Académique Documents
Professionnel Documents
Culture Documents
02 17 130
02 17 130
BOUCEFIANE Abdelkader
/Résumé/Abstractﻣﻠﺨﺺ
ﻣﻠﺧــص
ﻟﻘد ﺗﺑﯾن ﻣن ﺧﻼل ﻣطﺎﺑﻘﺔ ﺗوزﯾﻊ اﻷﻣطﺎر اﻟﯾوﻣﯾﺔ اﻟﻘﺻوى اﻟﺳﻧوﯾﺔ ،أن ﻧﻣوذج Gumbelاﻟﻣﺳﺗﻌﻣل ﻋﺎدة ،ﯾﻌﺗﺑر ﻏﯾر
ﻣﻧﺎﺳب ﺗﻣﺎﻣﺎ ﻟﻣﻧطﻘﺔ اﻟﺳﻬوب ﻟﻐرب اﻟﺟزاﺋر.
ﻓﻲ اﻟواﻗﻊ ،إن ﺗواﺟد ﻗﯾﻣﺔ ذات ﺗردد 100ﺳﻧﺔ ﻓﻲ ﻋﯾﻧﺎت ﻻ ﺗﺗﻌدى 40ﻗﯾﻣﺔ ،ﯾؤﺛر ﻓﻲ ﺗﻘدﯾر اﻟﺛواﺑت ﻣﻣﺎ ﯾؤدي إﻟﻰ
ﺗﻘدﯾر ﻧﺎﻗص ﻟﺗردد ﻫذﻩ اﻟﻘﯾﻣﺔ .وﺑﺎﻟﺗﺎﻟﻲ ﻧﺟد أن ﻫﻧﺎك اﻟﻛﺛﯾر ﻣن ﻗﯾم اﻷﻣطﺎر ﺣﯾث ﯾﻘدر ﻗﺎﻧون Gumbelﺗرددﻫﺎ ﺑﺄﻛﺛر
ﻣن 10ﺳﻧوات ،وﻣن ﻫﻧﺎ ﯾﺗﺿﺢ أن ﻗﺎﻧون Gumbelﯾﻣﯾل إﻟﻰ اﻟﺗﻘﻠﯾل ﻣن ﻗﯾﻣﺔ ﻫطول اﻷﻣطﺎر اﻟﯾوﻣﯾﺔ اﻟﻘﺻوى.
ﻓﻲ اﻟﻣرﺣﻠﺔ اﻟﺛﺎﻧﯾﺔ ،ﺣﺎوﻟﻧﺎ اﺳﺗﺧدام ﻧﻣوذج اﻟﻘﯾﻣﺔ اﻟﻘﺻوى اﻟﻌﺎم ) (GEVﻣن ﺧﻼل ﺗﻘدﯾر اﻟﺛواﺑت اﻟﺛﻼث ﻟﻬذا اﻟﻧﻣوذج ﻟﻛل
ﻣﺣطﺔ ﻣن ﻣﺣطﺎت ﻗﯾﺎس اﻷﻣطﺎر .وﻧﺗﯾﺟﺔ ﻟﻼرﺗﯾﺎﺑﺎت اﻟﻛﺑﯾرة ﻓﻲ ﺗﻘدﯾر ﺛﺎﺑت اﻟﺷﻛل ) (kاﻟﻧﺎﺗﺞ أﺳﺎﺳﺎ ﻋن ﺣﺟم اﻟﻌﯾﻧﺎت،
ﻓﺈﻧﻪ ﻣن ﻏﯾر اﻟﻣﻣﻛن و ﻓﻲ ﻏﺎﻟب اﻷﺣﯾﺎن رﻓض اﻟﻔرﺿﯾﺔ اﻟﺻﻔرﯾﺔ .ﻣن ﻧﺎﺣﯾﺔ أﺧرى ،ﯾﻣﻛن ﻟﻧﺎ اﻟﺣﻛم ﻣﺳﺑﻘﺎ ﻋﻠﻰ أن )(k
ﻫو ﺳﻣﺔ ﻣﻣﯾزة ﻟﻠﻣﻧﺎخ وﯾﻘدم إذا ﺑﻧﯾﺔ ﻣﻛﺎﻧﯾﺔ .وﺑﺎﻟﺗﺎﻟﻲ ،ﺳﻧﻌﺗﻣد ﻓرﺿﯾﺔ ،أن ﺗوزﯾﻊ ﻫطول اﻷﻣطﺎر اﻟﯾوﻣﯾﺔ اﻟﻘﺻوى اﻟﺳﻧوﯾﺔ
ﻓﻲ ﻣﻧطﻘﺗﻧﺎ ﯾﺗم وﻓﻘًﺎ ﻟﻘواﻧﯾن ) ،(GEVوﻟﻛن kﻫو ﺛﺎﺑت إﻗﻠﯾﻣﻲ ﯾﺗم ﺗﺣدﯾدﻩ .ﺗﻌﺗﺑر اﻟﻘﯾﻣﺔ k = -0.053ﺛﺎﺑﺗﺔ ﻟﻠﻣﻧطﻘﺔ ﻫﻲ
ﻓرﺿﯾﺔ ﻣﻘﺑوﻟﺔ ﻣﻘﺎرﻧﺔ ﺑﺎﻻرﺗﯾﺎﺑﺎت اﻟﻣﺳﺟﻠﺔ ﺣول اﻟﺗﻘدﯾرات ﻋﻠﻰ ﻣﺳﺗوى اﻟﻣﺣطﺔ .ﻛﻣﺎ ﺗﺗﯾﺢ ﻗﯾﻣﺔ kﻫذﻩ إﻣﻛﺎﻧﯾﺔ اﻟﻌﺛور ﻋﻠﻰ
ﻋدد ﻗﯾم ﻣطﺎﺑق ﻋﻠﻰ اﻟﻌﻣوم ﻟﻠﺗرددات اﻟﻣﻘدرة.
ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ذﻟك ،أن اﻟﺗﺣﻠﯾل اﻹﻗﻠﯾﻣﻲ ﻟﻬطول اﻷﻣطﺎر اﻟﯾوﻣﯾﺔ اﻟﻘﺻوى ﺑﺎﺳﺗﻌﻣﺎل طرﯾﻘﺔ ،L-momentsأظﻬرت ﻗﺎﺑﻠﯾﺔ
ﻫطول اﻷﻣطﺎر اﻟﯾوﻣﯾﺔ اﻟﻘﺻوى ﻟﻣﻧطﻘﺔ اﻟدراﺳﺔ ﻹﺗﺑﺎع ﻧﻣوذج ﺗوزﯾﻊ اﻟﻘﯾم اﻟﻘﺻوى اﻟﻌﺎم ).(GEV
ﻛﻠﻣﺎت اﻟﻣﻔﺗﺎح :اﻷﻣطﺎر ،اﻟﻘﯾم اﻟﻘﺻوى اﻟﯾوﻣﯾﺔ ،اﻹﺣﺻﺎء ،دوال اﻟﺗوزﯾﻊ ،Gumbel ،GEV ،ﻣﻧطﻘﺔ اﻟﺳﻬوب ﻟﻐرب
اﻟﺟزاﺋر.
i
ﻣﻠﺨﺺ/Résumé/Abstract
Résumé
L’ajustement des pluies journalières maximales annuelles montre que le modèle
gumbelien classiquement utilisé n’est pas parfaitement bien adapté à la région steppique de
l’Ouest Algérie.
En fait la présence dans un échantillon de taille 40, d’une observation de fréquence centennale
affecte l’estimation des paramètres et conduit à sous-estimer la fréquence de cette valeur. On
trouve alors que l’on a observé beaucoup trop de pluies dont la loi de Gumbel estime la
période de retour à plus de 10 ans. Manifestement la loi de Gumbel a tendance à sous-estimer
les précipitations extrêmes.
Dans une deuxième étape, nous avons tenté d’utiliser la loi GEV en ajustant les trois
paramètres pour chacune des stations pluviométriques. En conséquence de la forte incertitude
sur l’estimation du paramètre de forme k due surtout à la taille des échantillons, il n’est pas
souvent possible de rejeter l’hypothèse nulle. Par ailleurs on pourrait préjuger que k soit
caractéristique du climat et présente ainsi une structure spatiale. Ainsi, on opte pour hypothèse
que les pluies journalières maximales annuelles de notre région sont distribuées selon des lois
GEV mais dont k est une constante régionale à déterminer. Une valeur de k= -0.053 constante
sur la zone est une hypothèse acceptable vis-à-vis des incertitudes sur les estimations locales.
Cette valeur de k permet également de retrouver globalement un nombre d’observation en
accords avec les périodes de retour estimées.
Outre, l’analyse régionale des pluies journalières maximales basée sur la méthode des
L-moments à montrer l’aptitude des pluies journalières maximales de la région d’étude de
suivre une distribution généralisée de valeurs extrêmes (GEV).
ii
ﻣﻠﺨﺺ/Résumé/Abstract
Abstract
Annual maximum daily rainfall adjustment shows that the model gumbelien
traditionally used is not perfectly suited to the steppe region of western Algeria.
In fact the presence in a sample of size 36, a centennial observation of frequency affects the
estimation of parameters and leads to underestimate the frequency of that value. We therefore
simulate what could be the number of observations based on their frequency estimated taking
into account this effect. We then find that there was too much rain that the Gumbel
distribution estimates the return period more than 10 years. Clearly the Gumbel distribution
tends to underestimate the extreme precipitation.
In a second step, we tried to use the GEV law by adjusting the three parameters for each of
the rainfall stations. Consequently of the high uncertainty in estimating of the shape parameter
k mainly due of sample size, that it is often not possible to reject the null hypothesis.
Furthermore it could prejudice that k is characteristic of the climate and thus has a spatial
structure. Therefore we opted for hypothesis that annual maximum daily rainfalls in our
region are distributed according to GEV laws but k is a regional constant to be determined. A
value of k=-0053 constant over the area is an acceptable hypothesis in relation to the
uncertainties on the local estimates. This value of k allows also find overall a number of
observations in agreement with the estimated return periods.
Furthermore, the regional analysis of maximum daily rainfall based on L-moments method
show the ability of generalized extreme value model (GEV) to represent the distribution of
maximum daily rainfall of the study area.
iii
Remerciements
Remerciements
Le moment est venu pour moi d’exprimer ma plus grande gratitude
envers tous ceux qui m’ont aidé et encouragé dans
l’accomplissement de cette tâche.
J’adresse en premier lieu mes remerciements les plus sincères aux
membres de mon jury de thèse qui ont évalué avec beaucoup
d’attention et d’indulgence le travail présenté. Je remercie aussi les
membres de jury de m’avoir fait l’honneur de participer gentiment
au jury de ma thèse respectivement comme président et
examinateurs. Je leur suis sincèrement reconnaissant de s’être rendus
disponibles pour cette soutenance. Merci pour toutes vos critiques
constructives. Vos remarques m’ouvrent de nouveaux horizons et de
nouvelles perspectives.
Ainsi qu’il est d’usage, je tiens tout d’abord à exprimer toute ma
reconnaissance au Professeur Mohamed MEDDI, mon directeur de
thèse, pour sa très grande disponibilité, son écoute, ses conseils
éclairés et ses encouragements. Il a toujours été présent pour
m’inculquer sa grande rigueur. Inestimable a été pour moi le
privilège de l’avoir pour guide.
Je tiens également à remercier chaleureusement Jean Pierre
LABORDE, pour ses hautes qualités humaines et statistiques. Je le
remercie pour sa disponibilité et la confiance dont il a fait preuve.
Dans les périodes difficiles, il m’a toujours offert du temps et de
précieux conseils pour m’aider à avancer. Je garderai toujours avec
moi le souvenir de nos discussions, de vos conseils et surtout de
votre gentillesse. J’espère que nos relations et nos collaborations
continueront longtemps après cette thèse.
Enfin, je ne saurais terminer cette partie sans exprimer ma gratitude
à mes parents, mes frères et sœur qui m’ont toujours soutenu,
encouragé pendant mes études.
Mes remerciements les plus particuliers à ma femme et mes enfants
pour le temps que j’ai passé loin d’eux.
`xÜv|
iv
Sommaire
Sommaire
ﻣﻠﺨــﺺ.......................................................................................................................................... i
Résumé ....................................................................................................................................... ii
Abstract ..................................................................................................................................... iii
Remerciements.......................................................................................................................... iv
Introduction générale ................................................................................................................ 1
I. Aperçu bibliographique ................................................................................................ - 5 -
I.1 Analyse statistique des pluies extrêmes .................................................................. - 5 -
I.2 Littérature sur l’analyse statistique des pluies maximales .................................... - 7 -
I.3 Bases théorique et outils d’investigation ............................................................. - 12 -
I.3.1 Rappels sur quelques notions de probabilité .................................................. - 12 -
I.3.2 Indépendance, stationnarité et homogénéité ................................................... - 14 -
I.4 Théorie des valeurs extrêmes ............................................................................... - 16 -
I.4.1 Distribution statistiques des Valeurs extrêmes ............................................... - 17 -
I.5 Ajustement des lois de distribution....................................................................... - 21 -
I.5.1 Estimation des paramètres des lois de distribution ........................................ - 21 -
I.6 Vérification de l’adéquation des modèles de distribution .................................... - 24 -
I.6.1 Méthodes Graphique (Système d’aide a la décision SAD) ............................. - 24 -
I.6.2 Test de Khi-deux .............................................................................................. - 26 -
I.6.3 Critères d’évaluation des modèles .................................................................. - 27 -
I.6.4 Erreurs d’estimation (RMSE) et (MAE) .......................................................... - 30 -
I.7 Analyse statistique régionale des pluies journalières maximales ........................ - 31 -
I.7.1 Méthodes de détermination des régions homogènes de pluies extrêmes ........ - 31 -
I.7.2 Constitution de groupes de stations et test d’homogénéité ............................. - 32 -
I.7.3 La validation des régions homogènes ............................................................. - 36 -
II. Présentation générale de la zone d’étude .................................................................. - 40 -
II.1 Domaine géographique et administratif .............................................................. - 40 -
II.2 Domaine climatique ............................................................................................. - 41 -
II.3 Régime pluviométrique ......................................................................................... - 42 -
II.3.1 Pluies annuelles............................................................................................... - 43 -
II.3.2 Pluies mensuelles ............................................................................................ - 44 -
II.4 Caractéristiques hydrographiques ....................................................................... - 45 -
II.4.1 Le réseau hydrographique .............................................................................. - 45 -
II.4.2 Le relief ........................................................................................................... - 46 -
II.4.3 Couvert végétal ............................................................................................... - 48 -
III. Réseau de mesure pluviométrique de la région d’étude ........................................... - 49 -
III.1 Choix des stations pluviométriques ...................................................................... - 49 -
Sommaire
Prob(X>x) : probabilité de X.
N : Nombre d’observations.
F(Xi) : fréquence expérimentale de xi.
T : période de retour.
H0 : hypothèse nulle.
H1 : hypothèse alternative.
α : paramètre d’échelle
u : paramètre de position
k : paramètre de forme
μ : paramètre de position.
σ : écart type.
m : paramètre d’origine.
λ : paramètre de forme.
α : paramètre d’échelle.
l1, l2, l3 L-moments
t, t2, t3, t4 Rapport des L-moments
MMP : Méthode des moments pondérés.
MMV : Méthode de maximum de vraisemblance.
MM : Méthode des moments
AIC : Critère d’Akaik
BIC : Critère Bayésian
RMSE : Erreur quadratique moyenne
RME : Erreur absolue moyenne
SAD : Système d’aide à la décision
QT : Quantile de période de retour T
FME : Fonction de moyenne
JB : Tet Jack Bera
ONM : Office national de météorologie
INRA : Institut national des recherches agronomiques
ANRH : Agence Nationale des ressources Hydraulique
OMM : Organisation Mondiale de météorologie.
INTRODUCTION
GÉNÉRALE
Introduction générale
Introduction générale
Le comportement hydrologique d’un bassin versant dépend de la conjugaison des
paramètres caractérisant les apports atmosphériques, qui sont constitué dans une grande partie
par les pluies, et des paramètres physico-géographique qui sont propres à chaque bassin (sol,
couverture végétale, pentes et réseaux hydrographique le phénomène de l’évaporation). Les
régimes hydrologiques varient suivant la répartition des précipitations et suivant les
conditions naturelles des bassins versants (Rodier.J 1964).
Outre, les quantités d’eau susceptible d’être précipitées peuvent être bien supérieures à
celles que contient théoriquement l’atmosphère à un endroit donné ; cet écart met en évidence
l’existence de vaste mouvement latéraux des masses d’air chargées d’humidité dont le rôle est
déterminant dans la répartition de la précipitation à la surface du globe. Ainsi, les
mécanismes entraînant les précipitations sont conditionnés par des lois physiques et des
phénomènes atmosphériques très complexes. Les relations internes entre ces divers
mécanismes rendent la modélisation des précipitations en termes mathématiques extrêmement
ardue. Cependant, Il est nécessaire d’utiliser un moyen plus simple pour extraire l’information
contenue dans les séries pluviométriques. Il s’agit de modéliser les variables de précipitations
par des distributions statistiques. Il est alors possible d’estimer la probabilité au dépassement
des niveaux de précipitation, ce qui a une grande importance en pratique.
Le contexte probabiliste fournit les éléments de base pour l’analyse fréquentielle des
précipitations. L’analyse statistique d’un échantillon ou d’une série d’observations consiste à
condenser l’information disponible sous une forme simple et concise pour interpréter le
comportement du phénomène observé. En hydrologie, les précipitations journalières
maximales annuelles sont la variable qui fait le plus souvent l’objet d’analyses statistiques
pour l’évaluation des risques de pluies extrêmes. Ces dernières ont toujours été un problème
important pour l’aménagement d’un pays, en raison de la concentration des activités humaines
et des grandes voies de circulation dans les vallées.
Entre 1994 et 2008, les catastrophes naturelles ont touché 2.5 milliards de personnes et
ont causé le décès de plus de 478100 personnes, et des pertes économiques estimées à plus de
690 milliards de dollars. Parmi ces catastrophes, les inondations demeurent l’une des
catastrophes naturelles les plus dévastatrices touchant plusieurs pays à travers le monde
(in Habibi, 2011).
Egalement, le passif de l’Algérie et particulièrement la région d’étude a été marqué par
de nombreuses inondations. Ces mêmes inondations sont les plus meurtrières de celles
survenues dans les pays du bassin méditerranéen :
• 21 décembre 1930 : début de la saison hivernale, importante crue suivie d’une affreuse
inondation, sont signalées à Chlef, au Barrage de Pontéba. En 24 heures, le mit du
Cheliff atteint 200 millions de m³ et à Chlef, le pont de Cheliff cède sous la poussée de
l’eau. Les pluies torrentielles vont continuer à s’abattrent sur la région durant 12 jours.
• Les inondations du 30 septembre 2008 qui ont touché la wilaya de Naama, ont fait une
victime et des dégâts matériels.
• Les violentes précipitations du 15 octobre 2008 qui se sont abattues sur les wilayas de
Naama, Sidi Bel Abbés, Saida et El Bayadh, ont fait au total 35 morts.
-2-
Introduction générale
• Les intempéries de Mecheria du 1/10/2008, ont fait des dégâts matériels. Des
habitations ont été endommagées, des routes ont été inondées et des poteaux
électriques ont été détruits.
L’exigence croissante de la société d’un niveau maximal de protection contre les
catastrophes naturelles conduit à s’intéresser aux événements extrêmes. Même si ce type
d’événements a peu de chance localement de se produire, il doit être pris en compte dés lors
que des vies humaines sont en jeu.
De plus, les contraintes liées principalement au fonctionnement technique (corrosion
des conduites, drainage des eaux inopérant, pertes d’eau énormes, salinité des sols croissante,
etc.) ainsi que des problèmes d’ordre climatique (pluies orageuses détruisant les digues de
protection, forte évaporation des eaux, vents violents empêchant le bon fonctionnement du
système d’arrosage, etc...). L’avancement de certains projets de développement de la région
steppique de l’ouest Algérie, s’est ralenti et parfois l’arrêt totale de ces projets (Benslimane et
al., 2015).
Pour répondre à cette attente, qui va de pair avec l’échelle d’espace qui nous intéresse
ici, il est nécessaire de chercher à apporter une dimension régionale à la connaissance
hydrologique, en consolidant les observations faites en un point de l’espace par des
observations faites sur l’ensemble d’un secteur géographique. Cette prise en compte spatiale
des différentes observations donne une plus grande solidité aux conclusions hydrologiques
que l’on peut établir. On peut aussi chercher à intégrer l’aspect spatial que peuvent avoir les
différents événements hydrologiques, par exemple à l’aide d’outils géostatistiques qui
permettent des interpolations tenant compte à la fois de la structure spatiale des phénomènes
et de leurs interdépendances.
Toute fois, la protection contre les dégâts des eaux nécessite de s’intéresser aux
pluies extrêmes, à savoir les pluies journalières maximales, les pluies en une heure maximales
mensuelles ou décadaires. L’échelle journalière a été retenue dans cette étude pour répondre
aux besoins liés à l’optimisation des réseaux de mesures et à l’augmentation de la précision
des estimations inhérentes à la conception d’ouvrages hydrauliques.
-3-
Introduction générale
Pour ce faire, plusieurs méthodes d’analyse fréquentielles des extrêmes utilisées pour la
conception et le dimensionnement d’ouvrages hydrauliques tels que les structures de retenue
d’eau, les ouvrages antiérosifs et les réseaux d’assainissement :
Notre travail suggère d’abord l’analyse des pluies maximales, dont l’objectif principal
est l’analyse de longues séries expérimentales de pluie, et de savoir la loi d’ajustement selon
la quelle la distribution des pluies maximales s’avère d’autant plus marqué. Cette analyse
fréquentielle permettra par ailleurs l’analyse des variations de la distribution des pluies au
cours de la période étudiée. Ainsi, le choix du meilleur modèle statistique basé sur la fonction
de distribution la plus pertinente, et son application à des séries de pluies journalières
maximales annuelles dans la région Steppique Ouest Algérie.
Ensuite le développement d’une méthode d’analyse de fréquence régionale dont
l’objectif principal, est la recherche d’un modèle de distribution régionale des pluies
journalières maximales annuelles devant permettre d’estimer des quantiles de précipitations
en des sites ayant peu ou aucune donnée. Cela consiste à définir les régions homogènes de la
zone d’étude et à valider l’homogénéité pour chaque région ainsi définie. Une procédure
basée sur les rapports de L-moments sera utilisée pour définir les régions homogènes. La
variabilité inter-site sera ensuite évaluée à l’aide de simulations pour tester l’homogénéité
statistique. La procédure d’analyse régionale consiste aussi à identifier la distribution
régionale et à estimer ses paramètres pour chaque région définie.
-4-
Chapitre I :
APERÇU BIBLIOGRAPHIQUE
ET OUTILS
D’INVESTIGATION
Chapitre I Aperçu bibliographique et outils d’investigation
I. Aperçu bibliographique
I.1 Analyse statistique des pluies extrêmes
L’évaluation des risques et l’estimation réaliste des quantiles de pluies extrêmes sont
d’une importance primordiale à l’aménagement d’un territoire ou d’un pays et surtout pour le
dimensionnement d’ouvrages hydrauliques. Récemment, les catastrophes reliées aux
évènements pluvieux extrêmes ont retenu l’attention des chercheurs. Le souvenir des
inondations demeure prépondérant dans la mémoire collective et scientifique et constitue la
nouvelle frontière des précipitations extrêmes ayant été mesurées par la génération actuelle
des météorologues et hydrologues. Même l’opinion publique constate une augmentation de la
fréquence des catastrophes hydrologiques qui relève en grande partie des changements du
régime pluviométrique et des effets anthropiques de proportions de plus en plus importantes
de bassins versants.
La protection contre les dégâts des eaux nécessite de s’intéresser aux pluies extrêmes, à
savoir les pluies journalières maximales, les pluies en une heure maximales mensuelles ou
décadaires. Il s’agit de modéliser les variables de précipitation par des distributions
statistiques.
-5-
Chapitre I Aperçu bibliographique et outils d’investigation
En plus, une synthèse des travaux des différents auteurs qui ont travaillé sur la
modélisation statistique des pluies journalières maximales sera présente
pr dans ce chapitre, on
citera à titre d’exemple
exemple les travaux et les modèles statistiques utilisés pour caractériser les
pluies journalières maximales et qui ont obtenues des résultats satisfaisantes.
