02 17 130

Analyse statistique des pluies journalières dans la
région steppique de l’Ouest Algérie
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).
Mots clés : Pluies, Maximales Journalières, Statistiques, Distributions, GEV, Gumbel,

Steppes de l’Ouest Algérie.
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.
Keywords: Rainfall, maximum daily, Statistics, Distributions, GEV, Gumbel, Steppes of

western Algeria.
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
III.1.1 Disponibilité des données d’observations pluviométriques ............................ - 49 -

III.2 Echantillonnage des données utilisées ................................................................. - 53 -
III.2.1 Caractéristiques statistiques des échantillons sélectionnés ............................ - 54 -
III.2.2 Vérification des hypothèses de base ................................................................ - 56 -
IV. Distribution des pluies journalières maximales ........................................................ - 59 -
IV.1 Ajustement des lois statistiques ............................................................................ - 59 -
IV.1.1 Estimation des paramètres des différents modèles utilisés ............................. - 59 -
IV.2 Validation des modèles statistiques choisis ......................................................... - 61 -
IV.2.1 Examen des ajustements graphiques ............................................................... - 61 -
IV.2.2 Utilisation du système SAD ............................................................................. - 64 -
IV.2.3 Utilisation des critères d’ajustement............................................................... - 67 -
IV.2.4 Validation par la comparaison des résultats des erreurs (RMSE) et (MAE).. - 69 -
V. Utilisation d’une distribution de valeurs extrêmes généralisée ................................ - 72 -
V.1 Occurrences de valeurs extrêmes dans un ensemble d’observations .................. - 72 -
V.2 Les limites à l’utilisation de la loi de gumbel ...................................................... - 74 -
V.2.1 Validation à l’échelle de la station ................................................................. - 74 -
V.3 Utilisation de la loi GEV ...................................................................................... - 77 -
V.3.1 Peut-on caler localement les trois paramètres d’une GEV ? .......................... - 77 -
VI. Analyse statistique régionale des pluies journalières maximales ............................. - 83 -
VI.1 Constitution de groupes de stations et test d’homogénéité .................................. - 84 -
VI.1.1 Sélection d’une loi statistique régionale ......................................................... - 84 -
VI.1.2 Constitution et validation des régions homogènes .......................................... - 85 -
VI.1.3 Localisation des sous régions homogènes dans la région d’étude ................. - 92 -
VI.1.4 Courbes de distribution régionale................................................................... - 94 -
VII. Estimation et cartographie des quantiles de pluies fréquentielles ......................... - 100 -
VII.1 Estimation des quantiles..................................................................................... - 100 -
VII.2 Cartographie des précipitations fréquentielles .................................................. - 102 -
VII.2.1 Régressions entre la moyenne des pluies journalières et les paramètres
géographiques ........................................................................................................... - 104 -
Conclusion générale ......................................................................................................... - 113 -
Références Bibliographique ............................................................................................. - 116 -
Listes des Tableaux
Liste des Tableaux

Tableau II-1: Pluviométrie interannuelle pour la période 1968-2011 (en mm) ............................... - 44 -
Tableau III-1: Caractéristiques des stations pluviométriques étudiées ............................................ - 51 -
Tableau III-2: Caractéristiques statistiques des séries pluviométriques .......................................... - 54 -
Tableau III-3:IIIRésultats des tests d’indépendance, homogénéité et stationnarité ......................... - 56 -
Tableau III-4 : Récapitulatif des résultats des tests d’hypothèses .................................................... - 58 -
Tableau IV-1 : Récapitulatif des résultats de système SAD .............................................................. - 67 -
Tableau IV-2 : Pourcentage de sélection des distributions considérées (Critère BIC et AIC) ......... - 68 -
Tableau IV-3 : Pourcentage de sélection des distributions considérées (critères AIC et BIC) ........ - 69 -
Tableau VI-1: Résultats du test de discordance ................................................................................ - 86 -
Tableau VI-2 : Résultat du test d’homogénéité des différents groupes ............................................. - 89 -
Tableau VI-3 : Résultat de l’ajustement des distributions aux différents groupes ............................ - 91 -
Tableau VI-4 : Valeurs des indices de pluies en fonction des périodes de retours .......................... - 94 -
Tableau VI-5 : Résultats des RMSE et Biais des quantiles estimés................................................... - 96 -
Tableau VI-6 : Ecarts due à l’estimation régionale des Quantiles ................................................... - 97 -
Tableau VII-1 : Précipitations fréquentielles estimées en fonction des périodes de retours .......... - 101 -
Tableau VII-2 : Paramètres utilisés pour la cartographie des précipitations fréquentielles.......... - 103 -
Listes des Figures
Liste des Figures

Figure I-1 : Divergences des modèles statistiques à l’extrapolation, (Guillot 1981) ................................ - 6 -
Figure I-2: Distributions ordonnées par rapport à leurs queues droites (El Adlouni et al., 2008) ......... - 25 -
Figure I-3: Diagramme des critères de choix entre les classes C, D et E (El Adlouni et al., 2008) ........ - 26 -
Figure I-4 : Diagramme des L-moments théoriques des lois de probabilité (τ3- τ4). ............................. - 35 -
Figue I-5: Diagramme des L-moments pour des échantillons homogènes .............................................. - 36 -
Figure II-1: Localisation de la région d’étude......................................................................................... - 40 -
Figure II-2 : Découpage administratif de la région d’étude ................................................................... - 41 -
Figure II-3 : Variabilité des pluies annuelles dans la région d’étude (1968-2011)................................. - 43 -
Figure II-4 : Variabilité des pluies moyennes mensuelles (1968-2011)................................................... - 44 -
Figure II-5 : Réseau hydrographique de la région d’étude ..................................................................... - 45 -
Figure II-6 : Relief de la région d’étude .................................................................................................. - 47 -
Figure III-1: Localisation du réseau de stations pluviométriques de la région ....................................... - 50 -
Figure III-2 : Disponibilité des données en fonction des stations ............................................................ - 52 -
Figure III-3 : Disponibilité des données pour les stations de plus de 20 ans d’observations ................. - 53 -
Figure IV-1 : Ajustement des lois de distributions. (Comparaison de différents modèles, stations Mecheria
et Oued Taria) .......................................................................................................................................... - 63 -
Figure IV-2: Illustration du graphique Log-Log pour les deux stations Sougueur et Mecheria. ............ - 64 -
Figure IV-3: Graphique de la moyenne empirique des excès (station Sougueur et Mecheria). .............. - 65 -
Figure IV-4: Graphique du rapport de Hill pour les stations Sougueur et Mecheria.............................. - 65 -
Figure IV-5: Graphique de la statistique de Jackson pour les stations Sougueur et Mecheria ............... - 66 -
Figure IV-6 : Valeurs des erreurs RMSE et MAE pour les différents modèles et l’ensemble des stations- 69 -
Figure IV-7 : Pourcentage des erreurs RMSE MAE pour les différents modèles .................................... - 70 -
Figure V-1: Comparaison des périodes de retour générés et les périodes de retour théoriques : .......... - 74 -
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. ................................................................... - 75 -
Figure V-3: Analyse statistique des valeurs expérimentales de k centrées et réduites ............................ - 76 -
Figure V-4: Analyse des occurrences des valeurs extrêmes avec ajustement à une loi de Gumbel: ....... - 77 -
Figure V-5: Nombre de station entrant dans l’intervalle de confiance à 90% (différents k) ................... - 78 -
Figure V-6:Estimations ponctuelles de k et leur intervalle de confiance à 90% ..................................... - 78 -
Figure V-7: Variogramme expérimental du paramètre de forme k......................................................... - 78 -
Figure V-8: Comparaison des nombres théoriques et expérimentaux de réalisation de pluies ............... - 80 -
Figure V-9:Valeurs observées et simulées de la fonction de distribution de la valeur de l’asymétrie .... - 82 -
Figure V-10:Valeurs observées et simulées de la fonction de distribution de la valeur Max. Standard Yn- 82
-
Listes des Figures
Figure VI-1 : Diagramme des L-moments des échantillons étudiés......................................................... - 85 -

Figure VI-2 : Carte de la répartition spatiale des valeurs de discordance.............................................. - 88 -
Figure VI-3 : Diagramme des L-moments des stations du Groupe I ....................................................... - 90 -
Figure VI-4 : Diagramme des L-moments des stations du Groupe II ...................................................... - 90 -
Figure VI-5 : Diagramme des L-moments des stations du Groupe III ..................................................... - 91 -
Figure VI-6 : Carte de répartition des stations par groupes homogènes................................................. - 93 -
Figure VI-7 : Courbe de distribution régionale ....................................................................................... - 95 -
Figure VI-8 : Variation de la RMSE et du biais en fonction de la période de retour. ............................. - 96 -
Figure VI-9(b) : Comparaison des quantiles estimés à l’échelle locale et régionale (Oued Taria). ....... - 98 -
Figure VII-1 : Régression entre la moyenne des PJmax et la distance à la mer.................................... - 104 -
Figure VII-2 : Quantiles estimés pour une période de retour Biennale ................................................. - 107 -
Figure VII-3 : Quantiles estimés pour une période de retour quinquennale ......................................... - 108 -
Figure VII-4 : Quantiles estimés pour une période de retour décennale ............................................... - 109 -
Figure VII-5 : Quantiles estimés pour une période de retour cinquantennale ...................................... - 110 -
Figure VII-6 : Quantiles estimés pour une période de retour centennale .............................................. - 111 -
Liste des symboles et Acronymes
P3 : Loi de distribution Pearson à trois paramètres.
LP3 : Loi de distribution Log-Pearson à trois paramètres.
GEV : Loi de distribution des valeurs extrêmes généralisée (Generalized Extremes value).
EV1 : Loi de distribution des valeurs extrêmes généralisée type 1 (Gumbel).
EV2 : Loi de distribution des valeurs extrêmes généralisée type 2 (Frechet).
EV3 : Loi de distribution des valeurs extrêmes généralisée type 3 (Weibul).
LN : Loi de distribution Log-Normal.
GI : Loi de distribution Gamma Inverse
Ln : Log népérien.
TCEV : Loi de distribution des valeurs extrêmes a deux composantes.
L-Cv : L-moment de variation.
L-Cs : L-moment d’asymétrie.
L-Ck : L-moment d’aplatissement.
Cv : Coefficient de variation.
Cs : Coefficient d’asymétrie.
Ck : Coefficient d’aplatissement.
IDF : Courbes Intensité durée Fréquence.
F(x) : Fonction de distribution de x.
f(x) : Fonction de densité de probabilité de x.
(Γ ) : La fonction gamma.
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
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).
Les précipitations constituent la composante fondamentale de l’hydrologie et la

