0.1 í
1
O , I , I
© ö o S o c o o ©
C2 S 3 0 Q C Q S S 3 C Q C 3 S 3 a C 9 £ C Q C Q 3 3
•°- • • Issues des observations • Issues des simulations o - - Issus des observations
25 i
- Moyennes de QJO (m3/s) ! Ecarts types de QJO (m3/s)
Graphiques n°VI.10a, b, c et d : moyennes et écarts-types des variables QJQ et (SQ/AJ)J issues des
observations et de la simulation.
Après avoir vérifié la bonne restitution des caractéristiques statistiques des valeurs journalières servant
à l'initialisation du modèle GR3 horaire, on procède à la simulation des débits au pas de temps horaire,
suivant le principe présenté par la figure n°VI.2.
Les graphiques n°VI.lia, b, c et d présentent sur l'ensemble des bassins versants étudiés et pour les
deux saisons considérées, les valeurs des moyennes et des écarts-types des lames maximales en 1 et 24
heures.
Sont représentées les valeurs issues des observations et celles issues des deux simulations :
- la simulation dite "avec le paramétrage horaire" réalise l'initialisation du modèle GR3H en

générant la valeur de (SO/AJ)H dans sa loi de probabilité (loi Normale), et en prenant pour débit initial la
valeur moyenne de
- la simulation dite "avec initialisation journalière" utilise les valeurs des variables QJo et
(Sn/Aj)j simulées au pas de temps journalier, pour initialiser le modèle GR3H lors de la simulation des
événements de crue au pas de temps horaire.
•°— Observations • Paramétrage horaire • Initialisation journalière
I I I s i s I i S s i l i I ? ? I f I s I I 3 ;%
* = £ £ Í
a a a
< o a a a a a a a a a a ~ -ì-=-/fl/
> > > > > > > > > > > >
•°-- Observations • Paramétrage horaire • Initialisation journalière
' a • -o- '" o - • -0

V i » • «
0 —
(»5
i 1 S S ? 3
074
KM)
3 i S I 3 * s S 3 S Í Ì
a a a a a a a a a a a a a 3) 3 a a a a a a = a a a = = = - = = =
• o-- Observations • Paramétrage horaire • Initialisation journalière
s 3 a « £ S
1111 5 > 5 >
Graphiques n°VI.Jla, b, c et d : valeurs des moyennes et des écarts-types des lames maximales en 1 et
24 heures issues des observations et des simulations, avec et sans initialisation par le modèle GR3
journalier.
Dans l'ensemble, on observe une faible différence entre les simulations faites avec et sans l'initialisation
par l'information journalière. La plupart des écarts entre les valeurs observées et les valeurs issues des
simulations étaient déjà présents lors de la paramétrisation horaire.
Le principe de l'initialisation du modèle GR3H par l'information fournie par la modélisation au pas de
temps journalier reste avantageux. Il permet d'obtenir une diminution du nombre de paramètres à caler,
sans engendrer d'écarts supplémentaires sur les moyennes et les écarts-types calculés entre les
observations et les simulations.
CHAPITRE VI Couplage des pas de temps journalier et horaire 255
La restitution des lames maximales est largement acceptable sur les bassins versants du Real Collobner.
Sur les autres bassins versants, les résultats sont plus variables. Pour la saison "été" les écarts entre les
moyennes des lames observées et celles des lames simulées sont faibles. C'est pour la saison "hiver"
que l'on observe les plus grands écarts entre les observations et les simulations.
VI.3.1.4 • Conclusion
Nous venons de voir comment utiliser l'information journalière obtenue en continu au pas de temps
journalier, pour initialiser le modèle horaire fonctionnant en événementiel. Cette approche est
intéressante, car elle permet de faire l'économie de deux paramètres, tout en tenant compte de façon plus
rigoureuse de leur variation saisonnière. Les résultats obtenus lors de la simulation des débits horaires
sont satisfaisants sur la plupart des bassins versants. Certains bassins présentent toutefois des difficultés
pour respecter les caractéristiques des débits observés, mais cette difficulté n'est pas spécialement due à
l'initialisation journalière, puisqu'elle était déjà observée dans le chapitre V.
Cette approche du passage du pas de temps journalier au pas de temps horaire paraît plus juste car elle
permet de replacer les événements dans une logique saisonnière, en tenant compte de la variation
mensuelle des paramètres d'initialisation.
Pour mener jusqu'au bout l'idée de faire porter la paramétrisation du modèle horaire sur l'information
journalière, il reste à expliquer les deux derniers paramètres optimisés sur les données horaires : les
paramètres BH et CH-
Le paragraphe suivant essaie donc d'aboutir à une paramétrisation du modèle horaire, sans la prise en
compte de l'information horaire.
VI.3.2 - Paramétrisation de GR3H sans l'information horaire.
VI.3.2.1 - Etude du paramètre C
Le paramètre CH caractérise le décalage entre les pluies et les débits qui en résultent. On a vu dans le
paragraphe IV.4.1.2., qu'une variation extrême du paramètre C (variant de 1 à 17 heures) entraîne peu
de différences sur les volumes écoulés, ainsi que sur les débits de pointe. Seul le coefficient de Nash est
altéré. Sur les différents bassins versants étudiés, on obtient des valeurs de CH variant entre lh30' et 10
heures. Le fait de fixer CH à une valeur commune à tous les bassins versants, ne devrait pas influencer
les débits obtenus lors de la simulation.
Pour vérifier cela, on fait des simulations de 1000 ans sur chaque bassin versant, pour lesquelles on a
fixé la valeur du paramètre CH à 5 heures ( Ln(C-0.5)=1.5 ). Les graphiques n°VI.12a. b. c et d
présentent les valeurs des moyennes et des écarts-types des lames simulées avec une valeur de Cu fixée
à 5 heures, et celles des lames simulées avec des valeurs de CH générées à chaque crue à partir de sa loi
de distribution calée pour chaque bassin.
l
Moyennes des LM1 (mm) H ? 4 -, Ecarts-type s des LM1 (mm)j-^.
3.5 /
Sin lulation avec Cfixé

2.5 - A ?
2 -
1 í
:
Í !
i.j -
1 : • Hiver
1
| <•—
v
I i
0.5
Simulation avec C calé
n-
1.5 2.5 0 0.5 1 1.5 2.5 3 35 4
-lai ibi
30 Moyennes des LM24 (mm) 30 - < Ecarts-types des L M 2 4 ( m m ) ^
25 -
'sj
20 -
\¡
15 -
10 - 1 <r « Hiver
O Etó
Simulation avec C calé

0-
15 20 25 30 i 0 10 15 20 30
[c¡ -—idi
Graphiques n°VI.12a, b, c et d : moyennes et écarts-types des lames maximales en 1 et 24 heures issues
des simulations avec le paramètre Cfjfixé, en fonction des mêmes grandeurs issues des simulations
avec le paramètre C// calé sur chaque bassin versant.
On observe une très faible variation sur les lames maximales en 1 heure et aucune influence sur les
lames maximales en 24 heures.
Ces résultats permettent d'envisager de fixer la valeur du paramètre CH pour l'ensemble des bassins
versants étudiés. Il faut noter que l'on s'intéresse surtout aux problèmes de prédétermination, pour
lesquels le volume et la pointe de la crue sont plus importants que l'information liée au décalage entre
les pluies et les débits. Cette information n'est importante que lorsque l'on s'intéresse aux problèmes de
prévision.
On décide donc de fixer le paramètre CH à 5 heures. A ce moment là, il ne reste plus que le paramètre
BH à caler sur les observations.
Remarque : aucune relation notable entre les valeurs du paramètres CH calé et des caractéristiques
géographiques du bassin n'a été mise en évidence. Cependant, pour rendre plus vraisemblable le
décalage entre les pluies et les débits, on pourrait peut-être définir le paramètre CH en fonction d'une
CHAPIiRE VI : Couplage des pas de temps journalier et horaire .257
caractéristique liée à la distance entre le pluviographe et le limnigraphe, pondérée par exemple par la
pente moyenne.
VL3.2.2 - Etude du paramètre B.
Le fait de fixer le paramètre CH va provoquer un décalage fixe entre les pluies et les débits. Or ce
décalage peut être variable d'une crue à l'autre d'un même bassin versant, mais aussi d'un bassin versant
à un autre.
Le critère de Nash servant à l'optimisation des paramètres est basé sur l'écart quadratique cumulé entre
les observations et les simulations. Ce critère va être fortement diminué lorsque la crue reconstituée ne
respectera pas le décalage observé entre les pluies et les débits. Pour illustrer ce propos, on calcule les
valeurs des trois critères de performances (Nash, Bilan et Pointe) sur une crue observée dont la
reconstitution est réalisée pour différentes valeurs du paramètres CH- Le graphique n°VI. 13 présente les
résultats obtenus sur une crue prise au hasard sur le bassin du Rimbaud (où la valeur médiane du
paramètre CH calé vaut 1,5 heures).
120
Exemple sur une crue du Rimbaud (crue du 11/01/69) \
100 HfcAAA A A--A
80
Valei ir des cri teres i
60
0 Critère de Nash
40 - - -O- • - Critère de Bilan
20 • • - - A- • • Critère de Pointe
0 -U -
-20
Valeur de C (heures)
-40
10 15 20
Graphique n°VI.]3 : valeurs des différents critères (Nash, Bilan et Pointe) calculés lors de la
reconstitution de la crue du 1 I/O 1/69 à Rimbaud, en fonction de la valeur de C// utilisée.
Le graphique n°VI.13 montre la forte influence du paramètre CH sur la valeur du critère de

Nash. Les valeurs des critères de pointe et de bilan sont moins fortement influencées par le
paramètre CH-
Le graphique de la figure n°VI. 13 montre, d'une part, l'influence du paramètre CH sur les critères de
performance, mais permet aussi d'autre part de visualiser l'influence du critère d'optimisation sur le
calage du seul paramètre BH- Si on prend une valeur de C fixée (ici C=5 heures). les différents critères
de performance présentent un maximum pour des valeurs de B différentes. Sur l'exemple présenté sur la
figure VI.3, plus on augmente la valeur de C à fixer, plus l'optimisation sur le critère de Nash va être
incertaine. On peut atteindre l'optimum pour des valeurs de Nash négatives. Par contre, le critère de
pointe, comme le critère de bilan, permettent d'obtenir une valeur de B pour des valeurs du critère
significatives.
Critère de pointe compris entre 90 et 1 IO %

10.00-
| 1 Critère de bilan compris entre -5 et 5 "c
Critère de Nash de 90 %
Critère de Nash de 50 %
5.00
x
Nash optimum pour C = 5 heures
* Combinaison d'un bilan et d'une pointe optimums
pour C = 5 heures
2.00 4.00 6.00 8.00

L n (B)
Figure n°VI.3 : évolution des critères de Nash, de Bilan et de Pointe pour différentes valeurs des
paramètres By¡ et Q/ : exemple de la crue du 11/01/69 sur le bassin du Rimbaud.
Le comportement observé sur la figure n°VI.3 va être d'observé sur plusieurs crues. Cependant. les
difficultés du calage du paramètre BH par le critère de Nash, apparaissent en particulier pour les crues
présentant un écart sensible entre la valeur de CH calée et celle que l'on fixe à 5 heures. On pourrait
remédier à cela en fixant C est fonction de la surface.
Pour effectuer le calage du modèle GR3H sur le seul paramètre BH , avec une valeur fixe de CH- on
choisit d'essayer différents critères d'optimisation. Ces critères sont :
- le critère de Nash (optimisation 1),
- le critère de Bilan (optimisation 2),
- le critère de Pointe (optimisation 3),
- et enfin un critère combinant avec la même pondération, le critère de Pointe et le critère de
Bilan (optimisation 4).
Les graphiques n°VI.14a, b et c montrent les valeurs des médianes des critères de Nash, de Bilan et de
Pointe, obtenues sur l'ensemble des bassins versants, à partir des optimisations effectuées avec chacun
des 4 critères enumeres.
On obtient des résultats évidents qui donnent les valeurs optimales aux critères de performance ayant
servis à l'optimisation.
Cependant, si l'on regarde le critère de Nash servant à l'optimisation, sa valeur médiane est inférieure à
70% pour tous les bassins, égale à 50% de façon globale, et parfois négative. Les mauvaises valeurs du
critère de Nash sont dues à l'abandon de la prise en compte du décalage variable entre les pluies et les
débits, puisque l'on a fixé la valeur de CH-
-Optimisation i u r le Nash - Optimisation s u r le bilan

100 —! - Optimisation sur la pointe - Optimisation s u r la pointe et le bilan
i) —
= -C
%'í £ o
—o— Optimisation sur le Nash Optimisation sur le bilan I

- Optimisation sur la pointe Optimisation sur la pointe et le bilan I
• Optimisation sur le Nash - Optimisation sur le bilan

• Optimisation sur la pointe • Optimisation sur la pointe ¿t le hilan
180
160
H
140
120
100
80
l 3
60
> >
> x 2:
X
Graphiques n°VI. 14a, b et c : médianes des critères de performance (Nash. Bilan et Pointe) obtenues
pour les optimisations effectuées à partir de 4 critères différents.
Comme on l'a déjà précisé précédemment, en prédétermination, c'est la restitution des volumes ruisselas
et des pointes de crues qui restent les critères les plus importants. Le décalage entre les pluies et les
débits devient secondaire. Dans ce cas, le critère de Nash prenant en compte ce décalage n'est plus
réellement adapté à l'objectif recherché. C'est pourquoi il devient préférable d'optimiser le paramètre
BH à partir d'un critère basé sur le respect du débit de pointe et du volume ruisselé.
Au regard des graphiques n°VI. 14b et c, le critère combinant la pointe et le bilan semble plus adapté
pour juger des valeurs du paramètre BH qui permettent de respecter au mieux le débit de pointe et le
volume de la crue.
Le graphique n°VI.15 montre les valeurs des médianes du logarithme népérien du paramètre BH calé en
fonction des critères d'optimisation utilisés.
- Optimisation sur le Nash - Optimisation sur le bilan

- Optimisation sur la pointe - Optimisation sur la pointe et le bilan
S
i I i > i
> > o o o
> m
> s
> co m co
CD 09 03
co 03 co
m
03
Graphique n°VLl5 : valeur médiane du paramètre Ln(Bn) sur l'ensemble des bassins versants en
fonction des critères d'optimisation utilisés.
On observe de faibles variations sur la valeur médiane du paramètre Ln(Bn), suivant les différentes
optimisations effectuées. Cependant, si le critère d'optimisation choisi ne semble pas influencer la
valeur médiane du paramètre Ln(BH), on peut choisir celui qui permet de respecter au mieux la pointe
et le volume des crues. C'est pourquoi, pour caractériser le paramètre BH, on choisira les valeurs
obtenues lors de l'optimisation sur la pointe et le bilan (optimisation 4).
On obtient ainsi, pour chaque bassin, les valeurs du paramètre BH optimisé pour chaque crue. Pour
modéliser ce paramètre, on peut définir sa fonction de probabilité à partir de la méthode des moments.
Si on associe une loi Normale à la distribution des valeurs de Ln(Bn), cette loi sera définie pour chaque
bassin par la moyenne et l'écart-type de Ln(Bn).
Pour réaliser la paramétrisation du modèle GR3H sans utiliser l'information horaire, il faut arriver à
déterminer les valeurs de BH sans utiliser les indications obtenues au pas de temps horaire. Pour cela on
essaie de corréler les valeurs de la moyenne et de l'écart-type de Ln(Bn), qui définissent sa loi de
probabilité, avec des variables journalières.
Recherche d'une paramétrisation journalière du paramètre BH*
On n'observe aucune corrélation entre les valeurs de Ln(Bn) et Ln(Bj). Le paramètre B ne peut donc pas
être défini par sa valeur journalière.
La seule variable journalière qui présente une liaison avec le paramètre BH est la variable (So/Aj)j.
Cette liaison déjà mise en évidence dans le chapitre V, a été jusqu'à présent modélisée par
l'intermédiaire du coefficient de détermination de la régression linéaire des deux variables (So/Aj)j et
Ln(B H ).
La liaison entre ces deux variables, se traduit de façon grossière, au niveau de leurs valeurs moyennes.
Le graphique n°VI. 16 représente les différentes valeurs de la moyenne de ces deux variables, prise sur
chaque bassin versant étudié. On peut calculer un coefficient de corrélation linéaire entre ces valeurs,
qui est de 41%.
03
Graphique n°VI. 16 : moyenne des variables (S(/Aj)j et BH

obtenue sur les différents bassins versants.
Même si la valeur moyenne de la variable (So/Aj)j ne permet pas de déterminer la valeur moyenne du
paramètre BH, on observe une tendance existant entre ces deux grandeurs.
Pour chaque bassin versant, on étudie la liaison linéaire entre les variables (SQ/AJ)J et Ln(Bn)- Les
résultats des régressions linéaires sont présentées dans le tableau n°VI.2.
Bassin Ln(BHj = a x ( s 0 / A j ) , + b r2 Bassin Ln(BH) = ax(S,,/Aj)J - b r2

REAL COLLOBRIER BV063 v=3.Ox+3.O 0.25
BV001 y=5.5x+1.5 0.72 BV064 v=3.2x+3.O 0.42
BV002 y=4.4x+2.4 0.67 BV065 v=1.8x+4.3 0.10
BV004 y=4.1x+2.5 0.66 BOUCHE DU RHÔNE
BV005 v=4.1x+2.5 0.75 BV022 v=5.2x+1.3 0.53
BV006 y=3.9x+3.0 0.68 CORSE
BV007 y=2.7x+3.8 0.28 BV072 v=2.8x+4.2 0.36
BV008 y=2.5x+2.9 0.60 BV074 y=5.7x+0.3 0.56
PYRENEES ORIENTALES BV076 y=6.3x+1.3 0.17
BV061 y=4.1x+2.5 0.30 BV079 V-1.8X+5.1 0.07
BV062 y=1.7x+4.5 0.10
Tableau n°VI.2 : résultats de la régression linéaire entre les variables {SQ/AJ)J et Ln(Bfj).
On observe une liaison marquée sur les bassins du Real Collobrier et sur le bassin des Bouches du
Rhône. Une liaison moins marquée, parfois inexistante, est observée sur les autres bassins. Les
coefficients des droites, obtenus lors de la régression linéaire, varient d'un bassin versant à l'autre.
Cependant, on remarque une certaine liaison entre la pente de ces droites et leur ordonnée à l'origine.
Lorsque la pente augmente, l'ordonnée à l'origine diminue, et inversement. Le coefficient de corrélation
linéaire entre les valeurs de la pente (a) et de l'ordonnée à l'origine (b) est de Sl%.
La relation entre les deux variables (So/Aj)j et Ln(Bn) va être utilisée pour déterminer la variable
Ln(Bn)- Cette relation semble mieux définie pour les bassins présentant un effectif de crue important
(bassins du Real Collobrier). Pour les bassins ayant moins de données, ces relations sont très
influencées par l'échantillonnage. C'est pourquoi, on décide de considérer la liaison entre (So/Aj)j et
), de façon globale. Pour cela on prend les valeurs des variables (SO/AJ)J et Ln(Bn) obtenues sur
l'ensemble des crues de tous les bassins versants étudiés. On obtient le graphique n°VI.17.
^ \ -
n(B
m •
«•• • "-""••"- - " -
. - * . - - " • " •
- - - m
- m
m
• • •
-
m ^
— • - * ^ •rm m m
m • m m —
m
m " y = 3.7298X + 2.702
/•„ •
— R : = 0.4033
- - f X
(i 02 6 018
Graphique n°VU7 : valeurs de la variable Ln(Bn) en fonction des valeurs de la variable (S(/Aj)j, pour
l'ensemble des crues des différents bassins versants étudiés.
Il se dégage une relation globale déterminée par la droite d'équation :
[I] Ln(BH) = 3,73 x (SQ/AJ); + 2.7 avec r2 = 0.4
On décide donc de paramétrer la variable BH à partir de la variable (So/Aj)j, par l'intermédiaire de cette
relation. Cependant la valeur globale du coefficient de détermination ne tient pas compte de la variation
de ce coefficient, observée sur les différents bassins. Pour introduire cette variation, on va déterminer la
valeur du coefficient de détermination par l'intermédiaire de l'écart-type de la variable (SQ/AJ)J.
En effet, une régression linéaire entre deux variables X et Y, (équation : y=ax+b), effectuée par la
méthode des moindres carrés, exprime le coefficient de corrélation par l'expression :
Afin d'arriver à une paramétrisation uniquement par l'information journalière, on réduire au maximum
le nombre de paramètres à caler. On fait alors l'hypothèse forte que l'écart-type de Y=Ln(Bn) est
constant, et on fixe à 1.4 (1). Comme la valeur de coefficient (a) est aussi fixée à 3.73, on obtient une
valeur de r qui est fonction de l'écart-type de la variable (So/Aj)j, par la relation :
[II] r = 3.73/1.4 x Ecart-type[(So/Aj)j]
A partir de la relation [I] et de la moyenne de la variable (SQ/AJ)J, on calcule la moyenne de la variable
Ln(Bn)- Le graphique n°VI. 18 montre les valeurs de la moyenne de la variable Ln(Bn) obtenue lors du
calage des observations, et obtenue par l'information journalière (par l'intermédiaire de la moyenne de
(SO/AJ)J ).
' " Les valeurs extrêmes de l'écart-type de Ln(Bn) sont 0.85 et 1.75. Cependant ces valeurs sont fortement influencées par
l'échantillonnage. La présence de valeurs extrêmes de Ln(B|-i) obtenues lors d'une optimisation difficile (optimum plat ou
critères d'optimisation mauvais) peut fortement influencer l'écart-type de la variable C'est pourquoi on prend une valeur fixe de
l'écart-type de Ln(B[-|). correspondant à la médiane des valeurs obtenues sur l'ensemble des bassins versants étudiés.
. . -O- - - Observée • Déduite de l'information journalière
6 -
3 -
Moyenne de Ln(BH)
0 — — i — 1 —1—
in so u-l
90/
(N
i 8 8 S ë o 8 O o o B
33 33 a oc a a a 33 CQ X X a a x —
Graphique n°VI.l8 : moyenne de la variable Ln(Bfj), obtenue lors du calage des données horaires
observées, et obtenue par l'information journalière de la variable (SÇ/AJ)J.
On observe une différence notable sur certains bassins, entre les valeurs de la moyenne de
issues du calage des données horaires, et celles issues de la variable journalière (So/Aj)j. Cette
différence est due à l'écart existant entre les équations du tableau n°VI.2 et l'équation [I].
Malgré cet écart, on garde la relation [I] pour définir le paramètre
On effectue alors une simulation de 1000 ans sur chaque bassin, en paramétrant et en initialisant le
modèle GR3 horaire par l'information journalière. Cette paramétrisation se fera donc de la façon
suivante :
- pour le paramètre A, on prend la valeur calée au pas de temps journalier : Aj,
- pour le taux de remplissage initial du réservoir A, on utilise la valeur du taux de remplissage