-6-
Chapitre I Aperçu bibliographique et outils d’investigation
Plusieurs auteurs, ont mené des travaux de recherche dont l’objectif principal de ces
travaux était bien de trouver une loi théorique qui peut montrer une bonne présentation de la
fonction de distribution du processus étudié :
Bernier (1956) en faisant quelque remarque sur la convergence vers les lois limites des
valeurs extrêmes II a confirmé que l’emploi des lois de Fréchet et de Gumbel pour l’étude
statistique des débits de crue est préférable à l’application d’autres lois (telle la loi de Galton-
Gibrat) de par les justifications théoriques que l’on peut donner. Certains ont nié l’existence
de telles justifications surtout en se référant à la lenteur de convergence vers la loi de Gumbel.
Du fait que la loi de Fréchet peut s’appliquer lorsque la décroissance de la loi initiale
est galtonienne, la convergence vers la loi de Gumbel n’est réellement lente que pour la loi
normale et cette dernière loi ne peut prétendre représenter correctement une « loi» des débits
journaliers. D’autre part, l’objection ne tient plus si on applique la loi de Fréchet puisque la
convergence est alors très rapide. Mais, il ne prétend pas que la loi de Fréchet est toujours
préférable à la loi de Gumbel; il existe de nombreux exemples où cette dernière loi donne des
résultats remarquables, mais il semble qu’à justifications théoriques égales, il y aura intérêt,
dans certains cas, à utiliser la loi de Fréchet surtout en raison de la décroissance plus lente de
cette dernière. Ceci pose le problème du choix a priori à faire entre les deux lois; en effet, il
n’existe en général que de très courtes séries d’observations de crue et la comparaison directe
des ajustements est malaisée.
Les travaux de Ferrer (1992), consistent à faire une analyse statistique de séries
annuelles de pluies maximales journalières réalisée sur les données de 47 stations situées dans
le bassin de Guadalhorce, en utilisant des méthodes usuellement appliquées à l’étude des
crues ; trois lois de distribution ont ainsi été retenues dans cette analyse : la loi des valeurs
extrêmes généralisées (GEV), la loi Log Pearson III (LP-3) et la loi des valeurs extrêmes de
deux composantes (TCEV). Elles ont été ajustées en utilisant conjointement des données
-7-
Chapitre I Aperçu bibliographique et outils d’investigation
locales et régionales et en estimant les paramètres de manière spécifique. Les résultats issus
des trois méthodes ne sont pas significativement différents. La comparaison entre ces trois
lois de distributions a été assurée par le biais du calcul d’indice d’ajustement, de l’analyse du
comportement asymptotique par simulation.
Il a conclu que les lois de distribution usuelles pour l’analyse statistique des débits
peuvent être utilisées en analyse d’échantillon des pluies journalières maximales. Les trois
lois de distribution GEV, LP-3 et TCEV, qui permettent l’utilisation conjointe des données
locales et de données régionales, ont fourni des résultats semblables avec des différences
voisines de 15% pour une période de retour de 1000 ans. Les résultats montrent que les
quantiles de pluies les plus élevées sont obtenus par la loi GEV, les quantiles les plus faibles
l’étant par la loi TCEV, la troisième loi (LP-3) donne des résultats intermédiaires. Comme il a
bien noté que la distribution EV1 (Gumbel) n’est pas un bon choix pour l’analyse de pluies
maximales dans le bassin étudié.
ST-Hillaire et al. (2003), ont présenté une synthèse des travaux de recherche sur
l’analyse régionale des précipitations. Les principales étapes de l’analyse régionale revues
sont les méthodes d’établissement de régions homogènes. La sélection de fonction de
distribution régionale et l’ajustement des paramètres de ces fonctions.
Onibon et al. (2005) à travers plusieurs travaux et recherches effectués sur l’étude des
précipitations journalières maximales. Une méthodologie d’analyse régionale complète des
précipitations journalières maximales a été mise en œuvre pour la moitié Sud du Québec
(Canada). La première étape de cette procédure d’estimation régionale consiste à définir les
régions homogènes de la zone d’étude et la validation de l’homogénéité de chaque région
ainsi définie. L’analyse régionale objet de cette étude est basée sur les rapports des L-
moments, ces derniers ont été utilisés pour définir les régions homogènes. La variabilité inter-
sites a ensuite été évaluée à l’aide de simulations pour tester l’homogénéité statistique. La
deuxième étape consiste à identifier la distribution régionale et à estimer ses paramètres.
-8-
Chapitre I Aperçu bibliographique et outils d’investigation
La loi GEV (Généralized Extreme Value) qui a été utilisée dans plusieurs études antécédentes
de régionalisation des précipitations extrêmes, a été identifiée comme distribution adéquate.
Les paramètres de la GEV ont ensuite été estimés à l’aide de la définition des L-Cv et L-Cs
régionaux, de même que les précipitations maximum annuelles. La troisième étape consiste à
estimer les quantiles de précipitations pour des différentes périodes de retour. Cette dernière
étape permet l’estimation de quantiles de précipitation à des sites pour lesquels l’on ne
dispose d’aucune mesure. L’utilisation subséquente d’une procédure de ré-échantillonnage de
type « jack-knife » à partir des stations du territoire Québécois a permis de vérifier la
robustesse et l’efficacité de la méthodologie d’analyse régionale.
L’auteur constate d’après les recherches effectuées dans le cadre de cette étude :
certains auteurs ont montré l’inadéquation de la loi de Gumbel aux données de maximas
annuels de pluie journalières. En outre, les publications récentes ont en général supprimé
l’hypothèse simplificatrice de la loi Gumbel, et utilisé une loi GEV sans imposer la nullité du
paramètre de forme. L’enjeu d’un tel débat entre la loi Gumbel et la loi GEV est considérable
puisqu’il est directement lié à la sécurité des structures hydrauliques, à l’établissement des
zones d’inondation et aux estimations des événements extrêmes.
Pour les 22 postes étudiés, l’hypothèse de la loi de Gumbel est rejetée au profit de la
loi GEV de paramètre de forme non nul, impliquant des quantiles de pluie extrême bien plus
forts qu’avec une loi Gumbel.
Certain auteurs ont essayé d’utiliser la loi GEV pour la modélisation des pluies
journalières maximale en Algérie. Mais, dans la majorité des cas des travaux menés,
l’analyse statistique a été effectuée à une échelle locale :
Benkhaled (2007), a travaillé sur des séries annuelles de pluies maximales extraites à
partir de quatre stations situées dans la partie centrale du Nord du bassin Chélif Zahrez. Deux
lois de distribution employées dans la conception des réseaux d’assainissement et des
aménagements pour la protection contre les inondations. Principalement dans les zones
urbaines et semi arides, ont ainsi été retenus dans cette analyse : la loi des valeurs extrêmes
-9-
Chapitre I Aperçu bibliographique et outils d’investigation
généralisées (GEV) et la loi de Gumbel. Elles ont été ajustées en utilisant des données locales
et en estimant les paramètres de manière spécifique.
Il conclu que les lois GEV et Gumbel ont fournies des résultats semblables avec des
différences voisines de 12% pour une période de retour de 100 ans. Ces différences atteignent
25% pour une période de retour de 1000 ans. Les résultats montrent que les quantiles les plus
élevées sont obtenues par la méthode GEV.
Concernant l’évaluation des indices numériques d’ajustement entre les séries observées et les
quantiles estimés, la loi GEV fournie les meilleurs résultats.
La méthodologie d’établissement des courbes IDF est constituée de trois étapes. Dans
la première étape on choisit la distribution de probabilité la mieux appropriée à chaque série
de hauteurs maximales annuelles des précipitations de courtes durées allant de 15 à 1440
minutes. Ensuite, on calcule les quantiles correspondants à plusieurs périodes de retours
spécifiées (T=2, 5, 10, 20 et 50 ans), en utilisant la distribution sélectionnée précédemment et
enfin, on modélise les courbes IDF.
Ils admettent, en appliquant les différents tests statistiques, que les valeurs maximales
annuelles des précipitations de la région de Annaba suivent les fonctions de distribution GEV
et de distribution de Gumbel. Ainsi, ce résultat démontre que l’approche statistique basée
uniquement sur la loi Gumbel utilisé habituellement dans le pays, n’est pas adéquate aux
maxima annuels des précipitations de la station considérée.
Outre, l’enquête cité dans le travail de Ferrer (1992) faite par l’OMM (1989) auprès de
55 agences de 28 pays montre que 52 % de ces derniers ont pour habitude d’utiliser comme
loi de distribution, la loi des valeurs extrêmes généralisées (GEV) comme référence
principale. Cette loi admet comme cas particuliers, les lois de Gumbel, Fréchet et WeiBull.
- 10 -
Chapitre I Aperçu bibliographique et outils d’investigation
31% des agences utilisent soit une loi Pearson III (P-3) soit une loi Log Pearson III (LP-3) ou
encore, une loi Log Normale (LN).
De ce fait, nous avons donné un intérêt capital à ces lois et particulièrement la loi GEV et la
loi de Gumbel supposées qu’elles peuvent êtres ajustables à nos échantillons des pluies
journalières maximales de la région steppique de l’Ouest Algérie. Ainsi, nous avons choisi ces
lois pour la modélisation des pluies journalières maximales et de valider cet ajustement et
l’échelle locale et surtout à l’échelle régionale.
- 11 -
Chapitre I Aperçu bibliographique et outils d’investigation
F ( x ) = Prob ( X ≤ x) I-1
F(x) : est la probabilité de tirer au hasard une valeur X inférieur ou égale à la valeur x, on
l’appelle aussi la probabilité au non-dépassement. 1 - F(x) = Prob(X > x) : est la probabilité
au dépassement, c’est à dire, c’est la probabilité d’avoir une valeur X qui soit supérieure à la
valeur x.
On définit encore la probabilité d’avoir une valeur X voisine de x, par exemple comprise entre
x et x + dx, pour dx petit, cette probabilité est le produit de la densité de probabilité f(x) par la
longueur du segment de voisinage :
Dans la pratique, la fonction F(x) est estimée à partir d’échantillons limités en taille ; afin de
présenter graphiquement la distribution de l’échantillon. De nombreuses formules ont été
proposées par différents auteurs pour le calcul de la probabilité empirique et de bonnes études
de synthèse existent dans la littérature, par exemple Cunnane (1978), JI, et al. (1984), et
Harter (1984). Ces formules sont cependant assez semblables d’un point de vue pratique, ce
qui laisse supposer que des efforts supplémentaires sur ce sujet seraient peu justifiés.
Toutefois, dans le cas particulier important en pratique en hydrologie où l’on traite de petits
échantillons, le choix de la formule à utiliser peut être crucial pour la détermination de la
période de retour des valeurs extrêmes. Par ailleurs, d’un point de vue strictement théorique,
ce problème présente un intérêt toujours actuel. Il s’agit, en bref, d’estimer la probabilité de
dépassement (ou de non dépassement) pour chacune des valeurs d’un échantillon ordonné.
- 12 -
Chapitre I Aperçu bibliographique et outils d’investigation
i−a
F *( Xi ) = Où a ∈ [0, 0.5]. I-3
N + 1 − 2a
Avec i le rang dans l’échantillon classé et N la taille de l’échantillon.
Le choix de la meilleure formule de fréquence empirique dépend de la loi sous-jacente de
l’échantillon, modélisée par la distribution G.
Dans la littérature, différents estimateurs sont proposés pour les fréquences empiriques des
valeurs extrêmes, voici quelques exemples :
i
Weibull 0 fi =
N +1
i − 0.375
Gauss 0.375 fi =
N + 0.25
i − 0.5
Hazan 0.5 fi =
N
i − 0.4
Cunnane 0.40 fi =
N + 0.2
i − 0.44
Gringorten 0.44 fi =
N + 0.12
Le choix de la méthode de calcul de la fréquence empirique s’est porté sur les trois dernières
relations, la formule de Hazen qui s’est montré la plus pertinente en terme de minimum de
variance des ajustements, la formule de Hazen donne de légers biais (Ji et al., 1984), la
formule de Cunnane (1978) qui est la moins biaisée sur les valeurs extrêmes Guo (1990), et
celle de Gringorten recommandée généralement pour les valeurs extrêmes.
Une notion doit être introduite, c’est la notion de temps de retour T pour une variable aléatoire
fonction du temps. Certains écrivent qu’un événement de période de retour T apparaît en
- 13 -
Chapitre I Aperçu bibliographique et outils d’investigation
moyenne tous les T pas de temps, par exemple en années, s’il s’agit d’une variable définie sur
l’année, (comme la pluie maximale journalière annuelle) ce qui est vrai sur une très longue
période, mais seulement en moyenne. Physiquement, cette définition n’a guère de sens, c’est
simplement une manière d’exprimer la probabilité au non-dépassement d’une variable
temporelle.
On définit alors le temps de retour T d’un événement comme étant l’inverse de la fréquence
d’apparition de l’événement :
1
T= I-4
1 − F ( x)
Cette notion de période de retour exprime une estimation de probabilité et non la réalisation
d’un événement toutes les T années (10 ans, 100 ans ou 1000 ans) ; c’est une notion
probabiliste.
Un test statistique permet de rejeter ou de ne pas rejeter une hypothèse nulle (Ho)
face à une hypothèse alternative (H1). La décision de rejeter ou non Ho est faite sur la base
de T, où T est une statistique obtenue à partir de l’échantillon. Lorsque la fonction de
distribution de T est connue, il est possible de définir une région de rejet {T > t} qui a la
- 14 -
Chapitre I Aperçu bibliographique et outils d’investigation
probabilité α sous l’hypothèse nulle. La statistique T est alors comparé à la valeur critique t
qui sépare la région de rejet et la région de non-rejet.
Lorsque l’hypothèse Ho n’est pas rejetée, cela signifie que rien dans les observations
ne permet de rejeter l’hypothèse Ho qui est à la base du test statistique employé.
Deux types d’erreur peuvent se produire en appliquant un test statistique:
Erreur de type I : L’hypothèse Ho est rejetée alors qu’elle est vraie. La probabilité de
commettre une erreur de type I est représentée par α.
Erreur de type II : L’hypothèse Ho est acceptée alors qu’elle est fausse. La probabilité de
commettre une erreur de type II est représentée par β.
La probabilité α est appelée le niveau de signification du test et elle est fixée d’avance
à une petite valeur (0.05 ou 0.01). La puissance du test est égale à 1-β.
- 15 -
Chapitre I Aperçu bibliographique et outils d’investigation
Mann-Whitney (1947) pour les sauts et le test de Wald-Wolfowitz (1943) pour les tendances
rendent possible la vérification de la stationnarité.
Ainsi, les précipitations sont qualifiées d’être extrêmes lorsqu’on veut caractériser des
événements pluviométriques de fortes intensités se produisant sur un pas de temps court, et de
faibles occurrences à la fois dans le temps et dans l’espace. Ces précipitations exceptionnelles
et ou extrêmes sont généralement à l’origine de catastrophes naturelles telles que les crues,
inondations et mouvements de terrain, dont l’impact sur les zones urbanisées s’avère souvent
non négligeable tant sur le plan économique qu’humain (Berolo et Laborde, 2003).
Très tôt les statisticiens ont essayé de trouver les distributions de ces seules valeurs
extrêmes. Le problème n’est pas simple. Les articles traitant du sujet font référence aux
mêmes sources : Fisher et Tippett (1928), et Jenkinson (1955), mais en donnent, au-delà des
pures divergences de notation, des interprétations sensiblement différentes ne faisant
qu’accroître la complexité du problème.
Le problème posé est celui de la probabilité attachée à la plus grande valeur xMax (ou a
la plus petite xMin) d’une variable hydrologique X dans un échantillon de taille N. Si l’on
connaît la fonction de répartition F(x) de la variable X, les distributions de xMin et xMax sont
explicitement connues pour une taille d’échantillon donnée. Pour s’affranchir de la taille de
l’échantillon et de la connaissance de F(x) aucune théorie n’est capable de déterminer la loi de
probabilité suivie par la plupart des variables hydrométéorologiques ; il est apparu nécessaire
de rechercher des approximations suffisamment satisfaisantes des distributions de xMin et xMax,
indépendantes de F(x) et de N. Ces approximations sont données par les formes limites de ces
distributions quand N tend vers l’infini.
- 16 -
Chapitre I Aperçu bibliographique et outils d’investigation
• Loi Exponentielle ;
• Loi de Gamma;
• Loi Weibull;
- 17 -
Chapitre I Aperçu bibliographique et outils d’investigation
f ( x ) = α exp( −α x ) I-5
x ≥ 0 et le paramètre α > 0.
F ( x ) = 1 − exp( − α x) I-6
1 1 ln( x ) − µ 2
f (x) = . exp − y
I-7
x 2 πσ 2
2 σ y
y
μ : paramètre de position
σ : écart type
Jenkinson (1955) a proposé la loi généralisée des valeurs extrêmes pour combiner les
trois types de lois des valeurs extrêmes EV1, EV2 et EV3 développées par Fisher et Tippett
(1928). Il a montré que les lois de distribution des extrêmes pouvaient se mettre sous une
forme unique appelée communément GEV (Generalized Extrems Values) :
1/ k
k ( x − xo )
− 1 −
s
F ( x) = e I-8
une souplesse comparable à celle de la distribution de Pearson. Par contre, elle s’ajuste
difficilement par la méthode des moments ordinaires et demande que l’on privilégie
l’ajustement par la méthode des moments pondérés.
1 k −1
1 k 1
1/ k
f ( x) = 1 − ( x − u ) exp− 11 − ( x − u ) . I-9
α α α
α : paramètre d’échelle
u : paramètre de position
k
1/ k
F ( x ) = exp − 1 − ( x − u ) I-10
α
Les distributions EV2 et EV3 sont déduites de la distribution GEV lorsque respectivement
k<0 et k>0. Lorsque k = 0 , alors la distribution GEV tend vers la distribution Gumbel (EV1).
avec les paramètres b>0 et a>0. Lorsque b=1, la distribution Weibull devient une distribution
exponentielle Exp(1 /a). La fonction de distribution est donnée sous forme explicite par:
[
F ( x) = 1 − exp − ( x / a )
b
] I-12
- 19 -
Chapitre I Aperçu bibliographique et outils d’investigation
1 x−µ x − µ
f ( x) = exp − − exp − I-13
α α α
µ: paramètre de position
α : paramètre de dispersion
x−µ
La variable réduite : u = ; Donc l’expression d’un quantile sera linéaire : x q = a + bU q
α
( x − µ )
F ( x ) = exp − exp − . I-14
α
α
exp [− α ( x − m ) ][α ( x − m ) ]
λ −1
f (x) = I-15
Γ (λ )
m ≤ x < ∞ si α > 0
− ∞ < x ≤ m si α < 0
Avec
- 20 -
Chapitre I Aperçu bibliographique et outils d’investigation
kα
exp [− α (log( x ) − m ) ][α (log( x ) − m ) ]
λ −1
f ( x) = I-16
xΓ (λ )
Considérons une loi de probabilité dont la fonction de densité f(x) définie par p
paramètres. Le but est de déterminer ces paramètres de façon à ce que les caractéristiques
statistiques de la population décrite par f(x) se rapprochent le plus possible de celles observées
sur l’échantillon.
Il existe certaines méthodes souvent utilisées pour l’estimation des paramètres d’une loi
de distribution, parmi lesquelles : la méthode des moments (MM), la méthode du maximum
de vraisemblance (MMV), la méthode des moments de probabilité pondérée (MMP), la
méthode des moindres carrés (MMC).
La méthode du maximum de vraisemblance (MMV) considéré la plus efficace.
Comparée à la méthode des moments pondérées (MMP), la méthode du maximum de
vraisemblance (MMV) semble moins robuste vis-à-vis les horsains (Hosking, 1990).
Bobée (1999) a critiqué la méthode des moments pondérés (MMP) comme étant une
méthode "trop robuste", c’es-à-dire peu sensible aux valeurs extrêmes, dans le sens où ces
valeurs peuvent être mal prises en compte (considérées comme aberrantes) alors qu’elles
reflètent une information jugée importante.
Malgré la robustesse de cette méthode, de nombreuses études rappellent qu’un des
avantages des moments pondérées (MMP), est que les paramètres estimés semblent présenter
une plus faible valeur de l’erreur quadratique moyenne pour la GEV que la méthode du
- 21 -
Chapitre I Aperçu bibliographique et outils d’investigation
∂ (θ1 , θ 2 ,........,θ p )
= 0 r = 1, 2,......, p I-17
∂θ r
n
l (θ1 ,θ 2 ,...,θ p ) = ∏ f ( x1 ,θ1 ,θ 2 ,....,θ p )
i =1 I-18
Dans le cas où il existe des statistiques conjointement exhaustives pour les paramètres
les estimateurs du maximum de vraisemblance sont fonction de ces statistiques exhaustives.
Lorsqu’il n’existe pas de statistiques exhaustives pour les paramètres la théorie des grands
échantillons admet sous certaines conditions des propriétés intéressantes pour les estimateurs
obtenus par la méthode du maximum de vraisemblance. Plus précisément, ces estimateurs
sont corrects, asymptotiquement non biaisés et asymptotiquement efficaces.
- 22 -
Chapitre I Aperçu bibliographique et outils d’investigation
Les estimateurs obtenus par la méthode des moments sont les solutions θˆ1 , θˆ2 ,........, θˆ p du
système de p équations: µ r' = mr' r = 1, 2,......, p
Où µ r' et mr' sont les moments non centrés d’ordre r de la distribution et de l’échantillon.
De la même manière que pour les moments non centrés, les estimateurs de la méthode des
moments peuvent être obtenus en utilisant les moments centrés ou des coefficients (variation,
d’asymétrie).
Les estimations obtenues par la méthode des moments sont convergents (loi Faible des grands
nombres) mais biaisées et généralement non efficaces.
βr = br r = 1, 2,...., p
1 r
β r = E ( XF ) = ∫ x( F ) F dF
r
I-19
0
- 23 -
Chapitre I Aperçu bibliographique et outils d’investigation
n
(i − 1)(i − 2)....(i − r )
br = ∑ x(i ) I-20
i =1 (n − 1)(n − 2)....(n − r )
Il semble bien qu’une façon robuste d’ajuster les paramètres soit d’utiliser la méthode
des moments pondérés. Hosking et al. (1985) et Hosking et Wallis (1987) montrent que la
méthode des moments pondérés donne de meilleurs résultats en terme d’estimation des
paramètres et des quantiles en comparaison aux estimateurs du maximum de vraisemblance.
Toutefois, nous allons donc présenter certaines méthodes qui permettent de caractériser
la distribution de la variable étudiée. Ces méthodes peuvent être classées en trois groupes :
méthodes graphiques, critères et tests statistiques.
La queue droite d’une distribution de la classe C est plus lourde que celle d’une loi de
la classe D qui est elle-même plus lourde que celle d’une loi de la classe E (Figure I-2). On
- 24 -
Chapitre I Aperçu bibliographique et outils d’investigation
peut en déduire une relation équivalente pour les quantiles estimés à partir de ces lois (El
Adlouni, et al., 2008). En effet, pour un échantillon donné, les quantiles de période de retour
T estimés à partir de trois lois des classes C, D et E, respectivement, données par QT(C),
QT(D) et QT(E), vérifient la relation théorique suivante : QT(E) < QT(D) < QT(C).
Classe D Classe C
Queue légère Queue lourde
Normale Lognormale
Classe E
Exponentielle
Figure I-2: Distributions ordonnées par rapport à leurs queues droites (El Adlouni et al., 2008)
En effet, une classification des lois par rapport à la queue droite de la distribution, permet de
distinguer trois principales catégories dans lesquelles on peut classer les distributions les plus
utilisées en hydrologie pour représenter les valeurs extrêmes :
Les méthodes développées dans le SAD permettent d’identifier la classe la plus adéquate pour
l’ajustement d’un échantillon donné (Figure I-3). Ces méthodes sont :
- 25 -
Chapitre I Aperçu bibliographique et outils d’investigation
Figure I-3: Diagramme des critères de choix entre les classes C, D et E (El Adlouni et al., 2008)
Pour cela, on calcule la statistique du test χ 2 , cette dernière mesure l’écart existant entre la
distribution observée et une distribution donnée :
- 26 -
Chapitre I Aperçu bibliographique et outils d’investigation
c (O j − E j )
χ v2 ( x ) = ∑ I-21
j =1 Ej
O j : Fréquence observée;
c : Nombre de classes;
Beaucoup d’études utilisent les tests d’adéquation comme technique permettant de choisir le
modèle fréquentiel approprié. Cependant, un test statistique ne permet que de conclure au
rejet, ou à l’acceptation, de l’hypothèse nulle Ho. Il n’est pas en mesure de comparer plusieurs
modèles fréquentiels et de choisir le meilleur.