connaissance de cet apport d’eau au sol est essentielle pour appréhender l’état des réserves
en eau du sol, la recharge des nappes et le régime des cours d’eau. La mesure de la hauteur
des précipitations en un point donné est la mesure hydrologique la plus simple, ce qui
explique qu’il en existe un nombre considérable à la surface du globe; c’est même quelquefois
la seule donnée hydrologique qu’on puisse disposer.
En hydrologie on s’intéresse d’abord aux distributions elles-mêmes, à l’ampleur des

précipitations, au moment et à l’endroit où elles se produisent. L’étude hydrologique des
précipitations porte donc essentiellement sur leur quantité et leur rythme, dans le temps et
dans l’espace.
Toutefois, les précipitations surtout liquides, constituent le facteur essentiel

intervenant par leur hauteur annuelle qui détermine l’abondance fluviale, leur répartition
saisonnière qui influence les régimes hydrologiques et leurs totaux journaliers surtout les
averses génératrices de crues.
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.
Plusieurs aspects significatifs de notre vie et de notre environnement sont influencés

par les quantités d’eau de précipitations : le dimensionnement des ouvrages hydrauliques
dépend souvent de critères reliés aux précipitations, la gestion des réservoirs ainsi que
l’opération des systèmes de drainage urbain exigent également une bonne connaissance du
-1-
régime des précipitations. De plus, les caractéristiques fondamentales des séries

pluviométriques sont utiles dans le domaine agricole. Il est également important de connaître
les précipitations afin de protéger les basses terres contre les inondations.
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 :
• Le 20 octobre 1993 (Ouest Algérien) : 22 décès et 14 blessés à oued Rhiou.
• Octobre 1994 (plusieurs régions du pays) : 60 décès et des dizaines de disparus au

cours de dix jours d’inondation.
• Le 22 octobre 2000 (Ouest Algérie) : plus de 24 décès.
En particulier, l’oued Cheliff a enregistré lui aussi d’énormes inondations à savoir :
• 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-
• 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).
Les informations disponibles dans le domaine de l’hydrologie sont, généralement, des

informations ponctuelles. Or les besoins de connaissance existent aujourd’hui partout et cette
information locale ne suffit généralement plus pour répondre à ces besoins. C’est d’autant
plus vrai du fait que la densité des réseaux de mesure reste généralement assez faible, ne
permettant pas de répondre aux nécessités d’estimation, de planification et de gestion des
ressources en eau des projets de développement.
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-
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 :
L’approche statistique de prédiction, qui consiste en une analyse fréquentielle locale,

basée sur des calculs probabilistes utilisant l’historique des événements pour prédire des
fréquences d’apparitions futures. Cette analyse devra permettre, pour chacun des échantillons
étudiés, d’estimer les quantiles correspondant aux périodes de retour généralement utilisées en
hydrologie à savoir décennale, centennale….
L’approche basée sur les méthodes d’analyse de fréquence régionale. Ces dernières
permettent une description globale des caractéristiques de la structure spatiale des différents
phénomènes hydrologiques dans une région. Ces méthodes ont été développées initialement
pour l’estimation des débits de crues (e.g. Darlymple, 1960; Cunnane, 1988; Gupta et
Waymire, 1998; Ouarda et al., 2001). Leur champ d’application s’est étendu par la suite aux
précipitations. Ainsi, l’incorporation de l’information régionale dans l’analyse de fréquence
des précipitations est devenue plus importante.
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.
Enfin, pour évaluer la pertinence de chaque approche à savoir l’approche locale ou

l’approche régionale élaborée, nous comparons pour différentes périodes de retour, les
quantiles estimés à partir des approches régionale et locale.
-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.
Pour extraire l’information pertinente d’un échantillon et le décrire, on ajuste celui-ci à

une fonction de distribution. Pour ce faire il faudra choisir le type de loi (problème
d’adéquation) et en estimer les paramètres (problème d’ajustement).
Il existe un grand nombre de distributions statistiques (figure I-1) et de méthodes

d’estimation des paramètres généralement utilisées pour l’étude des précipitations journalières
maximales. Mais il n’existe pas de consensus face au choix de la distribution à utiliser pour
chacune des variables de précipitations. Les lois statistiques utilisées varient suivant les pays
et d’un chercheur ou d’un utilisateur à l’autre. L’emploi d’une distribution plutôt qu’une autre
peut cependant changer considérablement les conclusions et les conséquences d’une analyse.
Car une surestimation de la hauteur d’un barrage basée sur la surestimation de la quantité de
précipitations entraîne des coûts supplémentaires alors qu’une sousestimation se traduit par
des dégâts matériels et d’éventuelles pertes de vies. Il est donc essentiel de représenter les
séries pluviométriques par la meilleure distribution possible.
-5-
Figure I-1 : Divergences des modèles statistiques à l’extrapolation,

l (Guillot
uillot 1981)
Depuis plusieurs décennies, la loi générale

générale des valeurs extrêmes est bien identifiée et
l’on sait qu’elle se ramène à trois familles de distribution (Fréchet, Gumbel, Weibull).
Par ailleurs, l’analyse

analyse statistique de séries annuelles de pluies maximales journalières
est basée sur l’utilisation
utilisation des lois de distribution statistique couramment appliquées à
l’analyse des valeurs
aleurs extrêmes,
extrêmes à savoir; la loi des valeurs extrêmes généralisées (GEV), la loi
de Gumbel EV1, la loi Pearson III (P3),
(P3) la loi Log-Pearson
Pearson III (LP3) la loi Log Normale et la
loi Exponentielle. Egalement, l’ajustement
l ajustement de ces lois en utilisant conjointement des données
locales et régionales et en estimant les paramètres de manière spécifique, et la comparaison
entre ces lois de distribution, assurée par le biais des tests d’ajustements ajustements, critères
d’ajustement, l’analyse
analyse des occurrences de pluies extrêmes et l’analyseanalyse du comportement
asymptotique par simulation.
Ce chapitre a pour objectif de décrire les principales caractéristiques des distributions

statistiques et des méthodes d’estimation
d estimation des paramètres qui sont employées dans l’analyse
statistique des pluies journalières maximales.
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-
I.2 Littérature sur l’analyse statistique des pluies

maximales
Les données concernant les précipitations journalières maximales annuelles
constituent la source de l’information qui fait le plus souvent l’objet d’analyses statistiques de
fréquence.
L’analyse fréquentielle des pluies maximales s’intéresse à la recherche d’une

distribution de fréquence capable de rendre compte du régime de pluies maximales, et
l’estimation des paramètres et des quantiles pour la prévention des risques liés aux
inondations.
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-
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.
De nombreux travaux sur l’analyse régionale des précipitations s’inspirent de

l’approche développée en régionalisation des crues. Les méthodes de type indice de crues ont
été utilisées par plusieurs auteurs. Les régions homogènes établies peuvent être contiguës ou
non-contiguës. L’analyse multivariée a été utilisée pour déterminer plusieurs régions
homogènes au Canada. L’adéquation des sites à l’intérieure d’une région homogène a souvent
été validée par une application des L-moments, bien que d’autres tests d’homogénéité aient
aussi été utilisés. En conclusion de cette synthèse, la loi générale des valeurs extrêmes (GEV)
est celle qui a le plus souvent été utilisée dans l’analyse régionale des précipitations.
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-
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.
Muller (2006) s’est intéressée dans sa thèse au comportement de la distribution locale

des pluies extrêmes en France. Les valeurs extrêmes ont été considérées au travers de diverses
variables : les maxima annuels ou saisonniers de pluie journalière ou horaire, les valeurs de
pluie journalières dépassant un seuil élevé, et enfin le processus temporel de la succession des
événements pluvieux. Les lois de ses variables et des processus ont essentiellement été étudiés
avec des modèles de génération de pluie. Elle a tout d’abord analysé la distribution des
maxima annuels de pluies journalières au travers du modèle général des valeurs extrêmes (loi
GEV).
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-
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.
Benabdesselem et Hammar (2009), leur étude consistait en une estimation de la

réponse hydrologique d’un bassin versant urbanisé. Les étapes de la modélisation du
processus de la réponse hydrologique sont la modélisation de la pluie et du ruissellement.
Pour la modélisation de pluies en vue de l’estimation de la pluie de projet, ont basé sur
l’approche statistique en utilisant le modèle des courbes intensité-durée-fréquence.
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.
L’Agence Nationale des Ressources Hydraulique (2007) a procédé à une cartographie

des précipitations journalières extrêmes du Nord Algérie. Dans cette étude la loi de Gumbel a
été privilégiée mais les auteurs signalent que la bonne adéquation n’est pas toujours assurée et
que les extrapolations à des fréquences rares (T>>10 ans) doivent êtres menées avec
précaution.
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 -
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 -
I.3 Bases théorique et outils d’investigation

I.3.1 Rappels sur quelques notions de probabilité
Disposant de l’ensemble des valeurs d’un phénomène, tirer au hasard un échantillon de n

valeurs parmi cette population signifie que chaque individu a même chance d’être choisi, et
qu’on peut construire tous les échantillons possibles avec la même chance. On définit le
hasard comme un événement imprévisible, qu’on ne peut ajuster qu’à une loi de probabilité
(Duband, 1982).
La population est un nombre infini de valeurs qui définissent le phénomène. Un sous-

ensemble fini de n valeurs de la population constitue ce qu’on appelle un échantillon. Sur
chaque population on peut définir une fonction de répartition F(x) qui varie sur un intervalle
de [0,1]. Elle est définie par :
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 :
f ( x ).dx = prob ( x ≤ X ≤ x + dx ) I-2
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 -
La formulation exacte de cette fréquence empirique a fait l’objet de plusieurs critiques

i
controversées de la part des spécialistes. L’expression : F ( X i ) =
*
(formule de Californie).
N
Elle a été améliorée en introduisant des termes correctifs pour tenir compte de la taille réduite
de l’échantillon et du type des données hydrologiques étudiées.
Une formule générale est donnée par :
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 :
Auteur Valeur de (a) Formule
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 -
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.
I.3.2 Indépendance, stationnarité et homogénéité