du réservoir Aj obtenue lors de la simulation en continu des débits journaliers, avant le début de
l'événement de crue,
- pour la valeur du paramètre B, elle est déduite par la relation [I] et respectant le coefficient de
corrélation déterminé par la relation [II] (voir méthode du paragraphe V.4.2.2),
- pour la valeur du débit initial (nécessaire pour initialiser le réservoir B), on utilise la valeur du
débit journalier simulé en continu, avant le début de l'événement de crue.
- pour la valeur du paramètre C, on prend la valeur fixée à C = 5 heures.
Les résultats de ces simulations sont présentés sur les graphiques n°VI.19a. b, c et d.
° - • Observations • Paramétnsauon horaire • Paramétre auon journalière
i i ' i i i i l i l l i i l i i I I I ! I I i I i I I i ? i I i
-la]
Paramétnsauon journalière H
S í a § £ £ £ S S S S 3 3 S * 3 S 3 ï
3 ä s > > > 3 5 3 é í * í ; í = 9 S
•••»-- Observations • Paramétrisation horaire • Paramétnsauon journalière
i ï i i i i i s l i l i i ï i f i I I I I ? I s I !
> > > > > > > > > ^ > > >> ''•le]
•••&•• Observations • Paramétrisation horaire • Paramétnsation journalière
£ 4 0 -
Graphiques n°VI.19a, b, c et d : restitution des moyennes et des écarts-types des lames maximales en !
et 24 heures, à partir de la paramétrisation du modèle GR3H calé sur les données horaires
(Paramétrisation horaire), et à partir de la paramétrisation de GR3H utilisant l'information journalière
(Paramétrisation journalière).
Si l'on compare ces résultats avec les graphiques n°VI. 1 la, b, c et d, on s'aperçoit que la modification
responsable des écarts entre les résultats de la paramétrisation horaire et ceux de la paramétrisation
journalière, est celle introduite lors de la paramétrisation du paramètre BH-
Le calcul du paramètre BH n'est pas assez bien déterminé par l'information journalière, pour ne pas
introduire des erreurs significatives sur la simulation des débits. Cependant, les erreurs observées sur les
graphiques n°VI. 19 ne sont pas importantes pour la totalité des bassins. On peut même remarquer une
amélioration dans la restitution des écarts-types des lames maximales en 24 heures, sur les bassins du
Real Collobrier.
CHAPITRE VI : Couplage des pas de temps journalier ce horaire 265
Avant de conclure, une nouvelle série de 1000 ans de simulations a été effectuée à partir de la
"paramétrisation journalière" du modèle GR3H, mais en simulant les pluies horaires à partir de la
"paramétrisation régionale " du modèle de simulation de pluies.
A ce stade, les débits (ou lames) simulés au pas de temps horaires, ne font appel qu'à l'information
journalière, tant pour la simulation des pluies que pour leur transformation en débit. Les graphiques
n°VI.20a, b, e, d, e et f présentent les écarts obtenus entre les valeurs moyennes et les écarts-types de
lames maximales en 1, 6 et 24 heures observées et simulées
-i Moyenne des lames maximales horaires (mm) 8 -H Ecart-type des lames maximales horaires (mm) I ¡
HIVER • HIVER
C OBSERVATIONS \ o ETE OBSERVATIONS \ o ETE
s _!_ J
2Ü —: Movenne des lames maximales en 6 heures (mm) l 20 —I Ecart-type des lames maximales en 6 heures (mm)
" I
(OBSERVATIONS \ o ETE OBSERVATIOSS J o ETE
50 —'•Moyenne des lames maximales en 24 heures (mm) I ¡ 50 r— Ecart-type des lames maximales en 24 heures (mm) I
40
il i r^ \~7\
30
• HIVER ; HIVER
OBSERVATIONS^ o ETE j ÔBSERVATIONfj o ETE
10 20 .10 40 50 ! 10 20 40 50
Graphiques n°VI.20a, b, c, d, e elf : moyennes et écarts-types des lames maximales en 1. 6 et 24

heures, issus des simulations dont les modèles ont été calés sur l'information journalière uniquement,
en fonction des valeurs obser\'ées.
On observe des écarts relativement importants entre les valeurs observées et les valeurs simulées. Ces
écarts proviennent à la fois des problèmes de restitution des pluies horaires et des problèmes de
modélisation de la pluie en débit.
La paramétrisation des pluies par l'information journalière introduit bien sûr des erreurs sur l'estimation
des pluies horaires, mais elles restent secondaires face à l'erreur introduite lors de la détermination du
paramètre B du modèle GR3H, par l'information journalière. Ce paramètre sur lequel porte la dernière
étape d'optimisation du modèle GR3H contient une information importante qui n'est pas suffisamment
expliquée par sa détermination journalière. Ce biais se traduit par un écart introduit lors de la
modélisation des pluies en débits.
Nuançons tout de même ces résultats qui ne sont pas si négatifs. Les valeurs des moyennes et des écarts-
types des lames maximales peuvent aussi être biaisées par un échantillon trop court des valeurs
observées (parfois moins de 20 valeurs ou 10 valeurs suivant les saisons). C'est à cause de cela que l'on
peut parfois avoir de gros écarts entre les valeurs observées et les valeurs simulées. Pour augmenter
l'effectif des crues sur les différents bassins, on va agglomérer les valeurs des deux saisons.
De plus, pour avoir une idée plus précise de la restitution des distributions de fréquence des variables
"tests", on va comparer leurs quantités pour les périodes de retour de 2 et 10 ans, obtenus par un
ajustement de Gumbel sur les observations et par la valeur empirique de la distribution simulée (voir
paragraphe V.3.3.2). Les graphiques n°VI.21 montrent les valeurs des quantiles biennaux et décennaux
des lames maximales en 1 et 24 heures, obtenus lors de la paramétrisation par l'information horaire
(pluie et débit) et lors de la paramétrisation par l'information uniquement journalière (pluie et débit), en
fonction des quantiles observés.
° Paramétrisation horaire Paramétrisation journalière

LAME MAXIMALE HORAIRE (mm)
Simulation
Â
O
À
A A
Observation
LAME MAXIMALE EN 24 HEURES (mm)

150
Simulation Simuli ition
S^ 0
120
60
ii
O
90
40 •
60 o°°
20
S
30 A
Obser\~ation Obs ervation
0 i 1 0
20 40 60 80 120 150
Graphiques n°VI.2l : valeurs des quantiles des lames maximales en l et 24 heures observées et
simulées par le modèle paramétré par l'information horaire puis par l'information journalière, pour les
périodes de retour 2 et 10 ans.
Les résultats obtenus sur les graphiques n°VI.21 montrent que dans l'ensemble, les quantiles biennaux et
décennaux sont relativement bien restitués et que la paramétrisation journalière n'a pas l'air introduire
de trop fortes variations dans les résultats.
Pour avoir plus d'informations sur les distributions de fréquence qui ont conduit aux graphiques
n°VI.21, on trace les distributions de fréquence des lames maximales en 1 et 24 heures observées et
issues des simulations, sur 3 bassins présentant des comportements différents (graphiques n°VI.22).
Lame maximale en 1 heure (mm)
1 10 100 1000
:
Collobrière (Var) —
i:o- .LM 24
/ /
100-
J( r
uÇ
80
/
60
40 -
0.1
z w
Periode
10
de retour fan)
100 lOOOi ¡II KM) IIHXI
Lame maximale en 24 heures (mm)

• Observation Paramétrisation horaire Paramétrisation journalière
Graphiques n°VI.22 : distributions de fréquence des lames maximales en 1 et 24 heures de 3 bassins

versants, observées et issues de la modélisation de 1000 ans de débits par la méthode SHYPRE calée
par l'information horaire et calée par l'information journalière.
Le bassin versant de Collobrière, comme la plupart des bassins du B.V.R.E. du Real Collobrier,
présente une bonne adéquation entre les distributions des lames maximales observées et issues des
simulations. De plus, on remarque bien la faible différence introduite entre la modélisation par la
paramétrisation horaire et par la paramétrisation journalière.
Le bassin versant de l'Agly est le bassin qui présente la plus forte surestimation des lames maximales,
que se soit par le modèle calé par l'information horaire ou calé par l'information journalière. Cependant,
comme pour le bassin versant du Bevinco. différentes crues n'ont pu être traitées en l'absence de leur
hydrogramme. Des estimations de certaines de ces crues sont cependant disponibles. Par exemple, pour
le bassin versant de l'Agly, on a retrouvé l'information sur la crue du 31/12/1971 dont la lame en 24
heures est proche de 40 mm, et la crue du 26/09/1992 dont le débit de pointe est estimé à 4S0m3/s. soit
une lame horaire pouvant être de 5 à 8 mm. Si l'on replace ces valeurs "non traitées" dans la distribution
des valeurs observées, on constate que le modèle ne surestime pas tant que ça les lames maximales.
Le bassin versant du Fimu'Alto présenterait plutôt cas d'un bassin où le modèle sous-estime les lames
maximales. Cependant, on remarque que cette sous-estimation est légère et disparaît même pour le
modèle paramétré par l'information journalière. Dans l'ensemble, le modèle a peu tendance à sous-
estimer les débits.
On peut retenir de ces différents résultats, que les problèmes de surestimation des moyennes, des
écarts-types ou des quantités de débits de certains bassins (comme le Bevinco ou l'Agly) peuvent être
nuancés par l'absence de certaines fortes crues dans la distribution de valeurs observées. Cette
absence d'information ne semble pas gêner le modèle qui, en s'appuyant sur la génération de forts
événements de pluie, arrive à générer ces fortes crues.
Dans l'ensemble, la différence entre la paramétrisation par l'information horaire et paramétrisation

par l'information journalière n'est pas très importante, en particulier sur le comportement à l'infini
de la distribution de fréquence des débits. En effet, il peut apparaître un décalage entre les deux
distributions pour les fréquences courantes (ce que introduit un décalage dans les valeurs
moyennes), mais ce décalage reste constant vers les fortes périodes de retour, devenant alors
négligeable en valeur relative. Cette stabilité est due à la prépondérance de la modélisation des pluies
sur le comportement des débits à l'infini.
N.B. : aucun hyétogramme et hydrogramme simulé n'a été présenté jusqu'à présent. On pourra alors trouver
en annexe n°VI.2 différents événements de crue simulées, caractérisés pour une caractéristique unique.
On appréciera alors la diversité des crues de projet proposées pour une fréquence donnée.
CHAPITRE VI Couplage des pas de temps journalier et horaire 269
Conclusion :
Dans ce dernier chapitre, nous avons poussé au maximum la paramétrisation "systématique" des
modèles. A savoir que le modèle de génération de pluies horaires et celui de transformation de ces
pluies en débits horaires, sont uniquement paramétrés par l'information recueillie au pas de temps
journalier.
En ce qui concerne la pluviométrie, le modèle régional n'entraîne aucune altération notable sur les
résultats. C'est en soi un excellent point. Il ouvre bien de perspectives quant à la introduction d'une
couche d'information sur les paramètres journaliers dans un système d'information géographique qui
permettrait d'obtenir en tout point de la zone d'étude, la façade méditerranéenne française, des
chroniques ponctuelles de hyétogrammes horaires, et bien sûr les caractéristiques qui s'en déduisent.
Plusieurs étapes ont été abordées dans la paramétrisation automatique du modèle GR3H. Le chemin à
parcourir était long : de 4 paramètres calés pour chaque crue à aucun paramètre calé.
Dans un pi nier temps, nous avons retenu une valeur de A unique (égale à celle obtenue par le calage
du modèle journalier). La valeur du taux de remplissage de ce réservoir est alors extraite de la
modélisation journalière. L'optimisation ne portait alors que sur deux paramètres (B et C), pour chacun
des événements. On peut affirmer que les écarts engendrés sont extrêmement faibles. L'étape
supplémentaire a consisté à fixer le paramètre C à une valeur unique de 5 heures, pour tous les bassins
versants étudiés. Ceci affecte le coefficient de Nash, ce qui signifie que les hydrogrammes de crue sont
sensiblement différents des observations. Cependant les débits de pointe et les volumes de crue ne sont
pas altérés. Ce fait est essentiel : les performances du modèle, avec un seul paramètre, ne sont pas
altérés en prédétermination des débits. Bien sûr. ce ne serait pas le cas en prévision des débits à court
terme.
La démarche a été ensuite poussée jusqu'au bout, en déduisant le paramètre B à partir de la valeur du
taux de remplissage du réservoir A au début des crues, déterminée au pas de temps journalier. Une
relation unique pour les 17 bassins versants étudiés a été établie. Les résultats sont parfois diminués en
ce qui concerne la restitution des quantiles courants des lames maximales en différentes heures, mais
restent corrects dans l'ensemble. Par contre, on remarque que le comportement à l'infini des
distributions de fréquence reste beaucoup plus stable. En effet le décalage introduit entre les deux
paramétrisation (horaire ou journalière) peut être significatif pour les fréquences courantes, mais reste
constant vers les fortes périodes de retour, devenant alors négligeable en valeur relative. On attribue
cette stabilité à la prépondérance de la modélisation des pluies sur le comportement des débits à l'infini.
La méthode SHYPRE réalisée en situation opérationnelle, voit ces modèles de pluies et de passage aux
débits paramétrés uniquement grâce à la seule information journalière. On jugera du caractère
opérationnel en remarquant que sur les 300 bassins versants jaugés sur la zone d'étude, seuls moins de
\09c de ces bassins sont équipés d'un pluviographe.
CONCLUSION
Conclusion générale sur la modélisation de la pluie horaire
Après avoir étudié en détail le modèle de génération de pluies horaires développé par CERNESSON
[1993], et après l'avoir testé sur 42 postes pluviographiques. il est apparu nécessaire d'y apporter des
modifications dans le but d'étendre sa zone de validité.
L'étude de la sensibilité du modèle à chaque variable, a permis de dégager les principaux facteurs
influant sur la modélisation des hyétogrammes. Dans un premier temps, la réduction du nombre de
retirages inhérents à l'architecture du modèle, a permis la diminution de plusieurs biais qui auraient
atténué les effets des modifications à apporter.
Un effort particulier a été mené dans la description de la loi de probabilité des intensités
moyennes des averses. Afin de s'affranchir des problèmes d'échantillonnage, liés parfois aux problèmes
de découpage des pluies horaires, le calage de la variable d'intensité moyenne des averses est effectué
en deux parties. L'ajustement des valeurs inférieures à quatre fois la moyenne est réalisé à partir d'une
loi exponentielle simple. Puis l'ajustement des valeurs extrêmes est étudié de façon régionale. On arrive
ainsi, dans la version régionalisée du modèle, à exprimer la loi de distribution de cette variable par
l'intermédiaire d'une valeur moyenne.
Enfin, l'étude de la dépendance entre les durées et les intensités des averses, négligée jusque là.
a permis d'introduire dans le modèle un nouveau paramètre permettant d'homogénéiser les erreurs. On
arrive ainsi à améliorer considérablement les performances du modèle, jugées sur la restitution de
variables "tests" n'ayant pas servi à l'élaboration du modèle (gage de robustesse). Rappelons que ces
variables "tests" sont les pluies maximales en 1, 2, 3, 4, 6. 12, 48 et 72 heures, et qu'elles permettent
d'apprécier la bonne restitution de la distribution temporelle des pluies simulées. L'amélioration du
modèle sur les postes pluviographiques des différentes régions étudiées (départements du pourtour
méditerranéen français), permet d'étendre sa zone de validité et d'apprécier de sa robustesse.
Le traitement d'une cinquantaine de postes pluviographiques répartis sur la région méditerranéenne, a

permis d'effectuer une étude régionale de la paramétrisation.
Certains paramètres, jugés comme des paramètres de forme, permettant de générer des
hyétogrammes "réalistes", ont été fixés. D'autres, dont la faible variation, d'un poste à l'autre, n'a pas
d'influence sur la pluviométrie, ont aussi été fixés.
On arrive ainsi à une paramétrisation du modèle basée sur cinq paramètres à déterminer sur
chaque poste. Ces cinq paramètres ont alors été caractérisés par des relations linéaires les liant à des
variables définies par l'information journalière. Cette nouvelle paramétrisation. basée uniquement sur
des grandeurs moyennes de la pluviométrie journalière, sera utilisée pour la régionalisation du modèle.
La version régionalisée du modèle n'altère pratiquement pas les performances, que ce soit pour les
postes ayant servi au calage, ou pour les postes introduits après. Le modèle génère correctement les
hyétogrammes horaires, sur une gamme de pluviométrie étendue. On peut raisonnablement penser que
ceci est vrai pour toute la zone d'étude : la façade méditerranéenne.
Reste à cartographier correctement les variables déduites des chroniques de pluies journalières, et
utilisées pour la paramétrisation régionale.
CONCLUSION 274
Le modèle est capable de simuler des événements pluvieux sur de très longues périodes. Cela signifie
que l'on a franchi un pas dans le concept de la pluie de projet. La génération d'événements pluvieux se
substitue aux approches par pluie de projet. Même si les pluies de projet ne sont plus monofréquence
comme pour les hyétogrammes de KEIFER (dont on ne connaît d'ailleurs pas la fréquence globale), leur
mode de construction a cependant une influence sur les hydrogrammes de crue qui en sont déduits par
modélisation.
D'autres informations peuvent bien sûr se déduire des hyétogrammes simulés :
- les courbes intensité-durée-fréquence, déterminées à partir des distributions de fréquences

empiriques, obtenues directement grâce aux longues périodes de pluies simulées. Leur élaboration ne
fait pas appel à l'extrapolation par des lois de probabilité dont on connaît le poids, notamment pour
l'extrapolation des fréquences élevées.
- le comportement à l'infini est approché par simulation. Le modèle n'est pas un modèle
physique. Il ne représente que de manière stochastique les chroniques observées. En cela, son
comportement à l'infini n'est pas plus rigoureux qu'une loi de probabilité unique. Cependant, l'approche
par la modélisation reste moins sensible à l'échantillonnage qu'un ajustement direct sur les pluies.
En effet, le modèle repose sur l'assemblage de variables décrivant la structure de la pluviométrie