- 27 -
Chapitre I Aperçu bibliographique et outils d’investigation
g(X ) g ( x)
I ( g : f ) = E g log = ∫ log g ( x)dx. I-22
f ( x) R f ( x)
I ( g : f ) est également appelée entropie. On cherche donc un modèle qui minimise la pseudo-
distance ou encore maximise l’entropie.
Or
Le problème revient maintenant `a maximiser Eg (log f ( X )). Akaike (1974) a montré que
l’expression suivante :
1 N K
− ∑
N i =1
log f ( X iθˆ) + ,
N
I-24
∑
N
Avec l (θˆ) = i =1
log f ( X iθ ), minimiser I ( g : f ) revient donc a sélectionner f AIC minimisant
AIC.
On peut également montrer par définition du critère AIC, que sélectionner un modèle
via le critère AIC revient à chercher le modèle faisant le meilleur compromis biais-variance
pour le nombre de données N dont on dispose (Lebarbier et Mary-Huard, 2004). Le meilleur
modèle au sens de AIC dépend donc de N.
En pratique Chaill (2003) montre que les différences entre les valeurs des AIC sont
très petites relativement aux valeurs des AIC. Chaill (2003) suggère alors d’utiliser le test du
rapport de vraisemblance, lorsque les modèles appartiennent à la même famille. Si les
modèles comparés ne sont pas issus de la même famille de modèles (par exemple la loi
gamma et le mélange d’exponentielles), on peut utiliser une famille plus générale de modèles
(par exemple les mélanges de loi gamma et d’exponentielles).
- 28 -
Chapitre I Aperçu bibliographique et outils d’investigation
k
log P( M / X ) ≈ l (θˆ) − log(N ), I-26
2
Ou θ , K , N sont l’estimateur du maximum de vraisemblance, la dimension du paramètre θ , et
la taille de l’échantillon.
On remarque que les lois a priori des paramètres des modèles n’interviennent pas dans le
critère BIC. Cette remarque n’est valide qu’asymptotiquement : l’apport des informations a
priori sur les paramètres est négligeable devant l’information apportée par l’échantillon.
Dans la pratique, il a été observé que le critère BIC sélectionne des modèles de dimension
plus petite que le critère AIC, ce qui n’est pas étonnant puisque le critère BIC pénalise plus
que le critère AIC (dès que N > 7 ). Lebarbier et Mary-Huard (2004) donnent quelques
comparaisons des deux critères AIC et BIC. Ils concluent qu’aucun critère n’est
universellement meilleur que l’autre, et donnent des indications sur le choix du critère
préférable à utiliser suivant les situations (complexité des modèles, taille de l’échantillon).
- 29 -
Chapitre I Aperçu bibliographique et outils d’investigation
Lorsque les deux mesures sont calculées, le RMSE est par définition, jamais plus petit
que le MAE. Le RMSE et le MAE sont calculées pour l’ensemble des données et pour les
différents modèles utilisés :
1 n
MAE = ∑ ei
n i =1
I-29
1 n 2
MAE = ∑ ei
n i =1
I-30
Dans cette partie nous allons nous intéresser aux résultats des deux types d’erreurs,
l’erreur quadratique moyenne (the Root Mean Square Error, RMSE) et l’erreur absolue
moyenne (the Mean Absolute Error, MAE), ce qui permet de mesurer la performance des
différents modèles utilisés au cours de cette étude.
- 30 -
Chapitre I Aperçu bibliographique et outils d’investigation
En effet, les champs de précipitations sont souvent caractérisés par une homogénéité
spatiale plus grande que les débits, ce qui fait que les régions homogènes peuvent souvent être
délimitées géographiquement.
Les travaux de Ouarda et al. (1999), ont permis de regrouper les techniques de
détermination de région homogènes existantes pour les modèles régionaux d’estimation des
crues selon trois approches :
De nombreux travaux sur l’analyse régionale des précipitations sont basés sur des
approches qui s’inspirent des méthodes de type indice de crue (Darlymple, 1960). On doit
faire l’hypothèse a priori que les données sont indépendantes et identiquement distribuées
(iid) selon la même loi statistique. On peut donc définir les quantiles d’une région
homogène « parfaite » à l’aide de l’équation :
- 31 -
Chapitre I Aperçu bibliographique et outils d’investigation
X i (F ) = µ i x ( F ) I-31
Où X i (F ) est la valeur au site i, avec une probabilité au non dépassement définie par fonction
de distribution F, µ i est la moyenne de la population à ce site, et x(F) est le quantile
adimensionnel avec probabilité au dépassement donnée par F. L’ensemble des valeurs de x(F)
pour 0 < F < 1 donne la courbe régionale de croissance. Il en découle que l’ensemble des sites
d’une région homogène peut être décrit par une seule fonction de distribution, avec une seule
valeur pour chaque paramètre. Puisque seul le paramètre d’échelle diffère, on a dans un cas
idéal, des coefficients de variations (Cv) et des coefficients d’asymétries (Cs) qui seront
constants pour la région homogène. Ces coefficients peuvent ainsi être utilisés afin de
déterminer les frontières.
I.7.1.3 Voisinage
Les méthodes des régions d’influence ont été peu appliquées pour établir des régions
pluviométriques homogènes. Elles ont principalement été utilisées pour déterminer des
régions hydrologiquement homogènes. Dans ce cas, la région d’influence peut être identifiée
à partir d’un site qui sera le centre d’une région dont les bassins versants environnants ont des
caractéristiques de crues similaires (Ouarda et al., 1999).
L’homogénéité requise dans la présente étude est basée sur les rapports de L-moments
à savoir τ 2 , τ 3 , τ 4 . Pour constituer des groupes homogènes de stations.
- 32 -
Chapitre I Aperçu bibliographique et outils d’investigation
L’application des L-moments a été popularisée en hydrologie par Hosking (1986). Les
L-moments sont similaires aux moments conventionnels utilisés entre autres en analyse
fréquentielle pour l’ajustement de lois statistiques, mais ils sont des combinaisons linéaires
des moments de probabilité pondérés (Probability Weighted Moments, PWM). Ces dernières
ont été définies par Greenwood et al. (1979).
Les L-moments peuvent être décrits à partir d’échantillons, étant des fonctions
linéaires des moments pondérés. L’estimation repose alors sur les données placées en ordre
croissant : x1 ≤ x2 ≤… ≤ xn, où n est le nombre de données de l’échantillon. Des estimateurs
non-biaisés de moments pondérés découlent de (Landwehr et al. 1979) :
1 n
b0 = ∑ xi ,
n i =1
1 n i −1
b1 = ∑
n i =1 n − 1
xi , I-32
1 n (i − 1)(i − 2)
b2 = ∑
n i =1 (n − 1)(n − 2)
xi
1 n (i − 1)(i − 2)(i − 3)
b3 = ∑
n i =1 ( n − 1)(n − 2)(i − 3)
xi
Les quatre premiers L-moments des échantillons, pour toute distribution, s’écrivent alors :
λ1 = b0 ,
λ2 = 2b1 − b0 , I-33
λ3 = 6b2 − 6b1 + b0 ,
λ4 = 20b3 − 30b2 + 12b1 − b0
Comme dans le cas des moments conventionnels, il est toujours intéressant de standardiser les
moments d’ordre supérieurs λr , pour qu’il soit indépendant de l’unité de mesure de x.
On définit alors des rapports des L-moments d’ordre r ( τ r ) ainsi, le L-Cv est défini par :
- 33 -
Chapitre I Aperçu bibliographique et outils d’investigation
λ2
τ2 = I-34
λ1
λ
τ = r
I-35
λ
r
2
D’où τ 3 (L-Cs) peut être utilisé comme une mesure d’asymétrie (L-Skewness) et τ 4 (L-
Ck) comme une mesure d’aplatissement (L-Kurtosis).
Le diagramme des L-moments (Figure I-4 et I-5) permettre de comparer les courbes
théoriques des L-moments déterminées pour différentes lois, τ 3 (L-asymétrie) en fonction de
τ 4 (L-aplatissement), aux points provenant des valeurs des rapports des L-moments calculées
à partir des sites qui sont projetés sur le même graphique τ 3 - τ 4 . Ensuite on doit calculer la
déviation entre les points estimés et les valeurs théoriques de chacune des courbes des
distributions. Cette déviation est utilisée pour déterminer laquelle des distributions est la plus
adéquate pour sélectionner la distribution la plus appropriée.
En se basant sur la relation entre les rapports des L-moments, pour la sélection d’une
loi régionale d’abord, on doit déterminer les rapports des L-moments de chaque échantillon en
supposant que les pluies journalières maximales de la région d’étude suit une loi GEV et on
calcule les rapports des L-moments pour chaque échantillon, ensuite, on calcule les
paramètres régionales de la loi GEV µ, α et k à partir des L-moments régionales.
- 34 -
Chapitre I Aperçu bibliographique et outils d’investigation
α
λ1 = µ + [1 − Γ(1 + κ )] I-36
κ
α
λ2 =
κ
(
1 − 2 −κ )Γ(1 + κ )
I-37
t3 =
(
2 1 − 3−κ)−3
(1 − 2−κ) I-38
Pour valider l’homogénéité d’une région en termes de rapports des L-moments, nous
allons utiliser le test d’homogénéité statistique proposé par Hosking et Wallis (1993) et
appliqué aux événements pluviaux extrêmes.
1.00
0.90
0.80
0.70
L-Kurtosis (τ4)
0.60
0.50
0.40
GEV
0.30
LN
0.20 PIII
Gumbel
0.10
Exp
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
L-Skewness (τ3)
Figure I-4 : Diagramme des L-moments théoriques des lois de probabilité (τ3- τ4).
Pour une région homogène, les variables appartenant à cette région proviennent d’une
même population donc, elles suivent la même loi de probabilité avec les mêmes paramètres.
Pour mettre en évidence cette homogénéité au terme de diagramme des rapports de
L-moments, nous avons généré 1000 échantillons et nous avons calculé les rapports des
L-moments (figure I-5) relative à chaque échantillon, ces rapports sont comparés ainsi au
courbes théoriques des différentes lois de probabilité.
- 35 -
Chapitre I Aperçu bibliographique et outils d’investigation
1.00
0.90
0.80
0.70
L-Kurtosis (τ4)
0.60
0.50
0.40
GEV
0.30 LN
PIII
0.20
Gumbel
0.10 Exp
Données Simulées
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
L-Skewness (τ3)
Pour une région homogène, les valeurs de τ 2 et τ 3 peuvent être utilisées comme
critères soit en imposant la simulation des valeurs ou en incluant dans la région que les
stations dont les points représentants la relation entre τ 2 et τ 3 sont compris à l’intérieure d’un
certain intervalle.
De façon plus quantitative, Hosking et Wallis (1993) ont défini une mesure de
discordance. Pour chacune des i stations examinées, on calcul d’abord le vecteur
ui = [t2,i ;t3,i ; t4,i ] des estimations t2 , i ,t3, i , t4 , i des variables τ 2 ,τ 3 ,τ 4 on calcul ensuite la moyenne
des ui :
- 36 -
Chapitre I Aperçu bibliographique et outils d’investigation
1 N
u= ∑ ui
N I =1
I-39
Di =
1
3
( T
ui − u s −1 ui − u) ( ) I-40
S=
1
N −1
∑ ui − u ui − u
T
( )( ) I-41
Hosking et Wallis (1993) proposent d’utiliser les équations (40) et (41) afin d’évaluer
la discordance de chacun des sites d’une région et suggèrent un critère de Di ≥ 3 pour exclure
une station de la région homogène.
∑n t
i =1
i r
(i )
tr = N
I-42
∑ni =1
i
Ensuite, nous faisons l’hypothèse sur la distribution qui peut être utilisée pour
représenter les événements pluviométriques d’une région. Pour valider cette hypothèse, nous
allons utiliser le diagramme théorique des rapports de L-moment. En plaçant sur ce
- 37 -
Chapitre I Aperçu bibliographique et outils d’investigation
Afin de pouvoir tester l’homogénéité statistique d’une région, nous allons dans un
premier temps procéder à une série de simulations basées sur la génération de variable
distribuées selon une loi théorique choisie à priori pour représenter les précipitations
extrêmes. En procédant à cet exercice de simulation, on vérifie si les observations
représentant la réalisation d’un processus est suffisamment stable. Chacune des simulations
doit donc refléter la configuration de la base de données inhérente à la région considérée. Plus
précisément le nombre de valeur à reproduire à partir des paramètres de la loi théorique d’un
site i au cours d’une simulation doit être égale au nombre ni d’enregistrement. Dans une
seconde phase, nous allons étudier pour chaque simulation, la variabilité inter-sites des
L-moments en calculant :
∑ n (t )
N
2
i
(i )
−t
i =1
- la variance pondérée du L-CV : V1 = N
I-43
∑n i =1
i
(i )
Où t désigne le L-CV au site i et t le L-CV régionale calculé à partir de l’équation (I-42)
∑ n (t ) ( )
N
2 2
i
(i )
− t + t (i ) 3 − t 3
i =1
V2 = N
I-44
∑n
i =1
i
(i )
t3 t3 le L-Cs régionale calculée à partir de l’équation (I-37)
Où désigne le L-Cs au site i et
∑ n (t ) + (t )
N
2 (i ) 2
i
(i )
3 − t3 4 − t4
i =1
V3 = N
I-45
∑n
i =1
i
(i )
Ou t4 désigne le L-Ck du site i et t4 le L-Ck régional calculé à partir de l’équation (I-33)
Désignant par V l’une de ces trois valeurs (V1, V2, V3) puis par µ sim et σ sim
respectivement la moyenne et l’écart type de la variable V obtenue à partir d’une longue série
de simulation (1000 échantillons). Pour avoir une mesure de l’homogénéité d’une région,
- 38 -
Chapitre I Aperçu bibliographique et outils d’investigation
nous allons considérer que la variable V estimée à partir des observations est la réalisation
d’un processus aléatoire de moyenne µ sim et d’écart type σ sim , en désignant par Vobs cette
variable nous calculons sa valeur centrée réduite (H) :
Vobs − µ sim
H= I-46
σ sim
− +
=
La statistique ZDIST est basée sur la normalité asymptotique et l’ajustement est satisfait au
niveau de 90% si ZDIST =1,64.
- 39 -
Chapitre II :
PRÉSENTATION GÉNÉRALE DE
LA ZONE D’ÉTUDE
Chapitre II : Présentation générale de la zone d’étude
La région concernée par cette étude fait partie d’une vaste unité géographique, les
Hautes Plaines Steppiques. Il s’agit de la partie occidentale des Hauts Plateaux algériens, c’est
une zone semi-aride comprise entre le Tell, au Nord, et l’Atlas saharien, au Sud (Figure II-1).
La zone d’étude, située dans les hauts plateaux de l’Ouest Algérien limitée par la
longitude -1° 30’ Est et 4° 0’ Ouest et la latitude 32°20’ Sud et 36° 0’ Nord, couvre une
superficie de 138 500 Km2. Elle est caractérisée par une grande étendue endoréique où les
écoulements convergent vers les Chotts alignés en chapelets et où le chevelu hydrographique
est très peu développé. La majorité des Oueds prennent naissance sur les crêtes de l’Atlas
Tellien et se déversent au Sud dans le Chott Chergui. Dominée par une topographie tabulaire,
la zone est limitée au Nord par les confins de l’Atlas Tellien (Monts de Tlemcen et
l’Ouarsenis) et au Sud par les Monts de l’Atlas Saharien (Monts des Ksours).
- 40 -
Chapitre II : Présentation générale de la zone d’étude
Selon le découpage administratif (Figure II-2) la région d’étude est limitée administrativement
au nord par Tlemcen, Saida, Mascara, Tiaret et Sidi Bel abbesse, au Sud par El-Bayad et
Laghouat à l’Est, par Djelfa et M’Sila et à l’ouest, par le territoire marocain.
Selon le recensement général de 1998 la population du bassin de chott chergui est estimée à
238 411 habitants répartie a travers 32 communes. En 2005, la population totalisée 280 894
habitants.
La région s’inscrit dans l’étage bioclimatique aride modéré à hiver froid. Elle constitue une
zone tampon entre l’Algérie occidentale côtière et l’Algérie occidentale saharienne. Elle
présente la particularité d’avoir toutes les caractéristiques du climat méditerranéen et d’être
simultanément soumise aux influences continentales (Meterfi et Moueddene, 2002).
- 41 -
Chapitre II : Présentation générale de la zone d’étude
Toute fois, les précipitations sont peu abondantes, mais peuvent souvent se produire sous
forme d’orages violents régulièrement durant 9 mois de l’année. La moyenne pluviométrique
est évaluée à 318 mm repartie sur 47 jours (Benslimane et al., 2015).
En outre, les travaux sur la pluviosité en Algérie soulignent une aridité croissante dans les
steppes, et tout particulièrement dans les steppes occidentales (Hirche et al., 2007). La
pluviométrie annuelle moyenne à Ras-El-Ma, qui atteignait 301 mm dans les années 1913-
1938 (Seltzer, 1946), n’est que de 174 mm sur la période 1970-2001 (ONM, 2008). Avec
cette baisse des précipitations, de l’ordre de 42 %, la région est soumise à des conditions
beaucoup plus arides. Sur la période allant de septembre 1930 à août 2002, qui combine les
fluctuations interannuelles et la diminution des pluies au cours des dernières décennies, Meddi
et al. (2009) notent, pour Ras-El-Ma, une valeur maximale de 542 mm en 1934-1935 et une
valeur minimale de 36 mm en 1977-1978.
En ce qui concerne les températures, dés que l’on s’éloigne de la mer, le contraste est bien
marqué entre l’hiver et l’été. La température moyenne annuelle est évaluée à 14,8°C. Le mois
le plus chaud est juillet avec une température moyenne de 26,3°C et une température
maximum de 35,3 °C. Le mois de janvier est le plus froid avec une moyenne des minima de
0,2 °C (Benslimane et al., 2015). La région de relief très élevé se caractérise par des hivers
très rigoureux, avec des températures descendant en dessous de 0 °C dès que l’on dépasse les
1000 m, elles peuvent atteindre -10 °C.
La fréquence des gelées a considérablement augmenté entre les périodes 1913-1938 et 1970-
1996, leur nombre annuel moyen passant de 28 à 44 (Seltzer, 1946 ; ONM, 2008 ; INRA,
2008). Apparaissant très tôt, à partir de novembre, elles peuvent se produire jusqu’en avril. Le
nombre de jours de sirocco n’a pas évolué et semble se stabiliser autour de 21 jours par an. Ce
vent de sud-ouest s’accompagne souvent du déplacement de masses sableuses. La longueur de
la saison sèche a augmenté de deux mois durant le siècle dernier (Mehdadi et al., 2004). La
progression de l’aridité est clairement perceptible et son incidence sur l’exploitation des
espaces steppiques amène à reconsidérer l’occupation et l’utilisation des superficies
productives.
- 42 -
Chapitre II : Présentation générale de la zone d’étude
II.3.1 Pluies annuelles
Les précipitations enregistrées sur l’ensemble des sous régions prédésertiques des
steppes occidentales sont les plus faibles de la région de l’Ouest de l’Algérie (Tableau II.1).
La carte des isohyètes élaborée par l’ANRH montre que les précipitations dans la région
steppique de l’Ouest Algérie, varient de 100 mm à plus de 300 mm par an, les plus fortes se
trouvant dans la partie montagneuse située au Nord sur les versants des monts de Tlemcen et
de Saida. Les cumuls annuels s’échelonnent de 200 à 300 mm pour les hauts plateaux et le
Sud et jusqu’à plus 400 mm sur les reliefs. Les secteurs les moins arrosés (100 à 200 mm)
sont ceux se trouvant au niveau des chotts.
L’analyse des chroniques brute montre que l’année la plus sèche a été observée en
1985 à la station Ain Skhouna 081901 (77.7 mm) située au Nord Est du Chott Chergui, dans
les versants Nord de l’atlas saharien, à la station de Mecheria 081401 avec (116 mm) en 2004
et dans l’Est, en 1983 à la station Slim 051703 (47.2 mm).
L’année la plus humide est 1971 et 1972 avec des précipitations de 312 mm à la
station de Slim 051703 et 292 mm à la station d’Ain Mehdi 060202, par contre, à la station de
Mecheria l’année la plus humide est enregistré en 2008 avec 430mm. A la station d’Ain
Skhouna 081901 c’est en 1995 qu’on enregistre la hauteur de pluie la plus importante qui est
de l’ordre de 314mm.
500
011208 051703 060202 080902 081401 080102 081901
450
400
350
300
Pluies (mm)
250
200
150
100
50
0
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Années
Figure II-3 : Variabilité des pluies annuelles dans la région d’étude (1968-2011)
- 43 -
Chapitre II : Présentation générale de la zone d’étude
II.3.2 Pluies mensuelles
Généralement, les mois les plus humides sont septembre, Octobre, novembre, Mars et
Avril. Par contre, les mois de Juillet et Août sont presque totalement secs.
Les pluies moyennes mensuelles atteignant leurs maxima aux mois de septembre et
octobre pour la station de Boughzoul (011208) et Slim (051703) et aux mois de mars et avril
pour les stations de Mecheria (081401) et El Aricha (080102) (figure II-3).
Code Nom Station Sept Oct Nov Dec Janv Fevr Mars Avr Mai Juin Juil Aout Annuelle
011208 BOUGHZOUL 25.0 27.0 20.7 19.4 22.1 18.2 22.8 23.1 23.2 15.7 5.0 6.2 228.5
051703 SLIM 22.6 17.1 13.8 11.6 17.0 11.0 15.8 16.8 19.4 9.8 3.8 7.7 166.5
060202 AIN MAHDI 26.8 21.7 11.3 9.2 10.4 8.0 15.9 18.0 17.3 12.2 4.3 8.9 164.0
080902 STITTEN 28.4 27.3 21.5 19.9 23.1 18.0 32.0 30.6 24.2 13.0 3.5 8.4 250.0
081401 MECHERIA 20.5 30.6 27.4 22.0 22.6 23.0 36.5 28.6 24.4 9.3 4.2 7.6 256.8
080102 EL ARICHA 19.2 24.7 22.2 13.3 13.2 16.4 20.4 27.6 22.0 11.9 8.1 9.7 208.6
081901 AIN SKHOUNA 17.8 27.8 13.8 14.1 15.0 11.8 15.9 20.3 20.6 12.1 4.7 6.6 180.4
40 011208
051703
35
060202
30 080902
25 081401
Pluies (mm)
080102
20
081901
15
10
0
Sept Oct Nov Dec Janv Fevr Mars Avr Mai Juin Juil Aout
Mois
- 44 -
Chapitre II : Présentation générale de la zone d’étude
II.4 Caractéristiques hydrographiques
La région d’étude est caractérisée par une grande zone endoréique ou les écoulements
convergents vers les chotts alignés en chapelets (Chott Chergui et Chott Gherbi) dont le
chevelu hydrographique y est très peu développé. Le plus grand nombre de ces oueds
localisés au Nord prennent naissance dans les crêtes de l’Atlas Tellien et se déversent au Sud
dans le chott Chergui.
Les autres oueds localisés au sud, de moindre importance sont caractérisés par des
écoulements temporaires.
- 45 -
Chapitre II : Présentation générale de la zone d’étude
II.4.2 Le relief
- L’ensemble de l’Atlas tellien occupé pour l’essentiel par les massifs montagneux ; monts
de Tlemcen qui sont relayés au Maroc par le Moyen Atlas et qui se terminent à l’Ouest
par le massif de Beni Chougrane situé au nord de la plaine de Sidi Bel Abbès, ils
culminent à 1843 m au Djebel Tenouchfi à l’extrême Sud-Ouest de la région, La chaîne
des monts des Daias et de Saida, formée principalement de roches calcaires et
dolomitiques culminent respectivement à 1455 m et 1339 m (Djebel Sidi Youcef).
- L’ensemble constitué par la large plateforme des Hautes plaines ou Hauts Plateaux, limité
au sud la chaîne de l’Atlas Saharien. Les Hauts Plateaux constituent un grand ensemble
caractérisé par l’absence de relief tranché.
- La chaîne atlasique dominé par les monts des Ksour, présente une topographie plus
simple et surtout plus ouverte que celle de l’Atlas Tellien. Plus au sud, on pénètre dans le
domaine saharien.
- 46 -
Chapitre II : Présentation générale de la zone d’étude
L’occupation végétale a une influence directe sur l’écoulement fluvial aussi bien que
les facteurs orographie et le climat. La résistance à l’écoulement est d’autant plus importante
que le couvert végétal est plus dense.
Conclusion
Le relief dominant est caractérisé par une topographie tabulaire, limitée au Nord par
les confins de l’atlas Tellien et au Sud par les monts de l’Atlas Saharien dominé par les monts
des Ksour. L’altitude minimum est de 650 m dans la partie Nord Est et 950 m au niveau des
chotts, et un maximum de 2000 m au Sud.