Comme tous les phénomènes hydrologiques sont la résultante d’une série de facteurs
ayant une influence plus ou moins grande sur le phénomène, les méthodes statistiques sont
utilisées avec avantage pour la détermination des lois du phénomène.
Toute déduction sur les propriétés de la population exige que l’échantillon ait été choisi
au hasard donc qu’il définit une variable aléatoire, que les diverses valeurs constituant
l’échantillon soient indépendantes les unes des autres, et que l’échantillon soit homogène,
(tiré d’une même population).
En pratique, il n’existe pas de contrôle sur la méthode d’échantillonnage des données et il
est raisonnable d’admettre que chaque donnée est fournie selon les lois du hasard. Mais, il est
essentiel de vérifier que les données collectées sont stationnaires (caractéristiques statistiques
ne varient pas dans le temps), indépendantes (aucune autocorrélation entre les observations) et
homogènes (proviennent de la même distribution). Ainsi, plusieurs tests sont utilisés pour
vérifier ces trois hypothèses (tests de Kendall, de Wald-Wolfowitz et de Wilcoxon). I1 faut
toutefois noter que, d’une manière générale, les tests statistiques ne servent qu’à indiquer la
probabilité qu’un critère soit satisfait et qu’ils ne donnent pas de réponse non équivoque.
Deux points sont à soulever concernant ces tests.
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 -
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.
I.3.2.1 Indépendance des échantillons

L’indépendance varie selon la nature des données. En ce qui concerne les
précipitations, la dépendance varie en fonction de l’intervalle entre les éléments successifs de
la série : le lien entre les hauteurs successives de pluie horaire est plutôt grand tandis que
celui des maximums annuels est plutôt faible. Le test de Wald-Wolfowitz (1943) permet de
vérifier l’indépendance de l’échantillon.
I.3.2.2 Homogénéité des échantillons

Toute modification physique connue pouvant modifier le phénomène ou les lectures
des appareils de mesure, laisse supposer que les échantillons pris avant et après cette
modification, ne sont pas tirés d’une même population et donc que l’échantillon global n’est
pas homogène.
Un changement dans l’emplacement du pluviomètre, la construction de nouveaux

édifices ou la pousse des arbres près du pluviomètre ainsi qu’un remplacement de l’appareil
de mesure peuvent altérer l’homogénéité de la série de données. De plus, la saisonnalité des
précipitations peut entraîner une séparation de l’échantillon en différentes saisons. Le test de
Mann-Whitney (1947) pour deux sous-échantillons et le test de Kruskal-Wallis (1952) pour
plusieurs sous-échantillons permettent de vérifier l’homogénéité d’un échantillon.
I.3.2.3 Stationnarité des échantillons

La stationnarité implique qu’en moyenne les paramètres statistiques (moyenne,
variance, moment d’ordre 3, etc...) sont invariants avec le temps. Les sauts, les cycles et les
tendances sont des types de non-stationnarités. La stationnarité des séries pluviométriques
peut être affectée par l’urbanisation et les fluctuations climatiques à long terme. Le test de
- 15 -
Mann-Whitney (1947) pour les sauts et le test de Wald-Wolfowitz (1943) pour les tendances
rendent possible la vérification de la stationnarité.
I.4 Théorie des valeurs extrêmes

Les valeurs extrêmes des phénomènes hydrologiques, crues, sécheresses, présentent un
sujet en plein expansion et particulièrement lorsqu’on parle en terme de tiques, puisque ces
phénomènes peuvent mettre en péril ouvrages et populations (Desbordes, 1990).
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.
Cependant, lorsque l’on cherche à caractériser le comportement des extrêmes d’un

phénomène sous-jacent à partir d’un échantillon de ses réalisations, on est confronté au
dilemme suivant : les valeurs extrêmes sont par définition très peu nombreuses et c’est à partir
de ces valeurs que l’on voudrait inférer sur des réalisations plus grandes encore, c’est-à-dire
extrapoler bien au-delà des valeurs observées. La théorie des valeurs extrêmes offre un cadre
théorique rigoureux permettant de caractériser le comportement stochastique des extrêmes
d’échantillons. Les premiers résultats sur les possibles lois asymptotiques du maximum datent
de 1928 et aujourd’hui les différentes modélisations proposées, fondées sur une théorie
- 16 -
asymptotique rigoureuse, permettent d’appréhender le problème de l’extrapolation de façon

objective, autant que faire se peut.
I.4.1 Distribution statistiques des Valeurs extrêmes

L’estimation des valeurs extrêmes ou quantiles nécessite un ajustement à une loi de
probabilité, après avoir calculé non seulement la fréquence expérimentale mais aussi les
caractéristiques empiriques les plus importantes (moyenne arithmétique, écart-type,
coefficient de variation et d’asymétrie). Il faut choisir une loi de probabilité susceptible de
s’ajuster d’une manière adéquate à la série hydrologique. Cette pratique revient donc à ajuster
une loi théorique de répartition des fréquences à l’échantillon.
Dans le domaine de l’hydrologie, le travail de l’hydrologue consiste à faire coïncider

cette application avec le risque d’occurrence d’un événement bien défini. Les méthodes
statistiques ou à échantillonnage n’étudient qu’une grandeur d’un processus (ex : pluie
annuelle, le débit maximum) en excluant la notion de temps.
En outre, la validité des résultats d’une analyse fréquentielle dépend du choix du

modèle fréquentiel et plus particulièrement de son type. Diverses pistes peuvent contribuer à
faciliter ce choix, mais il n’existe malheureusement pas de méthode universelle et infaillible.
Les lois d’ajustement sont nombreuses et ne peuvent être appliquées à un échantillon

que si les conditions homogénéité et stationnarité sont réunies parmi lesquelles:
• Loi de Galton ou loi Log-Normale;
• Loi Exponentielle ;
• Loi de Gamma;
• Loi gamma généralisée;
• Loi de Pearson ІІІ;
• Loi de Log-Pearson ІІІ;
• Loi de Gumbel ou loi doublement exponentielle;
• Loi Weibull;
• Loi GEV (valeurs extrêmes généralisée).
- 17 -
I.4.1.1 Loi exponentielle:

Une variable aléatoire x est distribuée selon une loi exponentielle si sa f.d.p est donnée par :
f ( x ) = α exp( −α x ) I-5
x ≥ 0 et le paramètre α > 0.
La fonction de distribution est telle que :
F ( x ) = 1 − exp( − α x) I-6
I.4.1.2 Loi Log Normale à deux paramètres (LN2)
La loi Log Normale admet pour fonction de densité de probabilité :
1  1  ln( x ) − µ  2 
f (x) = . exp  −  y
  I-7
x 2 πσ 2
 2  σ y  
 
y 
La variable réduite standard est donnée par ln x − ln x

u =
σ ln x
L’équation de la variable réduite présentée sous la forme ln x = ln x + u.σ ln x
Avec : μ et σ sont des paramètres de la fonction
μ : paramètre de position
σ : écart type
I.4.1.3 Loi des Valeurs Extrêmes Généralisées
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
L’emploi de cette distribution générale permet à l’hydrologue d’analyser un échantillon

sans opter à priori une forme ou une autre (І, ІІ, ІІІ), cette distribution à trois paramètres offre
- 18 -
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.
Trois paramètres interviennent : u le paramètre de position, α le paramètre d’échelle et

k le paramètre de forme. Sous cette formulation unique on retrouve en fait trois types de
distribution selon les valeurs prise par k. La fonction de distribution de probabilité GEV
s’écrit ainsi :
1 k −1
1 k    1 
1/ k

f ( x) = 1 − ( x − u ) exp− 11 − ( x − u ) . I-9

α α    α  
Avec : u, α et k sont les paramètres de la fonction.
α : paramètre d’échelle
u : paramètre de position
k : paramètre de forme, il est également déterminant dans le comportement des

distributions dites de queue.
La forme explicite de la fonction de distribution est donnée par :
  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).
I.4.1.4 Loi Weibull (EV2)

La f.d.p. d’une variable aléatoire x distribuée selon la loi Weibull W(a, b) est:
b −1
bx
f ( x) =  
aa
[
exp − ( x / a ) b ] x>0 I-11
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 -
I.4.1.5 La loi Gumbel (EV1)

La fonction de répartition de la loi Gumbel est :
1  x−µ  x − µ 
f ( x) = exp − − exp −  I-13
α  α  α 
Avec u et α sont les paramètres de la fonction.
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
La forme explicite de la fonction de distribution est donnée par:
  ( x − µ ) 
F ( x ) = exp − exp −  . I-14
  α 
I.4.1.6 Loi Pearson type 3

Sa fonction de distribution de probabilité est comme suit:
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
m : est le paramètre d’origine m ≤ x ≤ ∞
λ : est le paramètre de forme λ > 0
α : est le paramètre d’échelle α >0

∞
∫
− x λ −1
(Γ) : est la fonction gamma Γ ( λ ) = e x dx
0
La forme standardisée est obtenue par : t = z − µ

σ
- 20 -
Avec µ et σ étant la moyenne et l’écart type de la variable z
I.4.1.7 Loi log-Pearson type 3

Si la variable aléatoire Y=log(x) suit une distribution P-3(α,λ,m), alors x est distribuée
selon une loi log-Pearson type 3 LP-3(α, λ, m) et sa f.d.p s’écrit :
kα
exp [− α (log( x ) − m ) ][α (log( x ) − m ) ]
λ −1
f ( x) = I-16
xΓ (λ )
e m/k ≤ x < ∞ si α > 0

− ∞ < x ≤ e m/k si α < 0
Avec les paramètres α ≠ 0, λ > 0 et m . De plus, k=1/ln(a) où a est la base du logarithme.
I.5 Ajustement des lois de distribution

I.5.1 Estimation des paramètres des lois de distribution
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 -
maximum de vraisemblance (Hosking et al., 1985). Ce qui pourrait expliquer la fréquente

utilisation de la GEV et des moments pondérées (MMP).
Quoi qu’il en soit, il semble que la MMV est considérée 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).
I.5.1.1 Maximum de vraisemblance (MV) :

La méthode du maximum de vraisemblance consiste, pour un échantillon donné, à
maximiser la fonction de vraisemblance (en fonction de densité jointe) par rapport aux
paramètres. Cette méthode est habituellement complexe mais a généralement des propriétés
asymptotiques intéressantes.
Soit un échantillon aléatoire x1 , x 2 ,........, x n tirer d’une distribution f ( x, θ1 , θ 2 ,......,θ n ) .