(nombre d'averses, durée des averses, intensité moyenne des averses, etc.). Il faut penser que dans une
approche stochastique, la génération d'événements extrêmes peut être réalisée par l'agglomération de
plusieurs valeurs courantes ou rares des différentes variables descriptives du modèle. L'effectif des
observations de ces variables (parfois plus de 1000 valeurs) est suffisamment élevé pour être peu
soumis à l'échantillonnage. De plus, et en particulier pour la variable des intensités d'averses, on essaye
de modérer l'importance des valeurs extrêmes des variables descriptives du modèle. L'apparition d'un
événement pluvieux important parmi les observations entraînera moins de perturbation dans
l'ajustement des variables descriptives du modèle, et donc dans la simulation, que sur l'ajustement direct
des variables des pluies.
Dans le modèle régionalisé qui synthétise l'information d'une cinquantaine de poste, le problème des
"horsains" est évacué. De plus la paramétrisation par des valeurs moyennes permet de s'affranchir au
maximum des problèmes d'échantillonnage. On aurait pu redouter alors qu'il en résulte un
comportement à l'infini "mou" de la part du modèle. Ce n'est pas le cas. L'approche stochastique qui
consiste à l'assemblage de variables supposées indépendantes, permet la génération de pluies extrêmes à
partir de la combinaison de variables moins extrêmes.
Cependant, il reste à tester une manière de laisser plus libre le modèle (notamment au niveau de la
liaison entre les variables HMAP et DAP) qui, sans altérer de manière significative les moyennes et les
écarts types des variables "tests", puisse générer des hauteurs de pluies en accord avec les événements
historiques, notamment observés ces dernières années. Une autre modification en train d'être testée, est
de modéliser la persistance des averses les plus fortes au sein d'un même événement. Ce phénomène est
d'ailleurs observé sur les événements des postes d'altitude présentant de rares mais forts cumuls de pluie
sur la journée.
CONCLUSION 275
Bien sûr on peut se poser la question de la signification des distributions de fréquences pour des
périodes de retour au delà de 100 ans. On le faisait il y a quelques décennies pour les débits, maintenant
on ne le fait plus, au regard de l'évolution des caractéristiques géomorphologiques des bassins versants.
Quelle sera l'évolution de la science hydrométéorologique dans les années à venir ?
En attentant, les hydrologues disposent d'un outil régional capable d'être directement introduit dans la
modélisation de la transformation de la pluie en débit, ce qui était l'objectif de l'étude de la première
partie.
Conclusion générale sur la méthode de prédétermination des crues :
La méthode de prédétermination des débits de crues, méthode SHYPRE. consiste à modéliser des
chroniques de débits à partir de la modélisation de la pluie et de sa transformation en débit. Initialement
développée pour le pas de temps horaire, elle a aussi été utilisée au pas de temps journalier.
Au pas de temps journalier, la simulation des pluies repose sur un modèle stochastique plus simple que
le modèle horaire, caractérisant les chroniques continues de pluies journalières à l'aide de cinq
variables. Le calage du modèle de transformation de la pluie en débit ne pose pas de problèmes
particuliers. On arrive ainsi à modéliser de longues chroniques de débits journaliers utilisées pour
l'étude de la ressource en eau, pour les problèmes de gestion de retenue, etc..
Cette modélisation au pas de temps journalier va être utilisée pour initialiser le modèle horaire. On
arrive ainsi, sans dégrader les résultats du modèle horaire, à diminuer à deux le nombre de paramètres à
caler et à prendre en compte l'information temporelle obtenue en continu au pas de temps journalier. Ce
couplage des deux pas de temps présente l'avantage indéniable de pouvoir replacer les ésénements
horaires dans une chronique. On peut ainsi étudié les problèmes liés à des phénomènes intermittents,
tels que les problèmes d'érosion ou de pollution des eaux liés au lessivage des sols lors des premières
crues suite à une période sèche. Le second avantage est de pouvoir initialiser le modèle horaire tout en
prenant en compte, de façon plus précise, une certaine saisonnalité des paramètres initialisant les
réservoirs du modèle GR3 horaire.
Dans sa version la plus dégradée, la paramétrisation du modèle de transformation des pluies en débits,
est assurée uniquement par l'information journalière. Les résultats sont plus dégradés mais restent
corrects dans l'ensemble. Des améliorations restent à effectuer dans la paramétrisation du dernier
paramètre étudié.
Les résultats auxquels la méthode aboutit, sont prometteurs pour élaborer une méthodologie de
prédétermination des débits de crue dans une large plage de fréquence (du courant à l'exceptionnel). En
effet, même si pour les fréquences courantes un décalage entre les observations et les simulations peut
apparaître, ce décalage reste constant pour les périodes de retour plus élevées. de\enant alors
négligeable en valeur relative pour les fréquences rares. Cette stabilité observée, sur les distributions de
fréquence entre la méthode SHYPRE calée par l'information horaire et la méthode SHYPRE calée par
l'information journalière, provient de la stabilité dans la modélisation des pluies horaires. En effet, le
CONCLUSION 276
comportement à l'infini de la distribution des débits est largement conditionné par le comportement de
la distribution des pluies. Ce caractère peut être un atout face aux méthodes de prédétermination basées
uniquement sur la distribution des débits.
Intérêt méthodologique :
Disposition d'une information temporelle
Comme on l'a vu tout au long de ce travail, l'approche de prédétermination des débits est basée sur la
modélisation de la pluie et de sa transformation en débit. Par rapport aux statistiques simples, la
modélisation garantit le respect de l'information temporelle. En effet, les méthodes de prédétermination
classiques dégradent l'information temporelle des pluies et des débits pour n'étudier généralement la
distribution de fréquence que d'une ou deux variables caractéristiques. La nécessité de l'information
temporelle des crues pour effectuer des calculs hydrauliques, conduit à revenir à l'information
temporelle par la modélisation d'une forme arbitraire de crue synthétique (crue de projet).
La méthode présentée ici s'affranchit de ce passage délicat à une forme de pluie et de crue de projet
unique, puisqu'elle génère de façon intrinsèque des formes "réalistes" d'événements de crue.
Cette information temporelle des crues ne doit pas être négligée. Elle reste importante aux faibles pas de
temps pour l'approche en hydraulique transitoire des retenues, des champs d'inondation, etc.... mais
aussi au cours de l'année, pour la gestion des retenues, les problèmes de lessivage des sols. etc..
Cette approche permet donc de résoudre le problème du choix de la durée du hyétogramme de projet sur
lequel va porter la transformation pluie-débit, ce qui n'est pas sans conséquence sur les estimations des
débits.
Outre qu'elles ne respectent pas l'information temporelle, les statistiques simples traitent de manière
dissociée les pluies et les débits. Cela revient à occulter une information extrêmement précieuse sur le
comportement du bassin versant.
La méthode montre aussi que l'information journalière est utilisable pour la modélisation des crues. Ce
genre de transfert d'information n'est pas possible avec de simples starstiques.
Stabilité face à l'échantillonnage
Les estimations issues de statistiques directement effectuées sur les variables hydrologiques, doivent
être entourées d'intervalles de confiance, d'autant plus important que les chroniques sont courtes. La
modélisation peut sans problème particulier se caler sur ces chroniques courtes. De plus, et cela est
parfois très influant sur les estimations, les échantillons de débits sont affectés par des lacunes. Ces
lacunes sont bien sûr souvent présentes pour les événements les plus importants, car liées généralement
au dysfonctionnement ou à la destruction de la station en période de fortes crues. On a trou\é ce cas sur
certains bassins versants.
CONCLUSION 277
Pour illustrer le problème de l'échantillonnage dans la prédétermination des débits, on a considéré un

cas où les deux plus fortes crues sont apparues les deux derniers années de la chronique d'observation.
En distinguant deux périodes de calage (première période sans les deux dernières années et deuxième
période avec les deux dernières années), on arrive à des résultats significatifs. L'estimation du débit de
pointe décennal varie du simple au double par un ajustement statistique de la loi de Gumbel sur les deux
périodes, ce qui remet en cause les études de prédétermination établies sur la première période (avant
les deux plus fortes crues).
Par la méthode SHYPRE, le débit de pointe décennal estimé reste inchangé entre les deux périodes de
calage. Par rapport à la première période, il semblait être surestimé et avec la présence des deux fortes
crues il parait être validé. Cet exemple, bien qu'un cas particulier, illustre bien la stabilité de la méthode
par rapport aux problèmes d'échantillonnage. Cette stabilité provient à la fois de la stabilité de la
pluviométrie et de la stabilité de la modélisation des pluies en débits.
La modélisation de la transformation de la pluie en débit permet de reconstituer des hydrogrammes à

partir de l'information pluviométrique, et donc de travailler sur des séries moins amputée de
l'information essentielle des crues. La grande force de cette approche est dont de prendre en compte au
maximum l'information contenue dans les pluies.
Nouvelle approche du comportement ci l'infini
La simulation de longues chroniques offre un confort d'utilisation pour aborder l'ensemble des
problèmes liés à la gestion des eaux et à son utilisation, même si les problèmes sont complexes.
La simulation permet aussi une approche du comportement à l'infini des distributions de fréquence des
variables hydrologiques. On atteint ici un domaine pour lequel les validations sont pratiquement
impossibles. Toutes les méthodes sont alors justes... ou fausses !
En pluviométrie, nous pensons que l'agglomération des variables descriptives peut être plus robuste
qu'une simple loi de probabilité calées sur les variables hydrologiques.
En ce qui concerne les débits, la méthode se substitue aux approches classiques telles que celle du
Gradex.
Sur le plan opérationnel, la méthode sera appréhendée de façon différentes en fonction des données
disponibles. Cependant, l'étude régionale de la paramétrisation du modèle de pluie horaire, nous
encourage à penser que la méthode puisse être robuste sur des bassins où l'information pluviographique
manque. Nous nourrissons aussi l'espoir d'arriver à une régionalisation du modèle de transformation
pluie-débit en journalier. Sur la zone, un modèle mensuel a déjà pu être régionalisé.
REFERENCES BIBLIOGRAPHIQUES
ABBOTT M.B.. BATHURST J.C., CUNGE J.A.. O'CONNEL P.E., RASMUSSEN i. [1986] An introduction to
the European Hydrological System - Systeme Hydrologique Européen, "SHE", 1 - History and
philosophy of a physically based distributed modelling system, 2 - Structure of a physically
based distributed system, Journal of Hydrology, 87, 45-59 et 61-77, 1986.
ACREMAN M.C. [1990] A simple stochastic model of hourly rainfall for Farnborough. England.
Hydrological Sciences - Journal - des Sciences Hydrologiques, 35, 2, 4/1990, pages 119-148.
AMBROISE B., [1991] Hydrologie des petits bassins versants ruraux en mileu tempéré - Processus et
modèles - Séminaire du Conseil Scientifique du Département "Sciences du Sol" de L'I.N.R.A.,
Dijon, 26-27/03/199I. 33 pages.
ANDRE G., [1991] Modèle stochastique de construction de hyetogrammes horaires. Rapport d'avant
projet, S.T.E3°année I.S.I.M. . Année 1990-1991
ARNAUD P., LAVABRE J. [1995] Simulation du fonctionnement d'une retenue d'eau. Comité National
Suisse des Grands Barrages. Research in the Field Dams, CIGB-ICOLD, Crans-Montana,
Suisse, pages 641-652.
ARNAUD P., LAVABRE J. [1995] Couplage de modèles de simulation de hyetogrammes aux pas de temps
journalier et horaire. Les modèles au Cemagref - Séminaire inter-chercheurs . Tome I - pages
23-31
ASCENSIO E. [1984] Aspects climatologiques des départements de la région Languedoc-Rouvsillon.

Ministère des transports • Direction de la météorologie Boulogne Billancourt, Monographie.
n°4, 94pages.
BARRET, JACQ V., RIVRAIN [1994] Une situation à l'origine des pluies diluviennes en région
méditerranéennes (épisode 22/23 sept. 1993). La météorologie 8° série - n°7 - Sept. 1994
B.C.E.O.M. [1994] Etude du risque inondation dans la basse vallée du FiumAlto : rapport d'étude pour
la DIREN Corse.
B.C.E.O.M. [1997] Etude du risque inodation dans la vallée du Prunelli : rapport d'étude pour la
D.D.E. Corse
BENECH C. [1980] Préparation des objectifs de qualité des eaux superficielles - Bassin du Tech. Note
préliminaire sur les débits de référence, Direction Départementale de l'Agriculture. 7pages.
BENECH C. [1986] Recensement des données hydrologiques et des ouvrages de prélèvement -

Application de l'article 410 du code rural. Rapport, Direction Départementale de
l'Agriculture, département des Pyrénées Orientales, pages 1-21.
BENICHOU P., LEBRETON O. [1986] Prise en compte de la topographie pour la cartographie des champs
pluviométriques statistiques : la méthode AURELHY. Les coloques de l'I.N.R.A. n:>39.
BEVEN K., KlRKBY M.J. [1979] A phvsically-based variable-contributing area model of bassin
hydrology. Hydro. Sci Bull.. 24. pages 27-53.
282
BOULEAU N . [1995] Validation et qualité des modèles. Les modèles au Cemagref - Tome 2. puces 37-
42. Séminaire inter-chercheurs du 12-13 octobre 1995.
BOULEAU N. [1991] Splendeurs et misères des lois de valeurs extrêmes. Revue Risques n° 4. Janvier
1991.
BUISHAND T.A. [1977] Stochastic modelling of daily rainfall sequences. Mededelingen

Landbouwhogeschool - Wageningen - Nederland 77-3 (1977), 211 pages.
BUISHAND T.A. [1978] Some remarks on the use of daily rainfall models. Journal of Hydrology, 36
(1978) 295-308
BUISHAND T.A. [1991] Extreme rainfall estimation by combining data from several sites. Hydrological
Sciences Journal des sciences hydrologiques, 36, 4, 8/1991
BRUNEI-MORE! Y., [1969] Etude de quelques lois statistiques utilisées en "Hydrologie" - Cahiers de
l'ORSTOM, série hydrologie Vol.VI n°3 - 1969
Caractéristiques statistiques de la crue régionale en Afrique de l'ouest. Hydrologie continentale.

ORSTOM édition. n° 1 Vol 811993 [ 1993]
CERNESSON F. [1993] Modèle simple de prédétermination des crues de fréquences courantes à rares sur
petits bassins versants méditerranéens. Thèse de doctorat de l'Université Montpellier II. 240
pages.
CERNESSON F., LAVABRE J.. MASSON J.M. [1994] Stochastic model for generating hourly hyetographs.
Preprints of papers - International Workshop, Closing the gap between theory and practice in
urban rainfall applications. St Moritz. Switzerland, 30 Nov.-4 Dec. 1994. pp202-216
CHOW V.T.[1964] Handbook of applied hydrology. A Compendium of Water-resources Technology.

McGraw-Hill book company.
COGNARD et al [1996] Evaluation of the ERS.l/SAR capacity to estimate surface soil moisture. Two
years results over the Naizin watershed. Water Resources Research 31 (4Ì. pages 975-982
COWPERTWAIT P.S.P. [1991] Further developments of the Neyman-Scott clustered point process for
modelling rainfall. Water resouces research, vol.27, n°7,july 1991. pages 1431-1438.
CRAWFORD N.H., LINSLEY R.K. [1966] Digital simulation in hydrology : Stanford Watershed Model
Mark IV. Dept. Civil Eng. Tech. Report 39, Stanford University California USA.
CRUES ET INONDATIONS. [1994] IM Houille Blanche. N°8-1994. XXIIIo Journées de l'hydraulique de la

société hydrotechnique de France
CUNNANE C. [1988] Methods and merits of regional flood frequency analysis. Journal of Hydrology.
100(1988) pp 269-290
DAGNELIE P. [1973] Théorie et méthodes statistiques. Volume 1 et 2. Presse Agronomique de

Gemboux-Belgique.
DESBORDES M., RAOUS P. [1980] Fondement de l'élaboration d'une pluie de projet urbaine : Méthode
d'analyse et application à la station de Montpellier-Bel Air. La météorologie. Vl° série. n°20 et
21, mars et juin 1980, pages 317-326.
DlMOPOULOS [1996] Modélisation de la relation pluie-débit par les réseaux connexionnistes et le titre
de Kaiman. Journal des Sciences hydrologiques. 41(2) April 1996 pages 179-193.
283
DUBAND D., GLILLOTP. [1968] La méthode du Grades pour le calcul de la probabilité des crues à partir
des pluies extrêmes. S.H.F. - X'eme journées de l'hydraulique, Paris, question I, rapport 7, 7
payes.
DUBAND D. [1978] Fonction de transfert pluie-débit sur des bassins versants de l'ordre de 1000 km2.
Rapport interne EDF-DTC. Grenoble.
DUMONT D'AYOT G. [1993] Augmentation de la capacité des retenues : aspects hydrologiques. Mémoire
ENSHMG. Cemagref d'Aix-en-Provence. 35 pages.
ECONOPOULY T.W., DAVID D.R. et WOOLHISER D.A. [1990] Parameter transferability for a daily
rainfall disaggregation model. Journal of hydrology 118 (1990) pages 209-228.
EDIJATNO, MICHEL e , [1989] Un modèle de pluie-débit journalier à trois paramètres. La Houille

Blanche. N°2-1989, pages 113-121.
EDIJATNO [1991] Mise au point d'un modèle élémentaire pluie-débit au pas de temp journalier. Thèse
Université Louis Pasteur de Strasbourg, Institut de Mécanique des fluides. Ecole S'ationale
des Ingénieurs des Travaux Sanitaires de Strasbourg, Cemagref Antony, 207 pages.
FERRER J., ARDILES L. [1993] Frequency analysis of daily rainfall annual maximum series in Spain.
Groupe AMHY. Séminaire annuel, nov. 1993. UNESCO PHI IV FRIEND H-5-5
FLEMING G. [1975] Computer simulation technique in hydrology. Collection environmental. Science

series, Elsevier, New- York. 334 pages.
FOLTON N. [1995] Bassin de recherche du Real Collobrier : Informations générales sur la pluviométrie
et les écoulements. Cemagref, 16 pages
GLASBEY CA., COOPER G.. MCECHAN M.B. [1995] Disagregation of daily rainfall by conditional
simalution from a point-process model. Journal of Hydrology 165 (1995) 1-9.
GEORGAKAKOS K.P., BRAS R.L. [1984] A hydrologically useful station precipitation model : 1 -
Formulation. Water resources research, vol. 20, n°ll, pages 1585-1596. Nov. 1984.
GEORGAKAKOS K.P. [1986] A generalized stochastic hydrometeorological model for flood and flash-
flood forecasting : 1 - Formulation. Water resources research, vol. 22, n°13, pages 2083-
2095, Dec. 1986.
GOETTMANN P. [1996] Etude hydrologique du Salagou. Mémoire de DESS Hydrogéologie et

Environnement, Université d'Avignon, Cemagref d'Aix-en-Provence.
GRESILLON J.M. [1994] Contribution à l'étude de la formation des écoulements de crue sur les petits
bassins versants. Diplôme d'habilitation à diriger des recherches, LTHE Grenoble. 157 pages.
HERSHENHORN J. et WOOLHISER D.A. [1987] Disaggregation of daily rainfall. Journal of hydrology 95

(1987) pages 299-322.
KALMAN R.E. [1960] A new approach to linear filtering and prediction theory. Trans. ASME J. Basic
Engng D82, pages 35-45.
KUICHLING E. [1889] The relation between the rainfall and the discharge of sewers in populous
districts, Transactions of the American Society Civil Engineers, vol. 20. pages 1-56.
LABORDE S. [1991]. Modèle stochastique de hyétogrammes horaires. Mémoire de stage ISIM et