- 48 -
Chapitre III :
ECHANTILLONNAGE DES
DONNÉES
Chapitre III : Echantillonnage des données
Le choix des stations étudiées a été mené de façon à avoir l’information nécessaire pour
notre étude, de point de vue longueur des séries d’observation et de la répartition spatiale de
ces stations à travers la région d’étude. Cependant, tenant compte des facteurs déterminants de
la répartition des champs pluviométriques à l’échelle de la région steppique de l’Ouest
Algérie ; les différentes stations sont mal réparties à travers l’espace étudié, comme le montre
la figure III-1, la densité du réseau est très variable avec peu de postes dans les zones
dépressionnaires peu habitées. En fonction de l’altitude, les stations les plus hautes sont celles
de Ain El Orak et Kherba Ouled hellal, situées à une altitude de 1290 m, or la plus basse
station c’est celle de Ksar El Boukhari située à une altitude de 630 m.
Nous avons vu que la période d’été (juin à août) présente de très faibles risques de fortes
précipitations. Ce résultat était tout à fait prévisible. Cependant, nous admettrons que la saison
à plus fort risque est composée uniformément des mois de septembre à mai.
On peut donc également admettre qu’en l’absence de mesure durant un ou plusieurs des mois
de juin à août le maximum de l’année est donné correctement par le maximum des mois de
septembre à mai. Une année est donc considérée comme complète si elle dispose
d’information sur au moins ces neufs mois.
- 49 -
Chapitre III : Echantillonnage des données
- 51 -
Chapitre III : Echantillonnage des données
Nombre de stations
70
60
50
40
30
20
10
Années
0
1875
1880
1884
1888
1892
1899
1904
1908
1912
1916
1920
1924
1928
1932
1936
1940
1944
1948
1952
1956
1960
1964
1968
1972
1976
1980
1984
1988
1992
1996
2000
2004
2008
Les stations sélectionnées pour cette étude sont celles ayant au moins 20 ans de
mesures effectives sur la période d’observation, soit 65 stations couvrant la région d’étude et
les zones limitrophes. Les durées d’observation de ces stations sont aussi très inégales, depuis
l’an 1901 pour la station la plus ancienne (El Aricha) à ceux installées depuis les années
soixante dix pour les postes récemment installés. Ainsi, les 65 séries ont finalement été
sélectionnées avec une taille moyenne d’échantillonnage d’environ 40 ans (Figure III-3).
- 52 -
Chapitre III : Echantillonnage des données
61
56
51
Nombre de stations
46
41
36
31
26
21
16
11
6
1
0 10 20 30 40 50 60 70 80 90 100
Nombre des observations
Figure III-3 : Disponibilité des données pour les stations de plus de 20 ans d’observations
d
- La méthode
hode des maxima annuels (ou saisonniers) qui consiste à retenir une seule valeur (la
plus forte) sur l’année
année (ou la saison). L’échantillon
L échantillon sera constitué de N valeurs, pour une
durée d’observation
observation de N années. Cette méthode est simple, mais présente le désavantage
d’éliminer
éliminer certaines valeurs fortes si elles sont observées pour la même année ;
- La méthode des valeurs supérieures à un seuil, dont un seuil de détection est préalablement
fixé et on échantillonne toutes les valeurs qui excèdent ce seuil. L’échantillon
échantillon est alors formé
de K valeurs pour N années d’observation
d observation (avec K généralement supérieur à N). Cette
- 53 -
Chapitre III : Echantillonnage des données
méthode reste cependant tributaire du choix du seuil qui doit garantir l’indépendance des
observations.
Dans la présente étude nous avons opté pour la première méthode c’est à dire un
échantillonnage des pluies journalières maximales annuelles.
Afin d’avoir une vue d’ensemble des échantillons considérés, quelques moments sont
calculés. Il s’agit de la moyenne ( x ) et les coefficients de variation (Cv ) , d’asymétrie (C s )
et d’aplatissement (Ck ) . Les résultats sont présentés au tableau III-2 pour l’ensemble des
stations étudiées.
(x ) (σ ) (Cv ) (C s ) (Ck )
Code Nom de Station Nbr PJmax
(mm) (mm)
010502 ZMALET EL AMIR AEK 40 73.8 22.3 18.8 0.84 1.54 4.20
010602 AIN ZERGUINE 22 91.3 41.2 20.5 0.50 1.02 3.20
010701 AIN BAADJ 28 52.5 28.5 11.0 0.38 0.29 2.31
010703 RECHAIGA 53 75.6 30.8 15.3 0.50 1.30 3.75
010706 SIDI BOUDAOUD 35 56.0 18.0 13.8 0.77 0.75 2.69
010803 MEHDIA 40 81.2 31.9 12.9 0.40 2.11 8.05
010901 SOUGUEUR 84 71.4 32.2 13.8 0.43 1.13 3.85
010904 DAHMOUNI TRUMULET 38 104.5 38.5 13.9 0.36 2.92 12.30
011003 COLONEL BOUGARA 38 96.9 34.3 14.7 0.43 2.51 10.20
011004 KHEMISTI 42 43.8 23.5 9.2 0.39 -0.32 2.94
011006 TISSEMSILT 30 72.1 35.1 13.4 0.38 1.51 4.34
011104 AIN BOUCIF 57 54.5 27.6 10.7 0.39 0.03 3.20
011206 CHAHBOUNIA 32 81.3 24.7 17.3 0.70 2.05 5.59
011208 BOUGHZOUL 60 46.7 24.1 9.2 0.38 1.01 2.97
011301 KSAR EL BOUKHARI 31 101.2 35.3 18.8 0.53 2.32 6.71
011302 DERRAG 63 123.0 52.2 23.0 0.44 1.26 4.09
011404 ZOUBIRIA MONGORNO 74 95.4 43.1 18.5 0.43 0.99 3.31
011603 BORDJ EL AMIR AEK 73 146.1 48.1 23.9 0.50 1.42 5.52
011604 KHERBA OD HELLAL 41 44.0 16.4 7.7 0.47 2.04 6.58
013002 FRENDA 39 60.2 35.7 10.9 0.30 0.39 2.36
013004 AIN EL HADDID 41 67.0 31.3 9.7 0.31 1.66 6.20
050102 CHELLALAT EL ADAOURA 40 67.9 31.3 14.4 0.46 0.80 2.45
050201 DRAA EL HADJAR 34 49.0 26.7 9.7 0.36 0.20 2.34
051703 SLIM 36 52.7 27.0 11.1 0.41 -0.13 2.34
052002 AIN RICH 32 72.3 20.2 17.5 0.86 1.67 4.93
060104 SEKLEFA 28 84.0 27.6 16.4 0.59 1.97 6.05
060202 AIN MAHDI 33 105.1 32.2 18.2 0.56 2.42 8.40
060203 TADJEMOUT 2 68 40.2 24.9 10.7 0.43 0.68 3.86
060302 EL HOUITA 25 40.6 22.1 8.3 0.38 0.82 2.36
060401 SIDI MAKHLOUF 32 32.0 17.2 7.3 0.43 0.37 1.91
- 54 -
Chapitre III : Echantillonnage des données
(x ) (σ ) (Cv ) (C s ) (Ck )
Code Nom de Station Nbr PJmax
(mm) (mm)
060403 KSAR EL HIRANE 29 65.6 26.1 12.9 0.49 0.27 3.07
060404 LAGHOUAT ONM 54 50.0 27.1 9.8 0.36 0.44 2.58
080102 EL ARICHA 50 58.0 26.3 11.6 0.44 1.17 3.53
080201 EL AOUEDJ (Belhadji B,) 39 92.0 26.4 17.5 0.66 1.20 3.43
080401 MEKMENE BEN AMAR 29 60.2 24.9 13.1 0.52 1.37 3.39
080501 MARHOUM 20 49.0 23.5 11.2 0.48 1.03 3.05
080502 MOULAY LARBI 43 90.0 31.7 21.7 0.68 1.22 3.38
080602 KHALFALLAH 42 45.2 22.0 9.6 0.44 0.69 3.05
080604 MOSBAH 31 55.0 19.5 11.9 0.61 1.14 3.53
080606 MAAMORA 29 58.2 25.0 11.6 0.46 0.08 2.39
080701 MEDRISSA 60 98.7 33.6 15.5 0.46 2.51 11.60
080902 STITTEN 33 65.3 32.8 13.3 0.41 0.66 2.57
081401 MECHERIA 90 112.1 35.0 17.8 0.51 1.81 7.51
081502 BOUGTOB 41 52.4 24.7 9.5 0.39 0.73 3.33
081901 AIN SKHOUNA CAMP 30 65.0 24.3 13.6 0.56 1.26 4.21
110203 EL HACAIBA 38 63.5 32.0 12.0 0.37 0.89 3.10
110501 MERINE 35 59.3 30.6 11.8 0.39 0.85 3.01
110802 DAOUD YOUB 68 90.0 34.3 15.5 0.45 1.32 4.62
111112 HAMMAM RABI 30 50.9 29.6 10.5 0.35 0.57 2.16
111201 OUED TARIA 90 99.5 33.7 13.8 0.41 1.84 8.09
111203 AIN BALLOUL 31 67.2 34.9 10.8 0.31 0.94 3.56
111210 TAMESNA 33 63.6 32.2 13.1 0.41 0.84 2.71
111404 AOUF M,F, 60 115.0 51.0 21.0 0.41 0.94 3.49
130329 BOU SEMGHOUM 26 51.8 26.7 11.5 0.43 0.34 1.90
130332 AIN EL ORAK 25 39.8 18.7 7.8 0.42 1.37 3.75
130333 GHASSOUL 24 55.0 21.9 11.4 0.52 1.10 3.67
130334 SIDI AHMED BELABBES 23 50.2 26.0 11.7 0.45 0.79 2.24
130335 ARBA TAHTANI 30 53.0 23.8 9.2 0.39 0.95 4.36
130336 ASLA 26 44.3 22.4 10.2 0.46 0.49 2.04
130339 EL ABIOD SIDI CHEIKH 42 65.2 23.3 11.8 0.51 1.40 5.45
130344 BREZINA 23 77.0 21.5 14.3 0.67 2.81 9.97
130356 AIN SEFRA ANRH 22 52.9 25.2 10.9 0.43 1.13 3.12
130357 DJENIENE BOU REZG 20 45.5 20.0 12.9 0.64 0.43 1.82
160406 KHEMIS OULD MOUSSA 47 163.3 51.5 24.9 0.48 0.58 2.69
L’asymétrie des séries des maxima journalières annuelles est positive et supérieur à 1
sur plus de 50% des stations pluviométriques. Les échantillons des pluies maximales
journalières annuelles de la région d’étude sont en général plus asymétriques.
- 55 -
Chapitre III : Echantillonnage des données
Pour ce qui concerne les précipitations journalières maximales annuelles sur ces 65
stations disposant d’au moins 20 années de mesure, on peut préjuger d’une relative
indépendance spatiale des mesures (le réseau pluviométrique n’est pas très dense) et d’une
relative indépendance interannuelle (les précipitations extrêmes sont généralement dues à des
phénomènes convectifs). Dans ces conditions les échantillons disponibles correspondent à des
variables aléatoires. Cette constatation reste toujours vrai mais elle devait être justifiée
statistiquement, pour cela nous avons vérifié certaines hypothèses de base à savoir
l’hypothèse d’indépendance, d’homogénéité et l’hypothèse de stationnarité tableau III-3.
Les résultats obtenus pour ce test indiquent globalement que les échantillons
présentent une indépendance très marquée pour l’ensemble des stations étudiées.
- 56 -
Chapitre III : Echantillonnage des données
- 57 -
Chapitre III : Echantillonnage des données
Les résultats du test de stationnarité de Kendall obtenus pour les 65 stations sont
présentés dans le tableau IV-3. L’analyse de ces résultats permettre de constater :
D’une manière générale et sur l’ensemble de la région d’étude les échantillons des
pluies journalières maximales annuelles constituent une variable aléatoire indépendante et
identiquement distribuée (Tableau III-4).
Nombre de stations 57 52 55
Conclusion
En effet, soit dix stations dont les échantillons présentant des données qui ne vérifient
par certaines ou toutes les hypothèses. Cela peut être dû à la présence de valeurs aberrantes
vraiment exceptionnelles ou à des anomalies de mesures. Cependant, les données de ces
stations (111201, 080606, 080604, 080502, 052002, 050102, 013002, 011104, 011004,
010706, 010703), seront retenues mais doivent être traitées avec précaution.
- 58 -
Chapitre IV :
DISTRIBUTION DES PLUIES
JOURNALIÈRES MAXIMALES
Chapitre IV: Distribution des pluies journalières maximales
- Pour une fréquence donnée, l’estimation des intensités de pluie qui seront utilisées pour
le dimensionnement des ouvrages ou dans la gestion des eaux d’un bassin versant (cas d’un
projet) ;
- Pour un événement pluvieux observé, l’estimation de sa fréquence d’apparition qui
permettra d’évaluer le fonctionnement des ouvrages et leur niveau de protection de projet ou
de comparer la sévérité de deux événements distincts observés au même endroit (cas d’un
diagnostic).
Dans cette optique et après avoir montrer que les échantillons sont indépendants et
identiquement distribué c’est-à-dire qu’ils vérifient les critères d’indépendance, homogénéité et
stationnarité. Nous allons dans cette partie mener une analyse des pluies journalières maximales
annuelles à l’échelle locale (pluie ponctuelle), dont l’objectif principale est l’analyse de longues
séries expérimentales de pluie, et de savoir la loi d’ajustement selon laquelle la distribution des
pluies maximales s’avèrent d’autant plus marqué. Cette analyse fréquentielle permettra par
ailleurs l’analyse des variations de la distribution des pluies au cours de la période étudiée.
Ainsi, le choix du meilleur modèle statistique basé sur la fonction de distribution la plus
adéquate, et son application à des séries de pluies journalières maximales annuelles dans la
région Steppique Ouest Algérie.
De nombreux auteurs ont comparé les mérites respectifs : biais, dispersion, écart
quadratique des estimateurs des différentes méthodes, dont le classement varie suivant les lois
utilisées, la taille de l’échantillon et la valeur des paramètres. En effet, il apparaît que la MMV
- 59 -
Chapitre IV: Distribution des pluies journalières maximales
est considéré comme étant une méthode puissante, puisqu’elle optimise la fonction de
vraisemblance et donc la probabilité d’observer l’échantillon. De plus, la MMV est
asymptotiquement optimale (non biaisée, variance minimale) pour les lois à trois paramètres et
pour des échantillons de grande taille (Bobée, 1979).
La méthode des moments (MM), considérée comme une méthode d’estimation des
paramètres relativement facile. Néanmoins, les moments estimés sont généralement de qualité
inférieure et généralement pas aussi efficace que les estimateurs de la MMV. Ceci est
particulièrement dans le cas où les distributions ont un grand nombre de paramètres. En effet,
les moments d’ordre supérieur sont plus susceptibles d’être fortement biaisés en échantillons
relativement petits.
Cependant, un point fondamental des statistiques des extrêmes est celui de l’absence de
consensus sur une des méthodes d’estimation des paramètres. En effet, dans le cadre de cette
étude, une discussion et une comparaison des trois méthodes peuvent être nécessaires.
Les résultats des différents paramètres des lois statistiques obtenus en utilisant la méthode
de maximum de vraisemblance (MMV) sont mentionnés dans l’annexe IV-1.
- 60 -
Chapitre IV: Distribution des pluies journalières maximales
Les deux graphiques présentent des concavités vers le haut, cette concavité est traduite
par l’inadéquation d’ajustement de la loi Log-Normale à notre échantillon surtout dans la partie
centrale et la queue droite de la distribution. (Figure IV-1)
- 61 -
Chapitre IV: Distribution des pluies journalières maximales
Les deux graphiques présentent des concavités vers le haut, cette concavité est traduite
par l’inadéquation de l’ajustement de la loi Gumbel à notre échantillon (figure IV-1).
Pour le cas de la loi GEV, il est possible de visualiser l’adéquation de loi GEV à partir
des graphiques d’ajustement, on prend l’exemple des deux stations précédentes, où il apparaît
que les ajustements sont tout à fait satisfaisants par rapport à ceux des autres lois.
On retiendra de ces graphiques que la loi GEV parait mieux adaptée pour toutes les
stations étudiées, c’est le cas de l’ensemble des échantillons des pluies journalières maximales
annuelles de la région steppique de l’Ouest Algérie (Annexe IV-2f).
Ainsi, les ajustements graphiques obtenus pour l’ensemble des stations, ont mis en
évidence un premier résultat : d’une manière générale, seulement la loi GEV présente une
certaine satisfaction surtout pour la partie centrale et la queue droite de cette loi distribution,
mais il reste à confirmer ce résultat par d’autres critères et méthodes.
- 62 -
Chapitre V: Distribution des pluies journalières maximales
Figure IV-1 : Ajustement des lois de distributions. (Comparaison de différents modèles, stations Mecheria et Oued Taria)
- 63 -
Chapitre IV: Distribution des pluies journalières maximales
L’objectif de cette partie, sera l’examen des résultats obtenus par le système d’aide à la
décision SAD intégré dans le logiciel statistique HYFRAN PLUS, pour l’identification des
classes de distribution susceptible de représenter les séries de pluies journalières maximales
annuelles de la région d’étude. Les deux exemples qu’on va présenter sont ceux relatifs aux
résultats de la station de Mecheria avec 90 ans d’observations et la station de Sougueur avec
93 ans.
Figure IV-2: Illustration du graphique Log-Log pour les deux stations Sougueur et Mecheria.
Cette méthode est utilisée lorsque la première méthode (graphique log-log), donne une
courbe concave, cas de la station de Mecheria. En effet, si l’hypothèse H0 de la méthode log-
log est rejetée (c’est-à-dire si la distribution n’est pas à variations régulières) la méthode FME
permet de tester si la distribution est sub-exponentielle ou exponentielle.
- 64 -
Chapitre IV: Distribution des pluies journalières maximales
Figure IV-3: Graphique de la moyenne empirique des excès (station Sougueur et Mecheria).
Le rapport de Hill est utilisé dans un but de confirmation de la conclusion obtenue par
la FME, pour notre cas l’exemple de la station de Mecheria, il est difficile de discriminer
entre la classe de distribution D et E.
Figure IV-4: Graphique du rapport de Hill pour les stations Sougueur et Mecheria
- 65 -
Chapitre IV: Distribution des pluies journalières maximales
Figure IV-5: Graphique de la statistique de Jackson pour les stations Sougueur et Mecheria
Sur l’ensemble des stations de la région d’étude les résultats du SAD (Annexe IV-3),
permettent de mettre en concurrence deux classes de distribution la classe C et la classe D
(tableau IV-1).
- La première (classe C) composée des lois de Fréchet (EV2 ou GEV) et la loi Log
Pearson-3 (LP3) ;
- La seconde (classe D), est composée de la loi Pearson-3 et la loi EVI ou Gumbel.
La comparaison des résultats du système SAD avec les constations faites lors de
l’analyse et l’examen des ajustements graphiques. On constate que les pluies journalières
maximales annuelles de la région steppique de l’Ouest Algérie, permettent l’utilisation
conjointe des lois EVI et EVII. Mais l’avantage est donné beaucoup plus à la loi GEV.
- 66 -
Chapitre IV: Distribution des pluies journalières maximales
Pour le choix du meilleur ajustement, nous avons utilisé les critères d’information
Bayésien (BIC) et d’Akaike (AIC). Basés sur le principe de parcimonie, ces deux critères
permettent de construire un classement de modèles statistiques. Par conséquent, le meilleur
ajustement, pour chacun des deux critères, correspond à la plus faible valeur de son
coefficient.
Ceci peut s’expliquer par le fait que ce dernier fait intervenir le ln(N) comme facteur
multiplicateur du nombre de paramètres, lequel est toujours supérieur à l’unité. Plus le
nombre de paramètres d’une loi est grand, plus l’incertitude dans l’estimation de ces
paramètres est importante.
Les distributions à deux paramètres ont l’avantage d’être simples et moins sensibles aux
erreurs d’échantillonnage. Les distributions à trois paramètres ont l’avantage d’offrir une
flexibilité de forme. Cet avantage peut devenir un inconvénient dans le cas des séries de petite
taille qui peuvent être très sensibles aux fluctuations des paramètres des lois (Klemes, 1986).
Ainsi, notre objectif dans cette partie est de faire renforcer les raisons pour lesquelles la
décision quant au choix d’une distribution ou une autre soit significatif, en coïncidant les
résultats des différent tests de sélection. Cette sélection va permettre de choisir un modèle
fréquentiel représentatif des données et d’obtenir une estimation de quantiles sur une base
scientifique et uniforme c'est-à-dire on opte pour la même approche pour l’ensemble des
échantillons).
- 67 -
Chapitre IV: Distribution des pluies journalières maximales
Les valeurs des critères Bayésien (BIC) et d’Akaike (AIC) obtenues (Annexe IV-4),
sont résumées et représentées sous forme de pourcentage au tableau IV-2. Ces pourcentages
ont permis de constater:
Ces critères donnent plus d’avantage aux modèles à deux paramètres, c’est le cas des
lois Log normale à deux paramètres, la loi de Gumbel et la loi exponentielle. Le modèle log-
Pearson-3 et le modèle généralisé des valeurs extrêmes (GEV), qui sont des modèles à trois
paramètres se classent en derniers ordres.
Tableau IV-2 : Pourcentage de sélection des distributions considérées (Critère BIC et AIC)
D’autre part, des études faites avec nos ingénieurs et mastereux dans le cadre des projets de
fin d’études (Annexe IV-4), ont permis de conclure :
- 68 -
Chapitre IV: Distribution des pluies journalières maximales
Tableau IV-3 : Pourcentage de sélection des distributions considérées (critères AIC et BIC)
Dans cette partie nous allons nous intéresser aux résultats des deux types d’erreurs,
l’erreur quadratique moyenne (the Root Mean Square Error RMSE) et l’erreur absolue
moyenne (the Mean Absolute Error MAE), ce qui permet de mesurer la performance des
différents modèles utilisés au cours de cette étude.
Les résultats des erreurs moyennes (MAE) et les erreurs (RMSE) obtenus pour
l’ensemble des stations (figure IV-6 et Annexes IV-5), montrent d’une manière générale que
les modèles Log Normale, log Pearson-3 et Pearson-3 prennent les plus grandes valeurs des
erreurs, autrement des faibles valeurs sont données par les modèle Gumbel, Exponentielle et
GEV.
2.5
MSDI
MADI
60
2.0
1.5 40
1.0
20
0.5
0.0 0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 1 6 11 16 21 26 31 36 41 46 51 56 61
Stations Station
Figure IV-6 : Valeurs des erreurs RMSE et MAE pour les différents modèles et l’ensemble des
stations
- 69 -
Chapitre IV: Distribution des pluies journalières maximales
Sur l’ensemble des stations étudiées (figure IV-7), la loi GEV (Generalzed extreme
value) présente les plus faibles valeurs de MAE et de RMSE, sauf les stations 010804,
011510, 012219, 012519 ou le modèle exponentiel présente les plus faibles valeurs.
De ce fait, il est évident de retenir que l’hypothèse supposant que les échantillons
relatifs aux pluies journalières maximales annuelles suivent une loi de Gumbel n’est pas vrai.
D’autre part, il est fort intéressant d’utiliser une distribution GEV pour la modélisation des
pluies journalières maximales annuelle de la région steppique de l’Ouest Algérie.
80% MSDI
70% MADI
60%
50%
40%
30%
20%
10%
0%
Exp LN2 P3 EVI GEV
Figure IV-7 : Pourcentage des erreurs RMSE MAE pour les différents modèles
Conclusion
Les résultats de l’ajustement statistique obtenus montrent que les trois modèles : GEV,
Gumbel et LN(2) permettent l’utilisation conjointe des données locales et ils ont fourni des
résultats différents.
D’après l’examen visuel, la loi GEV présente l’avantage d’être un modèle simple pour
les 65 stations. Les valeurs des pluies journalières maximales annuelles sont bien ajustées par
la loi GEV qui met en évidence un bon comportement comparé aux deux autres lois avec des
valeurs du test de dispersion plus faibles.
Les critères AIC et BIC donne une variable importance au deux modèles GEV et EVI
en fonction de la méthode d’estimation des paramètres (méthode d’ajustement).