Lorsqu’ils existent, les estimateurs obtenus par la méthode du maximum de vraisemblance
sont les solutions θˆ1 , θˆ2 ,........, θˆ p du système de p équations:
∂ (θ1 , θ 2 ,........,θ p )
= 0 r = 1, 2,......, p I-17
∂θ r
Où la fonction de vraisemblance est définie par:
n
l (θ1 ,θ 2 ,...,θ p ) = ∏ f ( x1 ,θ1 ,θ 2 ,....,θ p )
i =1 I-18
Il est souvent plus simple de maximiser le logarithme naturel de la fonction de

vraisemblance que la vraisemblance elle-même. L’une ou l’autre méthode conduit au même
maximum car la fonction logarithmique est une fonction monotone croissante.
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 -
I.5.1.2 Méthode des moments (MM) :

La méthode des moments, appliquée à une loi à p paramètres consiste à égaler p
moments théoriques indépendants de la distribution à p moments correspondants de
l’échantillon. Cette méthode est généralement simple et les estimateurs de la méthode des
moments peuvent être utilisés comme valeurs initiales dans la méthode du maximum de
vraisemblance lorsque celle-ci nécessite une résolution par processus itératif.
Soit un échantillon aléatoire x1 , x 2 ,........, x n , tiré d’une distribution f ( x, θ1 , θ 2 ,......, θ n ) .
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.
I.5.1.3 Méthode des moments pondérés (MMP)

La méthode des moments de probabilité pondérés qui a été conçue pour les lois pouvant
être exprimées explicitement sous forme inverse x = x ( f ) (Greenwood et al., 1979; Hosking
et al., 1985 et Hosking et Wallis, 1987), donne des estimations des paramètres comparables a
ceux obtenus par la MMV. Dans certains cas, les procédures d’estimation sont beaucoup
moins compliquées et les calculs sont plus simples que celle des estimations de la MMV.
Soit un échantillon aléatoire x1 , x 2 ,........, x n , tiré d’une distribution f ( x, θ1 , θ 2 ,......, θ n ) . La

méthode des moments pondérés conduit au système de p équations:
βr = br r = 1, 2,...., p
Avec les moments pondérés de la distribution et de l’échantillon qui s’expriment

respectivement par:
1 r
β r = E ( XF ) = ∫ x( F ) F dF
r
I-19
0
- 23 -
n
(i − 1)(i − 2)....(i − r )
br = ∑ x(i ) I-20
i =1 (n − 1)(n − 2)....(n − r )
où x (i ) est le ième élément de l’échantillon classé en ordre croissant
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.
I.6 Vérification de l’adéquation des modèles de

distribution
Les probabilités d’occurrence des événements étudiés sont inconnues et on cherche une
loi de probabilité qui en donne une bonne estimation. Ainsi, l’hypothèse établie repose sur le
fait que les observations proviennent d’une loi de probabilité bien définie.
En hydrologie, le choix du meilleur ajustement n’est pas quelque chose de simple. La

complexité de cette sélection réside dans le fait qu’on souhaite prédire des quantiles pour des
périodes de retour élevées, pour lesquelles nous ne disposons pas souvent de suffisamment de
données. En effet, la qualité de l’estimation se mesurera en termes de biais et de variance.
La classification des distributions en fonction de leur queue droite semble insuffisante.

En effet, on a besoin de critères et de tests pour identifier la classe et surtout la loi de
distribution qui représente le mieux la forme de la distribution des extrêmes en pratique. Il est
donc nécessaire de disposer de méthodes qui permettent, sur la base d’un échantillon de
données, de déterminer la classe des distributions à laquelle appartient la distribution
d’origine des observations.
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.
I.6.1 Méthodes Graphique (Système d’aide a la décision SAD)

Le système d’aide à la décision SAD est une combinaison de test et méthodes
graphique qui ont été développés par El Adlouni, et al., en 2008 pour caractériser les
différentes classes des distributions à queue lourde (figure I-2).
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 -
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).
Gmbel (EV1) Fréchet

Gamma Gamma inverse
Pearson III Log-Pearson III
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 :
La classe C (distribution à variations régulières) : Fréchet (EV2), Log-Pearson

type 3 (LP3).
La classe D (distributions sub-exponentielles) : Gumbel (EV1), Pearson type 3

(P3).
La classe E (loi exponentielle).
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 :
Le test de Jarque-Bera : considéré pour tester la Log-normalité avec une

sélection a priori basée sur le diagramme (Cv,Cs);
Le graphique Log-Log : permettre de distinguer d’une part la classe C et

d’autre part les classes D et E,
- 25 -
La fonction moyenne des excès (FME) : permettre de distinguer les classes D

et E.
Deux statistiques : le rapport de Hill et la statistique de Jackson qui peuvent

être utilisés pour effectuer une analyse confirmatoire des conclusions suggérées
à partir de la méthode graphique Log-Log et la fonction moyenne des excès
FME.
Figure I-3: Diagramme des critères de choix entre les classes C, D et E (El Adlouni et al., 2008)
I.6.2 Test de Khi-deux

Le test Khi deux (Conover, 1980) fournit une méthode pour comparer la distribution
réelle provenant des observations d’un échantillon à une distribution théorique donnée.
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 -
c (O j − E j )
χ v2 ( x ) = ∑ I-21
j =1 Ej
O j : Fréquence observée;
E j : Fréquence espérée ( E j = N . p j ), pj est la probabilité pour la classe j et N la taille de

l’échantillon):
v : Degré de liberté. Il est définit par v = c − k − 1
c : Nombre de classes;
k : Nombre de paramètres connus de la distribution.
On accepte l’hypothèse nulle [Ho: la distribution observée est semblable à la distribution

théorique] à un niveau de signification α, si la statistique du test des observations
( χ 2 ≤ χ v2 (α ) ).
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.
On accepte l’hypothèse nulle [Ho : la distribution observée est semblable à la

distribution théorique] à un niveau de signification α, si la statistique du test des observations
χ 2 ≤ χ v2 (α ) .
I.6.3 Critères d’évaluation des modèles

Pour un choix final de la loi de probabilité, il est nécessaire d’introduire des critères
quantitatifs de comparaison. Il convient alors d’utiliser le critère d’information d’Akaike
(AIC; Akaike, 1978) et le critère Bayésien d’information (BIC; Schwarz, 1978) où les
meilleurs ajustements correspondent aux plus faibles valeurs. Le but de ces critères est de
chercher un compromis entre une para-métrisation suffisante pour bien ajuster un modèle aux
observations, et une para-métrisation la moins complexe possible. Un tel compromis permet
de respecter le principe de parcimonie des modèles. Le maximum de vraisemblance ne peut
donc pas être un tel critère, puisqu’il conduirait à choisir le modèle le plus complexe. Les
deux critères s’expriment par : − 2l (θˆ) + 2ξ (θˆ)
Où l (θˆ ) est la fonction de log-vraisemblance calculée en l’estimateur du maximum de
vraisemblance du paramètre : θˆ , et ξ (θˆ) pénalise la complexité du modèle.
- 27 -
I.6.3.1 Critère d’Akaike (AIC) :

Le critère d’Akaike est fondé sur une pseudo-distance entre une ‘vraie’ distribution g ,
inconnue, et une distribution arbitraire f , paramétrée par θ de dimension K . Cette pseudo
distance, appelée nombre d’information de Kullback-Leibler, est définie par :
 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
I ( g : f ) = E g (log g ( X )) − E g (log f ( X )). I-23
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
Avec N la taille de l’échantillon sur lequel est estimée θˆ , est un estimateur

asymptotiquement sans biais de E (log f ( Xθˆ)).
g
En posant AIC ( f ) = −2l (θˆ) + 2 K , I-25
∑
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 -
I.6.3.2 Critère Bayésien (BIC)

Cette fois, on se place dans un cadre bayésien : les paramètres θ des modèles M , et
les modèles eux-mêmes sont aléatoires, munis d’une loi a priori P (M ) pour les modèles et
P(θM ) pour les paramètres des modèles. On suppose que la loi a priori des modèles est non-
informative.
Une approximation de Laplace (Raftery, 1994, Lebarbier et Mary-Huard, 2004) permet de

donner l’approximation suivante :
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.
Le critère BIC est défini par :
BIC M = −2l (θˆ) + K log( N ). I-27
La maximisation de la distribution a posteriori des modèles revient a minimiser la valeur de

BIC. Si la loi a priori des modèles est informative, on utilise le critère modifié
BIC M = −2l (θˆ) + K log( N ) − 2 log P( M ). I-28
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.
Si on dispose d’une suite de modèles emboîtés ( M 1 ⊂ .... ⊂ M m ), la suite des pseudo-

distances de Kullback-Leibler décroît, et il existe un modèle M t pour lequel pour le critère
AIC ne décroît plus (ce modèle existe toujours, dans le pire des cas, M t = M m ). On appelle
M t ‘quasi-vrai’ modèle. Le critère BIC possède la propriété d’être consistant pour le quasi-
vrai modèle : asymptotiquement le critère BIC donne une valeur + ∞ aux modèles M i avec
i ≠ t (Lebarbier et Mary-Huard, 2004). Cette propriété n’est pas partagée par le critère AIC
(Lebarbier et Mary-Huard, 2004).
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 -
I.6.4 Erreurs d’estimation (RMSE) et (MAE)

L’erreur quadratique moyenne (RMSE) a été utilisée comme une mesure statistique
standard pour mesurer la performance d’un modèle en hydrologie, et des études de recherche
sur le climat. L’erreur absolue moyenne (MAE) est une autre mesure utile largement utilisée
dans les évaluations des modèles. Bien que tous deux été utilisés pour évaluer la performance
de modèle pour de nombreuses années, il n’y a pas consensus sur la mesure la plus appropriée
pour des erreurs de modèle. Dans le domaine des géosciences, de nombreux auteurs
présentent l’erreur quadratique moyenne comme mesure standard pour les erreurs de modèle
(Chai et al, 2014), tandis que quelques autres choisissent d’éviter l’erreur quadratique
moyenne et présente seulement le MAE. Alors que le MAE donne le même poids à toutes les
erreurs, l’erreur quadratique moyenne pénalise la variance, car il donne des erreurs avec des
valeurs absolues les plus grandes plus de poids que des erreurs avec des valeurs absolues plus
petites.
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 -
I.7 Analyse statistique régionale des pluies

journalières maximales
L’approche régionale seconde objet de notre étude, consiste à augmenter la taille de
l’échantillon d’analyse en élargissant le domaine spatial d’observation et à analyser
simultanément les observations de différents postes de mesure d’une zone supposée
homogène. On considère alors que les distributions des sites d’une même région homogène
sont identiques, à un facteur multiplicatif près, appelé indice régional (Dalrymple, 1960).
Il arrive fréquemment que des estimations de période de retour d’événement extrêmes

soient requises pour des sites où il existe peu, voire même aucune donnée. Cependant, la
disponibilité d’une information pluviométrique discrétisée a orienté le choix à la mise en
œuvre d’une approche régionale. Cette dernière basée sur l’information régionale permet de
déterminer des régions homogènes et la recherche d’un modèle de distribution régionale.
I.7.1 Méthodes de détermination des régions homogènes de

pluies extrêmes
En hydrologie, la définition de l’homogénéité régionale dépend de la variable
hydrologique considérée (Cunnane, 1988). Plusieurs méthodes de détermination de région
homogènes ont été développées initialement pour les crues, et ont ensuite été appliquées aux
précipitations.
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 :
• la délimitation de régions homogènes contiguës ;