Cemagref, Ai.x-en-Provence. 25 pages.
284
LANG M. [1995] Les chroniques en hydrologie. Thèse Université Joseph Fournier de Grenoble.
Cemagref, groupement de Lyon, division Hydrologie-Hvdraulique.
LAVABRE J. [1978] , Bassin versant Collobrier : La pluviométrie et sa variation spatiale. Octobre 1978,
CTG RE F Etude n°15. Groupement d'Aix-en-Provence, Section Génie Rural.
LAVABRE J. [1983] Analyse des fortes pluies de 1 à 72 heures sur 12 stations du département des
Bouches du Rhône. Etude n°35, Groupement d'ALx-en-Provence. 33 pages.
LAVABRE J. [1990] Les bassins versants de recherche du Real Collobrier - Cemagref, Aix-en-Provence
LAVABRE J., ARANUD P., FOLTON N., MICHEL C. [1996] Les écoulements d'un petit bassin versant
méditerranéen après un incendie de forêt. Ingénieries - EAT - n°7, sept 1996, pages 21-30.
LAVABRE J., ARNAUD P. [1995] Apport de la modélisation des hyetogrammes horaires pour la
connaissance des pluies extrêmes. Receuil de publications à l'International Conférence in
honour of Jacques BERNIER, Chap. Il, PARIS, UNESCO. 11-13 sept. 1995.10 pages.
LEBEL T. [1984] Moyenne spatiale de la pluie sur un bassin versant : estimation optimale, génération
stochastique et gradex des valeurs extrêmes. Thèse INPG, Grenoble, 350 pages.
LETTENMAIER D.P., WALLIS J.R. and WOOD E.F., [1987] Effect of regional heterogeneity on flood
frequency estimation. Water Resources Research, Vol. 23 N°2, pages 313-323. February 1987
LLAMAS J. [1993] Hydrologie générale principes et applications. 2° édition. Gaétan Morin éditeur.
Paris, 527 pages.
LOUMAGNE C. et al [1996] Introduction of soil/végétation/atmosphère continuum in a conceptual

rainfall/runoff model. Hydrological Sciences - Journal - des Sciences Hydrologiques. 41 (6)
December 1996. pages 889-902
LUBES H., MASSON J.M., RAOUS P., TAPIAL' M. [1994] SAFARHY, logiciel de calculs statistiques et
d'analyse fréquentielle adapté à l'évaluation du risque en hydrologie. Manuel de référence.
ORSTOM, Université Montpellier II. Mai 1994, version 2.111. ¡40 pages
MAKHLOUF Z., [1994] Compléments sur le modèle de pluie-débit GR4J et essai d'estimation de ses
paramètres. Thèse .Université Paris XI Orsay, Cemagref
MAKHLOUF Z., MICHEL C. [1994] A two-parameter monthly water balance model for French
watersheds. Journal of Hydrology 162 (1994) 299-318.
MARGOUM M., OBERLIN G., LANG M., WEINGARTNER R. [1994] Estimation des crues rares et extrêmes
: principes du modèle Agrégée. Hydrologie continentale, vol. 9, n°l, 1994, pages 85-100.
MASSON J.M. [1991] Un problème parmis d'autres dans l'analyse des distributions des variables
hydrologiques : les horsains (outliers). Statistiques Appliquées. Semifor 5, éd. ORSTOM.
MICHEL C. [1983] Que peut-on faire en hydrologie avec un modèle à un paramètre ? La Houille
Blanche, n° 1,1983. pages 39-44.
MICHEL C , [1989] Hydrologie appliquée aux petits bassins ruraux. Document C.E.M.A.G.R.E.F. ,
groupement Anthony, division "Hydrologie, hydraulique fluviale et souterraine".
MINISTERE DE L'AGRICULTURE [1980] Synthèse nationale sur les crues des petits bassins versants.
NASH J.E. SUTCLIFFE J.V. [1970] River flow forecasting through conceptual mode's, part I. a
discussion of principles. Journal of Hydrology, vol. 10 n°3 : 282-290.
NEPPEL L., DESBORDES M. [1995] Etude du risque pluvial en région méditerranéenne - Sélection,
Analyse descriptive et approche de l'étendue d'épisodes pluvieux extrêmes. L.H.M. Université
Montpellier II.
NEYMAN J., SCOTT E. [1958] Statistical approach to problems of cosmology. Journal of Royal
Statistical Society, seris b (methodological), vol 20 n°l : 1:43.
OUVEIRA NASCIMENTO (DE) N. [1995] Appréciation à l'aide d'un modèle empirique des effets d'actions
anthropiques sur la relation pluie-débit à l'échelle d'un bassin versant. Mémoire de thèse,
Ecole Nationale des Ponts et Chaussées, CERGRENE.
ONOF C , CHANDLER R., KAKOU A., NORTHOP P. [1995] Rainfall modelling using Poisson-cluster
process. Receuil de publications à l'International Conférence in honour of Jacques BERNIER,
Chap. Il, PARIS, UNESCO, II-13 sept. 1995
REVUE DE STATISTIQUE APPLIQUEE [1986] Aide-mémoire pratique des techniques statistiques. Vol
XXXIV, Numéro spécial, 274 pages.
RIBERO E. [1992] Eléments de régionalisation. Modèle stochastique de génération de h\étogrammes

horaires. Mémoire Mastère ENGREF, Cemagref d'Aix-en-Provence. 53 pages.
ROCHE M., [1963] Hydrologie de surface, ORSTOM. Gautier-Villars éditeur - Paris 429pages
RODRIGUEZ-ITURBE I., COX D.R.. ISHAM F.R.S et V [1987] Some models for rainfall based on
stochastic point processes. Proc. Royal Society London, A410, pages 269-288.
RODRIGUEZ-ITURBE I., COX D.R., ISHAM V. [1988] A point process for rainfall : further developments.
Proc. Roy. Soc. London. A417.283-298
ROUX Christian [1996] Analyse des précipitations en hydrologie urbaine. Exemple de la Seine-Saint-
Denis. Thèse, CERGRENE - Ecole Nationale et Ponts et Chaussées. 288 pages.
ROY R., MATHIER L. , BOBEE B. [1995] Analyse probabiliste des conditions de faible hydraulicité dans
une perspective de production hydro-électrique.
ROSSI, FIORENTINO, VERSACE, [1984] Two component extreme value distribution for flood frequency
analysis", Water resources research, V 20 n°7, July 1984,p847-856.
ROYER J.F. et NlCOLIS C. [1994] Chaos et météorologie. La météorologie 8° série - n°5 - mari ¡994,
pages 38-53.
SCHERRER B. [1984] Biostatistique. Gaétan Morin éditeur, Québec, 850pages.
SERVAT E., DEZETTER A. [1990] Sélection de critères numériques de calage dans le cadre d'une
modélisation pluie-débit en zone de savane soudanaise. Hydrologie continentale, vol. 5. n°2,
¡990: 147-165
SERVAT E., DEZETTER A. [1988] Modélisation globale de la relation pluie-débit : des outils au ser\ice
de l'évaluation des ressources en eau. Hydrologie continentale, vol. 3. n°2. 1988 : pi 17-129.
SERVAT E.. DEZETTER A. [1992] Modélisation de la relation pluie-débit et estimation des apports en
eau dans le nord-ouest de la Côte-d'Ivoire. Hydrologie continentale, vol. 7, n°2.1992. pi 29-
142.
286
SHERMAN L.K. [1932] Stream flow from rainfall by the unit-graph method. Engin. News Record 108
SlGHOMNOU D., DESBORDES M. [1988] Recherche d'un modèle de pluie de projet adapté aux
précipitations de la zone tropicale africaine. Hydrologie continentale, vol. 3, n°2, 1988 : pi 31-
139
STARON G. [1993] Chronologie des catastrophes pluvieuses dans le sud de la France. Revue de
géographie de Lyon. vol. 68, 2-3/93. pages 91-100.
TOUR ASSE P. [1981] Analyses spatiales et temporelles des précipitations et utilisation opérationnelle
dans un système de prévision de crues. Application aux régions cévenoles. Thèse IMG,
Université scientifique et médical, et Institut National Polytechnique de Grenoble, Grenoble,
190 pages.
VUILLET M.F., [1993] Analyse d'un modèle stochastique de simulation de hyetogrammes horaires.
Cemagref, Rapport 3ème année I.S.I.M. Février-Juin 1993, 44 pages.
WAYMIRE E., GUPTA V.K. [1981] The mathematical structure of rainfall representations : a review of
the stochastic rainfall models. Water Ressources Research, vol 17, n°5, pages ¡261-1272.
WENDUNG J. [1992] Modélisation pluie-débit : comparaison d'approches conceptuelles/physico-

déterministes, globales/semi-distribuées. Essai de prise en compte de la variabilité spatiale des
pluies. (Application au bassin versant du Real Collobrier). Thèse de l'Institut National
Polytechnique de Grenoble.
WILTSHIRE S.E.. [1986] Regional flood frequency analysis I : Homogeneity statistics. Hydmlogical
Sciences - Journal - des Seiendes Hydrologiques, 31, 3, 9/1986. pages 321-333.
WILTSHIRE S.E., [1986] Identification of homogeneous regions for flood frequency annalysis. Journal
of Hydrology. 84(1986)287-302.
YANG X. [1993] Mise au point d'une méthode d'utilisation d'un modèle pluie-débit conceptuel pour la
prévision des crues en temps réel. Thèse Ecole Nationale des Ponts et Chaussées.
CERGRENE, 205 pages.
YANG X., PARENT E. [1996] Analyse de fiabilité en modélisation hydrologique : concepts et

applications au modèle pluies-débits GR3. Revue des sciences de l'eau. Vol 9 - N°l - 1996 -
pages 31-50.
Annexe n°I.l
Informations sur les différents postes

pluviographiques étudiés
Localisation (carte)
Caractéristiques générales
Valeurs des moyennes et des écarts-types des pluies maximales de différentes durées
I') IO
Localisation des postes pluviographiques
1920
moo { Bouches du Rhône

I 3
1880
r ! a ¡
I860
1840 •
e
1820 •
1800
1780 .
i 92
1760 i
17-10 •
P5I 0
1720 ; B.V.R.E. Real Collobrier
J
/ ' *P55 J
1700 •
P65 ,
m
1680 -
P7ì
1660 i PU
V P67
P72 :
1640 : *P74 /' 61
1620 • Jp62
•P66
1600 P52
ISSO •
o -I» x
I S60 ( l.onyiludes en Lambert II élendu (km) ) s
I VIO •
500 520 540 560 580 600 620 640 660 680 700 720 740 760 780 800 820 840 860 880 900 920 940 960 980 1000 1020 1040 1060 1080 I 100 1120 1140 1160 I 180 1200
Annexe n°I.l
INVENTAIRE DES POSTES PLUVIOGRAPHIQUES
Identité Chronique Position Nombre

d'événements
N°du Localité ou lieu-dit Gestionnaire Année Année Durée X* Y* Z ETE HIVER
poste début fin réelle (km) (km) (m)
POI Néoulous (66) D.D.A.F. 1965 1990 22 649.92 1719.55 1100 103 94
P02 Nombel (66) D.D.A.F. 1966 1990 20 628.47 1721.45 210 71 65
P03 Linas (66) D.D.A.F. 1965 1990 21 604.41 1764.04 680 91 90
P04 Col de Fourtou (66) D.D.A.F. 1966 1990 5 625.46 1728.86 640 19 18
PIO Aix-en-Provence( 13) Mèteo 1961 1979 18.6 850.60 1839.80 173 70 52
PII Arles (13) Meteo 1964 1979 15.6 784.10 1855.00 8 52 53
P12 Aubagne (13) Mèteo 1964 1979 16 863.00 1815.10 131 50 68
P13 Chateaurenard(l3) Mèteo 1964 1979 14.4 802.90 1879.10 32 51 36
P14 Fangas (13) Mèteo 1967 1979 11.3 803.00 1861.20 135 42 55
P15 Lámbese (13) Mèteo 1964 1979 15.1 837.00 1854.50 195 53 38
P16 Baux de Provence (13) Mèteo 1967 1978 11.1 797.80 1863.10 48 43
P17 Lieutenante (13) Mèteo 1968 1979 11 804.50 1851.60 36 40 52
P18 Marignane . 13) Mèteo 1956 1979 24.2 834.00 1831.00 4 78 84
P19 Salon (13) Mèteo 1962 1980 19 824.00 1848.50 59 67 74
P20 Trets(13) Mèteo 1964 1979 15.2 871.80 1833.34 240 55 45
P21 Marseille (13) Mèteo 1918 1979 60.2 848.30 1816.20 75 182 184
P22 Bimont ( 13) S.C.P. 1972 1995 18 858 60 1841.80 270 51 68
P34 Montpellier (34) I.N.R.A. 1920 1940 21 724.10 1846.30 45 78 83
P35 Mas Bousquet (34) B.R.L. 1958 1995 22 674.10 1847.00 400 i i
82
P51 Les Adrets (83) Cemaaref 1966 1988 n i 921.97 1817.10 658 98 145
P52 Col de Babaou(83) Cemasref 1966 1995 28 922.87 1808.72 440 137 185
P53 Les Baudissons (83) Cemagref 1966 1988 20.1 919.35 1813.47 407 90 134
P54 Les Bonaud (83) Cemaaref 1966 1995 27 921.20 1812.50 166 I31 151
P55 Les Condamines (83) Cemasref 1966 1987 20 925.14 1815.62 533 95 141
P56 La Croix d'Anselme (83) Cemagref 1966 1995 26.3 926.62 1812.70 355 136 192
P57 Le Cros de Guerin (83) Cemaaref 1966 1995 26.2 923.55 1814.90 348 134 191
P58 Le Cros de Mouton (83) Cemaaref 1966 1995 29.6 926.50 1816.90 648 I35 195
P59 Les Dourgannières (83) Cemaaref 1966 1981 14.4 922.52 1815.90 506 59 110
P60 Col des Fourches (83) Cemaaref 1971 1995 27.6 923.95 1817.35 543 120 170
P61 Le Gour de l'Astre (83) Cemagref 1966 1995 28.1 921.35 1811.27 143 I27 172
P62 Station de Lambert (83) Cemagref 1966 1995 28 925.39 1810.57 542 136 187
P63 Les Lauriers (83) Cemagref 1966 1988 20 925.30 1814.90 355 93 160
P64 Les Louvières (83) Cemagref 1966 1995 28 927.30 1815.37 645 147 208
P65 Les Martels (83) Cemagref 1966 1995 24.1 919.07 1814.92 518 I02 131
P66 Le Meffrey (83) Cemaaref 1966 1995 24.3 920.47 1809.85 236 109 145
P67 Le Pevrol (83) Cemagref 1966 1995 25.4 916.47 1813.40 320 1I5 123
P68 La Portanière (83) Cemagref 1966 1995 26.1 917.42 1811.15 107 1I2 135
P69 Le haut Rimbaud (83) Cemaaref 1966 1995 28.2 926.10 1809.45 554 145 200
P70 Les Vaudrèches (83) Cemasref 1966 1995 27.2 921.45 1815.42 487 122 140
P71 Les Bourdins (83) Cemaaref 1967 1995 24.5 925.02 1813.10 207 104 167
P72 Station de Collobrière (83) Cemasref 1968 1985 17 922.95 1812.07 160 78 133
P73 LeRèguedelaTruie(83) Cemaaref 1966 1991 23.4 915.77 1814.78 360 94 123
P74 Les Davids (83) Cemagref 1966 1995 27 912.15 1811.97 80 102 121
P91 Felce (20) DIREN 1962 1990 20.4 1184.30 1731.20 810 75 116
P92 Luri-Campo (20) DIREN 1961 1993 25.4 1178.10 1791.80 65 89 MO
P93 Manso 20) DIREN 1977 1992 12 1134.47 1726.80 360 55 83
P94 Murato (20) DIREN 1972 1994 15.1 1174.60 1755.80 530 4I 65
P95 Marchese (20) DIREN 1971 1994 18.6 1168.40 1655.00 060 s: 87
P96 Col de Larone(20) DIREN 1972 1992 20 S 1177.70 1672 80 610 69 14(i
"Coordonnées en Lambert ¿one II étendu
Annexe n°I.l
Bouches du Rhône léraii It Var (B.V.R.E. Real Collobrier)

P.O. Corse
25 —
20 <^
/ \
15 —
/ N^^ô—*• — * - -o-~—
>
•
». , • - • • • .
" • • • • • • • • . . . • .«•• .•..•••• — ••••*•••••*-••-••*
i 1 moyenne dePMI (mm) | •••••HIVER
0 — -o—ETE ''
5
S j 5
POI
£ £ § r. Zi Iñ 7, ïî * îï S
î î ï ï l î î î i l £ £ E ~£ l l î ï :
Bouches du Rhône lérault Var (B.V.R.E. Real CoUobrier)

P.O. Corse
30 -
25
20 Av y \
V
\/\/
15
•••--•••V- ••»...-•
10
5
moyenne de PM2 (mm) • WA£/f
0
¿ . ¿ . a . a . o . a . â . c a . a . a . i u : . L L C L L t t l t ¿ i. t i t
Bouches du Rhône lérauit Var (B.V.R.E. Real Collobrier)

P.O. Corse
40
35
A
\
" • • • • . . « .
• « • • « ! '
15
10
; moyenne de PM4 (mm) *••• HIVER
0 . , . , . , , ^ - i—o— £7£
Bouches du Rhône lérault Var (B.V.R.E. Real CoUobrier) Corse

P.O.
15
10 - -j moyenne de PM6 (mm) |
5 •
H1\ER
0 •ETE
£ ££ i l l ï l ï ï i î Ï L Î l ï l î l l ï î l i ï ï Î l l ï î î î l
Valeurs observées des moyennes des variables tests : pluies maximales en 1, 2, 4 et 6 heures, sur les 49
postes pluviographiques étudiés
Annexe n°Ll
Var (B.V.R.E. Real Collobrier) Corse
moyenne de PM12 (mm)
P.O. Var (B.V.R.E. Real Collobrier) Corse
moyenne de PM24 (mm)
Bouches du Rhône lérault Var (B.V.R.E. Real Collobrier) Corse

P.O.
90
SO^r
70 -A;
60 —
50 —
40 — >\ x.:>
V
30 —
20 — moyenne de PM48 (mm)
H/VEÄ .
10
0 — -ETE
1 0
£'^ » = — p¡
a. x î a. a. a. a.
P.O Var (B.V.R.E. Real Collobrier) Corse
moyenne de HTOT (mm)
zzîïzlïîiîîlîïïllèîtîlîzzzîïlîîii
Valeurs observées des moyennes des variables tests : pluies maximales en 12. 24 et 48 heures et hauteurs
totales, sur les 49 postes pluvio graphique s étudiés
Annexe n°I.l
Bouches du Rhone Var (B.V.R.E. Real Collobrier)
Ecart-type de PMI (mm)

>. . - • • - . •• "••••••.«,••• ... . . . . . . . . . . • . . _ • • • • • - . - •
£ £ £ £ £ £ £ £
i lérai It Var (B.V.R.E. Real CoUobrier)

P.O. Bouches du Rhône Corse
20 -
18 â
/ \
¡6 -
Q
AA
\
A y
/ \
V
A
C -0 0
"°^* ~ ^ ^ \ , / ^ ^^ ^^
y \ /\ /
12 -
/\ r \
\ /vV
k1 \A \/
\ ^
S -
/ V ••••«.
• '• „
V
* •
** •*
• * *• V
* • * • É * •
« .
. HfVFR
- . • •
•••
Ecart-type de PM2 (mm) -ETE
0-
í í i i & i í í r i b & i i i x ^ ^ ^ C ü ^ ^ i i ^ i i í
Bouches du Rhône Hérault Var (B.V.R.E. Real Collobrier) Corse

P.O.
15
30
<••• HIVER
25 — ETE '•
20
15 «7- V7 J \r.\i
10 —
• • • • • *
v/ i-.
. - • • • • • • - . . • • • . .
5
« - • * • • •
-; Ecart-type de PM4 (mm) |
o
1 S i ì. — — —
Bouches du Rhône Hérault Var (B.V.R.E. Real Collobrier)

P.O.
45
40 .
HIVER :
35 \ Ecart-type de PM6 (mm)
30 —<
Valeurs observées des écarts-types des variables tests : pluies maximales en I, 2, 4 et 6 heure,s sur les 49
postes pluviographiques étudiés
Annexe n°I.l
Var (B.V.R.E. Real Collobrier)
Ecart-type de PM12 (mm)
2 £ § i
Bouches du Rhône Hérault Var (B.V.R.E. Real Collobrier)

P.O. Corse
70
60
50 T
| Ecart-type de PM24 (mm) •»•••HIVER
-o—ETE • EZHÎ
40 \ \ *
30
20
• • • *
10
0
^• ^* ^ ^" o '^ -^ 'o 5 ^ ^ o ^ ^^ ^^ ~^ "** * ^ ^ '^ ^ ^
Bouches du Rhône Hérault Var (B.V.R.E. Real Collobrier) Corse

P.O.
80
70
•HIVER
60
j Ecart-type de PM48 (mnö]_
ETE
50 A
,'A \ r/¡ir
30
VM
* _ • _ * _
-^ y
20
IO ;
a. a. a.
Var (B.V.R.E. Real Collobrier)
Ecart-type de HTOT (mm)
Valeurs observées des écarts-types des variables tests : pluies maximales en 12. 24 et 48 heures et
hauteurs totales, sur les 49 postes pluviographiques étudiés
Annexe n°1.2
Résultats comparatifs de la restitution des

variables tests suivant le mode de découpage des
pluies horaires
Valeurs des erreurs relatives des moyennes et des écarts-types des variables tests PMI. PM4 et
PM24. en fonction du mode d'analyse des pluies horaires : calcul des pluies horaires avec
origine fixe et calcul des pluies horaires avec origine mobile.
Influence du découpage des pluies horaires
ri ri in x - 1 ci vi ÛO "-1 ^ (*• C fi oi ri M Tt oo <-• M vi oo ~~ I"*T ^ ^ f< r"1
•o Ô *O 'iO r*** r*** ^>
a-a-a-û-a-CLa-û-a-o-û-a-ÏL a- a, cu a- a, a, a*i i i i i i i.
•J
T3
i)
s
A
• Modèle initial Origine mobile
HIVER ETE
p l u - i o o — i p j > n o o — « ^ t t ~ ~ o m p i p i P I i n oo - > P I m oo - t ^ C e fi
i i ì i i i i i i t £ i i £ £ I I I E ! I I I I I £ I I £
2 80
t 70
= 60
A A
| 50
7^40
• m A TA A
Ï 30
I 20
4
g 10 -®-ô-
A
Modèle initial Origine mobile
HIVER ETE
plfiinoo pi P I * i oo « P I m oo - ^t p~ O CÌ
o - ^ i — i ^ - p 4 < n m i o o v o v C r ~ p ~
0.0.0. 0,0.0. l l l l l l l l l l l l l
70
i 60
50
I 40
A
30 i
12
•| ^ 2 0 fti
• 1
1 .0
1111111111111 ah 11 M i ni 'AW 11 a 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 i i - H - 1 1 i lAl i: '
£
-IO
9 A
HIVER ETE
%ístituúon des moyennes des píuies ma?Qmaíes en 1, 4, 24 (teures