- 70 -
Chapitre IV: Distribution des pluies journalières maximales
de fréquences empiriques. Même, si la loi Gumbel présente certains avantages qui ont donné
lieu à un large usage de cette loi en hydrologie (simplicité, faible variabilité des estimateurs des
quantiles extrêmes), théoriquement les pluies journalières maximales annuelles sont
distribuées selon une loi généralisée des valeurs extrêmes (GEV), dont la loi de gumbel n’est
qu’un cas particulier. Cependant, notre travail nécessite une recherche plus poussée sur les
limites d’utilisation des deux lois de distributions. Ainsi, on doit savoir si la loi de Gumbel, la
plus employée, est acceptable ou si au contraire on doit considérer un comportement
asymptotique hyper exponentiel ?
- 71 -
Chapitre V :
UTILISATION D’UNE
DISTRIBUTION DE VALEURS
EXTRÊMES GÉNÉRALISÉE
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
Très souvent les hydrologues ont utilisé la loi de Gumbel de façon privilégiée et cela a
été le cas des pays du bassin méditerranéen et également en Algérie (Berolo et al., 2000 ;
Wotling et al., 2000; Djerboua, 2001; Djerboua et al., 2004; Achite et Meddi, 2005; Barco et
Chaouche, 2006 ; ANRH, 2007;). Ce choix s’explique par la simplicité de la formulation de la
loi de Gumbel, et le fait qu’il n’y ai que deux paramètres à caler.
Récemment, certains auteurs ont remis en cause l’adéquation de la loi de Gumbel aux
données de maxima annuels de pluies journalières (Chaouche et al., 2002; Koutsoyiannis,
2003; Coles et al., 2003; Koutsoyiannis, 2004a ; Barco et Chaouche, 2006 ; Muller, 2006 ;
Zahar et Laborde, 2007 ; Benkhaled, 2007 ; Benabdesselem et Hammar, 2009). Ils proposent
donc d'utiliser la famille "Fréchet" (Ferrer, 1992 ; ST-Hilaire et al., 2003 ; Koutsoyiannis,
2004a ; Onibon et al., 2005 ; Ramon, et al., 2005; Sisson et al., 2006 ; Kysely et al., 2006;
Wallis et al., 2007; Muller et al., 2008; Overeem et al., 2008; Shabri et Mohd Arif, 2009 ;
Abolverdi et Khalili, 2009) ce qui nécessite cependant de caler un troisième paramètre
(paramètre de forme).
Pour répondre à la question relative à l’utilisation d’une loi GEV au lieu d’une loi
Gumbel, dans cette partie de notre travail nous allons donc vérifier s’il est possible d’utiliser
une loi de Fréchet mais en fixant le paramètre de forme k à une valeur constante
régionalement.
- 72 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
Si l’on peut admettre que ces N observations sont indépendantes le nombre K d’observation
de période de retour supérieure ou égale à T, suit une loi de Bernoulli :
N! 1 1
Pr ob( K / N ) = ( ) k (1 − )( N − K ) V-1
K ! ( N − K )! T T
Donc avec N=2630 on devrait avoir en moyenne 233 pluies décennales, 23 pluies
centennales…
Ce processus est reproduit pour chaque station et la figure 03, illustre les résultats
enregistrés sur un cas particulier où toutes les stations sont supposées tirées d’une loi de
Gumbel. Il y a manifestement moins de valeurs considérées comme exceptionnelles (10
valeurs ont été générées avec des T>200 alors qu’il n’y a que 5 valeurs avec T’>200).
- 73 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
10000
T-Générés
T'
T-Théoriques
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Figure V-1: Comparaison des périodes de retour générés et les périodes de retour théoriques :
(La droite noire représente le nombre de tirage aléatoire en fonction de la période de retour que l’on
aurait du faire en moyenne (T-Théorique), La courbe avec des points noirs représente les valeurs de T
correspondant aux F générés aléatoirement (T-Générées), En fin la courbe aux points blancs donne
les valeurs de T’ associés aux tirages).
Si l’on répète ce processus 200 fois, on trouvera 200 périodes de retour T’ rencontrées n
fois. En première approximation les valeurs de rang 30 et 170 dans les 200 valeurs de T’
classées donnent l’intervalle dans lequel il y a 70% de chance de rencontrer n valeurs si les
hypothèses de départ sont vérifiées (ici données gumbeliennes).
Comme nous l’avons déjà dit, la loi de Gumbel a très souvent été utilisée pour
modéliser les précipitations extrêmes d’Algérie. Nous allons voir qu’il est très difficile de
remettre en cause ce choix en ne se basant que sur quelques stations pluviométriques
considérées individuellement. Par contre une analyse d’ensemble sur toutes les stations de la
zone montrera les limites à cette utilisation de la loi de Gumbel.
L’intérêt de la loi Gumbel est que sa fonction de distribution cumulée est facilement
inversible. Ce qui permet d’obtenir aisément la fonction d’estimation des quantiles xi de
fréquence F(xi) qui se présente sous la forme:
- 74 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
xi = x0 + s *[− ln[− ln(F ( xi ))]] V-2
A titre d’exemple voici l’ajustement à une loi de Gumbel (droite en pointillés) et à une
loi de Fréchet (courbe en trait plein) des observations sur 86 ans de la station d’Oued
Taria (Figure V-2).
La première tentation serait de dire que l’ajustement à une loi de Fréchet est
préférable. Or ceci est très discutable :
Si l’ajustement passe près du dernier point du graphique cela signifie que la fréquence
théorique de la plus forte valeur est sensiblement égale à sa fréquence expérimentale (U=5.3,
F=0.995 et T=200 voisin de Texp=172). Or toutes les séries étant inférieures à 86, on
n’observerai jamais de pluie de période de retour supérieure à 172 ans !
Au contraire si l’on retient la loi de Gumbel, la plus forte pluie correspondrait à une
période de retour de T=782 ans (U=6.6). Est-ce aussi invraisemblable qu’il n’y parait ? On
montre aisément qu’il y a sensiblement 10% de chance que cela soit du au hasard !
120
Pluies journalièrers max. (mm)
100
80
60
40
20
0
-2 -1 0 1 2 3 4 5 6 7
Fréquensce selon une échelle de Gumbel
Figure V-2: Ajustement à une loi de Gumbel (droite en pointillés) et à une loi de Fréchet (courbe en
trait plein) des précipitations extrêmes de la station Oued Taria.
Nous avons vu que la loi de Gumbel n’était qu’un cas particulier de la loi GEV où le
coefficient de forme k était nul. Une façon de valider l’ajustement à une loi de Gumbel est
d’ajuster les trois paramètres de la loi GEV par la méthode des moments pondérés puis de
vérifier si les coefficients k sont sensiblement différents de zéro.
- 75 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
Selon Hosking et al. (1985) si le coefficient k est nul, son estimation k * à partir d’un
échantillon de taille n suit une loi de gauss de moyenne nulle et d’écart-type σ = 0.5633
n .
Pour chacune des 65 stations nous avons calculé le terme k * / σ dont les valeurs devraient
être distribuées selon une loi de Gauss de moyenne 0 et d’écart-type 1 si le véritable k était
nul. On constate sur la figure V-3 que 8 stations ont des valeurs de k trop faibles pour pouvoir
être égale à 0 et au contraire 3 stations ont des valeurs de k trop fortes !
Ici aussi on constate la difficulté à trancher sur la bonne adéquation de la loi de Gumbel.
3,5
3,0
2,5
2,0
1,5
Valeurs de (k*/σ)
1,0
0,5 Domaine des k non
0,0 sgnificativement
-0,5 différents de Zéro au
seuil de 90%
-1,0
-1,5
-2,0
-2,5
-3,0
-3 -2 -1 0 1 2 3
Fréquence selon une échelle de Gauss
Avec la démarche décrite plus haut, nous avons simulé ce qu’auraient pu être les
nombres d’occurrence de valeurs extrêmes si les pluies avaient été gumbeliennes et nous
allons les comparer aux estimations faites sur nos échantillons en les supposant gumbeliens.
On constate que la loi de Gumbel supposée adaptée à toutes les stations fait apparaitre
beaucoup trop d’occurrence de précipitations supérieures à la centennale.
A titre d’exemple, les simulations montrent que si toutes les distributions étaient
gumbeliennes, il y aurait 70% de chance d’avoir observer entre 4 et 8.5 de pluies estimées
décennales (5.5 pour le nombre médian) alors que dans la pratique il y en a eu 12 (Figure V-
4).
- 76 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
En utilisant la loi de Gumbel sur la région steppique de l’Ouest Algérie, il y a trop de
précipitations qualifiées d’extrême, c’est donc que la loi de Gumbel sous-estime les valeurs
extrêmes (Wilks 1993, Koutsoyiannis et Baloutsos 2000, Chaouche et al. 2002, Coles et al.
2003, Coles et Pericchi 2003, Sisson et al. 2006, Koutsoyiannis 2004a,b et Bacro et Chaouche
2006) pour des périodes de retour supérieures à 15 ans. Cet inconvénient est trés important
en aménagement hydraulique, surtout dans la construction des ouvrages prévus pour résister
à des événements de périodes de retour de plus de 100 ans.
10000
IC70%
T-Gumbel
IC70%
Mediane
1000
Période de retour
100
10
1
1 10 100 1000 10000
Nombre d'occurrences
Figure V-4: Analyse des occurrences des valeurs extrêmes avec ajustement à une loi de Gumbel:
(La courbe en bleu représente le nombre d’occurrences en fonction de la période de retour des pluies
observées, la courbe en noir représente le nombre d’occurrences médianes et les courbes en trait
discontinu donnent l’intervalle de confiance à 70% des pluies simulées selon une loi de Gumbel).
Il est bien sûr aisé d’ajuster les trois paramètres de la loi GEV aux observations de
chaque poste pluviométrique. Cependant comme nous l’avons déjà vu, l’incertitude sur
l’estimation du paramètre de forme k est très grande.
Pour chaque station, nous avons reporté l’estimation de k et son intervalle de confiance
à 90% (fonction de la taille n comme nous l’avons déjà vu). On se rend compte que la valeur
moyenne k=-0.053 est dans l’intervalle de confiance à 90% pour plus de 50 stations (Figure
V-5 et V-6), mais que ce nombre change très peu si l’on fait varier k de –0.1 à 0 ?
- 77 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
La structure spatiale d’une variable aléatoire peut être décrite par l’étude du
variogramme expérimental. L’utilisation du variogramme nécessite le choix préalable de
classes de distance. Notre réseau compte 65 stations, s’étendant sur une superficie d’environ
138 500 km² avec une distance maximale de 500 km environ, nous avons choisi des classes de
distances comprises entre 1 et 250 km et dont l’étendue est de 10 km. Ainsi, nous avons
réalisé le variogramme des valeurs de k comme le montre la figure V-7.
Le nombre de paires obtenu par classe est dans la majorité des cas supérieur à 30, mais
pour de faible distance égale à 10km, le nombre de paire est insignifiant. L’ensemble des
points du variogramme s’aligne en moyenne autour de la variance, ce qui traduit l’absence
d’une structure spatiale significative et/ou la forte incertitude sur l’estimation des valeurs de
k, autrement dit que les valeurs de k sont indépendantes, le variogramme pourra être
typiquement représenté par un modèle effet de pépite pur (valeur de zéro à l’origine et égale à
la variance pour toutes les valeurs supérieures à zéro).
- 78 -
Chapitre V: Utilisation d’une distribution de valeurs extrêmes généralisée
En comparant la variabilité de 169 estimateurs de k avec celle de 169 estimateurs de k sur des
séries simulées par une loi GEV dont le paramètre de forme est fixé, Koutsoyiannis 2004b
conclu que la variabilité observée sur les 169 séries mondiales correspond à la variabilité
statistique du paramètre de forme k, et que celui-ci pourrait être constant sur la partie du
monde représentée par les 169 séries (Etats-Unis, Royaume-Uni, France, Italie, Grèce). La
valeur proposée pour k était de -0.15.
Egalement, Gellens (2002) à proposé pour distribution régionale des pluies journalières
extrêmes en Belgique une loi de GEV avec un paramètres de forme k = -0.08.
En effet, nous avons procédé pour réaliser cet ajustement à faire des simulations et
générer 65 échantillons de tailles réelles (20 à 86) selon la répartition des postes disponibles.
A chaque simulation on compte le nombre de pluie centennale, millenales…, probablement
rencontrées. Ensuite en déduire par exemple l’intervalle à 70% et la médiane sur les nombres
d’observations rencontrées en fonction de leurs périodes de retour estimées par ajustement.
A partir des graphiques réalisés pour les différentes valeurs de k (Figure V-8 et Annexe V-3),
il est très remarquable que pour une valeur de k égale à -0,053 (moyenne des valeurs
expérimentales de k), les nombres de réalisations expérimentales s’incorporent adéquatement
à l’intérieur de l’intervalle de confiance à 70%. Ce qui exprime le bon ajustement de la GEV à
nos séries de données des pluies journalières maximales, pour des périodes de retour au delà
de 100 ans c’est-à-dire pour des périodes de retour longues comparées à celles ajustées par la
loi Gumbel. Mais cela ne peut être dit que pour une valeur de k égale à la moyenne des k
expérimentaux.
- 79 -
Chapitre V: Analyse statistique régionale des pluies journalières maximales
Période de retour
Période de retour
100 100
10 10
1
1
1 10 100 1000 10000 1 10 100 1000 10000
Nombre de réalisations Nombre de réalisations
Période de retour
Période de retour
100 100
10 10
1 1
1 10 100 1000 10000 1 10 100 1000 10000
Nombre de réalisations Nombre de réalisations
- 80 -
Chapitre V: Analyse statistique régionale des pluies journalières maximales
V.3.1.5 Analyse du comportement asymptotique de la distribution
n∑ ( x − x ) 3
Cs = V-3
( n − 1)( n − 2) s 3
( xn − x )
Yn = V-4
s
Pour cela, nous avons générer, selon les paramètres de chaque station (le paramètre de
forme étant fixé à -0,053) 500 échantillons de taille réelle (20 à 93 ans). Pour les deux
distributions et pour chaque échantillon, les Cs ont été estimés et les Yn ont été calculés.
Les résultats sont rassemblés sur un papier Gumbel (Figure V-9 et V-10), les valeurs
générées sont représentés par une courbe lissée.
Les résultats obtenus montrent que la distribution EV1 ne s’ajuste pas convenablement
à l’échantillon des Cs ni à celui des Yn. Par contre, les résultats sont satisfaisants pour la loi
des valeurs extrêmes généralisée.
- 81 -
Chapitre V: Analyse statistique régionale des pluies journalières maximales
4.00 6.00
3.50
5.00
3.00 GEV
GEV 4.00
2.00 3.00
Gumbel
1.50
2.00
Gumbel
1.00
1.00
0.50
0.00 0.00
-2 -1 0 1 2 3 4 5 6 -2 -1 0 1 2 3 4 5 6
Fréquence selon une échelle de Gumbel Fréquence selon une échelle de Gumbel
Conclusion
Le choix de loi de Gumbel qui a été souvent privilégiée par les hydrologues en
Algérie, s’explique par sa simplicité, et le fait qu’il n’y a que deux paramètres à caler.
Outre, les pluies journalières maximales annuelles sont une variable aléatoire qui
répond aux hypothèses d’une distribution des extrêmes généralisées (GEV). Mais dans ce cas
on aura trois paramètres à caler.
A l’échelle de la station, l’ajustement des deux lois est limité, surtout pour des
échantillons de tailles réduites le cas des données généralement utilisées en hydrologie. Soit
qu’on affecte à la plus forte valeur une fréquence plus forte (lois de Gumbel ) soit une faible
fréquence (loi GEV). Aussi, la forte incertitude sur l’estimation du paramètre de forme (loi
GEV) augmente aussi la difficulté à trancher sur la bonne adéquation de la loi de Gumbel.
Les résultats des ajustements de l’ensemble des stations permettent de retenir que
l’ajustement d’une loi GEV est meilleur pour certaines valeurs de k dont l’adéquation apparaît
pour une valeur de k égale à la moyenne des valeurs de k (k=-0,053 moyenne des valeurs de k
de l’ensemble des stations) cette adéquation apparaît pour des périodes de retour allant jusqu’
à 800 ans.
- 82 -
Chapitre VI :
ANALYSE STATISTIQUE À
L’ÉCHELLE RÉGIONALE
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
La région Steppique du Nord Ouest Algérie est connue par ces problèmes d’inondations
à répétition, et l’estimation adéquate de ces évènements hydrologiques extrêmes, tel que les
crues, est primordiale en raison des risques importants associés à une connaissance
insuffisante de ces évènements. En effet, le tiers des ruptures des barrages est imputable aux
submersions des structures causées, entre autres, par une sous estimation des débits de
conception (ou crues de projet).
D’autre part, l’analyse des occurrences de valeurs extrêmes montre que la loi de
Gumbel fait apparaitre beaucoup trop d’occurrence de précipitations supérieures à la
centennale. Par conséquent, l’utilisation de cette loi sur cette zone d’étude, engendrait une
sous-estimation des valeurs extrêmes surtout pour des périodes de retour supérieures à 15 ans.
Par contre, les résultats de cette analyse permettent aussi de retenir que l’ajustement
d’une loi GEV est meilleur pour certaines valeurs de k, dont l’adéquation apparaît pour une
valeur de k = -0.053, cette valeur est la moyenne des paramètres de forme de l’ensemble des
stations de la région. Cette adéquation apparaît pour des périodes de retour allant jusqu’ à 800
ans.
- 83 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
Cependant, nous faisons l’hypothèse que la distribution GEV peut être utilisée pour
représenter les événements pluviométriques extrêmes de la région steppique de l’Ouest
Algérie. Pour valider cette hypothèse, nous allons utiliser le diagramme théorique des rapports
de L-moment. En plaçant sur ce diagramme t 3 et t4 , on peut avoir des indications sur
l’aptitude de cette distribution à représenter adéquatement les observations
Ensuite, nous allons mener une analyse régionale de la distribution des pluies
journalières maximales annuelles de la zone d’étude, en effet on cherche à réduire l’influence
de l’échantillonnage sur les séries courtes et surtout pour remédier au manque de données
dans les sites dépourvus de stations de mesures.
La loi GEV est la fonction de distribution qui a été la plus fréquemment utilisée dans
les analyses régionales des précipitations.
Dans un diagramme des L-moments, la loi GEV a été comparée aux lois choisies
précédemment pour l’analyse locale à savoir la loi Log Normal (LN), la loi Pearson-3 (P-3),
Log Pearson-3 (LP-3), Exponentiel (Exp) et la loi de Gumbel (EVI). Ce diagramme des
L-moments permet de comparer les courbes théoriques des L-moments déterminées pour les
différentes lois, τ 3 (L-asymétrie) en fonction de τ 4 (L-aplatissement), aux points provenant
des valeurs des rapports des L-moments calculées à partir des sites qui sont projetés sur le
même graphique τ 3 - τ 4 (Figure VI-1).
A priori la distribution GEV peut être utilisée pour représenter les événements
pluviométriques extrêmes de la région steppique de l’Ouest Algérie. Pour valider cette
hypothèse, nous allons utiliser le diagramme théorique des rapports de L-moment. En plaçant
sur ce diagramme les rapports des L-moments moyens de la région d’étude ( t3 et t4 ), on peut
- 84 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
avoir des indications sur l’aptitude de cette distribution à représenter adéquatement les
observations.
1.00
0.90
0.80
0.70
L-Kurtosis (τ4)
0.60
0.50
0.40 GEV
LN
0.30
P-3
0.20 Gumbel
Exp
0.10 Données observées
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
L-Skewness (τ3)
En effet, pour les échantillons observés au niveau des stations pluviométriques de la région
d’étude, la comparaison des rapports des L-moments (L-Cs- L-Ck) aux différentes lois
théoriques renforce le choix de la loi GEV comme une loi d’ajustement à l’échelle locale et
régionale, dont cette dernière s’ajuste bien aux données disponibles sur l’ensemble de la zone
d’étude. Le résultat d’ajustement aux précipitations journalières maximales de l’ensemble des
65 stations étudiées, apparaît à la (figure VI-1), valide l’hypothèse selon laquelle la loi GEV
peut représenter de manière adéquate les événements pluviaux extrêmes de la région d’étude.
Pour une région homogène, les variables appartenant à cette région proviennent d’une
même population donc, elles suivent la même loi de probabilité avec les mêmes paramètres.
Pour valider l’homogénéité d’une région en termes de rapports des L-moments, nous
allons utiliser le test d’homogénéité statistique proposé par Hosking et Wallis (1993) et
appliqué aux événements pluviaux extrêmes.
Une fois que les groupes sont fixés, on peut procéder à une validation de
l’homogénéité des sites inclus dans un groupe. Cette étape consiste souvent à calculer
certaines statistiques (par exemple Cv, Cs, Ck respectivement les coefficients de variations,
d’asymétrie et d’aplatissement) pour chaque site de la région ou du groupe et ensuite
comparer leur variabilité avec celle du modèle régional homogène (Sveinsson et al., 2000).
dans le cas des précipitations, plusieurs auteurs (Schaefer,1990 ; Cong et al., 1993 ; Alila,
2000 ; Sveinsson et al ., 2000 ) utilisent les L-moments pour vérifier l’appartenance de chaque
site à une région homogène.
- 85 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
VI.1.2.1 Test de la discordance
- 86 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
N° Code Nom de Station Nbr. Obs. Moyenne L-CV L-SKEW L-KURT Di
36 080501 MARHOUM 20 26.5 0.263 0.218 0.172 0.01
37 080502 MOULAY LARBI 38 37.4 0.366 0.285 0.166 0.84
38 080602 KHALFALLAH 42 24.9 0.241 0.171 0.177 0.11
39 080604 MOSBAH 26 22.4 0.345 0.223 0.183 0.62
40 080606 MAAMORA 23 26.2 0.256 0.03 0.182 2.07
41 080701 MEDRISSA 55 36.9 0.201 0.284 0.236 0.59
42 080902 STITTEN 28 36.5 0.235 0.154 0.115 0.19
43 081401 MECHERIA 85 39.8 0.263 0.246 0.219 0.13
44 081502 BOUGTOUB 39 28.4 0.213 0.135 0.158 0.26
45 081901 AIN SKHOUNA CAMP 30 27.5 0.3 0.218 0.238 0.58
46 110102 RAS ELMA 66 30.5 0.254 0.142 0.089 0.35
47 110203 EL HACAIBA 30 35.4 0.211 0.188 0.125 0.28
48 110501 MERINE 28 34.1 0.223 0.186 0.151 0.09
49 110802 DAOUD YOUB 59 39.5 0.247 0.242 0.164 0.09
50 111112 HAMMAM RABI 26 32.9 0.217 0.144 0.076 0.57
51 111201 OUED TARIA 85 38.8 0.207 0.235 0.203 0.25
52 111203 AIN BALLOUL 29 40.1 0.172 0.154 0.148 0.5
53 111210 TAMESNA 28 35.4 0.227 0.197 0.095 0.5
54 111404 AOUF M,N 54 59.5 0.225 0.183 0.131 0.15
55 130329 BOU SEMGHOUM 26 30.2 0.25 0.089 -0.003 1.56
56 130332 AIN EL ORAK 25 21.1 0.222 0.292 0.234 0.45
57 130333 GHASSOUL 24 24.8 0.288 0.202 0.115 0.24
58 130334 SIDI AHMED BELABBES 23 29.4 0.255 0.222 0.043 1.39
59 130335 ARBA TAHTANI 30 26.9 0.212 0.118 0.194 0.62
60 130336 ASLA 26 25.3 0.264 0.129 0.054 0.71
61 130339 EL ABIOD SIDI CHEIK 43 26.2 0.269 0.196 0.197 0.14
62 130344 BREZINA 23 24.3 0.307 0.37 0.361 2.03
63 130356 AIN SEFRA ANRH 22 28.4 0.238 0.27 0.176 0.24
64 130357 DJENIENE BOU REZG 20 22.6 0.375 0.125 0.02 2.25
65 160406 KHMIS OULD MOUSSA 31 62.6 0.175 0.11 0.124 0.59
- 87 -
Chapitre VII : Analyse statistique régionale des pluies journalières maximales
Afin de pouvoir tester l’homogénéité statistique d’une région, nous allons dans un
premier temps procéder à une série de simulations basées sur la génération de variable
distribuées selon la loi théorique GEV choisie à priori pour représenter les précipitations
extrêmes. En procédant à ce procédé de simulation, on vérifie si les observations représentent
la réalisation d’un processus est suffisamment stable. Chacune des simulations doit donc
refléter la configuration de la base de données inhérente à la région considérée. Plus
précisément le nombre de valeur à reproduire à partir des paramètres de la loi GEV d’un site i
au cours d’une simulation doit être égale au nombre ni d’enregistrement.
Dans une seconde phase, nous allons étudier pour chaque simulation, la variabilité inter-
sites des L-moments en calculant la variable H. cette dernière permet de comparer la
distribution des observations à celle des simulations.