• les régions homogènes non contiguës ;
• les techniques de voisinage.
I.7.1.1 Détermination d’indices régionaux
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 -
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.7.1.2 Analyse multi-variée

L’analyse multi-variée telle que l’analyse en composantes principales (ACP) permet
de regrouper les stations dont le plus grand pourcentage de la variance est expliquée par le
même axe factoriel. l’ACP a été utilisée pour évaluer la variation spatiale des précipitations
journalières et déterminer des régions homogènes (Morin et al., 1979, Beaudoin et Rousselle,
1982, Siew-yan-yu et al., 1998). Evidemment, un réseau pluviométrique relativement dense
peut permettre de déterminer des sous-régions plus petites.
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).
I.7.2 Constitution de groupes de stations et test d’homogénéité

La phase fondamentale de l’analyse statistique régionale est l’identification des
régions ou des groupes homogènes et la validation de l’homogénéité de chaque région ainsi
définie. L’élément fondamental d’identification des groupes homogènes est la spécification
des variables caractérisant cette homogénéité.
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 -
I.7.2.1 Les L-moments

L’approche d’analyse statistique régionale basé sur les L-moments semble devenir une
référence pour l’ajustement des fonctions de distribution en analyse régionale (Stedinger et al.
1993; Hosking et Wallis 1997).
Le concept de L-moments, dispose de propriétés intéressantes et générales notamment

pour le calage de loi. Ces moments sont définis à partir de combinaisons linéaires de la
fonction quantile et existent sous des conditions plus générales. L’idée de L-moments, est
apparue progressivement dans différents travaux sur les combinaisons linéaires de statistiques
d’ordre (Silitto, 1969 ; David, 1968; Chernoff et al., 1967; Greenwood et al., 1979), puis fut
élaborée dans un cadre théorique général par Hosking (1990).
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 -
λ2
τ2 = I-34
λ1
Les rapports de moments d’ordre plus élevés sont définie par :
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).
I.7.2.2 Sélection d’une loi statistique régionale

La deuxième phase de l’analyse régionale est la recherche d’une fonction de distribution
régionale. La loi GEV est la fonction de distribution qui a été le plus souvent utilisée dans les
analyses régionales des précipitations. Cette loi est d’ailleurs recommandée en Angleterre
pour toute analyse fréquentielle des précipitations (Nhaghavi et Yu, 1995). Pour ce même
pays, Reed et al. (1999) ont développé la méthode FORGEX (Focused Rainfull Growth
Extension) qui permet de générer des courbes de croissance (relation entre les quantiles et un
indice, par exemple la moyenne annuelle des maximums journaliers) pour un site donné en
utilisant à la fois les valeurs extrêmes régionales et les événements extrêmes pour l’ensemble
du réseau.
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.
Ces derniers peuvent être calculés :
- 34 -
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 -
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)
Figue I-5: Diagramme des L-moments pour des échantillons homogènes
I.7.3 La validation des régions homogènes

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.
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.
I.7.3.1 Test de la discordance

Le but du test de discordance est d’identifier les stations dont les précipitations
diffèrent statistiquement, des autres séries d’un même groupe. Pour arriver à identifier une
station discordante, il suffit d’imaginer que chaque station est représentée dans un espace en
trois dimensions et a comme coordonnées les coefficients de variation, d’asymétrie et
d’aplatissement. Les stations s’éloignant du groupe c’est-à-dire du centre du nuage de points
(la moyenne de chacun des trois coefficients des stations du même groupe), alors ces stations
sont déclarées discordantes.
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 -
1 N
u= ∑ ui
N I =1
I-39
La discordance Di est alors définie de la manière suivante :
Di =
1
3
( T
ui − u s −1 ui − u) ( ) I-40
Où S est la matrice de covariance de l’échantillon :
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.
En effet, au lieu d’évaluer la discordance de chacune des stations à l’intérieur d’un

groupe, on peut aussi évaluer le degré d’hétérogénéité d’un groupe de stations. On calcule
d’abord la moyenne pondérée des estimations des rapports de L-moments ( tr ). On ajuste
ensuite une fonction de distribution à l’aide des ( tr ) cette distribution est utilisée dans le cadre
d’une simulation de Monte Carlo pour générer un grand nombre de scénarios représentant les
observations à chacun des sites. Hosking et Wallis (1993) suggèrent de comparer la variation
des estimations des rapports des L-moments provenant de chaque site de la région avec celle
qu’on aurait pour une région homogène.
I.7.3.2 Test d’homogénéité

Pour valider l’homogénéité d’une région en termes de rapports de L-moments, nous
allons utiliser le test d’homogénéité statistique proposé par Hosking et Wallis (1993).
Supposons que l’on a un réseau régional de N sites ayant chacun ni enregistrements. A
l’échelle régionale, les L-moments et rapport de L-moments sont calculés comme suit :
∑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 -
diagramme t3 et t4 , on peut avoir des indications sur l’aptitude de cette distribution à

représenter adéquatement les observations.
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)
- la somme pondérée des distances de t et t 3 par rapport à leurs moyennes respectives :
∑ 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
- la somme pondérée des distances de t 3 et t4 par rapport à leurs moyennes respectives :
∑ 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 -
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 variable H ainsi définie permet de comparer la distribution des observations à celle

des simulations. Hosking et Wallis, (1993) suggère qu’une forte valeur de H signifierait que la
région constituée est assez dispersée. Par conséquent, elle ne saurait être considérée comme
homogène. Cependant, une région peut être considérée comme étant homogène si H<1,
probablement hétérogène si 1 ≤ H ≤ 2 et complètement hétérogène si H>2. En effet, la
fiabilité de cette méthode de validation de l’homogénéité d’une région à été vérifiée par Alila
(1999).
I.7.3.3 Identification de la distribution régionale

La pertinence de l’ajustement de chacune des lois de distributions évoquaient
précédemment est évaluée en termes de différence entre le L-aplatissement théorique de la
distribution ajustée et le L-aplatissement régional. La signification de cette différence est
estimée par la statistique Z (Hosking et Wallis 1993) :
− +
=
où t est le L-aplatissement régional observé ; τ est le L-aplatissement théorique de la

distribution estimé à partir du L-asymétrie régional observé ; β et σ sont respectivement le
biais et l’écart-type de t obtenus par simulations d’une région homogène avec la distribution
Kappa.
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
II. Présentation générale de la zone d’étude
II.1 Domaine géographique et administratif
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).
Figure II-1: Localisation de la région d’étude
- 40 -
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.
Figure II-2 : Découpage administratif de la région d’étude
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.
II.2 Domaine climatique
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 -
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.
II.3 Régime pluviométrique
Les précipitations constituent la composante fondamentale des phénomènes

hydrologique et la connaissance de cet apport d’eau au sol est essentielle pour appréhender
l’état des réserves en eau du sol, la recharge des nappes et le régime des cours d’eau.
- 42 -
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 -
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).
Tableau II-1: Pluviométrie interannuelle pour la période 1968-2011 (en mm)
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
Figure II-4 : Variabilité des pluies moyennes mensuelles (1968-2011)
- 44 -
II.4 Caractéristiques hydrographiques
II.4.1 Le réseau hydrographique
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.
Figure II-5 : Réseau hydrographique de la région d’étude
Les autres oueds localisés au sud, de moindre importance sont caractérisés par des
écoulements temporaires.
- 45 -
II.4.2 Le relief
Le relief est un facteur essentiel, il détermine en grande partie l’aptitude au

ruissellement des terrains, l’infiltration et l’évaporation c’est un élément capital dans le
comportement hydrologique d’un bassin.
Du point de vue orographique, et comme le montre la figure II-4, le relief et la

morphologie de la région sont caractérisés par deux dorsales transversales, constituées par la
Chaîne Tellienne, accolée au littoral et la Chaîne Atlasique qui borde les Hauts Plateaux au
Sud.
Sur le territoire de la région, on rencontre des reliefs variés issus notamment de

l’orogenèse alpine qui s’est développée surtout à partir du Miocène. Ces reliefs sont
constitués de montagnes, de piémonts, de plateaux et de plaines.
Trois entités majeures ressortent du contexte et présentent un alignement général Sud-

Ouest Nord-Est :
- 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 -
Figure II-6 : Relief de la région d’étude

- 47 -
II.4.3 Couvert végétal
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.
Le paysage végétal de la zone steppique de l’Ouest Algérie est assez pauvre et

clairsemé ce qui entraîne une perte d’eau par évaporation et accélération de l’érosion. Elle se
limite aux touffes d’herbe.
Conclusion
La région d’étude est caractérisée par un climat semi-aride et un régime

pluviométrique et thermique très irréguliers et marquent l’année par deux saisons bien
distinctes, une saison froide allant du mois d’octobre jusqu’au mois d’avril et une saison
chaude du mois d’avril jusqu’au mois de septembre. C’est une zone à faible hauteur de pluies
moyennes (200 à 300 millimètres), à pluviosité très variable, résultant du caractère orageux
des précipitations, fortement venté, où l’amplitude des variations diurnes de température est
considérable et dont le trait dominant est probablement la sécheresse tout à fait remarquable
de l’atmosphère.
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
III. Réseau de mesure pluviométrique de la

région d’étude
III.1 Choix des stations pluviométriques
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.
III.1.1 Disponibilité des données d’observations pluviométriques
Le réseau pluviométrique de la région steppique de l’Ouest Algérie comprend plus de