Influence du découpage des pluies horaires
T m o m v O C T v ^ f o v o o > r - i > n a e — r
— — — — f>mw><o r~a» —• — -« — f i u - i v - i v i v o ^ C ' ^ C r ^ r - ^
0 , 0 . 0 . 0 , 0 , 1 1 0 . 0 . 0.21. 0 . 0 . 0 , 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 , 0 .
_ 180
i 160
1 140
| 120
i loo
I - 80
| - 60
2 40 TI
i 20 t
L. 0^ 1111111111
-20
-40
8 A
HIVER ETE
o m * o o \ T t c < " i v o a \ c J u " i o o — • t m o o n ^ o o v ^ r r o v o o N r J u - . oo — - r

0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 .
2 400
t 35 °
i
I 300 Ut
| 250 A j
1 ~ 200
< 1
9
»Î 0
= ~ 150 f
| 100 • ,
t
¿A
A
•
T
0 î
il
j
> i
2 50 .*. '
iS °í if
a * M
l!r
Ä
- -50
8 AL
HIVER ETE
^M ^M ™^ ^^ pr^ i^"j i^j i ^ ^ Q vî ^2 r*" r***

0 . 0 . 0 . 0 . 0 . 0 , 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 .
500
Il
•o
450 à
Ë. 400
t 35°
I ~ 300
i i 25° 2
« § 200
•s —
150
! . f A 4
100
' I o
50 H
¡ ¡ i i A ^Pi i i i ^m i i ^Hrî i ^ É . *.)Mu. a. é*. , , A. , ^, ft.
•r* 11 1 MTTTBTTwmr
-50
e Modèle initial A
Origine mobile
HIVER ETE
Restitution des écarts-types des pfuies maximales en 1, 4, 24 heures

Influence du decoupage des pluies horaires (version finale)
—< • * r—
0 . 0 . 0 , 0 . 0 , 0 . 0 . 0 . 0 . 0 . 0 . 1 1 0 . 5 ,
•3
u
3
HIVER ETE
o \ O C O r
0,0.0.0.0,0.0,0,0,0.0.0,0. 0.0.0.0.0,0,0.0. 0 . 0 . 0 . 0 . 0 .
HIVER ETE
—1 — t Is o -«
0 . 0 . 0 . 0 . 0 , 0 . 0 .
HIVER ETE
Restitution des moyennes des pluies maTçimaies en 1, 4, 24 heures

Influence du découpage despíuies Horaires (version finate)
—< --<—-TtrÔ —
1 0 . 0 . 0 . 0 . 0 . 0 . 0.0.0. 0.5.
tu
•D
HIVER ETE
— —i r j - t~- o •— T j - r - —4
Û.O.O.O.O.O.O. O. O.O.O.Û.O.O.O.
, 100
a.
>
3,
* " Origine fixe Origine mobile

HIVER ETE
ON ( S <—• w • — i t O t
o. o. û. 0.0,0.0.0.0.0.0.0,0.0,0.0.0.
£ 40
HIVER ETE
Restitution des écarts-types des pluies ma?çiniaies en 1, 4, 24 fleures

Annexe n°II.l
Distribution des intensités moyennes des averses :

valeurs brutes, valeurs centrées réduites, valeurs
centrées réduites avec coefficient de variation
constant
Distributions de fréquences des variables intensités moyennes des averses des 42 postes
pluviographiques étudiés duns le chapitre II.
Annexe n°II.l
HMAP HIVER
0
0
-1 -
-2 -
-F)
-3 -
c
-4 -
-5 -
-6 -
Intensités des averses principales (1/10 mm/h)
HMAO HIVER
Intensités des averses ordinaires (1/10 mm/h)
Distributions des intensités d'averses sur 42 postes

Valeurs brutes
Annexe n°II.l
HMAP ETE
-F)
Intensités des a\erses principales (1/10 mm/h)
HMAO ETE
0
100 200 300 400
-2 -
fa -3
-4
s -5
-J
-6
-7
-8
Intensités des averses ordinaires (1/10 mm/h)

Valeurs brutes
Annexe n°II.l
HMÀP HIVER
Variable centrée réduite : U
HMAO HIVER

Valeurs centrées réduites
Annexe n°II.l
HMAP ETE
HMAO ETE

Valeurs centrées réduites
Annexe n°II.l
HMÂP HIVER
fai
Variabile centrée réduite a\ec C.V. constant : U
HMAO HIVER
Variable centrée réduite avec C.V. constant : U

Valeurs centrées réduites (coefficient de variation constant)
Annexe n°II.l
HMAPEIE
-6-
HMAO ETE

Valeurs centrées réduites (coefficient de variation constant)
Annexe n°III.l
Test d'égalité de la moyenne des variables à une

valeur constante.
Valeurs de la variable t de Student calculées pour effectuer le test d'égalité de la moyenne ¿i une
valeur fixe. Test effectué pour les variables TSE. DIA. RX. RPX. DAP et DAO.
Bouches du Rhône Hérault Vor (Real Collobnen Corse
P 0. Bouches du Rhône Hérault; Var (Réai Collobrier) Corse
P.Oj Bouches du Rhône Hérault Var (Real Collobrier) Corse
a = i •-•
0. Bouches du Rhône Hérault Var (RéalCollobner) Corse
-RP.\ •a = 1 '
PO Bouches du Rhône Hérault Var (RéalCollobner) Corse
Bouches du Rhône Hérault Var (Real Collobrier) Corse
-DAO -a = I ••
• 1IIUL..IC II
PO Bouches du Rhône Hérault Var (Real Coilobnen Corse
3 5 -
3 -
i/m j
1
'•7
0.5 7
o 4— • TSE
V^VA
o=5'. a = I ».
Mil
Bouches du Rhône Hérault Var (Real Collobrier) Corse
P.O. Bouches du Rhône Hérault Var (Real Collobner) Corse
a = I
P.O. Bouches du Rhône Héraulp; Var (Real Collobner) Corse

3.; -
3 -
a =1 S
P.O. • Bouches du Rhône - Hérault Var (Real Collobrier) Corse

3 -
Bouches du Rhône Hérault Var (Real Collobner) Corse

Annexe n°IIL2
Valeurs des différents paramètres des lois de

probabilité des variables du modèle de génération
de pluies horaires.
P.O. Bouches du Rhône Hérault Real Collobrier . VAR Corse
0 4
0 1
( ^ .
O. 1 *- <
Paramètre NG (hiver) 1
1) 1
•
1)
— f I
?, F, rr.•Í« —
\r.
ri
V-,
r<".
ir-,
T
u-,
Ch O — ri
£ £
O
cu
—
a.
Ci H", —
£
ri
CL CL a.
O. CL CL CL a. CL a. £ £ £ a. CL CL
P.( Bouches du Rhône Hérault Corse

Real Collobrier : VAR
«> H
0 (>
III 0
Paramètre NA (hiver) I
(I .?
(I
— a r*~, — ri <••". O — n — n
£ £ £
Bouches du Rhône Hérault Corse
PO. Real Collobi ICI : VAR
0 2
0 l">
• • •
I) I
Paramètre TSE (hiver) I
I)
Paiiinièlrt fie KX (hiver) I

1'.O. Bouches du Rhône Hérault Real Collobrier : VAR Corse
0 t
0 1
<
H : "1
0 1
Paramètre NG (été) |
0
— ri — CI —• ci c*\ O — Cl r*~, TT — ci cr.
£ S. CL DÛ S £ £ £ £ £ £ 2 : 2 : 2 :
Bouches du Rhône Hérault
l'.O. Real Collobrier : VAR Corse
os
117
iiii
(I S
II I
II I
II .'
Paramètre NA (été) I
Il I
(I
— rI o — rj — ri r*". -*t v. r^ se o- — cl o —"
?! CL al a! a.a.a.
O. a. a. a. a. a. a. o.a-
l'.O. Bouches du Rhône Hérault Corse
(I IS
01
nos Paramètre TSE (été)]
— r I O — CI -t *r. sO r- CC O-. O — — ri w. </~,se r- oc O — ri O — CI

</". *r, •/-, ^C *C vC
¿ c ^ c u a . û . c u Q - C L a . a . a . a . a - D - a . û - a . û - a . a . a . C L . c u C u X Cl CL £ £ £
Hérault Corse
l'.O. Bouches du Rhône Real Collobrier : VAR
1
I s
e • « • - •
I
Paramètre de RX (été)
II *>
11
— ri r'. -T w. ^c r~ JC cr C- — ri r- oo cr O — ri r*-. ^t — ri
— —. — — — — — ri ri f, i/~. •r. </-, ir. «/-. •/-, i^ ir,
a. a. a. CL O. C L a . C L O . a . a . a . a . a . C u f ± £ £ £
IVO. Bouches du Rhône Hérault Corse
9 9 . X
-•—9 : » 99 9- 9 -« - • - - . _ « -
. - ^ 9^*^ >9^ - — ^ — '
1" paramètre de DAP (hiver) I
•^ cj Z^ — ri r*", rf \r. sD r- OO O** O — *«J" — CI r*", T T. O r- ^C 3^ O w"< o r- oc o p — r^. -^t — ri r**,

— __ _ _ _ _ _ _ | rI r«"i ir, u-, v, i/~, v~. w-, */-. »r, i/-, -o r*^ r^* r^^ r**- f^~ o** o*^ O**
o. eu c^ i f^, C—i f^ • ^L^ eu
r
CL* d i Û^ ^ g ^^ ^ | ^ î ^^ ^ f> | î | ^g £ £ _ _ _ _ _ _ _ _
l'O Bouches du Rhône Hérault Corse

RéalCollubiier: VAR
i
9 9 9 9 • 9
(I K
II d
0 I
2° paramètre de DAP (hiver) I
(I 2
I)
—• f- j .**~7¡ ^4 ^-1 f<^ ^^ i/î v^ p^. QQ Q\ C^Î ^^ ^* ^4 p* i f^ T^ i^"t \.£*i r^. oc ^^ c^ ^^ r i r^» i^". \o r-~ ^ O — (~l r*~, — ri
C O — — — — — — — — — — <î r-i r*-, ir, v~, w-, ir, t^, ir, iv^, i^-, u~, %c \C ô O ô ô so s^y~'j ^^^ ^^^ j — ^ . p**, r*^^ ^^^
a. CL a. _ _ _ _ _ _ _
a . a - C u a . c u a . - u C u C u C L C u a . a . a . C L û . c u a . c u a . a . û - a . c u a . a . a . i - -
Hérault
P.O. Bouches du Rhône Real Collohiier: VAR Corse
O 9 9-9-
•--¿V - • • - • - • —
I s
I paramètre de DAO (hiver) I
os
o
— rI ^ ir. sC l"~- O — ri r<. T v~. oo Ov O —
'/". •/". </~. v. *r. J3 ^c _
_ _ a . _ _ a - _ _
£ £ £ _ _ _ _ a. _ —
Hérault
<> Bouches du Rhône R o. 11 Collobriei :VAR Colse
• -« ¡/^ ! 9 <
(I 'M
1) 9 9 # 9
0 ') - / o O a" ^ \ /; ; 9 • -•• • • * 9 o •- • O 9 ^ * * 9-9 « 9
' 9
A " W
II 1
9 2 a paramètre de DAO (hiver) 1
(I S
\ \
r^. -r i/-. se r- so o^ O — "t — ri f. T 'r. ^ r- ^c 3- ç — r i r^ -j tr-, vc r- GO O — n — ri

ri ri r*" w" v «r. <r. ir. •/" »r. ir. i/'. ^ >£; •»c X! *_; Ô O
¿ L O . O L C u û - O L . Ù . Ù . O . Û . O . Û -u û -. O - . ' û- u -Û - -' O -. C L a -. • O -- O . - O . - 0 . 0 . 0 - 0 . 3 - 0 . 0 . 0 -
Hérault
l S
1'
° Bouches du Rhône
L— Ä
Real Collobner : VAR
_
Corse
11 . » • » . » * . *
V
1 S
1 r paramètre de DAP (été) I
0
— n e : — r, ' ^ r* co 2 o — ^t — ^^*i ^C^ ^^? vî \.f* j v^^ \V ii
CL S. CL CL ÖI
Hérault a. a. CL o. CL CL CL
l'.O. Bouches du Rhône Corse
Real Collobner : VAR
OK
0(>
0 I
2° paramètre de DAP (été)
(I .'
II
O — Cl
1» O. Bouches du Rhône Hérault Real Collobner : VAR Corse
• • • • • • • • «
* #: ^ > « • "^ —•-, •—^-«—«
1 S
paramètre de DAO (été) 1
— r i ~ — ri C* — ri — ri — ri r*-.
CL ÔZ ÖL S. CL CL
Hérault Corse
l'.O. Bouches du Rhône Real Collobner : VAR
O'JX
I w
u '«i • •
II'M • . / •
II')'
(I ')
2° paramètre de DAO (été) I
(I SS
II Sii
usi
— r i —• r t — r1
ci ZZ. — ri r<-, t \r, sC (- '-Ä O^ C.
£ 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . o! CL Cu O.
I'O. Bouches du Rhône Real Collobriei . VAR
•—• -•-•
paramètre de RPX (hiver)!
o o — • • - * ~ —• r i ci r*S io v", *o *o ô *o so *o *o vo ô ^ r^ r*~ r*^ i— i—• j^ ^ CT>

a - t a . c . a . o . o . a . û . i i . a . o . i i . o . c L O . a . a . a . a . a . o . û . C L O . i u . c . o . û . o . o . a . i o .
Heraul l
Bouches du Rhône Corse
) Real Collobrier : VAR
II IS
i) i o • 9 9 .. m • • • 9 ^ 9,9-t „ iv. 9 9 • • 9 9 • • 9 9 9 9 9 • — • ^«» 9 . 9 9 .---•._- 9 9 • 9 W ™ " 1
II IS
2° paramètre de RPX (hiver) 1
o i
— r i O — ri *r. -Ci r- x> — ri O — r i
Bouches du Rhône 4érault Corse

P.O. Real Collobrier : VAR
Paramètre de liaison (hauteur-durée) des averses principales (hiver) |

.. ^y^'-^K
>- "® •j^-9 * 9 9— a
9
9—9
*
• • - •
r i T . o r o O — ri <*» «rt »/, — r i

â. S.
— —
C Q
—
a
—
a
—
C
—
a c
—
a
—
c
—
i c
—•
(
r i r t
X a. a. vO
a.
^C
a.
-O
eu £ £ £ £ a. a.
nciauu ; Corse
). Bouches du Rhône Real Collobrier : VAR
2 S
•
I
•»
1
o a . ° # • • .• • * 9 9 ;
- • - • - , - • — • — • - * — • • " • - - • - « : . m <
I Paramètre de liaison (hauteur-durée) des averses ordinaires (hiver) I ;

II 1
—• r I C — ri O •— r i — c l r*~. T —•
r-- r- r- r~- o^
a. Cu Cu CU D- c u a . a . a . a , a , a , a . a . a . a . a , S £ S a. a. a. a. a.
P.O. Bouches du Rhône Real Collohrier : VAR
(H
I o paramètre de RPX (été)
— ri f,
£ £ £
Bouches du Rhône Réal Collobiier : VAR
2° paramètre de RPX (été)
£ 2 s: s:
•(). Bouches du Rhône Hérault Corse
Real Collobiïer : VAR
Paramètre de liaison (hauteur-durée) des averses principales (été) |~
,-/^^
o ©
.^'•V-.'SÎC^ - . . • • • - - • """•••^ ^••v x * ^ A A
-A—•-<
; •
— ri O — ri r*-. 't >n NO r- oo CTv O — T — — ri rf — ri r*".
o c ; — — — — — — — — — — ri ri r^, »^,
O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . £ £ £ £ £ £ £ £ £ £
Mcraun
O • Bouches du Rhône Real Collobrier : VAR Corse
2 S
:
, A A "• A " * " " • - - • '-A-^'X >•
i s
i l'aramèlre de liaison (liuiitciir-durcc) des averses ordinaires (été) J
— ri 'T — ri r-
— r i C- r- «3 o^
Ó. ¿1 £ £ £ £ £ £ £
CL.
£ £ £
(). Bouches du Rhône Hérau t RéalCollobner: VAR Corse
70
1
•>()
-IO 9 © e © O V 9 • • ' ** 9.
9 * 9 A» -9 • • © - © 9 9 9 * • ,4» 9-» * ^ • 9
-9 I
U>
Moyenne des intensités des averses principales : uph (hiver) 1
II) - - -
I)
ri o —• (N c~, ^ w. *O I— 00 3\ O — — r-i c. *t w. s o r ~ o o o * o — ci O — ri e-, — ri n".
I Î Ï Ï Ï Ï Î C L Ï C L Ï O . L oí aï £ £ £ £ £ £ £ £ £ £ 0 . 0 . 0 . 0 .
Hérault £ £ £
IM). Bouches du Rhône Real Collobrier : VAR
Corse
40
J0 - - « - - 9 — 9 —«—
9 9 • 9 _
III Moyenne des intensités des averses ordinaires : uoh (hiver) I
ri o — ri f, v-, * o r - 0 0 a - . G -~ T — r i e t ' r - . s C r ^ ^ J O v O — w-, Ô r- C3O CTN O — rl r*~, *^r — ( - I r ^

— — —» — — •—• -~ ~~ r^( f~l r^, if~, i/~, »/", t^. •/", V. '/", »^. '/•, >O vC
a. o. o. 0. 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 .
Hérault Corse
l'.O. Bouches du Rhône RcalCollobiiei : VAR
-IO *-
Moyenne des intensités des averses principales < 4.uph (hiver) I

II)
—- r_î ~ — ri e*", -T V-. — T — ri f. T V. oc 3- O — ri ir-, \D r- oo o — T — fi rr.

l/~. i/~. *O vC J- r- r
a. £,' CL CL a! ai CL o.' û. C 3. CL i.
£ £ £ £ o. o. o. o. '
a. El £ £
Heraull Corse
0 Bouches du Rhône Real Co llubnei . VAk
til
0 : ft\ -
JO 0 9 © 9 •- 9 • © © • ^9- * ~ « - ^-9" ._. 9 •- \
Ä
IS O 9 « © • • 9-9 * ¡9 -9^ . • <
IO Moyenne des intensités des averses ordinaires < 4 uoh (hiver) 1
O — ri vc r- ÛO ^ 1^ r- r- r~- crv
— ^- — — ri ri
CL O. O. O. CL CL CL
o. o- a- a. Û- a. a. o. a. o. o. o. o. a. o. a. a. o. a. o. o. £ s: o. o. a. a. a.
P.O. Bouches du Rhône Hérault
Real Collobrier : VAR Corse
10(1
KO
(.11
III
Moyenne des intensités des averses principales : jipe (été) I
— M c, O — ri
(N
Û.
Bouches du Rhône Hérault Real Collobrier : VAR Corse

\s
M)
O.
.'0 • " • " ' •
l-v
Moyenne des intensités des averses ordinaires : uoe (été) I
10
— r i o — ri O — o —
CL CL EL 2 CL al
^^1 if* v^^ ^^3 ^î v^^ ^^^
£ £ £
Hérault a. CL a. CL a. a. a.
P.O. Bouches du Rhône Corse
100 Real Collobrier : VAR
I
SI)
in Moyenne des intensités des averses principales < 4.upe (été) I

jo N)
O — ri — rI 1 w~. r- o o
£ £ £ £ £ £ s: E £ £
Hérault
Bouches du Rhône Real Collobrier . VAR Cor.se
IS
IO 0
• . ^
.'o
li Moyenne des intensités des averses ordinaires < 4.uoe (été)
IO
— ri z. — ri — f \ O — r i r*".
£ £
IVO. Bouches du Rhône Hérault Corse
Real Collobrier: VAR
0 i
1 S
9 Paramètre (a) de la loi des intensités des averses principales (hiver) 1
I
0
: © J 9 ^m^*
9 *» O
.-
-2
—
«
n o
o o
—
V
o i r * " i * T i / * i v o r ^ 0 0 0 > O — ^ ^ —•
*
ci
• - • - . - • • • •
c*~.
Í ?, v~, \o r^ oo
•
o
• o - . « ^ . * - • • \ .
— ri r*".

IVO. Real Collobrier : VAR
Paramètre (b) de la loi des intensités des averses principales (hiver)

1 S
I
/ • •
0S
0
" ^-i ~~*•—
—' ri
_ _
f, -t
—
\r. so r~-
_ — . — . — .
oo Ov O —
— ri ri
•^r
r*~.
—*
V,
n
i/~i
r^,
i/"i
~t
t/^,
•/".
t/". »/-. w~. »r. i/-. so ve so sci
o — rj
C7N O^
K. 2. CL. 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . O. O. O. CL. O. O. 0 . 0 . 0 . 0 . 0 . 0 - 0 . 0 . O. CL.