Les résultats de ce test sont présentés dans le tableau VI-2 ci-dessous ; ils permettent
de conclure que la zone d’étude est hétérogène en terme de L-Cv (H>2) et probablement
hétérogène en termes de L-Cs (1≤H≤ 2), mais elle est homogène en terme de L-Ck (H < 1).
- 89 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
Pour évaluer le degré d’homogénéité de chaque groupe, nous procédons à des séries de
1000 simulations de précipitations journalières maximales selon la loi GEV. Les résultats du
test d’homogénéité de chaque groupe en terme de rapport de L-moments sont présentés dans
le tableau VI-2, d’où on retiendra que :
Le groupe I : est homogène en termes de L-Cv, L-Cs et de L-Ck (H< 1) (figure VI-3)
est constitué de 14 stations qui sont représentées dans: (l’annexe VI-2)
1.00
τ4 (L-Kurtosis)
0.90
0.80
0.70
0.60
0.50
0.40
0.30
GEV
LN
0.20
PIII
Gumbel
0.10 Données Observées
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
τ3 (L-Skewness)
Le groupe II : est homogène en terme de L-Cv, L-Cs et de L-Ck (H<1). Ce groupe est
constitué de 23 stations qui sont représentées dans la figure VI-4 (annexe VI-2) :
1.00
τ4 (L-Kurtosis)
0.90
0.80
0.70
0.60
0.50
0.40
0.30 GEV
LN
0.20 PIII
Gumbel
0.10 Données Observées
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
τ3 (L-Skewness)
Le groupe III : est homogène en terme de L-Cs et de L-Ck (H<1). Mais probablement
hétérogène en terme de L-Cv. Ce groupe est constitué de 18 stations comme le montre
(l’annexe VI-2).
- 90 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
1.00
τ4 (L-Kurtosis)
0.90
0.80
0.70
0.60
0.50
0.40
0.30 GEV
LN
0.20 PIII
Gumbel
0.10 Données Observées
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
τ3 (L-Skewness)
Le test d’homogénéité a permis aussi de déceler les anomalies que comportent les
observations des stations du quatrième groupe (111201, 080606, 080604, 080502, 052002,
050102, 013002, 011104, 011004, 010706, 010703). Ces stations ont été sélectionnées lors de
l’analyse des hypothèses de base, semblent contenant des anomalies, présentent une
discordance à l’échelle de la région d’étude.
Après avoir vérifié l’homogénéité des trois groupes, la sélection du meilleur modèle
pour l’ajustement des pluies journalières maximales annuelles a été effectuée en utilisant la
statistique ZDIST comme suggéré par Hosking et Wallis (1993, 1997). En plus de cette
statistique, le diagramme L-moments pour chacun des trois groupes a été tracé afin de choisir
la distribution régionale la mieux adaptée à chacun des trois groupes. La statistique ZDIST
(tableau VI-2) et les diagrammes (figures 3, 4 et 5) montrent que la loi GEV représente le
meilleur modèle pour les pluies journalières maximales annuelles adapté aux trois groupes. Ce
résultat corrobore les résultats obtenus par l’approche locale.
Nbr
Groupe Distribution ZDIST µ α k
Stations
Ensemble 65 GEV - 0.82 0.7793 0.3346 - 0.0771
Groupe I 23 GEV 0.51 0.7960 0.3178 - 0.06180
Groupe II 18 GEV 0.20 0.7973 0.2853 - 0.1197
Groupe III 14 GEV - 1.63 0.7755 0.3497 - 0.06173
Groupe IV 10 GEV -1.19 0.6960 0.4885 -0.04385
- 91 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
VI.1.3 Localisation des sous régions homogènes dans la région
d’étude
La répartition des stations en groupes homogènes (figure VI-6) est dû au fait que ces
derniers sont séparés naturellement sous l’effet de leur exposition aux vents, dont les postes
coïncident avec cette direction sont les plus arrosées c’est le cas des stations de groupe I , par
contre les stations du deuxième groupe sont situées sous abri ce qui rend ces stations moins
arrosées, malgré qu’elles sont les plus proches à la mer ; c’est-à-dire que la barrière
montagneuse s’opposent à la progression des masses d’air humide dominants, qui sont de
direction Nord-Ouest provoquant d’abondantes précipitations. Et enfin, le troisième groupe
situé dans une zone caractérisée par une topographie tabulaire à la rencontre des deux chaînes
de montagnes ou les pluies sont généralement de type orageux.
- 92 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
- 93 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
Pour estimer les quantiles à partir de l’information régionale, nous combinons les
rapports de L-moments régionaux ainsi calculés (figure VI-7 a, b et c) à la moyenne des
précipitations journalières maximales annuelles observées à la station cible. Ainsi, l’indice de
pluie déterminé, pour chacun des trois groupes homogènes, est utilisé pour calculer les pluies
journalières maximales pour différentes périodes de retour surtout pour les stations dont les
séries d’observations sont courtes en utilisant p(F), les valeurs obtenues sont présentées dans
le tableau ci-dessous.
Tableau VI-4 : Valeurs des indices de pluies en fonction des périodes de retours
Pour calculer les pluies journalières maximales de l’un des trois groupes, pour une
période de retour donnée, la moyenne maximale de la pluie journalières de la station i doit
être multipliée par la l’indice de pluies correspondant à la période de retour T.
- 94 -
Chapitre VI : Analyse statistique régionale de
des pluies journalières maximales
a) Groupe I b) Groupe II
c) Groupe III
- 95 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
En termes de biais, les quantiles estimés à partir de l’information régionale sont assez proches
de ceux estimés localement (Figure VII-2). Pour les faibles périodes de retour (T < 20 ans), le
biais est pratiquement faible. Au delà de ce seuil, le biais observé est toujours inférieur à 20%.
45
40
35
Performance (%)
30
25
20
15
10
Biais
5
RMSE
0
1 10 100 1000
Période de retour
- 96 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
Par contre, la RMSE est inférieure à 25% lorsque T < 100 ans. Elle croît en fonction
de la période de retour pour atteindre 41% à T = 1000 ans. Aussi, pour une période de retour
donnée, la RMSE est systématiquement supérieure au biais et l’écart observé s’amplifie
lorsque T > 50 ans. En effet, pour les fortes périodes de retour, la variance de l’erreur
d’estimation des quantiles à partir de l’information régionale est relativement élevée. Ce
résultat s’explique en partie par l’effet de l’information régionale sur les paramètres de la loi
GEV pour certains sites; en particulier ceux ayant de courtes périodes d’observations.
Outre, les écarts à l’estimation régionale des quantiles pour les stations de Oued Taria,
Mecheria et Ain Skhouna tableau VI- 4 montrent que :
Pour T ≤ 10 ans, l’écart est quasiment négligeable. Au delà de ce seuil, l’estimation régionale
introduit un écart qui se caractérise par une sous-estimation ou une surestimation des
quantiles. C’est le cas par exemple des stations de Ain Skhouna pour la sous-estimation et de
Oued Taria pour la surestimation.
Pour avoir une bonne lecture des différents écarts, la figure VI-9 présente une
comparaison des quantiles estimés à partir des paramètres locaux et régionaux de la loi GEV.
Comme le montre cette figure, les ordres de grandeur des quantiles estimés sont les mêmes.
Les écarts sur les grandes périodes de retour sont dus à l’effet de l’information régionale sur
l’estimation du L-CV et de la L-CS. Lorsque l’estimation régionale de ces derniers donne des
- 97 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
120.0
Pluies journalières maximales (mm)
100.0
80.0
60.0
40.0
20.0 Region
Station
0.0
1 10 100 1000
Periode de retour
Figure VI-4 (a) : Comparaison des quantiles estimés à l’échelle locale et régionale (Ain Skhouna)
160.0
Pluies journalières maximales (mm)
140.0
120.0
100.0
80.0
60.0
40.0
Region
20.0
Site
0.0
1 10 100 1000
Periode de retour
Figure VI-9(b) : Comparaison des quantiles estimés à l’échelle locale et régionale (Oued Taria).
- 98 -
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
Conclusion
On conclu aussi que les quantiles des pluies extrêmes, d’une station d’un des trois
groupes et pour une période de retour donnée, calculés par l’approche de l’indice de pluies
régional correspondant. Peut être estimé raisonnablement pour la région étudiée. Ainsi, cette
approche régionale est très intéressante pour les calculs hydrauliques nécessaires pour le
dimensionnement de structures hydrauliques et la protection contre les inondations. Plus de
50% des stations de mesure de la pluie ont des séries d’observations très courtes ou des séries
incomplètes. Ainsi, pour compenser ce manque de données, les résultats obtenus permettent
d’estimer la pluie à ces stations.
- 99 -
Chapitre VII :
ESTIMATION ET CARTOGRAPHIE
DES QUANTILES DE PLUIES
FRÉQUENTIELLES
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
Cette partie de notre étude est consacrée à l’estimation et l’analyse des pluies de
fréquences rares relatives aux occurrences des évènements pluviaux extrêmes. Ainsi, nous
avons jugé nécessaire de faire une présentation des résultats de l’application de la procédure
de l’estimation des quantiles relatifs aux précipitations journalières maximales annuelles
associés aux périodes de retour déterminées. Cependant, connaissant la loi de distribution qui
s’ajuste mieux à nos échantillons, nous calculons pour chaque station les quantiles de période
de retour T, en utilisant les paramètres de la loi de distribution estimés localement ou
régionalement.
En effet, les quantiles des pluies extrêmes, estimés par l’approche de l’indice de pluies
régional, est un résultat raisonnable pour la région d’étude. Ainsi, l’approche régionale a été
utilisée pour l’estimation des pluies de fréquences rares généralement utilisées en hydrologie.
A partir des précipitations moyennes ainsi estimées, nous allons ensuite identifier le groupe
d’appartenance du site cible et estimer les différents quantiles en utilisant la courbe de
distribution relative au groupe considéré. Cette dernière approche à été appliquée sur les
trois sous région homogènes de la région d’étude (tableau VII-1).
- 100 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
- 101 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
Pour combler les lacunes inhérentes à ces informations trop ponctuelles, le présent
travail propose de mettre en évidence un modèle qui existe entre les précipitations et les
paramètres de forme, de position et de relief. Ces modèles permettent la réalisation d’une
carte par discrétisation spatiale de la pluie journalière maximale annuelle pour la région
steppique de l’Ouest Algérie.
Il est important de rappeler que l’objectif central visé par cette étude est
l’élaboration d’une procédure d’estimation des quantiles aux sites dépourvus
d’enregistrement à partir de l’information disponible aux autres sites. Pour y parvenir, nous
allons dans un premier temps, estimer la moyenne des précipitations journalières maximales
au site cible en utilisant une méthode d’interpolation spatiale.
- 102 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
- 103 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
Les dix (10) stations restantes présentent des données absolument incompréhensibles
et ces stations sont considérées comme irrécupérables et ne seront pas prises en considération
dans la cartographique des pluies journalières maximales de la région d’étude.
Il paraît vraisemblable que la distance à la mer joue un rôle important dans les
premières dizaines de kilomètres, et que cette influence diminue au fur et mesure qu’on
s’éloigne de la mer.
60.0
y = 191.6x-0.33
R² = 0.531
50.0
moyenne des PJmax (mm)
40.0
30.0
20.0
10.0
0.0
0 50 100 150 200 250 300 350 400
Distance à la mer (km)
On peut admettre que la distance à la mer a un poids qui est une puissance
décroissante. La longitude, son rôle est déterminant dans la variation des pluies surtout à
l’échelle annuelle où on remarque clairement le gradient Est Ouest. Par conséquent nous
avons effectué des régressions en tenant compte de ces aspects régionales de la variation
- 104 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
spatiales des précipitations. De la même façon on peut admettre que l’influence du relief
décroît exponentiellement avec la distance à la mer et varie également d’est en ouest (Laborde
1993). La forme globale de la régression est donc :
Pˆ = a + b x + c z + d dmer k .
Quelques tests nous ont montré que la régression multiple était optimale (R2 = 0,507) pour le
modèle suivant :
Ces résultats de régressions ont permis d’estimer les pluies moyennes par interpolation
spatiale à travers la région d’étude.
La carte de la moyenne des pluies journalières maximales est obtenue en superposant la carte
des valeurs moyenne en fonction des paramètres géographique, et la carte des résidus de
régression.
La cartographie des pluies fréquentielles objet de cette partie de notre étude, est une
combinaison de l’approche basée sur les relations statistique et l’approche de l’indice de
pluies régionale. En effet, les cartes finales des pluies fréquentielles sont obtenues en
superposant la carte des valeurs moyenne ainsi obtenue, et les cartes des indices de pluies
régionales obtenues à partir des courbes de distribution régionale.
Pour les pluies décennales la figure VII-4 montre des auréoles de moins de 40 mm au
Nord du bassin chott chergui près de Sidi Belabbes et à l’ouest près de Tiaret.
La partie Sud-Ouest de notre région enregistre des pluies avec des valeurs supérieures
de 50 mm, cette région couvre la wilaya de Mecheria et d’El Bayadh.
- 105 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
Pour les pluies centennales (figure VII-6), l’analyse des quantiles pour cette période de
retour montre les plus grandes valeurs de pluies extrêmes, dont des valeurs de 70 à plus
de 90 mm caractérisent la partie Nord de la région d’étude, elle est considérée comme la zone
qui enregistre les plus fortes hauteurs de pluies. La deuxième zone située dans la partie Sud-
Ouest et Sud Est reçoit des pluies avec des valeurs de moins de 70 mm, elle caractérise la
région couvrant El Bayadh et Mecheria jusqu’ a Jelfa.
- 106 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
- 107 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
- 108 -
Chapitre VII : Estimation des quantiles et cartographie des pluies fréquentielles
Conclusion
L’approche régionale de l’analyse des pluies extrêmes, conduit à une estimation très
intéressante des quantiles pour différentes périodes de retour. Ces derniers sont analysés par le
biais de la cartographie.
Les cartes obtenues permettent de déterminer en tout point de la région d’étude, les pluies
journalières pour n’importe quelle période de retour.
- 112 -
CONCLUSION
GÉNÉRALE
Conclusion générale
Conclusion générale
La région steppique de l’Ouest Algérie située au Nord de l’Atlas Saharien, est une
zone à faible hauteur de pluies moyennes (200 à 300 millimètres), à pluviosité très variable,
résultant du caractère orageux des précipitations, dont le trait dominant est probablement la
sécheresse tout à fait remarquable de l’atmosphère.
- 113 -
Conclusion générale
hasard. Les séries de pluies journalières maximales de la région d’étude présentent dans leur
ensemble des échantillons qui ont été choisis au hasard donc qu’ils définissent une variable
aléatoire, que les diverses valeurs constituant l’échantillon sont indépendantes les unes des
autres, et que l’échantillon est homogène.
Dans la deuxième partie nous avons consacré notre travail à l’ajustement des
échantillons aux différents modèles statistiques couramment utilisés pour l’analyse des
échantillons des pluies journalières maximales annuelles. Nous avons tout d’abord analysé la
distribution des maxima annuels des pluies journalières à travers six (6) modèles. Egalement,
des tests, et des critères statistiques ont été appliqués pour la vérification de l’adéquation des
différents modèles utilisés en fonction des méthodes d’ajustement.
Les résultats de l’ajustement statistique obtenus montrent que les trois modèles: GEV,
Gumbel et LN(2) permettent l’utilisation conjointe des données locales et ils ont fourni des
résultats différents. Sur l’ensemble des stations, on constate visuellement que l’ajustement est
plus au moins satisfaisant pour des périodes de retour généralement supérieur à 10 ans pour la
loi GEV, par contre il apparaît visuellement que cet ajustement devient moins adéquat avec
des périodes de retours supérieure à 10 pour la loi de Gumbel et la loi Log normale.
De ce fait, les valeurs des pluies journalières maximales annuelles sont bien ajustées
par la loi GEV qui met en évidence un bon comportement comparé aux deux autres lois avec
des valeurs du test de dispersion plus faibles.
Les résultats des critères AIC et BIC donne une variable importance aux deux
modèles GEV et EVI en fonction de la méthode d’ajustement.
En effet, si la loi Gumbel présente certains avantages qui ont donné lieu à un large
usage de cette loi en hydrologie, certains auteurs ont montré l’inadéquation de cette loi avec la
distribution des maxima annuels de pluie. L’enjeu de ce débat entre la loi de Gumbel et la loi
GEV est considérable, puisqu’il est directement lié à la sécurité des ouvrages hydrauliques.
En effet, l’utilisation de la loi de Gumbel sur cette zone de l’Algérie, fait apparaître
trop de précipitations qualifiées d’extrême, c’est donc que la loi de Gumbel sous-estime les
valeurs extrêmes pour des périodes de retour supérieures à 20 ans.
A l’échelle de la station, l’ajustement des deux lois est limité, surtout pour des
échantillons de tailles réduites le cas des données généralement utilisées en hydrologie. Soit
qu’on affecte à la plus forte valeur une fréquence plus forte (lois de Gumbel ) soit une faible
fréquence (loi GEV). Aussi, la forte incertitude sur l’estimation du paramètre de forme (loi
GEV) augmente aussi la difficulté à trancher sur la bonne adéquation de la loi de Gumbel.
- 114 -
Conclusion générale
Les résultats des ajustements de l’ensemble des stations permettent de retenir que
l’ajustement d’une loi GEV est meilleur pour certaines valeurs de k dont l’adéquation apparaît
pour une valeur de k égale à la moyenne des valeurs de k (k=-0,053 moyenne des valeurs de k
de l’ensemble des stations) cette adéquation apparaît pour des périodes de retour allant jusqu’
à 800 ans.
On conclu aussi, que les quantiles des pluies extrêmes, d’une station d’un groupe et
pour une période de retour donnée, sont calculés en multipliant la pluie journalière maximale
moyenne de la série de cette station par la fonction de quantiles correspondante extraite de la
courbe de distribution régionale peut être considérée comme une estimation raisonnable pour
la région d’étude. Cette région est soumise à des catastrophes répétées causées par des
inondations dues aux fortes pluies qui caractérisent cette région. Ainsi, cette approche
régionale est très intéressante pour les calculs hydrauliques nécessaires pour le
dimensionnement des structures hydrauliques et celles de protection contre les inondations.
- 115 -
RÉFÉRENCES
BIBLIOGRAPHIQUE
Références Bibliographiques
Références Bibliographique
Abolverdi, J. and Khalili, D. (2010) ‘Development of regional rainfall annual maxima for
Southwestern Iran by L-Moments’, Water. Resour. Manage, Vol. 24, No. 11, pp.2501-2526.
Achite, M. and Meddi, N. (2005) ‘Contribution à l’étude des courbes IDF dans la région de
Chlef’, Proceeding de la Conférence Nationale Sur L’eau et Environnement, Biskra, Algérie,
November 12-13.
Alila Y., (2000). Regional rainfall depth-duration-frequency equation for Canada. Water
Resources Research, 36(7), 1767-1778
Alila, Y. (1999) A hierarchical approach for the regionalization of precipitation annual
maxima in Canada. Journal of Geophysic Research .104(D24), 31645-31655.
ANRH (2007) ‘Etude de synthèse des crues sur l’Algérie du Nord’, Ministère des Ressources
en Eau, Algérie, 64p.
Barco, J. and Chaouche, A. (2006) ‘Incertitude d’estimation des pluies extrêmes du pourtour
méditerrenéen: illustration par les données de Marceille’, Hydrological Scieces Journal, Vol.
51, No. 3, pp.389-405.
Beaudoin P., Rousselle J., (1982). A Study of space variation of precipitation by factor
analysis. Journal of Hydrology, 59, 123-138.
Benichou P. et Le Breton O. (1987). Prise en compte de la topographie pour la cartographie
des champs pluviométriques statistiques. La Météorologie, vol 7ème série, n° 19, 23-34.
Benslimane M., Hamimed A., Khaldi A., El Zerey W. (2015) ‘Approche méthodologique
d’évaluation de la Politique de gestion de l’eau des zones humides cas du chott chergui sud-
ouest Algerien’ Larhyss Journal, ISSN 1112-3680, n°22, June 2015, pp. 167-181.
Benabdesselem, T. and Hammar, Y. (2009) ‘Estimation de la réponse hydrologique d’un
bassin versant urbanisé’, European Journal of Scientific Research, ISSN 1450-216X, Vol. 29,
No. 3, pp.334-348.
Benkhaled, A. (2007) ‘Distribution statistique des pluies maximales annuelles dans la région
du cheliff (Algérie) comparaison des techniques et des résultats’, Courrier du Savoir, Vol. 8,
No. 1, pp 83-91.
Bernier J., (1956). ‘Sur l’application des diverses lois limites des valeurs extrêmes aux débits
de crue’. La Houille Blanche, No 5: 718-725.
Berolo W., et Laborde J.P., (2003) ; Statistiques des précipitations journalières extrêmes sur
les Alpes-Maritimes.
Berolo, W., Chamoux, C. and Laborde, J.P. (2000) ‘Cartographie des précipitations annuelles,
mensuelles et journalières extrêmes sur les alpes maritimes’, Publications de l’Association
internationale de climatologie, ISSN 1140-0307, Vol. 13, No. 1, pp.158-168.
Bobée, B. (1979). Discussion of "Fitting the Pearson type 3 distribution in practice" par J.
Buckettand F .R. Oliver. Water Resources Research, 15(3), 730.
Chai, T and Draxler R.R., (2014), Root mean square error (RMSE) or mean absolute error
(MAE)? - Arguments against avoiding RMSE in the literature. Geoscientific Model
Development. 7, 1247-1250,
- 116 -
Références Bibliographiques
Chernoff, H., Gastwirth, J. L., and Johns~ M. V., (1967). Asymptotic distribution of linear
combinations of functions of order statistics with applications to estimation, Ann. Math.
Statist., 38, 52-72.
Chaouche, K., Hubert, P. and Lang, G., (2002) ‘Graphical characterisation of probability
distribution tails’, Stochastic Environmental Research and Risk Assessment, Vol. 16, No. 5,
pp.342-357.
Coles, S. and Pericchi, L. (2003) ‘Anticipating catastrophes through extreme value
modelling’, Journal of the Royal Statistical Society. Series C: Applied Statistics, Vol. 52, No.
4, pp.405-416.
Coles, S., Perrichi, L. and Sisson, S. (2003) ‘A fully probabilistic approach to extreme rainfall
modelling’, Journal of Hydrology, Vol. 273, Nos. 1- 4, pp.35-50.
Cunnane, C., (1978) ‘Unbiased plotting positions-a review’, Journal of hydrology, 37, 205-
222.
Cunnane, C., (1988) ‘Methods and merits of regional flood frequency analysis’, Journal of
hydrology, 100, 269-290, 1988.
Daly C., Neilson R.P., Philips D.L., 1994. A statical-topographic model for mapping
climatological precipitation over mountainous terrain. J. Appl. Meteorol., 33, pp. 140-158.
Desbordes M., (1990) ‘Risques de défaillance des ouvrages d’assainissement urbain : un
concept révisable ?’ La Houille Blanche, No 718 : 491-494.
Dhital, Y.P., Kayastha, R.B. and Eslamian, S.S. (2011) ‘Precipitation and discharge pattern
analysis: a case study of Bagmati River basin, Nepal’, Journal of Flood Engineering, Vol. 2,
No. 1, pp.49-60
Djerboua, A. (2001) ‘Prédétermination des Pluies et des Crues Extrêmes Dans les Alpes
Franco-Italiennes. Prévision Quantitative des Pluies Journalières par la Méthode des
Analogues’, Thèse de Doctorat de L’institut National Polytechnique de Grenoble, France,
202p.
Djerboua, A., Duband, D. and Bois, P. (2004) ‘Estimation des lois des précipitations extrêmes
à partir de données journalières complètes’, La Houille Blanche, Vol. 3, No. 2, pp. 65-74.
Duband D., (1982) ‘Hydrologie statistique approfondie’, Ecole Nationale d’Hydraulique de
Grenoble.
El Adlouni S., Bruneau P., Barbet M., Ouarda T.B.M.J., et Bobée B., (2003) ‘Analyse
fréquentielle locale’. Rapport final du projet T3.3 de la Phase 2 de la Chaire en Hydrologie
statistique. INRS-ETE, rapport de recherche R-695, 89
El Adlouni, S., Bobée B. et Ouarda T.B.M.J., (2008) ‘On the tails of extreme event
distributions’. Journal of Hydrology, 355, 16-33.
Eslamian, S.S. and Feizi, H. (2007) ‘Maximum monthly rainfall analysis using L-moments
for an Arid Region in Isfahan Province, Iran’, Journal of Applied Meteorology and
Climatology, Vol. 46, No. 4, pp.494-503.