100 postes, gérés par l’Agence Nationale des Ressources en Eau. Ces stations sont très
inégalement réparties du nord au sud et de l’ouest à l’est de la région, la plus forte densité du
réseau se rencontrant au nord, moins dense à l’extrême sud, et pratiquement dépourvu de
postes au niveau des chotts (figure III-1).
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.
Dans ces conditions 65 stations pluviométriques disposent d’au moins 20 années

d’observation. Nous avons retenu ces stations disposant de plus de 20 années d’observations.
Les caractéristiques géographiques ainsi que la période d’observation des stations
pluviométriques utilisées sont décrites par le tableau III-1.
- 49 -
Figure III-1: Localisation du réseau de stations pluviométriques de la région

- 50 -
Tableau III-1: Caractéristiques des stations pluviométriques étudiées
Code Coordonnées Lambert Altitude Période Nbre

Nom Station
N° station X(m) Y(m) (m) D’observation Obs.
01 010502 ZMALET EL AMIR AEK 464450 177800 820 1969-2008 31
02 010602 AIN ZERGUINE 483000 219500 786 1922-1947 22
03 010701 AIN BAADJ 403600 214450 1025 1974-2009 28
04 010703 RECHAIGA 434500 234500 830 1931-2010 53
05 010706 SIDI BOUDAOUD 470600 229550 710 1974-2011 35
06 010803 MEHDIA 413900 237350 903 1967-2010 40
07 010901 SOUGUEUR 390550 210750 1120 1914-2009 84
08 010904 DAHMOUNI TRUMULET 388800 235950 878 1970-2010 38
09 011003 COLONEL BOUGARA 433300 251150 820 1968-2010 38
10 011004 KHEMISTI 434150 263300 928 1968-2011 42
11 011006 TISSEMSILT 420400 257000 858 1976-2009 30
12 011104 AIN BOUCIF 540750 287800 1250 1923-2008 57
13 011206 CHAHBOUNIA 491300 249350 665 1933-2011 32
14 011208 BOUGHZOUL 507100 272250 643 1948-2010 60
15 011301 KSAR EL BOUKHARI 504550 288100 630 1970-2011 31
16 011302 DERRAG 472000 289850 1160 1914-2011 63
17 011404 ZOUBIRIA MONGORNO 513500 312800 1000 1915-2011 74
18 011603 BORDJ EL AMIR AEK 461100 285300 1080 1922-2011 73
19 011604 KHERBA OD HELLAL 481900 293300 1290 1968-2009 41
20 013002 FRENDA 348600 197000 990 1967-2009 39
21 013004 AIN EL HADDID 334500 197000 829 1967-2010 41
22 050102 CHELLALAT EL ADAOURA 565000 293800 1004 1955-2011 40
23 050201 DRAA EL HADJAR 565650 271850 726 1968-2011 34
24 051703 SLIM 594900 178200 1070 1967-2008 36
25 052002 AIN RICH 628100 154250 944 1953-2007 32
26 052102 BORDJ L’AGHA 655700 178550 795 1971-2007 29
27 060104 SEKLEFA 467483 79059 995 1972-2007 28
28 060202 AIN MAHDI 463375 55545 985 1969-2013 32
29 060203 TADJEMOUT 2 483990 64547 885 1926-1997 66
30 060302 EL HOUITA 476982 39130 900 1970-2005 25
31 060401 SIDI MAKHLOUF 529013 92563 900 1967-2007 32
32 060403 KSAR EL HIRANE 540028 55546 710 1969-2005 29
33 060404 LAGHOUAT ONM 516462 57442 753 1875-1970 54
34 080102 EL ARICHA 135585 110254 1250 1901-2010 50
35 080201 EL AOUEDJ (Belhadji B,) 135914 139060 1075 1970-2009 39
36 080401 MEKMENE BEN AMAR 181769 52906 1050 1970-2005 29
37 080501 MARHOUM 234000 131000 1115 1973-1993 20
38 080502 MOULAY LARBI 254000 153700 1155 1942-2009 43
39 080602 KHALFALLAH 276250 142000 1100 1942-2004 42
40 080604 MOSBAH 260960 127781 1075 1943-2010 31
41 080606 MAAMORA 298650 156050 1148 1975-2010 29
42 080701 MEDRISSA 366650 178600 1105 1932-2010 60
43 080902 STITTEN 364302 52806 1410 1973-2010 33
44 081401 MECHERIA 223759 32649 1167 1907-2010 90
45 081502 BOUGTOB 258584 86270 1000 1943-2009 41
46 081901 AIN SKHOUNA CAMP 329981 136679 1000 1947-2004 30
47 110203 EL HACAIBA 183500 161650 950 1970-2010 38
48 110501 MERINE 216300 170500 951 1970-2009 35
49 110802 DAOUD YOUB 234500 185000 657 1927-2010 68
50 111112 HAMMAM RABI 270400 184500 695 1970-2010 30
51 111201 OUED TARIA 262350 204850 480 1908-2010 90
52 111203 AIN BALLOUL 296850 190550 1014 1967-2006 31
53 111210 TAMESNA 295600 174500 1005 1970-2009 33
54 111404 AOUF M,F, 287150 211800 990 1928-2010 60
55 130329 BOU SEMGHOUM 249141 -44338 985 1969-1995 26
56 130332 AIN EL ORAK 317317 14527 1290 1970-1995 25
57 130333 GHASSOUL 360656 10572 1250 1970-1996 24
58 130334 SIDI AHMED BELABBES 389095 22658 1210 1970-1995 23
59 130335 ARBA TAHTANI 302051 -20792 600 1950-1995 30
- 51 -
Code Coordonnées Lambert Altitude Période Nbre

Nom Station
N° station X(m) Y(m) (m) D’observation Obs.
60 130336 ASLA 240159 -27799 1170 1969-1995 26
61 130339 EL ABIOD SIDI CHEIKH 298415 -42115 903 1911-1994 42
62 130344 BREZINA 365731 -20767 927 1971-1994 23
63 130356 AIN SEFRA ANRH 192534 -55642 1072 1972-1995 22
64 130357 DJENIENE BOU REZG 169401 -97558 1019 1972-1996 20
65 160406 KHEMIS OULD MOUSSA 109550 157300 1000 1924-2010 47
La figure ci-dessous représente les données disponibles relatives aux 65 postes

pluviométriques, en fonction de la période de fonctionnement la plus longue possible, c’est à
dire, depuis l’installation des premiers postes pluviométriques. Ces stations sont sélectionnées
pour l’analyse du comportement statistique des pluies journalières maximales annuelles de la
zone d’étude.
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
Figure III-2 : Disponibilité des données en fonction des stations
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).
Le graphique représente également le nombre d’information disponibles en fonction

du temps. Il apparaît une fréquence d’oscillation qui augmente avec le temps. Ceci peut
s’expliquer par le fait que l’évolution du nombre est en fonction de la période de
fonctionnement des stations pluviométriques de la région d’étude surtout avec l’installation du
nouveau réseau de l’ANRH à partir des années soixante dix. Sur l’ensemble des soixante cinq
(65) stations utilisées dans cette étude, nous avons eu à notre disposition 2631 observations.
- 52 -
Du point de vue longueur de la série d’observation,

d observation, les données disponibles présentent
des échantillons de tailles suffisantes avec un minimum d’observations
d observations de 20 ans enregistré au
niveau des stations de Marhoum et Djeniene Bourezg
B et un maximum d’enregistrement
enregistrement de 90
ans pour les stations de Mecheria et Oued Taria.
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
III.2 Echantillonnage des données utilisées
L’estimation des risques se fait sur des maximums

max annuels, ce qui nécessite des séries
de longue durée d’observation,
observation, mais malheureusement on ne compte que quelques stations
dans le monde qui dépassent 100 ans d’observations (Djerboua
( 2001).
). Dans cette étude, on
dispose de stations de 20 à 90 ans d’observations.
d’observations. La meilleure façon de faire une bonne
estimation est de disposer de l’information complète pour chaque station, c’est à dire de toutes
les pluies journalières successives. Or, c’est les pluies journalières maximales qui ont un
intérêt pratique dans le dimensionnement des ouvrages hydraulique et la protection contre les
inondations.
En analyse des évènements extrêmes, deux méthodes d’échantillonnage

échantillonnage sont
couramment utilisées à savoir :
- 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 -
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.
III.2.1 Caractéristiques statistiques des échantillons

sélectionnés
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.
Tableau III-2: Caractéristiques statistiques des séries pluviométriques
(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 -
(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
La pluviosité journalière maximale annuelle enregistrée sur l’ensemble des séries,

donne des valeurs moyennes proches pour la majorité des stations alors que pour certaines
stations situées en altitude dépasse 100 mm. La variabilité interannuelle est importante. Elle
est mesurée par le coefficient de variation (CV). Les coefficients de variation indiquent en
général de fortes dispersions par rapport à la moyenne dans la majorité des stations (44
stations) qui dépasse 0.4 pour plus de 70% des stations de la région d’étude, Le coefficient de
variation atteint une valeur minimale de 0.30 à la station de Frenda (013002) et une valeur
maximale de 0.86 à la station de Ain Rich (052002).
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 -
Le coefficient d’aplatissement quant à lui est toujours supérieur à 3 et cela pour 44

stations et est habituellement sous la valeur de 12. Ainsi on peut caractériser la distribution de
la majorité des échantillons disponibles par une forte concentration des fréquences.
III.2.2 Vérification des hypothèses de base
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.
L’hypothèse d’indépendance des hauteurs de pluie journalière maximales annuelles est

vérifiée à l’aide du test de Wald-Wolfowitz. Les valeurs de la statistique |U| sont calculées
pour chaque station, les valeurs obtenues sont représentées dans le 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.
D’après les résultats de l’analyse de l’indépendance, on peut s’attendre à accepter

l’hypothèse d’indépendance pour l’ensemble des stations de la région d’étude (Tableau III-3).
Cette hypothèse est vraie 55 fois sur 65, soit 85% des échantillons (il n’y a pas de lien entre
les éléments de l’échantillon à un seuil de signification de 5%), elle est douteuse pour deux
(02) stations et elle est rejeté pour huit (08) stations à (α=1%) (011004, 011104, 011604,
052002, 052102, 080502, 080604, 111201).
Tableau III-3:IIIRésultats des tests d’indépendance, homogénéité et stationnarité