IVO. Real Collobrier : VAR
I)
(i 1
u I Paramètre (a) de la loi des intensités des averses ordinaires (hiver)
(I S
i: • O
i i • e
Bouches du Rhön Real Collobrier : VAR
Paramètre (h) de la loi dus intensités des averses ordinaires (hiver) I
— ri
Real Collobrier : VAR Corse
(I -1 1 r-
0 S Paramètre (a) de la loi des intensités des averses principales (été) I
I
l) O.
#—•-
1 S --•-'*"*'
~— rt o ~~ ri e*. ^" I^Î \o n^ oo o\ O ""• *& "•* n r*"i ^Î t/~, ô r*" oo o> — ri r*",
a . o . o . o . o . o . o . a . o . a . a . a . a . a . C L . o . Q . a . C L ' a . a l o L l c u o . ' )P
û. 'P
o. )P
eu
S £ £
IVO. Bouches du Rhône Hérault Real Collobrier : VAR Corse
I 2
I
| Paramètre (b) de la loi des intensités des averses principales (été) |~
II S
O •
lid
ll-l
^ . - .
— ri o — ri — rt O r. tj i^, O r~ 00 O — ri r*-. ^t — r i f ^ .
I*** f*^ 1^** r^ f*^ O^ O^ O^
0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . 0 . o. %Û ^Ä SU SU Ô Ô
a . b . a . o . a . o . S . e L .
o . a . o . a . o . o .
l'.O Real Collobrier : VAR
0
0 :
II I Paramètre (a) de la lui des intensités des averses ordinaires (été)]
IM,
It S
I
1 1 • • • : • - _ _ - • _ _•-_=:•_
I I
— r i 3 — r i r « ~ , «T v . s o r — o c O v O — T — r i r*~, T •*". *O r-- ÛO 0
s
r* oo O — ri r*-, ^t — ri r*-.
£ £ £ £ £ 0 : 0 : 2 : 2 : 2 :
¿ L Q Ú O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O . O ^ O .
£ £
Hérault
I'.o. Bouches du Rhône Real Collohiier : VAR Corse
II JS
(I 2
0 IS
a •
II I
O
(I O S inaires (été) I
Paramètre (b) de la loi des intensités des averses ordinaires
n Ó
Z- — r t — ri — f i f, -r ir, o r- OO O O —
sD ^C ^C O Ô
ci. Si S. f a. a. a. a. o. £ £ £ £ a. o. o. o. £ £
Annexe n°III.3
Relations linéaires entre certains paramètres du

modèle et des variables issues de l'information
journalière.
Droites de régression linéaire entre les paramètres horaires et les variables journalières
utilisées pour la parame irisation régionale du modèle de génération de pluies horaires.
Présentation des droites représentant un écart de +/-I09C et +/~20cc du paramètre issu Je la
droite de régression.
Annexe n°III.3
0.45 i 42 postes sen-ant à la régression G 7 postes supplémentaires
NG = -0.11 )JDT + 0.53

04 r2 = 0.50
0.35
+20%
+ 10%
1.5 1.7 1 9 11 2.5 2.7
42 postes sen-ant à la régression U 7 postes supplémentaires

0.4
NG = -0.14
r2 = 0.61
14 15 16 1.7 1.8 1.9
Régression linéaire entre le paramètre de la variable NG

et la moyenne des durées totales des événements jiDT
Annexe n°III.3
42 postes servant à la régression • 7 postes supplémentaires
A = -0.0035 I/TOT20
r2 = 0.64
uTOT20 en mm (hiver)
30 35 40 50 55 60 65 70 80 85 90
i 42 postes servant à la régression • 7postes supplémentaires

08
0.5 —
0.45 —
•-10%
A = -0.0047 * ^TOT20 + 0.9Ò\
0.4 — r2 = 0.53 ' • • -20%
0.35 —I 2 [
0.3
\A\ ! |jTOT20 en mm (été) ;
30 40 50 60 70 80 90
Régression linéaire entre le paramètre de la variable NA

et la moyenne des hauteurs d'eau des pluies journalières > 20mm : uTOT20
Annexe n°III3
i 42 postes servant à la régression u 7 postes supplémentaires
+20% • + 10%
55 /jiHMAP = 0.093 *pPJMOY + 1.4
r2 = 0.59
-20%,
JJPJMOY en mm/jour (hiver) ¡
15 20 25 40 45
» 42 postes servant à la régression G 7 postes supplémentaires _

10
+ 10%
-10%
20%
HHMAP= 0.097 * nPJMOY + Í 6 \

r2 = 0.26
HPJMOY en mm/jour (été) i
20 25 30 35 40 45 50
Régression linéaire entre la moyenne de la variable HMAP

et la moyenne des pluies journalières moyennes des événements (uPJMOV)
Annexe n°IIL3
• 42 postes servant à la régression a 7 postes supplémentaires
+20% .+10%
= 0.065 *MPJMOY +0.01
r2 = 0.86 -10%
2.5
-20% !
juPJMOY en mm/jour (hiver)
20 25 30 35 40 45
142 postes servant à la régression o 7 postes supplémentaires
. +20%
+ 10%
0.066 * MPJMOY + O.33\

I |iPJMOY en mm/jour (été) j
(JHMAO=
r2 = 0.64 J
25 30 40
Régression linéaire entre la moyenne de la variable HMAO

et la moyenne des pluies journalières moyennes des événements (uPJMOY)
Annexe n°III3
55
• 42 postes servant à la régression • 7 postes supplémentaires
+20%
LIAIP = -0.071 *pPJMAX + 6.2>
25 30 40 45 50 55 60 65
• 42 postes servant à la régression D 7 postes supplémentaires

7
! \
6.5
LIAIP= -0.074 * pPJMAX + 7.4

r2 = 0.32
j MPJMAX en mm (été) '
60
Régression linéaire entre le paramètre de liaison (DAP-HMAP) : noté LIAIP

et la moyenne des pluies journalières maximales des événements (uPJMAX)
Annexe n°V.l
Caractéristiques générales des bassins versants

autres que ceux du Real Collobrier.
Annexe n°V.l
Bassins versants des Pyrénées Orientales
Département montagneux présentant de fortes dénivelées, et département à agriculture méditerranéenne

complètement tributaire de l'arrosage, les P.O. ont été pourvues de stations de jaugeage destinées à
prospecter d'abord les potentialités hydroélectriques, ensuite les possibilités en matière d'irrigation.
La plupart des cours d'eau sont à l'origine des torrents dévalant de gorges profondes, mais
recueillent ensuite sur leur parcours de nombreux affluents drainant tout le territoire.
Les bassins versants des Pyrénées Orientales sont soumis à un climat de type méditerranéen, caractérisé
par des hivers doux, des étés chaux et une pluviométrie annuelle faible (notamment une sécheresse
estivale). Ce climat méditerranéen concerne surtout la plaine et la côte, mais aussi en se dégradant, les
premières pentes des reliefs jusqu'à 800 m d'altitude, où se manifestent les maximums pluviométriques
d'automne. Les zones de reliefs sont soumises à un climat montagnard (hautes vallées entre 800 et
1600m) et à un climat subalpin et alpin pour les régions au dessus de 1600m d'altitude (Ascensio
[1984]).
Les bassins versants étudiés
BV061 : bassin de la Mossane au Mas d'en Torrent.
Il est situé sous le ponceau du Mas d'en Torrent, au Sud-Est du département. La station de Mas
d'en Torrent est exploitée par la D.D.A.F. depuis le 6 octobre 1966. Ses deux seuils de contrôle
emboîtés l'un dans l'autre la rendent précise en basses comme en moyennes eaux. Elle contrôle un
bassin versant de 17.2 km2, avec une dénivelée proche de 800 m sur 12 km de cours d'eau. Le bassin
versant est boisé à presque 70%.
BV062 : bassin de l'Ample au Vila.
Affluent du Tech, l'Ample prend sa source dans les Aspres. La station limnimétrique au Vila
contrôle un bassin versant de 47.8 km2. Cette station fut gérée de 1953 à 1963 par la D.D.E. puis à partir
de 1964 par la D.D.A. Le bassin présente une dénivelée de 500 m sur 17 km de cours d'eau.
De 1953 à 1963 il y a des données journalières obtenues par le service des Pont et Chaussées,
sur une mire limnimétrique placée dans une section calibrée aménagée à l'amont du viaduc de chemin
de fer. Une étude de la D.D.A. (Benech [1980]) qualifie les données de "suspectes et imprécises". Par
contre, depuis 1964, station est exploitée par la D.D.A.. Avec 200 jaugeages, on obtient plus de
précision dans les mesures en particulier pour les débits d'étiage.
Annexen0 V.I
BV063 : la Canterrane au Moulin d'en Canterrane.
La Canterrane est un affluent du Réart. Voisine du bassin de l'Ample, elle prend aussi sa source
dans les Aspres. La station au Moulin d'en Canterrane contrôle une surface de 33.4 km2 dont la
dénivelée est proche de 500 m pour une longueur du cours d'eau de 10 km. Le bassin est recouvert en
majorité par des bois et des broussailles.
La station de jaugeage est exploitée par la D.D.A.F. dans le cadre de la banque de données
ARHMA depuis le 10 novembre 1972. Situé à l'origine en rive gauche de la Canterrane, le limnigraphe
a été déplacé il y après quelques années en rive droite en vue de son utilisation comme capteur du
réseau d'annonce de crues, sans modification de l'échelle limnigraphique ni du tarage.
BV064 : le Réart du Mas Palegy.
La station de jaugeage implantée sur un "oued", avec inféroflux très important, dévalant entre le
Têt et le Tech, fut d'abord utilisée comme station d'étude des crues, puis comme station "tous azimuts".
Elle est exploitée par la D.D.A.F. dans le cadre de la banque de données ARHMA depuis le 12 octobre
1966. Elle est équipée d'un téléphérique de jaugeage. Situé sur des collines schisteuses des Aspres,
premiers contreforts du Canigou. ce bassin versant à une surface de 137 km2. La partie la plus à l'amont
du bassin (à l'Ouest) est recouverte de bois et de garrigue. La moitié Est du bassin est recouverte
principalement de vignes.
Notons que la chronique étudiée ne tient pas compte de la crue du 26 septembre 1992 dont le
débit de pointe spécifique a été estimé à 8.2m3/s/km2
BV065 : bassin de l'Agly à Clue de la Fou.
Ce bassin versant se situe au Nord du département. L'Agly prend sa source dans les Corbières.
La station de jaugeage située à Clue de la Fou prend en compte le bassin versant de la Boulzane,
affluent de l'Agly, qui représente à lui seul les 4/5 eme de la surface du bassin à la station de la Clue de la
Fou. La surface du bassin est alors de 216 km2. La dénivelée est de 450 m pour 15 km de cours d'eau.
Les écoulements du bassin de l'Agly sont fortement perturbés par les phénomènes karstiques, qui se
manifestent essentiellement à l'amont de St Paul de Fenouillet et à l'aval d'Estagel.
L'archive historique des crues est très ancien (trace dans les archives de la crue du 29 octobre
1879). Cette station de mesure est donc très précieuse du fait de son ancienneté et de la stabilité du lit
rocheux. L'existence de cet historique, conduit la D.D.A. à choisir ce site pour y implanter le 20 juillet
1970 une station de jaugeage pourvue d'un limnigraphe. De 1970 à 1983, cette station a fait l'objet de
187 jaugeages au moulinet, pour des débit allant de 0.2 à 123 m3/s. Le 23 janvier 1981. elle a été
intégrée au réseau radio-automatique d'annonce de crue. Elle s'est révélée stable en hautes et moyennes
eaux, mais son fonctionnement est perturbé en basses eaux par l'instabilité de la prise d'eau du canal de
Lesquerde.
Annexe n°V.l
Bassins versants de la Corse
La Corse est une île essentiellement montagneuse : à l'exception de la côte orientale, il n'y a
pratiquement pas de plaine. L'altitude moyenne est de 500 à 600 m. La ligne de partage des eaux entre
le Méditerranée occidentale et la mer Tyrrhénienne est une longue crête sinueuse, de direction globale
N.NO-S.SE, qui porte plusieurs sommets dépassant ou approchant les 2500 m. La Corse est soumise à
un climat méditerranéen et à un climat plutôt montagnard sur les reliefs situés au centre de l'île.
Du point de vue géologique, on distingue classiquement la Corse ancienne, ou Corse occidentale qui
comprend largement des 2/3 Sud-Ouest de l'île, et la Corse alpine ou Corse orientale, qui est limitée à
un petit tiers nord-est.
La Corse occidentale est formée pour l'essentiel par un vaste batholite. issu d'un cycle plutonique
carbonifère, suivi par un volcanisme permien et un second cycle plutonique à caractère subvolcanique,
également permien. La Corse orientale comprend des unités autochtones, parautochtones et surtout
allochtone.
Les bassins v e r s a n t s étudiés
BV072 : Bassin du Bevinco à Lancone.
Le Bevinco, rivière située au Sud de Bastia, prend sa source sur les pentes du Monte Reghia di
Pozzo (1469 m) et atteint l'étang de Biguglia (niveau de la merj après un parcours de 25 km. soit une
pente moyenne de 5.87%. La rivière suit une direction S.ON.E jusqu'à la cote 286 m et s'oriente vers
l'Est, creusant profondément son lit dans des étroites gorges. Son lit est généralement encaissé.
Sur ce bassin, d'une surperfie de 53.6 km2 à la station de Lancone, le climat est bien sûr
méditerranéen. Il est cependant aussi sous la dépendance du relief montagneux, les précipitations
s'intensifiant avec l'altitude et accentuant le caractère torrentiel des écoulements. En été, le Bevinco
peut subir de forts étiages, en revanche, au printemps et davantage en automne, il peut générer de
violentes crues.
BV074 : Bassin du Fango à Galeria.
Ce bassin est situé dans la partie occidentale de la Corse. La station hydrométrique de Galéria sur le
Fango est située dans un tronçon de rivière entaillé dans les rhyolites massives et le contrôle
hydraulique (seuil rocheux pour les petits débits, rétrécissement pour les gros débits) peut être estimé
parfaitement stable. Cette station contrôle une surperficie de 129 km2, la longueur du Fango à la station
étant de 19.2 km pour une dénivelée 1892 m.
Annexe n°V.l
La pluviométrie est représentée par le pluviographe de Manso-Monte Estremo (DIREN corse) 1977-
1993.
BV076 : Bassin de l'Ortolo à Moulin de Curgia.
Le bassin versant de l'Ortolo est situé au Sud de la Corse. L'Ortolo prend sa source sur les
pentes de la Punta di a Vacca Morta ( 1314 m) pour atteindre la mer après un parcours de 27 km. La
station de jaugeage de Moulin de Curgia se situe à 15 km de la source et à une altitude de 76 m. Elle
contrôle alors un bassin versant de 70.3 km2. Ce bassin est recouvert essentiellement de bois de feuillus
et des broussailles.
BV079 : Bassin du Fium'Alto à Acitaja.
La station d'Acitaja, crée en 1959. est équipée d'un flotteur type OTT XX. Elle a été gérée jusqu'en
1968 par E.D.F., puis par la SOMIVAC pour le compte de la D.D.A.F jusqu'en 1984, et enfin par
l'OEHC et le SRAE (devenu SEMA de la DIREN). Les données de cette station sont entachées
d'incertitudes et d'un certain manque de fiabilité lié notamment aux extrapolations importantes des
courbes de tarage utilisées. Le longueur du Fium'Alto est de 27 km au niveau de la station d'Acitaja.
pour une dénivelée de 1700 m. La station de jaugeage contrôle alors 114 km2.
Ce bassin draine le versant Est de la Castagniccia. Il présente des terrains imperméables (schistes,
ophiolites, etc). Il est situé dans une région très boisée, couverte d'une abondante végétation de
châtaigniers et chênes verts. Ses pentes sont raides, mais des surfaces assez importantes ont été
aménagées en terrasses.
Bassin versant des Bouches du Rhône
Le seul bassin versant étudié sur le département des Bouches du Rhône, est le bassin versant de
l'Infernet, à la station des Gaudinettes. Il est situé au Nord de la montagne Sainte Victoire. Le bassin est
composé essentiellement de roches datant du jurassique supérieur, avec une majorité de roches calcaires
et de dolomies massives. Le limnigraphe de la station de jaugeage est géré par la Société du Canal de
Provence depuis 1954, de même qu'un pluviomètre (depuis 1954) et qu'un pluviographe (depuis 1972)
situé à l'aval du bassin, au niveau du barrage Bimont. Le bassin versant instrumenté, contrôlé à la
station des Gaudinettes couvre une superficie de 27 km2.
Ce bassin est soumis à un climat méditerranéen et est recouvert d'une végétation de type
méditerranéen composée de chênes verts, de pins et de garrigue. La pluviométrie sur ce bassin reste
faible, bien que soumise à quelques événements courts mais intenses.
Annexe n°V.2
Calage des paramètres B, C et So/A avec le

paramètre A fixé à sa valeur médiane.
Valeurs des moyennes et des écarts-types des paramètres B, C et S(/A ainsi que des critères de
performances, lorsque l'on optimise le paramètre A et lorsqu'on le fixe ¿i sa valeur médiane.
Annexe n°V.2
• Moyenne -*—Ecart-type - +• B. C et SO/A calés avec A médian

• - -O--- Moyenne •A-- • Ecart-type J_ -|—• A, B, C et SO/A optimisés
22 CC
3 —; —•—Moyenne *—Ecart-type f -•• B, C et SO/A calés avec A médian

- - -G- • - Moyenne - A- - - Ecart-type _ - • A, B, C et SO/A optimisés
25
\7~^
HIVER
ri — ri ri
o c o Ol O -C
x S c c c
> > > > >
I — • — Moyenne -Ecart-type :- > B, C et SO/A calés avec A médian

0.9 •- -O-- • Moyenne Ecart-type : • A. B, C et SO/A optimisés
0.8
0.7
0.6
0.5
0.4
0.1
0.2
0.1
0
Evolution des moyennes et des écarts-types des paramètres B. C et SO/A, lorsque le

paramètre A est optimisé crue par crue et lorsque le paramètre A est fixé ti sa valeur
médiane pour chaque bassin : saison HIVER.
Annexe n°V.2
-•—Moyenne -é—Ecart-type r -»•B, C et SO/A calés avec A médian

-o--- Moyenne •A- -- Ecart-type j. - • A. B. C et SO/A optimisés
'•••£*••
Ln(B)
S
—
sa
(S
S >
I
03
>
ffl
8
>
S
>
ffl
rt
O
>
03
(S
©
o
> >
03
S o
>
S3
o
>
S3
CD
ce
••—Moyenne —*— Ecart-type »-B, C et SO/A calés avec A médian

j . . . © . . . Moyenne •-A--- Ecart-type. -1—*• A. B, C et SO/A optimisés
2.5 - I .
C0 *** f^ i«« r£ 22 22 CCI — CC CC
-•—Moyenne -*—Ecart-type j— • B, C et SO/A calés avec A médian

0.9 —| •©• - - Moyenne •A--- Ecart-type L + A, B, C et SO/A optimisés
0.8 —
0.7
0.6
Evolution des moyennes et des écarts-types des paramètres B, C et SO/A, lorsque le

paramètre A est optimisé crue par crue et lorsque le paramètre A est fixé ci sa valeur
médiane pour chaque bassin : saison ETE.
Annexe n°V.2
•Movenne •Ecart-cype - • B. C et SO/A calés avec A médian

I ---o--- Moyenne •--Ä-•• Ecart-type J *• A, B, C et SO/A optimisés
I — • — Moyenne Ecart-type - > B , C et S0/A calés avec A médian

! -- -o— Moyenne Ecart-type -*• A, B, C et SO/A optimisés
20
15
IO
5
0
.5
-io —! Bilan (%) HIVER

i
-15
-20
r*- r j -—
S c S
S £ 5
>>
——•— Moyenne —A—Ecart-type !• • B. C et SO/A calés avec A médian

• - -O-- • Moyenne - - -A- -• Ecart-type j.. -> A, B. C et SO/A optimisés
120 -•
100 ^
80
60 HIVER
40
H Pointe
20*:.—
o
Tt Ul Mï ri
S o g g g
> >
> > >
ce ce ce
Evolution des moyennes et des écarts-types des critères de Nash, de bilan et de pointe
obtenus lorsque le paramètre A est optimisé crue par crue et lorsque le paramètre A est fixé
¿i sa valeur médiane pour chaque bassin : saison HIVER.
Annexe n°V.2
1 —•—Moyenne é— — Lcart-typc ! B. C et SO/A calés avec A médian

• --Q--- Moyenne -.-A-- • Frnrt-tvpp | A, B. C e t SC /A optimisés
100
90 3 - - - O - 0-.. ..©.. ..o. a • ! • • • - • o i.
80
* •---^---—* •-— - • — • —* *• '' a o "" • O
70 \
60
50
40
— • — Moyenne Ecart-type-; ! — • B , C et SO/A calés avec A médian

...Q— Moyenne Ecart-typeJ L * A - B , C et SO/A optimisés
25
20
15
10 zJ_
5
0
r^. *:
-5 \ .7
-10
-15 Bilan (%)[• ETE
-20
-25
o o
> >
se 9C
m
-Moyenne -*—Ecart-type p • B. C et SO/A calés avec A médian