Ferrer, J.P. (1992) ‘Analyse statistique de pluies maximales journalières Comparaison de
différentes méthodes et application au bassin Guadalhorce, Espagne’, Hylrol. Continent., Vol.
7, No. 1, pp.23-31.
- 117 -
Références Bibliographiques
Fisher R.A., and Tippett L.H.C., (1928) ‘Limiting forms of the frequency distribution of the
largest and smallest member of a sample’, Proc. Camb. Phil. Soc., 24, 180-190.
Gellens, D., (2002) ‘Combining regional approach and data extension procedure for assessing
GEV distribution of extreme precipitation in Belgium’, Journal of Hydrology, Vol. 268, Nos.
1-4, pp.113-126.
Greenwood, J.A., Landwehr, J.M., Matala, N.C. and Wallis, J.R., (1979) ‘Probability
weighted moments: definition and relation to parameters of several distributions expressable
in the inverse form’, Water Resources Research, Vol. 15, No. 5, pp.1049-1054.
Guo S.L., (1990) ‘A discussion on unbiased plotting position for the General Extreme Value
distribution’, J. Hydrol., 121. 33-44
Harter H.L., (1984) ‘Another look at plotting position’, Commun. Stat. Theor. Meth, 13,
1613-1633.
Hevesi J.A., Istok J.D., Flint A.L., (1992) ‘Precipitation estimation in mountainous
terrainusing multivariate geostatistics’. J. Appl. Meteorol., 31, pp. 661-688.
Hirche A., Bougnani A. et Salamani M., (2007) ‘Evolution de la pluviosité annuelle dans
quelques stations arides algériennes’. Séch. Sci. Chang. Plan. Vol. 18, (4): 314-320.
Hosking, J.R.M (1986) ‘The Theory of Probability Weighted Moment’, Res . Rep .RC 12210.
Hosking (1990) ‘L-moments: analysis and estimation of distribution using linear combination
of Order statistics’ .Journal of Royal Statistical. Society B 52:105-124
Hosking, J. et Wallis, J. (1987) ‘Parameter and quantile estimation for the generalized Pareto
distribution’; Technometrics 29, 339-349.
Hosking et Wallis (1993) ‘Some statistics Useful in Regional Frequency Analysis’. Water
Resources Research 29(2):271-281
Hosking, J.R.M., Wallis, J.R. and Wood, E.F. (1985) ‘Estimation of the generalized extreme
value distribution by the method of probability-weighted moments’, Technometics, Vol. 27,
No. 3,pp.251-261.
Jenkinson, A.F. (1955) ‘The frequency distribution of the annual maximum (or minimum)
values of meteorogical elements’, Q. J. Royal Meteorol. Soc., Vol. 81, No. 348, pp.158-171.
Ji, X., Jing, D., Shen, H.W. and Salas, J.D. (1984) ‘Plotting positions for Pearson type-III
distribution’, Journal of Hydrology, Vol. 74, No. 1, pp.1-29.
Klemes V., (1986) ‘Operational testing of hydrological simulation models’. Hydrological
Sciences Journal/Journal des Sciences Hydrologiques, vol 31, n° 1, 13-24.
Kruskal W .H., et Wallis W.A., (1952) ‘Use of ranks in one-criterion variance analysis’.
Journal of the American Statistical Association, 47, pp. 583-621. Addendum: Ibid. (1953),
907-911 (5.6).
Koutsoyiannis, D. (2003) ‘On the appropriateness of the Gumbel distribution in modeling
extreme rainfall’, Proceedings of the ESF LESC Exploratory Workshop, Bolonga, Italy, 24-25
October.
Koutsoyiannis, D. (2004a) ‘Statistics of extremes and estimation of extreme rainfall:
1. Theoretical investigation’, Hydrological Sciences Journal, Vol. 49, No. 4, pp.575-590.
- 118 -
Références Bibliographiques
- 119 -
Références Bibliographiques
Morin G., Fortin J.-P., Sochanska W., Lardeau J.-P Charbonneau R., (1979) ‘Use of principal
component analysis to identify homogeneous precipitation station for optimal interpolation’.
Water Resources Research, 15(6), 1841-1850.
Muller, A. (2006) ‘Comportement Asymptotique de la Distribution des Pluies Extrêmes en
France’, Thèse Doctorat Université Montpellier II, pp.20-42-74.
Muller, A., Barco, J-N. and Lang, M. (2008) ‘Bayesian comparison of different rainfall depth
duration-frequency relationships’, J. Stochastic Environmental research and Risk Assessment,
Vol. 22, No. 1, pp.33-46.
Naghavi B., Yu F.X., (1995) ‘Regional frequency analysis of extreme precipitation in
Louisiana’. ASCE J. Hydraul. Eng. 121(11), 818-827.
Onibon, H., Ouarda, T.B.M.J., Barbet, M., St-Hilaire, A., Bobee, B. and Bruneau, P. (2005)
‘Analyse fréquentielle régionale des précipitations journalières maximales annuelles au
Québec, Canada’, Hydrological Sciences Journal, Vol. 49, No. 4, pp717-735.
Ouarda, T.B.M.J., Lang, M. Bobee, B. Bernier J. et Bois P., (1999) ‘Synthèse de modèles
régionaux d’estimation de crue utilisés en France et au Québec’. Rev. Sci. Eau, 12, 155-182
Overeem, A., Buishand, A. and Hollem, I., (2008) ‘Rainfall depth-duration-frequency curves
and their uncertainties’, Journal of Hydrology, Vol. 348, Nos. 1-2, pp.124-134.
Rahman, A., Haddad, Kh. and Eslamian, S. (2014) ‘Regional flood frequency analysis, 2014’,
in Handbook of Engineering Hydrology, Chapter 22, Vol. 2, Eslamian, S. (Ed.): Modeling,
Climate Changes and Variability, pp.451-469, Francis and Taylor, CRC Group, USA.
Ramon D.M., Bovier C., Neppel L. et Niel H., (2005) ‘Approche régionale pour l’estimation
des distributions ponctuelles des pluies journalières dans le Lanquedoc Roussillon (France)’.
Hydrological sciences – journal – des sciences hydrologiques 50(1).
Reed, D.W. et Robson A.J., (1999) ‘Flood Estimation Handbook’, Institute of Hydrology,
Wallingford, GB.
Rossi, F., Fiorentino, M. and Versace, P., (1984) ‘Two Component Extreme Value
Distribution For Flood Frequency Analysis’, Water Resour. Res., Vol. 20, No. 7, pp.847-856.
Schaeffer M.G., (1990) ‘Regional analysis of precipitation annual maxima in Washington
State’. Water Resources Research. 2(1), 119-131.
Schwarz G., (1978) ‘Estimating the dimension of a model’. Annals of Statistics, 6:461-464.
Seltzer P., (1946) ‘Le climat de l‟Algérie’. Ed. Carbonel, Alger, 219 p.
Shabri, A. and Mohd Arif, N. (2009) ‘Frequency analysis of maximum daily rainfalls via l-
moment approach’, Journal Sains Malaysiana, Vol. 38, No. 2, pp.149-158.
Siew-Yan-Yu T.O., Roussele J., Jacques G., Nguyen, V.T.V., (1998) ‘Régionalisation du
régime des précipitations dans la région des Bois-France et de L’Estrie par l’analyse en
composantes principales’. J. Can. Génie Civ., 25(6), 1050-1058.
Sisson, S.A., Pericchi, L.R and Coles, S.G. (2006) ‘A case for a reassessment of the risks of
extreme hydrological hazards in the Caribbean’, Stochastic Environmental Research and
Risks Assessment, Vol. 20, No. 4, pp.296-306.
Spreen W.C., (1947) ‘A determination of the effect of topography upon precipitation’. Trans.
Am. Geophys. Union, 28, pp. 285-290.
- 120 -
Références Bibliographiques
Stedinger J.R., Vogel, R.M. and Georgiou, E.F. (1993) ‘Frequency Analysis of Extreme
Events’. “Ed. D.R. Maidment, Handbook of Hydrology”, McGraw-Hill, Inc., Chapter 18 (1-
66), New York.
St-Hilaire, A., Ouarda, T.B.M.J., Lachance, M., Bobee, B., Barbet, M. and Bruneau, P. (2003)
‘La régionalisation des précipitations: une revue bibliographique des développements
récents’, Revue des Sciences de L’eau, Vol. 16, No. 1, pp.27-54.
Sveinsson O.G.B., Salas J., Duane C.B., (2000) ‘Regional frequency analysis of extreme
precipitation in north eastern Colorado and the forth Collins flood of 1997’.
Wallis, J.R., Schaefer, M.G., Barker, B.L. and Taylor, G.H. (2007) ‘Regional
precipitationfrequency analysis and spatial mapping for 24-hour and 2-hour duration for
Washington State’, Hydrol. Earth Syst. Sci., Vol. 11, No. 1, pp.415-442.
Wilks, D. (1993) ‘Comparison of three-parameter probability distributions for representing
annual extreme and partial duration precipitation series’, Water Resour. Res., Vol. 29, No. 10,
pp.3543-3549.
Wald, A. et Wolfowitz J. (1943) ‘An exact test for randomness in the nonparametric case
based on serial correlation’. Annals of Mathematical Statistics, 14 : 378-388.
Wilcoxon, F. (1945) ‘Individual comparisons by ranking methods’. Biometrics Bulletin, 1,
80-83.
Organisation Mondiale de la Météorologie, (1989) ‘Statistical Distributions for Flood
Frenquency analysis’. WMO-Operational Hydrology Report, n°33, 73p.
Wotling, G., Bouvier, C., Danloux, J. and Fritsch, J.M. (2000) ‘Regionalization of extreme
precipitation distribution using the principal components of the topographical environment’,
J.Hydrol., Vol. 233, Nos. 1-4, pp.86–101.
Zahar, Y. and Laborde, J-P. (2007) ‘Modélisation statistique et synthèse cartographique des
précipitations journalières extrêmes de Tunisie’, Revue des sciences de l’eau, Vol. 20, No. 4,
pp.409-424.
- 121 -
ANNEXES
ANNEXE IV-1 : Paramètres d’ajustement MV
Log
Exponentielle Gumbel Gamma Pearson type Log-Pearson
Normale GEV (MV)
N° code Station (MV) (MV) général (MV) III (MV) III (SAM)
(MV)
µ σ α µ µ α α k µ α λ s α λ m α λ m
01 10602 AIN ZERGUINE 3.601 0.504 27.96 13.23 31.87 15.88 15.01 -0.05 31.42 23.811 21.12 0.447 0.095 3.821 1.147 -62.2 174.9 4.375
02 10701 AIN BAADJ 3.251 0.517 25.44 3.091 23 10.94 10.87 0.298 17.88 0.0254 0.522 4.399 -5.43 1.413 1.672
03 10703 RECHAIGA 3.325 0.445 17.75 13.07 24.27 10.25 8.457 -0.32 31.75 0.0327 1.677 -1.99 0.07 1.222 13.29 -60.2 159.3 4.085
04 10706 SIDI BOUDAOUD 2.525 0.973 17 1.014 11.74 10.33 9.209 -0.19 24.81 0.0395 0.733 1.596 0.152 4.384 -10.9 -3.83 2.974 1.864
05 10803 MEHDIA 3.397 0.361 19.43 12.51 26.51 8.991 8.482 -0.1 22.75 0.0035 9.143 -0.96 0.15 3.204 10.53 42.07 44 0.429
06 10901 SOUGUEUR 3.392 0.4 21.49 10.74 26.21 9.914 9.43 -0.1 10.88 0 23.38 -0.53 0.133 3.12 8.721 -92.2 279.3 4.5
07 10904 DAHMOUNI TRUMULET 3.604 0.29 16.3 22.17 33.17 8.522 7.594 -0.18 26.13 0.0268 1.517 -3.37 0.09 1.71 22.6 15.13 3.56 1.33
08 11003 COLONEL BOUGARA 3.463 0.376 16.65 17.66 28.18 10.02 8.725 -0.22 25.72 0.0209 2.585 -1.83 0.063 1.218 18.1 25.65 17.04 0.84
09 11004 KHEMISTI 3.025 0.631 20.82 2.704 18.71 10.04 9.605 0.354 32.43 0.0288 0.369 5.357 -0.66 35.51 77.59 -4.33 1.267 1.606
10 11006 TISSEMSILT 3.499 0.346 16.08 19.06 29.32 9.402 8.132 -0.23 27.13 0.0289 1.598 -2.66 0.113 2.26 15.06 196.9 934.3 -3.23
11 11104 AIN BOUCIF 3.203 0.573 25.82 1.747 22.21 10.82 10.6 0.251 20.62 0.0275 0.634 3.635 5.576 3471 -595 -4 0.936 1.625
12 11206 CHAHBOUNIA 3.01 0.623 18.66 6.017 17.57 10.93 8.653 -0.36 28.35 0.003 6.731 -0.65 0.065 1.251 5.324 27.87 54.12 -0.63
13 11208 BOUGHZOUL 3.112 0.372 12.78 11.29 19.81 7.017 6.284 -0.2 23.7 0.0163 4.395 -1.35 0.133 1.712 11.16 61.3 95.4 -0.2
14 11301 KSAR EL BOUKHARI 3.463 0.434 20.82 14.53 27.94 11.26 9.397 -0.27 15.85 0.0291 1.635 -2.14 0.068 1.649 15.2 59.17 148.1 -1
15 11302 DERRAG 3.869 0.415 31.3 20.9 42.11 16.68 15.79 -0.1 19.17 0 29.09 -0.45 0.062 2.095 18.43 69.63 154.3 -0.54
16 11404 ZOUBIRIA MONGORNO 3.676 0.422 29.7 13.4 34.73 14.12 13.69 -0.05 26.57 0 1059 0.073 0.096 3.138 10.3 -32.5 38.07 2.766
17 11603 BORDJ EL AMIR AEK 3.76 0.485 40.62 7.444 37.65 17.39 16.71 -0.08 41.31 127.85 28.99 0.389 0.088 3.993 2.747 -35 54.4 3.188
18 11604 KHERBA OD HELLAL 2.716 0.406 12.75 3.689 13.41 5.061 4.912 -0.06 34.4 0 1767 -0.06 0.286 3.936 4 475.8 7132 -13.8
19 13002 FRENDA 3.531 0.305 19.23 16.51 30.61 9.095 9.123 0.081 37.04 1983.4 74.14 0.386 0.23 6.23 8.632 -161 440.9 4.279
20 13004 AIN EL HADDID 3.401 0.292 16.29 15 26.97 7.478 7.293 -0.02 13.29 0 20.99 -0.77 0.223 4.37 11.69 68.52 73.81 0.4
21 50102 CHELLALAT EL ADAOURA 3.347 0.445 20.64 10.68 24.83 10.7 9.884 -0.13 31.07 0.2679 6.275 0.869 0.1 2.155 9.81 102.8 381.9 -2.26
22 50201 DRAA EL HADJAR 3.218 0.386 18.28 8.462 22.07 8.44 8.555 0.135 26.97 0.0863 3.6 1.479 0.307 8.876 -2.17 -27.7 20.83 2.15
23 51703 SLIM 3.203 0.461 19.57 7.456 21.59 9.864 10.32 0.214 24.21 0.0317 0.923 2.847 0.29 10.52 -9.2 -9.46 3.873 1.798
24 52002 AIN RICH 2.639 0.913 18.26 1.929 12.82 11.59 8.677 -0.46 22.76 36.713 9.964 0.36 0.071 1.535 -1.43 -5.88 6.607 2.253
25 52102 BORDJ L AGHA 2.273 1.292 16.95 0.116 10.37 11.07 9.451 -0.25 22.82 0.161 5.541 -17.3 -6.78 11.93 2.747
26 60104 SEKLEFA 3.182 0.526 21.9 5.718 21.02 10.59 9.709 -0.14 10.47 0 1067 -0.06 0.097 2.416 6.5 572.8 17991 -30
27 60202 AIN MAHDI 3.358 0.469 21.6 10.65 25.12 11.21 10.06 -0.18 9.118 0.0026 8.167 -0.78 0.077 1.904 11.3 22.8 21.09 0.534
28 60203 TADJEMOUT 2 3.091 0.565 23.64 1.142 19.68 9.62 9.638 0.135 20.41 0.0379 1.103 2.292 0.416 19.35 -21.7 -15.6 10.17 2.001
29 60302 EL HOUITA 3.032 0.362 11.57 10.54 18.31 6.363 5.965 -0.08 20.42 0.001 15.97 -0.72 0.166 2.063 9.674 75.82 135.6 -0.47
30 60401 SIDI MAKHLOUF 2.746 0.466 12.57 4.607 13.65 6.254 6.388 0.136 18.16 0.0813 1.981 1.729 0.314 5.454 -0.21 -10.9 5.228 1.671
31 60403 KSAR EL HIRANE 3.21 0.419 17.03 9.992 21.72 8.792 8.122 -0.12 14.17 0 21.38 -0.53 0.127 2.274 9.069 60.83 117.8 -0.54
32 60405 LAGHOUAT 3.233 0.385 18.48 8.658 22.45 8.533 8.73 0.147 21.31 0.072 3.113 1.604 0.328 10.28 -4.22 -25.5 17.73 2.099
33 80102 EL ARICHA 3.179 0.429 17.44 8.851 21.09 8.713 8.343 -0.07 23.17 0 1335 -0.06 0.14 2.667 7.272 533.3 9626 -16.7
34 80201 EL AOUEDJ (Belhadji B,) 3.121 0.528 19.48 6.9 19.68 10.01 8.181 -0.3 20.83 0.0213 2.923 -1.23 0.08 1.749 7.4 14.34 10.5 0.623
35 80401 MEKMEN BEN AMAR 3.107 0.451 14.38 10.5 19.42 8.244 6.27 -0.4 18.34 95844 52.61 0.272 0.102 1.769 7.519 -55.7 149.7 4.028
122
Log
Exponentielle Gumbel Gamma Pearson type Log-Pearson
Normale GEV (MV)
N° code Station (MV) (MV) général (MV) III (MV) III (SAM)
(MV)
µ σ α µ µ α α k µ α λ s α λ m α λ m
36 80501 MARHOUM 3.051 0.477 17.33 6.133 18.4 8.607 8.125 -0.05 18.05 89.654 25.75 0.428 0.167 3.316 3.603 -23.9 25.07 2.372
37 80502 MOULAY LARBI 27.78 3.954 22.45 14.61 12.56 -0.25 18.37 0 86.55
38 80602 KHALFALLAH 2.981 0.531 20.32 1.716 17.53 8.306 8.266 0.106 20.77 0.0511 1.475 1.95 0.372 12.31 -11.1 -5.55 1.64 1.59
39 80604 MOSBAH 2.778 0.66 16.39 3.071 14.13 8.926 8.375 -0.09 18.05 0.2384 3.662 0.86 0.115 1.993 2.097 -11.5 11.09 2.165
40 80606 MAAMORA 3.073 0.64 23.78 1.18 19.43 10.52 10.37 0.138 13.82 0.0332 0.868 2.454 0.404 20.91 -26.8 -12.6 7.878 1.969
41 80701 MEDRISSA 3.436 0.376 17.88 15.7 27.52 9.379 8.06 -0.25 20.31 0.0326 1.429 -2.67 0.086 1.68 16 26.16 20.39 0.71
42 80902 STITTEN 3.409 0.416 21.95 10.83 26.57 10.82 10.65 0.027 26.38 1.6622 13.98 0.664 0.151 4.107 5.628 -22.9 17.72 2.254
43 81502 BOUGTOUB 3.131 0.403 18.13 6.558 20.24 7.973 7.954 0.07 26.84 0.2211 6.098 1.063 0.292 7.515 -1.06 -25.6 19.61 2.126
45 81901 AIN SKHOUNA CAMP 3.039 0.586 20.5 3.817 18.29 10.24 9.794 -0.05 20.6 0.2769 4.817 0.835 0.13 3.012 1.226 -20 24.48 2.547
46 110203 EL HACAIBA 3.396 0.38 19.69 12.28 26.38 9.83 9.777 0.049 18.16 3.2784 18.39 0.629 0.175 4.47 6.506 -66.7 117.6 3.239
47 110501 MERINE 3.351 0.39 21.46 9.187 25.19 9.563 9.43 0.032 26.73 3.2954 17.74 0.627 0.208 5.806 2.722 -34.6 34.42 2.451
48 110802 DAOUD YOUB 3.443 0.43 23.62 10.65 27.47 11.35 10.84 -0.09 25.45 0 179.2 0.17 0.112 2.875 8.564 174.6 1047 -4.5
49 111112 HAMMAM RABI 3.326 0.365 16.16 13.46 24.6 8.891 9.01 0.114 27.02 0.3161 8.699 0.968 0.139 2.521 11.53 -67.2 108.9 3.064
50 111201 OUED TARIA 3.447 0.368 18.9 14.79 27.86 9.67 9.192 -0.1 25.24 0.0023 10.37 -0.87 0.113 2.305 13.37 39.43 39.6 0.493
51 111203 AIN BALLOUL 3.511 0.295 15.95 18.99 30.03 8.337 7.932 -0.06 27.38 0.0068 7.39 -1.31 0.14 2.379 17.9 60.43 57.59 0.572
52 111210 TAMESNA 3.392 0.405 17.41 14.77 26.08 10.3 9.693 -0.08 29.88 0 116.3 -0.23 0.225 8.677 -6.33 -21 15.11 2.191
53 111404 AOUF M,NE 3.855 0.393 33.67 17.34 41.62 15.65 14.86 -0.09 25.77 0 34.94 -0.44 0.087 3.188 14.26 89.66 229.4 -0.88
54 130329 BOU SEMGHOUM 3.188 0.46 15.82 10.89 21.13 9.73 9.95 0.122 40.98 0.0794 2.949 1.378 0.509 34.35 -40.8 -53.3 106.8 3.388
55 130332 AIN EL ORAK 2.854 0.379 10.06 8.598 15.28 5.438 4.839 -0.18 21.91 0.0324 3.083 -1.66 0.165 1.668 8.565 27.71 19.81 0.524
56 130333 GHASSOUL 2.961 0.516 14.72 7.187 16.76 8.591 7.808 -0.13 14.88 0 716.9 0.074 0.16 3.317 1.2 -540 13806 26.87
57 130334 SIDI AHMED BELABBES 3.166 0.439 13.74 12.3 20.63 8.864 7.076 -0.36 16.32 0.0224 2.978 -1.44 0.215 6.363 -3.54 -18.3 14.11 2.142
58 130335 ARBA TAHTANI 3.095 0.406 17.38 6.421 19.52 7.815 7.72 0.075 19.27 0.1701 5.158 1.164 0.336 9.066 -3.17 -20.9 13.17 1.975
59 130336 ASLA 3.001 0.488 16.02 6.384 17.52 8.468 8.386 0.053 17.93 0.137 3.698 1.151 0.154 2.77 4.471 -34.3 49.89 2.759
60 130339 EL ABIOD SIDI CHEIKH 3.026 0.509 17.68 5.579 18.05 8.909 8.609 -0.04 15.4 3.9707 12.73 0.568 0.148 2.947 3.295 -34.2 55.62 2.941
61 130344 BREZINA 2.924 0.527 15.72 5.817 16.18 8.278 7.099 -0.22 14.29 0.0034 7.791 -0.72 0.092 1.755 6.5 19.35 18.96 0.29
62 130357 DJENIENE BOU REZG 2.733 0.83 18.45 1.578 13.84 10.69 10.47 0.045 40.53 0.0243 0.243 4.092 0.359 21.35 -39.5 -8.83 9.099 2.217
63 160406 KHEMIS OULD MOUSSA 3.844 0.445 34.03 17.48 41.06 17.7 16.94 -0.07 24.22 0 15.28 -0.6 0.051 1.913 18.2 562.2 11602 -19
123
ANNEXE IV-2a : Graphes d’ajustement de la loi Log Normale
124
125
126
127
128
129
130
ANNEXE IV-2b : Graphes d’ajustement de la loi Exponentielle
131
132
133
134
135
136
137
ANNEXE IV-2c : Graphes d’ajustement de la loi Pearson-3
138
139
140
141
142
143
144
ANNEXE V-2d : Graphes d’ajustement de la loi Log Pearson-3
145
146
147
148
149
150
151
ANNEXE IV-2e : Graphes d’ajustement de la loi Gumbel
152
153
154
155
156
157
158
ANNEXE IV-2f : Graphes d’ajustement de la loi GEV
159
160
161
162
163
164
165
ANNEXE IV-3 : Résultats du système d’aide à la décision SAD
Station Graphique Log-Log FME Rapport de Hill Statistique de Jackson