Code de Test d’Indépendance Test de Stationnarité Test d’Homogénéité
station |U| Conclusion |W| Conclusion |K| Conclusion
010502 0.812 accepté H0 à 5% 0.0661 accepté H0 à 5% 0.41 accepté H0 à 5%
010701 0.237 accepté H0 à 5% 0.62 accepté H0 à 5% 0 accepté H0 à 5%
010703 1.26 accepté H0 à 5% 3.15 rejeté H0 à 1% 3.09 rejeté à 1%
011004 3.17 rejeté H0 à 1% 0.252 accepté H0 à 5% 1.01 accepté H0 à 5%
011104 4.77 rejeté H0 à 1% 4.61 rejeté H0 à 1% 3.17 rejeté à 1%
- 56 -
Code de Test d’Indépendance Test de Stationnarité Test d’Homogénéité

station |U| Conclusion |W| Conclusion |K| Conclusion
011604 4.03 rejeté H0 à 1% 2.39 rejeté H0 à 5% 1.88 accepté H0 à 5%
013004 0.133 accepté H0 à 5% 0 accepté H0 à 5% 0.627 accepté H0 à 5%
050102 0.43 accepté H0 à 5% 3.59 rejeté H0 à 1% 1.74 accepté H0 à 5%
052102 2.62 rejeté H0 à 1% 1.84 accepté H0 à 5% 3.22 rejeté à 1%
060202 0.87 accepté H0 à 5% 0 accepté H0 à 5% 0.816 accepté H0 à 5%
080606 1.28 accepté H0 à 5% 2.72 rejeté H0 à 1% 1.78 accepté H0 à 5%
111201 2.74 rejeté H0 à 1% 3.13 rejeté H0 à 1% 3.49 rejeté H0 à 1%
111404 0.294 accepté H0 à 5% 2.25 accepté H0 à 1% 3.14 rejeté H0 à 1%
130329 1.07 accepté H0 à 5% 0.375 accepté H0 à 5% 0 accepté H0 à 5%
L’hypothèse d’homogénéité est rejetée à un niveau de signification de 5% seulement

pour la station (013002), par contre elle est rejetée pour neuf (09) stations à (α =1%) (010703,
010706, 011104, 013002, 050102, 052002, 080502, 080604, 080606, 111201). En ce qui
concerne les autres stations, l’hypothèse d’homogénéité est acceptée à un niveau de
signification de 5% avec des valeurs en deçà de la valeur critique.
- 57 -
La stationnarité des différents échantillons choisis à été vérifiée on utilisant le test de

Kendall (1975). Plus la statistique |K| du test de Kendall est proche de zéro plus les
observations seront considérées comme stationnaires (absence de tendance à la hausse ou à la
baisse dans les chroniques 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 :
L’hypothèse de stationnarité est rejetée à un niveau de signification de 5% seulement

pour la station (011604) et à un niveau de signification de 1% pour dix (10) stations (010703,
010706, 011104, 013002, 050102, 052002, 080502, 080604, 080606, 111201).
En ce qui concerne le reste des stations, la stationnarité est acceptée à un niveau de

signification de 5% soit 81% des stations étudiées.
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).
Tableau III-4 : Récapitulatif des résultats des tests d’hypothèses
Tests Indépendance Stationnarité Homogénéité
Nombre de stations 57 52 55
Pourcentage (%) 89% 81% 86%
Conclusion
L’analyse des résultats de la vérification des hypothèses de base permet d’admettre

que chaque donnée est fournie selon les lois du hasard. Les séries de pluies journalières
maximales de la région d’étude présentent dans leur ensemble des échantillons qui ont été
choisi au hasard donc qu’ils définissent une variable aléatoire, que les diverses valeurs
constituant l’échantillon soient indépendantes les unes des autres, et que l’échantillon soit
homogène.
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
IV. Distribution des pluies journalières

maximales
La connaissance de l’aléa pluvieux et la prédétermination des débits de pointe, en
particuliers l’extrapolation des quantiles rares est influencée par la forme de la distribution
statistique des pluies. Cependant, Le contexte probabiliste fournit les éléments de base pour
l’analyse fréquentielle des précipitations. En hydrologie, l’analyse de fréquence des pluies a
essentiellement deux applications :
- 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.
IV.1 Ajustement des lois statistiques
IV.1.1 Estimation des paramètres des différents modèles utilisés
L’estimation des paramètres de la distribution est généralement réalisée à partir de trois

méthodes : La méthode des moments (MM), la méthode du maximum de vraisemblance
(MMV) et la méthode des moments pondérés (MMP),
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 -
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 du maximum de vraisemblance (MMV) est considérée la plus efficace. Elle

offre de plus faibles variances d’échantillonnage des paramètres estimés, et donc des quantiles
estimés par rapport à d’autres méthodes. Cependant, dans certains cas particuliers, tels que le la
loi Pearson type III, l’optimisation de la MMV est seulement asymptotique et les estimations
faites à partir des échantillons de faible tailles peuvent mener à des estimations de faible qualité
(Bobée et al., 1993). Un autre inconvénient est que MMV donne souvent des estimations
biaisées. Il est également difficile à obtenir et peut-être impossible d’obtenir des estimations de
petits échantillons en particulier si le nombre de paramètres est important.
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.
Les moments de probabilité pondérée (MMP) (Greenwood et al 1979; Hosking 1986)

donnent des estimations comparables aux estimations MMV. Dans certains cas, les procédures
d’estimation sont beaucoup moins compliquées et les calculs sont plus simples que celle des
estimations MMV. En plus, les estimations des paramètres de petits échantillons en utilisant
MMP sont parfois plus précis que les estimations MMV (Landwehr et al., 1979).
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.
Considérons les propriétés asymptotiques fortes intéressantes de la méthode de maximum

de vraisemblance. Nous avons procédé à des ajustements des précipitations journalières
maximales station par station aux différentes lois de distributions choisies précédemment dans
le chapitre II. Pour chaque échantillon on obtient les différents paramètres caractéristiques de la
loi considérée.
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 -
IV.2 Validation des modèles statistiques choisis
IV.2.1 Examen des ajustements graphiques
Nous avons ajusté graphiquement chaque échantillon de précipitations journalières

maximales disponible aux différentes lois de distributions choisies précédemment dans la
première partie. Ce qui revient à poser à priori comme hypothèse que les échantillons ainsi
composés suivent une loi de Gumbel selon la littérature. En analysant les graphiques ainsi
obtenus pour chaque station (Annexe IV-2), on constate que :
IV.2.1.1 Modèle Log-Normale (LN (2))
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)
En effet, l’ajustement des distributions statistiques des précipitations journalières

maximales pour l’ensemble des 65 stations induit à des résultats satisfaisants pour une période
de retour décennale. Mais, devient moins adéquat avec des périodes de retours supérieures à 10
(Annexe IV-2a).
IV.2.1.2 Modèle Exponentiel
Dans le cas de l’ajustement de la loi exponentielle pour l’ensemble des stations

(figure IV-1), on constate visuellement que l’ajustement est plus au moins satisfaisant pour des
périodes de retour inférieur à 10 ans. Au delà de cette période de retour les valeurs sont
totalement au dessous de la courbe théorique de cette loi (Annexe IV-2b).
IV.2.1.3 Modèle Pearson-3
Il est possible de visualiser l’adéquation de loi Pearson-3 à partir des graphiques

d’ajustement, à travers l’exemple comparatif des deux stations de Mecheria et Oued Taria
(figure V-1), ou il apparaît que la station de Mecheria présente un ajustement tout à fait
satisfaisant par rapport à la station d’Oued Taria. D’une manière générale on constate pour
l’ensemble des stations de la région d’étude, que l’ajustement est plus satisfaisant pour des
périodes de retour supérieur à 10 ans. On peut constater l’apparition des valeurs tout à fait
exceptionnelles (Annexe IV-2c).
IV.2.1.4 Modèle Log- Pearson-3
L’Analyse des graphiques d’ajustement du modèle log-Pearson-3, permet de constater la

présence de certaine adéquation de cette loi par rapport à la loi Person-3, cette constatation est
vrai pour les deux stations Mecheria et Oued Taria (figure IV-1).
- 61 -
Sur l’ensemble des stations de la région steppique de l’Ouest Algérie, on constate

visuellement que l’ajustement est plus satisfaisant pour des périodes de retour supérieur à 10
ans. On peut constater l’apparition des valeurs tout à fait exceptionnelles (Annexe IV-2d).
IV.2.1.5 Modèle Gumbelien
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).
D’une manière générale l’ajustement du modèle Gumbelien aux précipitations

journalières maximales, induit à des résultats satisfaisants pour une période de retour décennale,
au delà de cette période, il apparaît que l’ajustement devient moins adéquate surtout pour des
périodes de retours supérieure à 20 ans. (Annexe IV-2e).
IV.2.1.6 Modèle GEV
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 -
IV.2.2 Utilisation du système SAD
Vu la disparité des lois de distribution usuellement utilisées, la difficulté de choix de la

meilleure distribution et le caractère statistique des pluies journalières maximales. Nous
allons examiner les résultats de classification des distributions en fonction de leur queue
droite c’est à dire en fonction des valeurs extrêmes, pour identifier la classe qui représente le
mieux la forme de la distribution des pluies journalières maximales de la région d’étude.
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.
IV.2.2.1 Méthode graphique log-log

Le graphique Log-Log de la probabilité de la queue de la distribution présente une
courbe assez linéaire pour la station de Sougueur et une courbe concave pour la station de
Mecheria (Figure IV-2), cela signifié que la première (linéaire) appartient à la classe des
distributions de type puissance et la deuxième (concave) appartient à la classe des
distributions de type exponentiel.
Figure IV-2: Illustration du graphique Log-Log pour les deux stations Sougueur et Mecheria.
IV.2.2.2 Méthode de la moyenne empirique des excès
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 -
La FME (fonction de la moyenne des excès) de la station de Mecheria présente une

pente positive proche de zéro. Ainsi, on ne peut pas conclure sur les classes de distributions E
et D alors on doit avoir faire recours au rapport de Hill et à la statistique de Jackson pour
confirmer notre conclusion.
Figure IV-3: Graphique de la moyenne empirique des excès (station Sougueur et Mecheria).
IV.2.2.3 Méthode graphique du rapport de Hill
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.
On remarque que la courbe du graphique du rapport de Hill de la station de Mecheria

décroît vers zéro (Figure IV-4). Alors la distribution susceptible représentée la station de
Mecheria appartient aux classes : sub-exponentielle (classe D : Halphen type A, Gamma,
Pearson-3, Halphen type B, Gumbel) et exponentielle (classe E : loi Exponentielle).
Figure IV-4: Graphique du rapport de Hill pour les stations Sougueur et Mecheria
- 65 -
IV.2.2.4 Méthode de la statistique de Jackson
La statistique de Jackson aussi est utilisée dans un but de confirmation de la

conclusion obtenue par la FME.
On remarque que la courbe du graphique de la statistique de Jackson pour la station de