.--O-- Moyenne •A--- Ecart-type i _ > A. B. C et SO/A optimisés
120
Evolution des moyennes et des écarts-types des critères de Nash, de bilan et de pointe
obtenus lorsque le paramètre A est optimisé crue par crue et lorsque le paramètre A est fixé
ci sa valeur médiane pour chaque bassin : saison ETE.
Annexe n°V.3
Restitution des moyennes et d^s écarts-types des

lames maximales de différentes durées
Comparaison des valeurs observées et des valeurs simulées, des moyennes et des écarts-type s
des lames en l, 2, 4, 6, 12. 24, 48 et 72 heures, calculées sur les 17 bassins versants étudiés.
Annexe n°V.3
Moyenne des lames maximales horaires (mm) 8 -H Moyenne des lames maximales en 2 heures (mm)
S' |
'i
I y r \
6•
1*
3 —i
/ i
i
1 5 . ¡
11
.3
à •* /°
!
,1 y
!
• HIVER! «HIVER
COBSERVATIONS \ 0 ETE i , OBSERVATIONS J O ETE
n -
- — Moyenne des lames maximales en 4 heures (mm) b j 20 — Moyenne des lames maximales en 6 heures (mm)
11 — \ ig —
15 20
Comparaison des moyennes des lames maximales en 1, 2, 4 et 6 heures observées et simulées, sur les 17
bassins versants étudiés et pour les deux saisons.
Annexe n°V3
3 0 - Moyenne des lames maximales en 12 heures (mml 50 i Moyenne des lames maximales en 24 heures (mm)L
tri
/ 45
40 -H
¡MULATION
20 -
y/
i«
10 —
5 - • HIVEl
(OB SERVATIONS\ O ETE
0 ->
IO 15 20 25 10 20
80 -t Moyenne des lames maximales en 48 heures (mm) L i 80 -j Moyenne des lames maximales en 72 heures (mm)U
[m HIVER
NOBSERVATIONS ^ o ETE INOBSERVATIONS ~\ ' • H I V E R
^ ^ o ETE
20 40 60 80 20 40 60 S0
Comparaison des moyennes des lames maximales en 12, 24, 48 et 72 heures obsenées et simulées, sur les II
Annexe n°V.3
s — Ecart-type des lames maximales horaires (mm) 12 - Ecart-type des lames maximales en 2 heures (mm) ? r
1
6 -I
10 -
I [
S*
5 -
8-
6-
y r o
'^J •
' m
4- r
r) - « HIVER:
( OBSERVATIONS \
'•HIVER,
OBSERVATIONS s 1
.O ETE i 0 -
10
20 -i Ecart-type des lames maximales en 4 heures (mm) L 20 - Ecart-type des lames maximales en 6 heures (mm) L
18 -
16 -
i 6 i-
(OBS ER VA TIONS J | O JET E
10 15 20
Comparaison des écarts-types des lames maximales en 1, 2. 4 et 6 heures obsenées et simulées, sur les 17
Annexe n°V.3
30 - Ecart-type des lames maximales en 12 heures (mmh 50 T Ecart-type des lames maximales en 24 heures (mmj,
r\ 45 - /
(^SIMULATIONS
S 1MbLATIOS
40
20 - r 35 •
/
* 30 - 1
m
25 -
20 - 1/
10 - 15 -
» * i
i
10 ° O
S - '-Im HIVER HIVER!
n O O cWÎ & •
r
(OBSERVATIONS^*) ETE OBSERVATIONS J \ OETE !
0 -
10 15 20 c 10 20 30 -10 50
80 -| Ecart-type des lames maximales en 48 heures (mral ¡ 80 - Ecart-type des lames maximales en 72 heures (mm)J
70
(ÔBSERVATIONS ^ ¡ O ETE OBSERVATIONY\ , O ETE !
20 40 60 80
Comparaison des écarts-types des lames maximales en 12, 24, 48 et 72 heures observées et simulées, sur les
17 bassins versants étudiés et pour les deux saisons.
Annexe n°V.4
Distributions de fréquences observées et simulées

des lames maximales de différentes durées, pour
les 17 bassins versants étudiés.
Annexe n°V.4
^Bassin de Pom de Fer : BVOOIJ- — Bassin de Poni de Fer • BV00IJ-.

HS
= e
Simulation
~: O Observation
0.1 I IO 100 1000 10000 0.1 10 100 1000 10000

(Bassin de Pont de Fer : BVOOiJ !—(Bassin Po/i/ de Fer : BVnnjj

EA i
U
t ! / !
3 Qf)
I
: Q
! j
ev ; 1 ; / ;
inialcs
(mm)
J 1
to /
Simulation
•Jì
S
o —-Simulation
O Observation , Í3
• w- 0 Observation
0.1 I 10 100 1000 10000 0 1 10 100 1000 10000

Période de retour (an) Période de retour (un)
—ßassin de Pont de Fer : BV001J. _ Bassin de Pont de Fer BVOOIJ.
J_
-8tì-
-Simulation
0 Observation
0.1 1 10 100 1000 10000 0.1 10 100 1000 10000

Période de retour (ani Période de retour (an)
Bassin de Pont < Fer : BVOOIJ — , -(Bassin de Pont de Fer : BVOoT)

îi '. Í-XO .., ,
-160
_| Simulation '
1— —I O Observation . O Observation
0I I 10 100 1000 10000 01 1 10 100 1000 10000

Distributions de fréquences des lames maximales en I. 2. 4, 6, 12. 24. 4S. 72 heures

Bassin versant de Pont de Fer (VAR) : BV001
Annexe n°V.4
-¿Bassin de Collohrière . BV002J. -kBassin de Collobrière : BV002J.
-30-
3 S
s e -40-
\_Z _,
I O
Simulation
Observation i
O.I 10 LOO 1000 10000 10 100 1000 10000

—(Bassin de Collobrière : BV002^- (Bassin de Collobrière : BV002}
I !
-50-
-40-
O Simulation
-4O O Observation
0I 10 100 1000 10000 0 1 10 100 1000 10000

.'Bassin de Collobrière : BV002J- ; Bassin de Collobrière : BV002J-

-W0-
Simulation Simulation
! O Obsen ation O Observation
0.1 10 100 1000 10000 0.1 1 10 100 1000 10000

-(Bassin de Collobrière : BV002J ABassin de Collobrière : BV002J -
30» — 350
1-50
M S
;! |
O Observation ' • I i
0.1 10 100 1000 10000 0 1 10 100 1000 10000

Distributions de fréquences des lames maximales en I, 2, 4, 6, 12. 24, 48, 72 heures

Bassin versant de Collobrière (VAR) : BV002
Annexe n°V.4
J. Bassin Je Malie re B V004J- — Bassin Je Malier? BV004Jr
-40- 4» -
-40-
3 5 i
ll i ;
o
!
10 /
Simulation -Simulation
~! O Observaüon I Observation
i o 1
0.1 I 10 100 1000 10000 0.1 10 100 1000 10000

Periode de retour un) Periode de retour (an)
rJjBassin de Matière : BV004^r r(Bassin de Molière :
•449- !
-4éO-
-fOÖ- 140 ,
-SO- 120
-60- L -409-
-80- Z
-60- 7
Simulation -40 Simulation
0 I I IO 100 1000 10000 0 1 10 100 1001)0

Periode de retour (an) Periode de retour (an)
—Cbasssm Je Matière : BVQ04J JBassin Je Mallere • BV004J-

res
/ MW
i
/
i /
iiaximaies
(inm
Í / S 3QH
i
1
um ¡ —*«- • —z
i
Simulation ¡ WO ^^/~ Simulation

O Observation ! - 5 0 ^ ^ "^ • • O Observation
1 10 100 1000 10000 0 1 I 10 100 1000 10000

Periode de retour (an) Période de retour (an)
J^Bassin de Matière : BVOOÌj , , , Xßassin de Molière : BVOÒÌj -

I —-450-;
I uxy • —
_L 300-i
i^-. -. ! --. O Observation
0I 10 100 1000 10000 0 1 I 10 100 IODO 10000

Distributions de fréquences des lames maximales en 1. 2. 4. 6, 12. 24, 48, 72 heures

Bassin versant de Matière (VAR) : BV004
Annexe n°V.4
-í Bassin de Valescure : BV005J- —i Bassin feValescure . BV005J-
-,, , y /
50 '
i
i
i
1
i
/
1s
40
m
i
í
i /
;
11 !
/
10 -f 36-
5 O O n O
0 Observation O Observation
-—c*^ !
-i
0.1 I 10 100 1000 10000 0.1 I 10 100 1000 10000
-(Bassin de Valescure : BV005} r-(Bassin de Valescure :
0 1 1 10 100 1000 10000 0I I 10 100 1000 10000

(Bassin de Valescure : BV005J- -(Bassin de Valescure : BV005J-

-WÖ-
— S
Simulation
s O Observation
0 1 1 10 100 1000 10000 0.1 1 10 100 1000 10000

Bassin de Valescure : BV005J -(Bassin de Valescure : BV005) ,—

+80—
_J— Simulation Simulation

O Observation ¡ O Observation
0 1 I 10 100 1000 10000 0.1 10 100 1000 10000

Distributions de fréquences des lames maximales en I, 2. 4, 6, 12, 24. 48, 72 heitres

Bassin versant de Valescure (VAR) : BV005
Annexen0 VA
Bussili it e Maurel BV()()6^ — Bassin Je Maiirei
-T
/ S
•A —
e f 1
t
j
! 1 3
p Simulation
o 3bservation
1
0.1 1 IO 100 1000 10000 10 100 1000 10000

(bassin de Mauret : BV006) -XBassin de Mauret : BV006)

3e
z ! =i
-+5-
Simulation
O Observation
;
01 1 10 100 1000 10000 0I 1 10 100 1000 10000
Période de retour (an) ' Période de retour (an)
i —
0.1 I 10 100 1000 10000 : 0.1 10 100 1000 10000

ssm de Mauret : BV006), , -(Bassin de Maurer : BV006^T ,

Mo- 160-; r J- -f>~- i
ss
"T
C
S
15
ç
'x
\ Simulation Simulation
- '- 1 O Observation O Observation
1 10 100 1000 10000 ; 0.1 1 10 100 1000 10000

Distributions de fréquences des laines maximales en 1, 2, 4. 6. 12. 24. 48. 72 heures

Bassin versant de Mauret (VAR) : BV006
Annexe n°VA
1
Bassin de Vaubarmer BV007J -i Bassin de Vaubarmer : BV007J-
heures
i r
/
/
10
eu "'S
^? ->o
r
' /
S 3
3 15 r
es
i/o
Simulation : Simulation
_opra
O Observation i 5-
O Observation
0.1 I IO 100 1000 10000 0.1 10 100 1000 10000

r-(Bassin de Vaubarnier : BV007J. (Bassin de Vaubarnier : BV007^
Simulation
O Observation
0 1 10 100 1000 10000 0.1 10 100 1000 10000

—ÎBassm de Vaubarnier : BV007^- —; Bassin de Vaubarnier .
-tao-
400-
-80-
-80-
-éO- — 5
-éO-
Simulation , Simulation
O Observation O Obser\ ation
10 100 1000 10000 0.1 10 100 1000 10000

-(Bassin de Vaubarnier : BV007J - (Bassin de Vaubarnier • BV007^
-Simulation !
O Observation .
0 1 10 100 1000 10000 0 1 10 100 1000 10000

Distributions de fréquences des lames maximales en 1. 2. 4, 6. 12. 24. 48. 72 heures

Bassin versant de Vaubarnier (VAR) : BV007
Annexe n°V.4
—i Bassin de Rimbaiut BVOQHJ— —'. Bassin 4e Rimbaud BV008J

Ji
OA /
2 licur
3
so 1 /
70
/ \ rJ : ;
•10 fin
•ji
sn 1 / \
nul
mu
I /"
"a
S 10
axii
'3
i TA
1
s t
^1
u — Simulation S 30- «y •• - Simulation
w— c gfpiy i i ;
-3
^•""
10 Observation s
0.1 1 10 100 1000 10000 0 1 10 100 1000 10000

_(Bassin de Rimbaud : BV008 \ 1 ¡—(Bassinde Rimbaud :

t 1
Ú > 90 1
3
V 30
1 lÔ
1
-r ( 100
S 60 i Z !
maies
1 Ü — ' »H—
C en J C1
tu)
A.
yo 1
nax = 60-
x !
2
H)
o
^&
es
, 0 — Simulation
0 Observation 3 itti 0 Ob«er\ation
— r n
|
0.1 l 10 100 1000 10000 1 0 1 10 100 inoo 10000
(Bassin de Rimbaud : \ —(Bassin de Rimbaud : ßVQliRJ

u
u
r
¡ -50 /
/ /
1 SO
y TÌÌA
S
(nun)
y)
c 1 SO /
y
E ^3
rtiiixp
""' 1 Oil i E
j ^ ; '2
100- 9
O Simulation
V
— Simulation ji
! 3 *
i 0 Observation 1 !3 O Observation
r^ 0 I
0
1
0.1 1 10 100 1000 10000 ' 0 1 10 100 1000 10000
-(Bassin de Rimbaud : BV00Ì) -— r (Bassin de Rimbaud : BV008) -

u
3
1>
i
1
/
ï r / !
90 -fCf\ -)CA
r»
S
0 0
r s
nun
| " - ; 1 CO
^3 O SS •3
_£
"3
S. ICA
í
¡
1 sn Q
!
s
i — Simulation ; w 1 Simulation
0 Observation ! O Obser\ation
Í)
0 1 1 10 100 1000 10000 0 1 1 10 100 1000 10000

Distributions de fréquences des lames maximales en 1. 2. 4, 6, 12. 24, 48, 72 heures

Bassin versant de Rimbaud (VAR) : BV008
Annexe n°VA
-ÍBassm de ilnfemet. BV022J
-+0-
Simulation
O Observation
0.1 1 10 100 1000 10000 10 100 1000 10000

Période de retour (an Période de retour (an)
—(Bassin de iinfernet : BV022J- ¡-(Bassin de ilnfemet : BV02Ì)-

-35- •45-
t/5 « ,
-3Ô-
± -40-
-35-
-3Ö-
±
il
3
-3©-
-45-
-w- Simulation
O Observation
01 1 10 100 1000 10000 0I 10 100 1000 10000

{Bassin de ilnfemet : BV022J. gassili de iinfernet : BV022J-
-H)0-
—— Simulation ;
O Observation '
-(Bassin de iinfernet : BV022^ ,-(ßassin de ilnfernel : BV022)- -
Simulation
"" ' O Obsersation
l
01 1 10 100 1000 loooo ! 0 1 10 100 1000 10000
Période de retour lan) Période de retour (an)
Distributions de frequences des lames maximales en I, 2, 4, 6, 12, 24. 48. 72 heures

Bassin versant de Ilnfemet {BOUCHES DU RHÔNE) : BV022
Annexe n°V.4
— Bassin le la Mussane . BV061J- Í Bassin de la Massone BVOf>¡\-

y
in
3
y
i)
GO—
50—
{—
i—
:
•in /
Ill)
?n a / !
e2
•ji
u
-»n ;Simulation
J i il
1 O Observation
0.1 1 10 100 1000 10000 10 100 1000 10000

Période de retour (an) Periode de retour (an)
—{Bassin Je la Mossane : BVOóf^— !—(Bassin de la Mossane : BV061~\

1 U/N
2 i i
3 i c-n i
W
i
i ir\ /
J
T
i -ïn i
| /in ! (
l! on
1%
60
•fi
40 Simulation
-20- O Obser\ation
0.1 10 100 1000 10000 ' 10 100

_ Bassin de la Mossane : BV06l\- ;—Bassin de la Massone B V061

y
K A
^5 z /
300—
¡ H50
Simulation : im— Simulation
O Observation O Observation
10 100 1000 10000 10 100 1000 10000

. Bassin de la Massone : BV06l\ . Bassin de la Massone :
MX) 1 1—
2 S
! i 5
;
O Observation O Obser\ation
0.1 10 100 1000 10000 0 I 10 100 1000 10000

Distributions de fréquences des lames maximales en 1, 2, 4, 6. 12. 24, 48, 72 heures

Bassin versant de la Mussane {PYRENEES ORIENTALES) : BV061
Annexe n°VA
; Bassin de i Ample . BVÜ62J- -lâssin de l'Ample

-46-
\r -44-
-42-
\\ j i
Simulation ;
!
O Observation i
10 100 1000 10000 10 100 1000 10000

—(Bassin de l'Ample : ¡-(Bassin de l'Ample : BV062^-

-46-
-3*-
-36-
ji s \r
I w ^ Simulanon
O Observation
1 10 100 1000 10000 0.1 1 , 1 0 100 l(K)0 10000

(Bassm de l'Ample : BV062^-
-étì-
-50- z
-40-
/% /fi
z '
Simulation
0.1 1 10 100 1000 10000 10 100 1000 10000

-(Bassin de l'Ample : BV062^ -(Bassin de l'Ample :
IS
e
•3 s
il .S
-Simulation
' O Obsenation
0 1 1 10 100 1000 10000 10 100 1000 10000

Distributions de fréquences des lames maximales en i, 2, 4. 6. 12, 24. 48, 72 heures

Bassin versant de l'Ample (PYRENEES ORIENTALES) : BV062
Annexe n°VA
—; Ba.sMii de la Canterrane . BV063\- ,— Bassin de la Canterrane . BV063Ï-
1 g
S £
1 \)
Simulation Simulation |
\ o Observation O Observation !
1
0.1 10 100 1000 10000 10 100 1000 10000
r-(Bassin de la Canterrane : BV063±-

-86- z (Bassin de la Canterrane : BV063\-
-éO-
-fO-
e
¡A —
—m-
-80-
• !
z
-6«-
-40- JL
-4«-
-30 Simulation Simulation
O Observation ' 3 O Observation
0.1 10 100 1000 10000 0.1 10 100 1000 10000

-{Bassin de la Canterrane : BV063\- Bassin de la Canterrane • BV06JJ
-m-
-40- "ÎT
Simulation
O Observation
0I 10 100 1000 10000 10 100 1000 10000

{Bassin de la Canterrane : BV063J —] \Bassin de la Canterrane : BV063\
I j Simulation Simulation
! O Observation I O Observation
10 100 1000 10000 ., 10 100 1000 10000

Distributions de fréquences des lames maximales en 1. 2. 4. 6. 12. 24, 48, 72 heures

Bassin versant de la Canterrane (PYRENEES ORIENTALES) : BV063
Annexe n°VA
— Bassin du Reart BV064J

80-
TO-
3 s SO -i
•10
/ r
I
— Simulation ! 2
i
O Observation ! j -+0 Observation
I IO 100 1000 10000 0.1 1 10 100 1000 10000

¡-(Bassin du Reart : BV064^-

!
•4éô- J_
-440-
-+20-
-400-
-8O- L7_
-m-
Simulation .S)
10 y — Simulation
O Observation •5 O Observation
massif
I 10 100 1000 10000 01 i 10 100 1000 10000
— Bassin du Reart : BV064J. » Bassin du Rean . BV064J.
-350-
-20O-
-400-
-50-
10 100 1000 10000 0.1 10 100 1000 10000

.-(Bassin du Reart : BV064)
>5G
; -300-
' 250-
-200- r--r -
Simulation ',
O Observation !
0I 10 100 1000 loooo oi 10 100 1000 10000

Distributions de fréquences des lames maximales en I. 2. 4. 6, 12. 24. 48. 72 heures

Bassin versant du Reart (PYRENEES ORIENTALES) : BV064
Annexe n°V.4
— Basimele l'Agl\ . BV"65J- ,—K Bassin d V ¡A"i\ RVOó^ \

'" ^^^^^
" • ! /
-38- s 1
-+5-
11
-Hi-1-
-+0-
Simulation j Simulation
e
o o
O.I 10 100 1000 10000 0.1 1 10 100 1000 10000
r-(Bassin de l'Agly : BVOòSJ- (Bassin de l'Agly :

\ +5
-40-
Z 40-
-30-
-35- r
>
O Observation o o Ohscr\aiinn
•—<^^7>
0I 10 100 1000 10000 0 1 1 10 100 1000 10000
1 Bassin de l'Agly . BVQ65J. -\Bassm de l'Ai>l\ . BV065 Ì-

, ^ ^^W
I 10 100 1000 10000 0I I 10 100 1000 10000

(Bassin de l'Agly . BV065J- _ Bassin de l'Agly • BV065J
60- S —
! =
1
i -;
0.1 10 100 1000 10000 0.1 10 100 1000 10000

Distributions de fréquences des lames maximales en I, 2. 4, 6. 12. 24, 48. 72 heures

Bassin versant de VAgly (PYRENEES ORIENTALES) : BV065
Annexe n°V.4
.Bassin du Bevinco . BV072^- J. Bassin du Bevinco : BVO72J-
-420-
-se- -400- Z
B s ~
1 IL
et
-60-
-20- -40-
Simulation ! Simulation
-40- O Observation -ae- O Observation
io
0.1 1 10 100 1000 10000 0.1 10 100 1000 10000
—(Bassin du Bevinco : BVO72J (Bassin du Bevinco : BVO72
3
ss
1 Sii /
u 2
1
3
1 10 100 1000 10000 I 10 100 1001) 10000
—i Bassin du Bevinco : BVO72J- _ Bassin du Bevinco . BV072\-
Ü =
zZ z
I =
Simulation
; O Obsenation
0.1 10 100 1000 10000 10 100 1000 10000

-(Bassin du Bevinco : BV072^ ,-^Basstn du Bevinco : BV072J

: 400- ,—
Î50
200
1-50 '--^-
—'- ; Simulation
— t i O Obser\ ation
10 100 1000 10000 10 100 1000 10000

Distributions de fréquences des lames maximales en l, 2. 4, 6, 12, 24. 48, 72 heures

Bassin versant du Bevinco (CORSE) : BV072
Annexe n°V.4
— Bassin du Fungo BV074\- —. Bassin du Fonilo BV074V.
•42-
• ' 3«— —
IO i
3
Z u -
's 5
s —
s
S
</]
I i O Observation : j .-g
0.01 0.1 1 10 100 1000 10000 0.01 0.1 I 10 100 1000 10000
Bassin du Fango . BV074J-. —(Bassin du Fango : BV074^.