AIN SKHOUNA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
EL HACAIBA GEV, LP3, GI D GEV, LP3, GI
MERINE GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
DAOUD YOUB GEV, LP3, GI D GEV, LP3, GI
HAMMAM RABI GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
OUED TARIA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN BALLOUL GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
TAMESNA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AOUF M,N GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
BOU SEMGHOUM GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN EL ORAK GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
GHASSOUL FME EV1, P3, G EV1, P3, G EV1, P3, G
SIDI AHMED BELABBES GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
ARBA TAHTANI FME EV1, P3, G EV1, P3, G GEV, LP3, GI
ASLA FME EV1, P3, G EV1, P3, G EV1, P3, G
EL ABIOD SID CHEIKH FME EV1, P3, G EV1, P3, G EV1, P3, G
BREZINA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN SEFRA ANRH GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
DJENIENE BOU REZG FME EV1, P3, G EV1, P3, G EV1, P3, G
KHEMIS OULED MOUSSA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
ZMALET EL AMIR AEK GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN ZERGUINE GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN BAADJ FME EV1, P3, G EV1, P3, G EV1, P3, G
RECHAIGA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
SIDI BOUDAOUD FME EXP
MEHDIA GEV, LP3, GI D D
SOUGUEUR FME EV1, P3, G EV1, P3, G EV1, P3, G
DAHMOUNI TRUMULET GEV, LP3, GI D D
TISSEMSILT GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
KHEMISTI FME EV1, P3, G EV1, P3, G GEV, LP3, GI
BOUGHZOUL GEV, LP3, GI D D
AIN BOUCIF FME EV1, P3, G EV1, P3, G EV1, P3, G
CHAHBOUNIA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
KSAR EL BOUKHARI GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
DERAG GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
ZOUBIRIA MONGORNO FME EXP D GEV, LP3, GI
BORDJ EL AMIR AEK FME EXP D D
KHERBA OD HELLAL GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
FRENDA FME EV1, P3, G GEV, LP3, GI GEV, LP3, GI
AIN EL HADDID GEV, LP3, GI D D
CHELLALAT EL GEV, LP3, GI D GEV, LP3, GI
ADAOURA
DRAA EL HADJAR FME EXP
SLIM FME EXP
AIN RICH GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
BORDJ L’AGHA GEV, LP3, GI D GEV, LP3, GI
SEKLEFA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
AIN MAHDI GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
TADJEMOUT 2 FME EV1, P3, G EV1, P3, G EV1, P3, G
EL HOUITA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
SIDI MAKHLOUF FME EXP
KSAR EL HIRANE FME EXP
LAGOUAT FME EXP D GEV, LP3, GI
EL ARICHA GEV, LP3, GI D GEV, LP3, GI
EL AOUEDJ GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
166
Station Graphique Log-Log FME Rapport de Hill Statistique de Jackson
MEKMEN BEN AMAR GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
MARHOUM GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
MOULAY LARBI GEV, LP3, GI D GEV, LP3, GI
KHALFALLAH FME EXP
MOSBAH GEV, LP3, GI D GEV, LP3, GI
MAAMORA FME EXP
MEDRISSA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
STITEN FME EXP
MECHERIA GEV, LP3, GI GEV, LP3, GI GEV, LP3, GI
BOUGTOUB FME EXP
167
ANNEXE IV-4 : Résultats des critères d’Akaike (AIC) et Bayésien (BIC)
1) Critère d’Akaike (AIC)
Modèles statistiques
Méthode Code Nom Station
EVI Exp GEV LN(2) LN(3) LP-III P-III Min
010803 MEHDIA 477.9 499.6 476.7 477.7 477.8 480.1 476.7
010901 SOUGUEUR 737.7 768.3 736.8 736.2 737.3 738.8 736.2
012501 OUED LILI 266.6 267.4 267.6 266.6 266.7 265.4 265.4
060103 OUED MORRA 250.0 233.0 235.9 238.2 232.5 232.5
080102 EL ARICHA 414.5 426.1 415.8 413.6 415.4 414.9 413.6
080401 MEKMENE BEN AMAR 248.9 242.7 244.7 246.7 244.0 242.7
081401 MECHERIA 744.0 775.1 744.3 743.5 745.2 747.2 743.5
MMV
081901 AIN SKHOUNA CAMP 428.1 439.5 429.8 429.5 429.7 429.6 428.1
110802 DAOUD YOUB 599.7 650.3 601.6 611.0 602.2 603.2 599.7
130332 AIN EL ORAK 543.7 565.0 543.5 541.9 543.9 545.0 541.9
130336 ASLA 612.6 648.3 609.3 618.7 610.3 610.2 609.3
130339 AL ABIOD SIDI CHEIKH 519.5 526.6 514.3 513.4 515.2 513.4
130356 AIN SEFRA ANRH 321.4 324.1 315.1 315.0 316.8 315.0
160406 KHEMIS OULD MOUSSA 652.9 660.7 653.5 650.8 652.6 651.6 650.8
010803 MEHDIA 481.0 478.9 478.5 478.8 478.5
010901 SOUGUEUR 739.6 740.4 740.2 739.8 739.1 739.1
012501 OUED LILI 266.9 269.2 269.1 269.0 268.2 266.9
060103 OUED MORRA 252.7 252.4 251.8 245.5 249.7 245.5
080102 EL ARICHA 414.8 417.2 417.3 416.6 416.1 414.8
080401 MEKMENE BEN AMAR 251.7 251.0 250.4 250.2 247.7 247.7
081401 MECHERIA 746.5 744.4 747.3 745.9 744.4
MM
081901 AIN SKHOUNA CAMP 428.5 429.9 429.7 429.8 432.3 428.5
110802 DAOUD YOUB 599.7 601.8 603.3 608.3 599.7
130332 AIN EL ORAK 545.2 546.1 545.8 545.0 545.5 545.0
130336 ASLA 616.7 609.4 610.5 606.7 610.5 606.7
130339 AL ABIOD SIDI CHEIKH 527.9 516.9 515.6 515.5 515.5
130356 AIN SEFRA ANRH 328.9 321.8 320.0 319.5 319.5
160406 KHEMIS OULD MOUSSA 653.8 654.0 653.1 652.9 652.9
010803 MEHDIA 479.1 477.3 477.3
010901 SOUGUEUR 739.0 737.0 737.0
012501 OUED LILI 267.2 268.0 267.2
060103 OUED MORRA 251.6 243.8 243.8
080102 EL ARICHA 414.9 415.8 414.9
080401 MEKMENE BEN AMAR 250.6 245.2 245.2
081401 MECHERIA 744.6 744.7 744.6
MMP
081901 AIN SKHOUNA CAMP 428.2 429.8 428.2
110802 DAOUD YOUB 599.7 602.7 599.7
130332 AIN EL ORAK 544.7 543.7 543.7
130336 ASLA 613.7 609.5 609.5
130339 AL ABIOD SIDI CHEIKH 521.6 514.7 514.7
130356 AIN SEFRA ANRH 323.8 317.9 317.9
160406 KHEMIS OULD MOUSSA 653.4 653.9 653.4
168
2) Critère Bayésien (BIC)
Modèles statistiques
Méthode Code Nom de Station
EVI Exp GEV LN(2) LN(3) LP-III P-III Min
010803 MEHDIA 482.1 503.9 483.1 482.0 484.1 486.5 482.0
010901 SOUGUEUR 742.8 773.3 744.4 741.3 744.9 746.4 741.3
012501 OUED LILI 269.7 270.5 272.2 269.6 271.3 270.0 269.6
060103 OUED MORRA 252.7 235.7 239.9 240.8 236.5 235.7
080102 EL ARICHA 418.5 430.1 421.8 417.6 421.4 420.9 417.6
080401 MEKMENE BEN AMAR 251.9 245.7 249.2 249.7 248.5 245.7
MV 081401 MECHERIA 749.0 780.1 751.8 748.5 752.7 754.7 748.5
081901 AIN SKHOUNA CAMP 432.1 443.5 435.8 433.5 435.7 435.6 432.1
110802 DAOUD YOUB 604.3 654.9 608.5 615.6 609.1 610.1 604.3
130332 AIN EL ORAK 548.4 569.7 550.5 546.6 550.9 552.0 546.6
130336 ASLA 617.4 653.1 616.5 623.5 617.6 617.4 616.5
130339 AL ABIOD SIDI CHEIKH 523.8 531.0 520.9 517.8 521.7 517.8
130356 AIN SEFRA ANRH 324.7 327.4 320.0 318.3 321.7 318.3
160406 KHEMIS OULD MOUSSA 657.4 665.2 660.4 655.4 659.5 658.4 655.4
010803 MEHDIA 485.2 485.2 484.8 485.1 484.8
010901 SOUGUEUR 744.7 748.0 747.8 747.4 746.7 744.7
012501 OUED LILI 270.0 273.8 273.7 273.6 272.7 270.0
060103 OUED MORRA 255.4 256.4 255.8 249.5 253.7 249.5
080102 EL ARICHA 418.9 423.3 423.3 422.6 422.2 418.9
080401 MEKMENE BEN AMAR 254.7 255.5 254.8 254.6 252.2 252.2
081401 MECHERIA 751.5 751.9 754.8 753.4 751.5
MM
081901 AIN SKHOUNA CAMP 432.5 435.9 435.8 435.8 438.4 432.5
110802 DAOUD YOUB 604.3 608.7 610.2 615.1 604.3
130332 AIN EL ORAK 549.9 553.1 552.8 552.0 552.5 549.9
130336 ASLA 621.6 616.6 617.7 613.9 617.7 613.9
130339 AL ABIOD SIDI CHEIKH 532.3 523.5 522.2 522.1 522.1
130356 AIN SEFRA ANRH 332.2 326.7 324.9 324.4 324.4
160406 KHEMIS OULD MOUSSA 658.3 660.9 659.9 659.8 658.3
010803 MEHDIA 483.3 483.7 483.3
010901 SOUGUEUR 744.0 744.6 744.0
012501 OUED LILI 270.2 272.6 270.2
060103 OUED MORRA 254.3 247.8 247.8
080102 EL ARICHA 418.9 421.8 418.9
080401 MEKMENE BEN AMAR 253.6 249.7 249.7
081401 MECHERIA 749.6 752.2 749.6
MMP 081901 AIN SKHOUNA CAMP 432.2 435.8 432.2
110802 DAOUD YOUB 604.3 609.5 604.3
130332 AIN EL ORAK 549.4 550.7 549.4
130336 ASLA 618.6 616.7 616.7
130339 AL ABIOD SIDI CHEIKH 525.9 521.3 521.3
130356 AIN SEFRA ANRH 327.1 322.8 322.8
160406 KHEMIS OULD MOUSSA 658.0 660.7 658.0
169
ANNEXE VI-5 : Résultats des RMSE et MAE
RMSE MAE
Station
EVI Exp GEV LN2 P3 EVI Exp GEV LN2 P3
10502 0.818 0.122 0.102 2.000 2.000 0.314 0.187 0.141 1.811 1.975
10602 0.009 0.020 0.007 0.687 0.733 0.067 0.110 0.065 0.414 0.429
10701 0.114 0.358 0.012 2.799 2.600 0.128 0.219 0.058 0.548 0.400
10703 0.013 0.002 0.003 0.354 0.335 0.079 0.037 0.040 0.320 0.299
10706 0.469 0.122 0.273 1.000 2.000 0.263 0.230 0.225 1.674 1.885
10803 0.003 0.008 0.002 0.248 0.237 0.043 0.055 0.033 0.251 0.238
10901 0.004 0.011 0.003 0.388 0.381 0.052 0.053 0.033 0.285 0.272
10904 0.006 0.007 0.005 0.102 0.093 0.052 0.056 0.043 0.185 0.177
11003 0.008 0.007 0.006 0.210 0.205 0.061 0.069 0.059 0.267 0.265
11004 0.423 0.850 0.140 5.031 5.319 0.267 0.387 0.157 0.798 0.815
11006 0.005 0.003 0.002 0.157 0.143 0.051 0.045 0.038 0.224 0.208
11104 0.361 1.052 0.054 7.304 7.010 0.182 0.312 0.085 0.738 0.420
11206 0.061 0.004 0.005 1.247 1.207 0.149 0.052 0.046 0.529 0.521
11208 0.006 0.006 0.005 0.220 0.221 0.055 0.057 0.051 0.261 0.259
11301 0.018 0.006 0.003 0.330 0.252 0.104 0.066 0.039 0.316 0.262
11302 0.005 0.011 0.004 0.394 0.388 0.058 0.076 0.054 0.316 0.308
11404 0.002 0.014 0.001 0.480 0.489 0.031 0.071 0.025 0.316 0.318
11603 0.005 0.051 0.006 1.291 1.321 0.050 0.074 0.043 0.408 0.412
11604 0.020 0.054 0.036 0.652 0.562 0.107 0.117 0.091 0.333 0.283
13002 0.002 0.011 0.002 0.169 0.171 0.034 0.063 0.033 0.203 0.203
13004 0.001 0.007 0.001 0.137 0.134 0.027 0.052 0.028 0.190 0.188
50102 0.006 0.009 0.003 0.461 0.467 0.055 0.068 0.043 0.334 0.333
50201 0.004 0.027 0.002 0.414 0.437 0.051 0.094 0.042 0.299 0.308
51703 0.006 0.042 0.009 0.716 0.803 0.065 0.139 0.059 0.415 0.424
52002 0.468 0.015 0.108 7.035 8.585 0.299 0.107 0.186 1.205 1.316
60104 0.015 0.035 0.013 1.166 1.143 0.110 0.114 0.076 0.454 0.440
60202 0.017 0.016 0.007 0.575 0.500 0.103 0.102 0.069 0.382 0.339
60203 0.187 0.972 0.056 9.288 9.389 0.112 0.244 0.076 0.715 0.815
60302 0.003 0.007 0.003 0.220 0.216 0.045 0.064 0.040 0.252 0.247
60401 0.005 0.039 0.005 0.753 0.820 0.052 0.126 0.056 0.400 0.421
60405 0.003 0.028 0.001 0.430 0.454 0.038 0.106 0.025 0.291 0.301
80102 0.005 0.016 0.004 0.474 0.477 0.061 0.092 0.057 0.335 0.333
80201 0.042 0.011 0.005 0.760 0.582 0.147 0.076 0.045 0.411 0.366
80401 0.023 0.004 0.005 0.312 0.246 0.123 0.058 0.052 0.324 0.281
80501 0.005 0.025 0.005 0.698 0.722 0.052 0.086 0.053 0.376 0.382
80502 0.078 0.028 0.007 3.139 3.342 0.149 0.082 0.059 0.687 0.708
80602 0.091 0.450 0.092 4.518 4.633 0.100 0.177 0.100 0.565 0.579
80604 0.023 0.061 0.011 2.821 3.128 0.082 0.141 0.075 0.712 0.755
80606 0.230 0.989 0.099 9.568 10.116 0.165 0.314 0.128 0.866 0.911
80701 0.009 0.003 0.001 0.218 0.186 0.066 0.044 0.020 0.253 0.218
80902 0.003 0.020 0.003 0.459 0.475 0.041 0.092 0.041 0.307 0.313
81401 0.004 0.029 0.003 0.899 0.910 0.045 0.080 0.032 0.382 0.382
81502 0.003 0.034 0.002 0.541 0.559 0.035 0.099 0.032 0.301 0.307
81901 0.007 0.069 0.006 2.063 2.197 0.069 0.145 0.067 0.585 0.610
110203 0.001 0.015 0.001 0.335 0.349 0.021 0.079 0.020 0.273 0.278
110501 0.003 0.023 0.003 0.424 0.432 0.037 0.070 0.037 0.287 0.289
110802 0.003 0.013 0.001 0.502 0.506 0.039 0.065 0.028 0.318 0.318
111112 0.005 0.015 0.005 0.254 0.273 0.056 0.100 0.054 0.277 0.284
111201 0.002 0.007 0.001 0.265 0.259 0.030 0.060 0.023 0.250 0.244
170
111203 0.001 0.004 0.001 0.120 0.117 0.027 0.051 0.026 0.192 0.190
111210 0.005 0.008 0.005 0.295 0.309 0.045 0.077 0.045 0.298 0.301
111404 0.003 0.008 0.002 0.335 0.336 0.036 0.052 0.030 0.268 0.267
130329 0.012 0.019 0.017 0.435 0.503 0.092 0.124 0.088 0.392 0.402
130332 0.007 0.005 0.003 0.228 0.208 0.068 0.061 0.045 0.265 0.244
130333 0.010 0.011 0.007 0.658 0.714 0.067 0.087 0.059 0.417 0.433
130334 0.012 0.006 0.009 0.289 0.295 0.078 0.061 0.074 0.314 0.314
130335 0.007 0.041 0.004 0.559 0.587 0.052 0.115 0.043 0.318 0.329
130336 0.004 0.023 0.006 0.701 0.777 0.049 0.109 0.056 0.405 0.423
130339 0.003 0.033 0.002 1.023 1.083 0.035 0.111 0.036 0.437 0.452
130344 0.027 0.017 0.008 0.807 0.678 0.122 0.110 0.069 0.454 0.400
130356 0.005 0.006 0.002 0.310 0.298 0.058 0.054 0.038 0.264 0.253
130357 0.062 0.146 0.121 7.251 9.188 0.133 0.215 0.146 1.135 1.273
160406 0.005 0.020 0.005 0.552 0.570 0.048 0.101 0.048 0.365 0.372
Moyenne 0.060 0.096 0.021 1.398 1.487 0.085 0.107 0.060 0.447 0.449
171
ANNEXE V-1 : Analyse des occurrences de pluies théorique et observées
Période de retour
10000 IC70%
T (k=-0,02)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,025)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 172 -
Période de retour
10000
IC70%
T (k=-0,030)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,035)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 173 -
Période de retour
10000
IC70%
T (k=-0,040)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,045)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 174 -
Période de retour
10000
IC70%
T (k=-0,050)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,053)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 175 -
Période de retour
10000
IC70%
T (k=-0,055)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,056)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 176 -
Période de retour
10000
IC70%
T (k=-0,060)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,065)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 177 -
Période de retour
10000
IC70%
T (k=-0,070)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
Période de retour
10000
IC70%
T (k=-0,075)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Nombre de réalisations
- 178 -
ANNEXE VI-1 : Caractéristiques des stations et leur répartition par groupe
homogène
A : Groupe 1
N° Code Nom Station Nbr. PMA L-CV L-CS L-CK Di
1 111203 AIN BALLOUL 29 336.5 40.1 0.172 0.154 0.148 1.51
2 130356 AIN SEFRA ANRH 22 295.7 28.4 0.238 0.27 0.176 0.53
3 81901 AIN SKHOUNA CAMP 30 173.9 27.5 0.3 0.218 0.238 3.66*
4 111404 AOUF M,N 54 565.9 59.5 0.225 0.183 0.131 0.06
5 130336 ASLA 26 303.6 25.3 0.264 0.129 0.054 1.33
6 130329 BOU SEMGHOUM 26 288.8 30.2 0.25 0.089 -0.003 2.45
7 81502 BOUGTOUB 39 180.7 28.4 0.213 0.135 0.158 0.91
8 110802 DAOUD YOUB 59 343.6 39.5 0.247 0.242 0.164 0.19
9 80201 EL AOUEDJ (BELHADHJI) 31 200 25.8 0.263 0.282 0.156 1.03
10 80102 EL ARICHA 43 201.8 29.2 0.235 0.253 0.205 0.35
11 110203 EL HACAIBA 30 342 35.4 0.211 0.188 0.125 0.32
12 111112 HAMMAM RABI 26 240.4 32.9 0.217 0.144 0.076 0.61
13 80602 KHALFALLAH 42 164.4 24.9 0.241 0.171 0.177 0.69
14 160406 KHMIS OULD MOUSSA 31 532.5 62.6 0.175 0.11 0.124 1.62
15 80501 MARHOUM 20 267.3 26.5 0.263 0.218 0.172 0.39
16 81401 MECHERIA 85 259.3 39.8 0.263 0.246 0.219 0.84
17 80701 MEDRISSA 55 312 36.9 0.201 0.284 0.236 1.58
18 80401 MEKMEN BEN AMAR 26 148.9 29.3 0.272 0.351 0.185 2.74
19 110501 MERINE 28 301.4 34.1 0.223 0.186 0.151 0.07
20 111201 OUED TARIA 85 250.5 38.8 0.207 0.235 0.203 0.65
21 110102 RAS ELMA 66 340 30.5 0.254 0.142 0.089 0.64
22 80902 STITTEN 28 304.5 36.5 0.235 0.154 0.115 0.2
23 111210 TAMESNA 28 383.9 35.4 0.227 0.197 0.095 0.65
Rapports des L-Moments moyens 0.234 0.204 0.158
- 179 -
B : Groupe 2
N° Code Nom Station Nbr. PMA L-CV L-CS L-CK Di
1 10701 AIN BAADJ 24 239.9 33.2 0.201 0.066 0.077 1.5
2 13004 AIN EL HADDID 33 388.8 35.7 0.16 0.244 0.174 1.14
3 10602 AIN ZERGUINE 22 282.7 46.5 0.275 0.201 0.202 1.88
4 11603 BORDJ EL AMIR AEK 67 484.3 55.3 0.263 0.238 0.16 0.52
5 11208 BOUGHZOUL 51 227 26 0.214 0.257 0.099 1.57
6 50102 CHELLALAT EL ADAORA 33 337.7 36.3 0.274 0.21 0.078 1.58
7 11003 COLONEL BOUGARA 31 349.2 37.6 0.222 0.277 0.184 0.17
8 10904 DAHMOUNI TRUMULET 31 456 43.9 0.178 0.291 0.243 0.79
9 11302 DERRAG 57 568.3 60 0.234 0.253 0.208 0.12
10 50201 DRAA EL HADJAR 27 231.8 31.5 0.176 0.083 0.079 1.19
11 13002 FRENDA 35 457 39.5 0.16 0.106 0.114 1.28
12 11604 KHERBA OD HELLAL 35 300.5 18.9 0.235 0.376 0.355 1.55
13 11301 KSAR EL BOUKHARI 24 318.3 40.5 0.257 0.42 0.371 1.9
14 10803 MEHDIA 33 403 37.3 0.187 0.26 0.247 0.62
15 10703 RECHAIGA 47 298.2 35.4 0.272 0.302 0.155 1.22
16 10901 SOUGUEUR 79 389.7 35.7 0.218 0.23 0.174 0.01
17 11006 TISSEMSILT 23 432.5 38 0.201 0.307 0.192 0.83
18 11404 ZOUBIRIA MONGORNO 65 564.5 48.8 0.236 0.215 0.154 0.14
Rapports des L-Moments moyens 0.224 0.242 0.176
C : Groupe 3
N° Code Nom Station Nbr. PMA L-CV L-CS L-CK Di
1 130332 AIN EL ORAK 25 313.3 21.1 0.222 0.292 0.234 0.67
2 60202 AIN MAHDI 30 156 37 0.268 0.388 0.352 1.05
3 130335 ARBA TAHTANI 30 259.3 26.9 0.212 0.118 0.194 0.59
4 130344 BREZINA 23 284.2 24.3 0.307 0.37 0.361 1.25
5 130357 DJENIENE BOU REZG 20 291.5 22.6 0.375 0.125 0.02 3.10*
6 130339 EL ABIOD SIDI CHEIK 43 282.4 26.2 0.269 0.196 0.197 0.05
7 60302 EL HOUITA 22 112.4 25.8 0.209 0.211 0.112 1
8 130333 GHASSOUL 24 310 24.8 0.288 0.202 0.115 0.31
9 60403 KSAR EL HIRANE 25 125.1 28.4 0.214 0.153 0.138 0.4
10 60104 SEKLEFA 25 148 32.4 0.295 0.315 0.311 0.66
11 130334 SIDI AHMED BELABBES 23 306.8 29.4 0.255 0.222 0.043 1.34
12 60401 SIDI MAKHLOUF 28 123 19.7 0.246 0.107 0.064 0.42
13 51703 SLIM 30 215.5 32.9 0.216 -0.049 0.121 2.31
14 60203 TADJMOUT-1 61 155.7 28.2 0.259 0.179 0.289 0.85
Rapports des L-Moments moyens 0.257 0.197 0.195
- 180 -
D : Résultats du Test d’homogénéité
Test d’homogénéité Loi GEV
Groupes
H1 H2 H3 Z Location Scale Shape
G1 0.46 -1.12 -1.24 0.51 0.796 0.3178 -0.0618
G2 1.65 0.68 1.1 0.14 0.7973 0.2853 -0.1197
G3 0.03 -0.44 0.41 -1.52 0.7755 0.3497 -0.06173
- 181 -