-46-
-36- e
-35 — 2
-36-
-45-
+0- Simulation ',
O Observation
0 01 0 I I 10 100 1000 10000 0 01 01 I 10 100 1000 10000

Période de retour (an) Période de retour lan)
-\Bassin du Fango : BV074J- - Bassin du Fango : BV074Ï-

86
0 01 0.1 1 10 100 1000 10000 0.01 01 I 10 100 1000 10000

(Bassin du Fango : BV074J -i Bassin du Fango . BV074J

— —• KO-
, 160 ;— r
I •=
KK>
80 \—J-
ü s
Simulation
¡ O Observation j
0 01 0 I 1 IO 100 1000 10000 0 01 0.1 1 10 100 1000 10000

Distributions de fréquences des lames maximales en 1, 2, 4. 6. 12, 24. 48, 72 heures

Bassin versant du Fango (CORSE) : BV074
Annexe n°V.4
^Bassin de l'Oitolo : BV076J- —i, Bassin de l'Ortolo . BVO76J

1 ¡
/
1.1117
1
•43- ,
J
A
aximales ci
-4«- i
1
(mm)
Simulation
e.a
IO
i r
y
/ Simulation
O Observation a 0 Observation
I l
( ^ ^ —
0.01 0.1 1 10 100 1000 10000 0.01 0.1 1 10 100 1000 10000
-(Bassin de l'Ortolo : BV076} (Bassin de l'Ortolo : BV076J-

80 . 1
-40-
-m-
Ü S -50-
11 -40-
z:
í O Observation O Observation
0.01 1 10 100 1000 10000 0 01 0 1 I 10 100 1000 1(1000

-^Bassin de l'Ortolo : BV076J- J Bassin de l'Onnlo BV076J-

»se
-460-
440-
-438- J
•400-
-60- y
y -Simulation
i- iflwrrf 0 Observation
0.01 1 10 100 1000 10000 0.01 I 10 100 1000 10000

(Bassin de l'Ortolo : BV076^ Bassin de l'Ortolo . BV076J

I I - -> 180- •
0 01 0.1 I 10 100 1000 10000 0 01 0 1 I 10 100 1000 10000

Distributions de fréquences des lames maximales en I, 2. 4. 6. 12. 24. 48. 72 heures

Bassin versant de l'Ortolo (CORSE) : BV076
Annexe n°V.4
du FiumAlto : BV079J- Bassin du Fumi.Mio . BVO79\-

i r
7 •40-
7
Z
-44)- Z II
•A
c
-20- Z
Simulation ; •Simulalion
+0-
O Observation ' O Observation ;
0.01 0.1 I 10 100 1000 10000 0.01 0.1 I 10 100 1000 10000 !
Période de retour (an) Période de retour (an) I
{Bassin du Fium'.Mto : BV079J-

I
0 01 0 1 I 10 100 1000 10000 0.01 0.1 I 10 100 1000 10000

—rBussm du Fnun Alto : BV079J- —L Bassin du Fumi Alto UVti
I
1 í() r
/
Oj
Simulation "0 ' y -Simulation
"I O Observation
y o Observation
o.oi oi I 10 100 1000 10000 0.01 I 10 100 1000 10000

Bassin du FiumAlto : BV079J Bassin du FiumAlto . BV079J
-350-r-- s3
J—-300 - - - - i - -
u
.=
«M -250- !
ç
» — ' -200 • -
ü S !
- -150- r
- îoo- oí 3 0
Simulation
O Observ ation
0 01 0 I I 10 100 1000 10000 0 01 0I I 10 100 1000 10000

Distributions de fréquences des lames maximales en 1, 2. 4, 6, 12, 24, 4$, 72 heures

Bassin versant du Fhim'Alto (CORSE) : BV079
Annexe n°VA
9 - LAME MAXIMALE HORAIRE (mm) BIENNALE \¿r 80| LAME MAXIM ALE EN 24 HEURES l i m i BIENNALE I
s
70
•X
EMULATIONS
7 - \%
6 -
i 60 -
50
5 - / •
40 -
A .
3
!
- y
r •
30 •
2! » • •
I
f
j
20 •
10 •
r
-
-(ÔBSERVATIONS J (ÔBSERVATIONS J
/
0 ^
01
4 5 6 7 8 20 40 60 80
0
15 -1 LAME MAXIMALE HORAIRE (mm) QUINQUENNALjÜ 120 _l LAME MAXIMALE EN 24 HEURES I mm)
I QUINQUENNALE
1
í "* i 100
5
80 —O
-.3
¡ 60 I-i S
• /
40
"•—>^ - 20 f
f OBSERVATIONS' ' OBSERVATIONS
\ ,
12 15 20 40 60 80 100 120
,8 ¡ LAME MAXIMALE HORAIRE (mm) DECENNALE ] LAME MAXIMALE EN 24 HEURESlmm) DECENNALE

i]
100 -
OBSERVATIONS^
12 15 50 100
Comparaison des lames maximales en I et 24 heures de période de retour 2. 5 et 10 ans. Les valeurs
observées sont issues de l'ajustement d'une loi de Gumbel sur les distributions observées et les valeurs
simulées sont obtenues empiriquement ci partir d'une simulation de 1000 ans sur les différents bassins.
Annexe n°VI.l
Etude de l'influence de la contrainte imposée

entre les pluies horaires simulées et les pluies
journalières simulées, lors du couplage des deux
pas de temps.
Annexe n°VI.l
-Sans contrainte O Contrainte sur DTOT

Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
0> 40 —
C 35 —
HIVER
I 30 —
25 —
20*-
15
V)
10
5 / o XV y
0
Í.
-5
3 -10
o\ es (N
r- O
a. 0.
o. a. a. c a.
en
u -Sans contrainte - -o Contrainte sur DTOT
•U
Contrainte sur DTOT et HTOT -• Contrainte sur DTOT et PJMAX
e
O
I
-Sans contrainte o Contrainte sur DTOT
-Sans contrainte Contrainte sur DTOT

Contrainte sur DTOT et HTOT Contrainte sur DTOT et PJMAX
i* *s ^ /•> •* ^
Evolution de l'erreur sur les moyennes îles pluies maximales en I. 6, 24 et 72 ¡¡eures, en fonction des
contraintes imposées entre les pluies horaires et les pluies journalières, lors du couplage des deux pas
de temps : saison HIVER.
Annexe n°VI.l
u • Sans contrainte o Contrainte sur DTOT

•O
o Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
25
i 20
e
«•>
15
9
S ^ 10
U
3 —
«è
-5 Ç~^~^?
-10 -
I
Cd
-15
in
Ou
—
r-
0.
( N
u"i
CL
o o
u-i
CU
r - r
m
û-
*
\o
i 5
CL.
\ c
-e
S.
N
CN
Û.
—
£
<S
2 2
•*
2
M
eu a.

•o
i
u
S"
E
u
3 VO
M —
> S-
I
•JÍ
•a
z 20
u 15
2 ^ 10
J£ 5
0
-5
,> a.
-10
-20
u
u OO I—
ir, v.
a Q. û.
2- i. a.
- • — S a n s contrainte O Contrainte sur DTOT

o Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
.t a-
u
L.
S
ir-, —
Evolution de l'erreur sur les moyennes des pluies maximales en 1, 6, 24 et 72 heures, en fonction des
de temps : saison ETE.
Annexen0 VU
m Sans contrainte o Contrainte sur DTOT

a. o Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
200

ss Contrainte sur DTOT et HTOT • • - • Contrainte sur DTOT et PJMAX
S: 120
•É 100 • - - ^ HIVFR
• •
es
u
o
80
o •
60
u se o o
•
3? 40 - -O— o
20 ^
0
-20 ri 30
0. a. a. a. a. a. £ E £ £ £ £. Ï.
• Sans contrainte o Contrainte sur DTOT

3 o Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
S 80
Sans contrainte o Contrainte sur DTOT

a. o Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
80
Evolution de l'erreur sur les écarts-types des pluies maximales en I', 6, 24 et 72 heures, en fonction des
contraintes imposées entre les pluies horaires et les pluies journalières, lors du couplage des deux pus
de temps : saison HIVER.
Annexe n°VI.l

2 Contrainte sur DTOT el HTOT
o. • Contrainte sur DTOT et PJMAX
100 •
à 80 1
•
£ ~ 60
• . • -
3-40
:S • • o • • .0 o o
20 'O
v • ' o
•- 3 0
TS -à
a. 0 J^
—0—" —ô—
n Û
—o—
S -20
i -40
f n
m 00
in a. i.
— CN
g £
in
a. a. CL 2 £
— » — S a n s contrainte o Contrainte sur DTOT
-0 Contrainte sur DTOT et HTOT • Contrainte sur DTOT et PJMAX
•Sans contrainte o • Contrainte sur DTOT

60

100
on
j £7£: ]
fin *
172 (%
40 -
o
Su • - • • . • - . • - • • • •
0 , -T-X— -0------ A- s- • - ¡— - - .. -
u ft —
-a ¥— O- \ o
u -20 -
-* 8—
o
u
3 ¿in .. -_ - .
L. n -t "-. _
P04
-t 30 r— CM ri rt
U in r— m in n A"
0. 0.
C A ^
S.
et et et
Evolution de l'erreur sur les écarts-types des pluies maximales en 1, 6. 24 et 72 heures, en fonction des
de temps : saison ETE.
Annexe n°VI.2
Exemples d'événements de crues simulés.

EVENEMENTS SIMULES DE PLUIES MAXIMALES EN 24 HEURES DE 150mm
120
io --
100
20
30
- - 80
40
O
E M
03
--60
eu I
60
- 40
70
20
80
90 - -
100 i _ i\
DEBITS SIMULES AU PAI; DE TEMPS HORAIRE

Annexe n°VI.2
Œ LM I = 4 mm
LM24= 10.5 mm
I
-•
-io
5
-- 15 Ç
-20 |
-- 2 5 •=-
-- 30
— 35
c*i m
0
5
LM 1 = 4 mm 10
E LM 24 = 25.6 mm 15
T 20
- 25
!
T 3 0
97 121 145
HEURES
r n
4 5 - II
4 - IW W
11 HA \
1II II
1 U " LM1 =: 4 mm
'1 W
_ 4
III IU)
3.5 - LM24 = 51 mm
3 - -6 r
]
LAME
2.5 - 8
- s
r 10 |
-
1 5 -
I \ \
12 ~
0.5 -
u —
y _ / ^ J 14
25 49 73 97 121 145 169 193 217 241

HEURES '
LM1= 4 mm
\ \6 _
LM 24 = 66.6 mm
E
10
12
[4
16
18
20
49 73 97 121 145 169 193
HEURES
Evénements de crues simulés au Pont de Fer (BV001)

caractérisés par une lame maximale en 1 heure décennale (4 mm)
Annexe n°VI.2
LM 1 = 2.4 mm
(UIUI)
2 < LM 24 = 50 mm
W
s 15 -
_; 1 -
0 5—
0
145 169 193
HEURES '
LM 1 = 3.6 mm
LM 24 = 50 mm
w
HEURES
TF"
LM I = 5.7 mm
- 10 _
LM24 = 50 mm
- 15 ÌZ
•r
<
- :o ir
• 25 5.
- 30
—- 35
49 73 97
HEURE:»
ï
10 -r 0
9
m 8 LM 1 = 8.2 mm
S 7 4
LM 24 = 50 mm
— 6 b
8
< 4
*™ 3 10
1 2
I
0 14
13 19 3 1 37 43 49 55 6 1 67
HEURES
Evénements de crues simulés au Pont de Fer (BV001 )

caractérisés par une lame maximale en 24 heures décennale (50 mm)
Résumé
Lo modele SHYPRE présente dans ce mémoire est un modèle de prédétermination de crues

basé sur !a simulation stochastique de hyétogrammes couplée à une modélisation conceptuelle de la
transformation pluie-débit. Il permet d'obtenir de nombreux scénarios' de crues dont l'occurrence est
déterminée de façon empirique. Deux pas de temps sont étudiés. Le pas de temps journalier fournit des
chroniques continues de débits journaliers et le pas de temps horaire fournil des événements de crues.
Par rappoit aux travaux antérieurs (these de F. Cernesson), le modèle de génération de pluie
horaire, qui est au cœur de l'approche adoptée, a été amélioré et validé sur une zone plus étendue
(façade méditerranéenne française). Les principales modifications apportées ont été de diminuer le
nombre de retirages inhérents au modèle, de trouver une loi de probabilité moins sensible à
l'échantillonnage pour les intensités d'averses, et de prendre en compte la dépendance observée entre
deux variables du modèle (durées et intensités des averses). Cette dernière modification a permis
d'améliorer sensiblement les performances du modèle.
Une étude régionale de la paramétrisation a été effectuée. Au regard de l'influence ties
paramètres sur le modèle et de leur variation entre les postes d'étude, certains paramètres ont pu être
fixés. Les autres sont déterminés par des [dations linéaires simples les liant à des variables issues des
pluies journalières. Cette parainétnsation par l'information journalière, plus largement disponible,
permetti a !a cartographie des paramètres nécessaires à la simulation de pluies horaires sur des zones
n'ayant pas d'observation pluviographique.
La modélisation des pluies journalières, beaucoup plus simple, est aussi réalisée par un modèle
stochastique. Les bonnes performances du modèle n'ont pas imposé de modifications dans s.; structure.
Le passage des pluies simulées à des chroniques de débits est réalisé par l'intermédiaire du
modèle hydrologique conceptuel global GR à 3 paramètres fonctionnant aux deux pas de temps
considérés. Ce modèle est calé sur les chroniques pluies-débits observées, puis appliqué sur les
chroniques de pluies simulées. La méthode testée sur 17 bassins versants situés dans les départements
français du pourtour méditerranéen, donne des résultats très satisfaisants pour les deux pas de temps.
Dans le but de régionaliser la méthode, des essais ont été effectués pour paramétrer le modèle
GR3 horaire par l'information journalière. Pour cela une comparaison des paramètres des modèles GR3
journalier et horaire est réalisée. On arrive sans trop dégrader les lésultats, à initialiser le modèle
horaire (événementiel) par l'information obtenue en continu lors de la simulation des débits journaliers.
On peut ainsi s'affranchir de l'identification de la fonction de production du modèle horaire et de son
initialisation. Par contre l'information journalière est assez peu instructive pour la fonction de transfert
du modèle horaire. Cependant la paramétiisation automatique totale du modèle a été essa\ée. On a alors
pu mesurer la dégradation des performances du modèle selon différentes modalités de paramétrisation.
L'avantage de l'approche étudiée, par rapport à une approche statistique classique, est de
disposer de l'intégralité de l'information temporelle des pluies et des crues, de s'affranchir ainsi des
pluies ou crues de projet uniques. De plus, la large prise en compte de l'information des pluies et la
stabilité de la modélisation pluie-débit semble rendre la méthode' moins sensible aux problèmes
d'échantillonnage qu'une approche statistique classique. Le couplage des deux pas de temps permet une
approche intégrée de la gestion des retenues, avec l'étude de la ressource en eau au pas de temps
journalier et le passage au pas de temps horaire lors des événements de crues, afin d'étudier le
comportement hydiaulique des ouvrages. Hntin la paramétrisation journalière, opérationnelle pour la
génération des pluies et en développement pour leur transformation en débit, permet d'envisager la
cartographie des paramètres et l'utilisation future de la méthode sur des bassins versants non jaugés.
Mots clés : predetermination d>' crues, génération stochastique de hxétogramines. modele

lixdrologiqiw GR. paramen isation regionale, couplage des pas de temps journalier et horaire, bassins
versants méditerranéens.

These Prédet Crues Simulation

Transféré par

Informations du document

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

These Prédet Crues Simulation

Transféré par

Droits d'auteur :

Formats disponibles

97/0868

— SCIENCES ET TECHNIQUES DU LANGUEDOC —

présentée à l'Université de Montpellier II Sciences et Techniques du Languedoc

SPECIALITE : Mécanique, Génie Mécanique, Génie civil

MODELE DE PREDETERMINATION DE CRUES BASE SUR LA

Extension de sa zone de validité (pourtour méditerranéen français),

Soutenue le 21 novembre 1997, devant le Jury composé de :

M BOCQUILLON Claude, Professeur emèrite. Université Montpellier II Président

M. LABORDE Jean-Pierre. Professeur, Université de Nice Rapporteur

présentée à l'Université de Montpellier II Sciences et Techniques du Languedoc

SPECIALITE : Mécanique, Génie Mécanique, Génie civil

MODELE DE PREDETERMINATION DE CRUES BASE SUR LA

Extension de sa zone de validité (pourtour méditerranéen français),

Soutenue le 21 novembre 1997. devant le Jury composé de :

M. BOCQUILLON Claude, Professeur emèrite, Université Montpellier II Président

M. LABORDE Jean-Pierre. Professeur. Université de Nice Rapporteur

CHAPITRE I - PRESENTATION DU MODELE DE GENERATION DE PLUIE HORAIRE _ 19

CHAPITRE II - AMELIORATION DU MODELE : EXTENSION DE LA ZONE DE

CHAPITRE III - ETUDE REGIONALE DE LA PARAMETRISATION DU MODELE DE

CHAPITRE IV - LA MODELISATION DE LA PLUIE EN DEBIT 139

CHAPITRE VI - COUPLAGE DES PAS DE TEMPS JOURNALIER ET HORAIRE 233

REFERENCES BIBLIOGRAPHIQUES 279

Une thèse ne se fait pas toute seule ...

Le modèle SHYPRE présenté dans ce mémoire est un modèle de prédétermination de crues

Mots clés : predetermination de crues, génération stochastique de hxétogramiv.ts, modèle

De même, pour la modélisation de la transformation de la pluie en débit, l'étude d'une paramétrisation

Dans sa conception. le modèle de simulation de pluies horaires fonctionne en mode événementiel. Il

Ce mémoire s'organise autour de deux parties comprenant trois chapitres chacunes.

La première partie est consacrée à l'étude du modèle de génération de hyétogrammes horaires,

1.1 - Comment modéliser la pluie

1.2 - Le modèle de génération de hyétogrammes au pas de temps horaire. 31

1.3 - Performances initiales du modèle. 40

1.4 - Sensibilités du modèle 50

La première partie de ce travail est consacrée à l'étude du modèle de génération de hvétogrammes

1.1 - COMMENT MODELISER LA PLUIE

1.1.1 - Approche physique

où • X(t) représente la quantité d'eau dans la colonne nuageuse.

Base (bottom) Zj,

La microphysique du nuage permet alors d'obtenir l'expression du taux de précipitation au sol en

La pluie est donnée par la relation :

1.1.2 - Approche empirique.

1.1.2.1 - Ajustement de lois de probabilité.

L'intérêt de cette modélisation est double (MICHEL [1989]):

1.1.2.2 • Passage aux pluies de projet synthétiques.

Parmi les pluies de projet ponctuelles on trouve (ROUX [1996]):

1.1.3 - Approche conceptuelle.

1.1.3.1 - Modèle basé sur un processus d'agrégation

•^ la génération de la durée de chaque cellule dans une loi exponentielle.

Origine de l'épisode (Processus de Poisson)

( PROCESSUS DE BARTLETT-LEWIS ) ( PROCESSUS DE NEYMAN-SCOTT )

Durée des cellules (loi exponentielle)

Intensité des cellules (loi exponentielle)

A chaque instant, la pluie est égale à la somme

Figure n°1.2 : principe des modèles basés sur un processus d'agrégation.

1.1.3.2 - Modèles basés sur une approche directe

La génération du signal de pluie comporte deux étapes (figure n°l.3):

1ère ETAPE : ETUDE DESCRIPTIVE Variable A Variable B

DEFINIR des variables décrivant la pluie

2ème ETAPE : RESTITUTION DE LA PLUIE

GENERER les variables par un tirage aléatoire

RECONSTRUIRE les hyétogrammes à partir

VALIDER sur des variables tests non utilisées dans la modélisation

Figure n°l.3 : principe d'un modèle stochastique de simulation des hyétogrammes.

La validation du modèle consiste à étudier sa capacité à reproduire des variables représentatives du