Mecheria présente des irrégularités et ne converge pas vers 2 (Figure IV-5), donc, la
distribution appartient à la classe sub-exponentielle (classe D : Halphen type A, Gamma,
Pearson type 3, Halphen type B, Gumbel), ou exponentielle (classe E : loi Exponentielle).
Figure IV-5: Graphique de la statistique de Jackson pour les stations Sougueur et Mecheria
IV.2.2.5 Synthèse des résultats du système d’aide a la décision SAD
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 -
Tableau IV-1 : Récapitulatif des résultats de système SAD
Classe C Classe D Classe E

Test
GEV, LP3 et GI EV1, P3 et G EXP
Nombre 41 11 12
Graphique Log-Log
Pourcentage (%) 64 % 17 % 19 %
Nombre 31 21 -
Rapport de Hill
Pourcentage (%) 48 % 33 % -
Nombre 40 12 -
Statistique de Jackson
Pourcentage (%) 63 % 19 % -
IV.2.3 Utilisation des critères d’ajustement
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.
Le critère d’information bayésien, couramment utilisé pour les modèles linéaires

généralisés, mène plus que le critère d’Akaike à la sélection de lois à deux paramètres.
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).
Le nombre de paramètre est une caractéristique spécifique à la loi de distribution

considérée et parfois déterminant du type de loi à utilisé, qu’on ne peut en aucun cas le
réduire. Parfois, la simplification contribue à l’augmentation du biais de l’estimation dans le
cadre d’une analyse fréquentielle.
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 -
IV.2.3.1 Critère d’Akaike (AIC) et Critère Bayésien (BIC).
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:
L’ajustement par la méthode du maximum de vraisemblance fait apparaître que le

modèle log-normale à deux paramètres (LN-2), se classe en premier lieu par rapport à
l’ensemble des modèles utilisés. Le modèle Gumbel (EVI) vient en deuxième position et le
modèle exponentiel vient en troisième position.
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)
Lois de distribution (méthode d’ajustement) Nombre de Stations Nombre de Stations (%)

Lognormale (Maximum de vraisemblance) 24 37 %
Gumbel (Maximum de vraisemblance) 21 32 %
Exponentielle (Maximum de vraisemblance) 11 17 %
GEV (Maximum de vraisemblance) 6 9%
Pearson type III (Maximum de vraisemblance) 3 5%
Log-Pearson type III (Méthode SAM) 0 0%
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 :
- L’ajustement par la méthode du maximum de vraisemblance fait apparaître que le

modèle log-normale à deux paramètres LN (2), se classe en premier lieu par rapport à
l’ensemble des modèles utilisés. Le modèle EVI (Gumbel) vient en deuxième position.
- L’ajustement par la méthode des moments fait apparaître que le modèle log Pearson-3,
se classe en premier lieu par rapport à l’ensemble des modèles utilisés. Le modèle EVI
(Gumbel) vient en deuxième ordre.
- Par contre la méthode des moments pondérés donne plus d’importance à la loi GEV, et
la loi EVI (Gumbel) en fonction du critère utilisé, le critère AIC met la loi GEV en
premier ordre par contre le critère BIC met cette loi en deuxième ordre après la loi de
Gumbel.
- Sur l’ensemble des résultats on remarque bien que le modèle EVI (Gumbel) présente
des ajustements significatifs quelque soit la méthode d’ajustement.
- 68 -
Tableau IV-3 : Pourcentage de sélection des distributions considérées (critères AIC et BIC)
Critère AIC Critère BIC

Modèle Méthode d’ajustement Méthode d’ajustement
MV MM MMP MV MM MMP
Gumbel 14% 29% 43% 14% 57% 64%
Exponentiel 7% 0% 0% 14% 0% 0%
GEV 7% 7% 57% 0% 0% 36%
Log Normale (2) 57% 7% 0% 64% 7% 0%
Log Pearson-3 7% 43% 0% 7% 29% 0%
Pearson-3 7% 14% 0% 0% 7% 0%
IV.2.4 Validation par la comparaison des résultats des

erreurs (RMSE) et (MAE)
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.
EVI 120 EVI

4.5 Exp
Exp GEV
4.0
GEV 100 LN2
3.5 P3
LN2
80
3.0 P3
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 -
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).
L’analyse visuelle de l’ajustement des lois de Gumbel et de LN(2) confirme la

tendance des lois à surestimer les valeurs fortes, dont ils sont marqués par de fortes valeurs
- 70 -
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
V. Utilisation d’une distribution de valeurs

extrêmes généralisée
Nous avons donc recherché un modèle fréquentiel capable de rendre compte du régime
des pluies au niveau de la région steppique du l’Ouest Algérie. Notre contrainte était
d’estimer les paramètres de la loi et les quantiles pour la prévention des risques liés aux
valeurs extrêmes de façon fiable et robuste. Les résultats obtenues pour le modèle GEV
étaient significativement très satisfaisants et donnent plus d’avantage à l’utilisation de cette
loi de distribution pour la région d’étude. La loi générale des valeurs extrêmes (GEV) est bien
identifiée depuis plusieurs décennies, et l’on sait qu’elle se ramène à trois familles de
distribution (Fréchet, Gumbel, Weibull).
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.
V.1 Occurrences de valeurs extrêmes dans un ensemble

d’observations
Dans le contexte des données pluviométriques de l’Ouest Algérien nous disposons de

65 postes pluviométriques avec des durées d’observations allant de 20 à 90 ans, soit un total
de n=2630 stations-années.
- 72 -
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
avec pour valeur moyenne : K = N / T
Donc avec N=2630 on devrait avoir en moyenne 233 pluies décennales, 23 pluies
centennales…
En plus, l’intérêt d’étudier la convergence des parties extrêmes des distributions et

d’utiliser les périodes de retour fait apparaitre les écarts et qui a le mérite d’avoir une
signification concrète et importante en hydrologie (Bernier, 1956).
On peut imaginer pour chaque poste pluviométrique de procéder à un ajustement et

ainsi associer à chaque hauteur de pluie, sa période de retour. Sur les 2630 observations de 65
variables aléatoires on devrait avoir 233 pluies avec des périodes de retour supérieures ou
égales à 10. Ceci serait vrai si les ajustements étaient parfaits or il n’en est rien: avec une
quarantaine d’observations par poste, on constate que la présence d’une valeur réellement
exceptionnelle (T=1000 par exemple) va augmenter l’estimation de la dispersion et les
paramètres d’ajustement. La période de retour T’ attribuée à cette valeur sera donc nettement
inférieure à 1000. Il n’est pas possible de quantifier de façon analytique le nombre total de
valeurs ayant des périodes de retour supérieures à un seuil car cela dépend des lois de
distribution et des tailles des échantillons. On peut cependant approcher ces nombres par
simulation (Lettenmaier et Potter., 1985).
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 -
10000
T-Générés
T'
T-Théoriques
Période de retour 1000
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).
V.2 Les limites à l’utilisation de la loi de gumbel
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.
V.2.1 Validation à l’échelle de la station
V.2.1.1 Validation par examen des ajustements graphiques
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 -
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.
Il est donc généralement très difficile (Koutsoyiannis, 2004) de déterminer sur un

échantillon hydrologique de taille restreinte (n<100) si la loi de Gumbel est adaptée ou pas.
V.2.1.2 Validation par examen du seuil de signification du coefficient

de forme k
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 -
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
Figure V-3: Analyse statistique des valeurs expérimentales de k centrées et réduites
V.2.1.3 Validation par analyse du nombre d’occurrences de valeurs

extrêmes
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).
La courbe des T de Gumbel est systématiquement au dessus de l’intervalle de confiance

à 70% au delà d’une période de retour de 15 ans environ.
- 76 -
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).
V.3 Utilisation de la loi GEV
V.3.1 Peut-on caler localement les trois paramètres d’une GEV ?
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.
V.3.1.1 Trop forte incertitude sur k
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 -
Nombre de stations dans l'intervalle de confiance à 90% Valeurs ajustées de k

60 0,8
0,6
50 Moyenne (k=-0.053)
0,4
40 0,2
30 0
-0,2
20 -0,4
10 -0,6
0 -0,8
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4 1 6 11 16 21 26 31 36 41 46 51 56 61

Valeur de k Station
Figure V-5: Nombre de station entrant dans Figure V-6:Estimations ponctuelles de k et

l’intervalle de confiance à 90% (différents k) leur intervalle de confiance à 90%
V.3.1.2 Pas de structure spatiale
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).
Figure V-7: Variogramme expérimental du paramètre de forme k
- 78 -
V.3.1.3 Choix d’un paramètre de forme constant sur la zone d’étude
Du fait, de la forte incertitude sur l’estimation de k et le manque d’une structure

spatiale significative. Il a été jugé nécessaire de trouver une seul valeur de k pour l’ensemble
de la région d’étude. En effet, pour mettre en évidence l’influence du paramètre de forme (k)
sur l’ajustement de cette loi, la valeur de k sera fixée en imposant des valeurs variant entre -
0,38 et 0,38 selon les vraies valeurs de l’estimateur de k obtenues pour les 65 échantillons
disponibles. Les résultats des ajustements de l’ensemble des stations permettent de retenir
comme une première remarque, que l’ajustement de cette loi de probabilité est meilleure 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.
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.
V.3.1.4 Validation par analyse du nombre d’occurrences de valeurs

extrêmes
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
10000 10000 IC70%

IC70%
T (k=-0,0015) T(k=-0,025)
IC70% IC70%
Mediane Mediane
T-Théorique T-Théorique
1000 1000
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
10000 10000 IC70%

IC70%
T (k=-0,053) T (k=-0,07)
IC70% IC70%
Mediane Mediane
T-Théorique T-Théorique
1000 1000
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
Figure V-8: Comparaison des nombres théoriques et expérimentaux de réalisation de pluies
- 80 -
V.3.1.5 Analyse du comportement asymptotique de la distribution
La distribution EV2, représente un comportement asymptotique hyper-exponentiel.

Par rapport à la distribution de Gumbel, la loi EV2 a pour effet d’augmenter les valeurs des
pluies correspondant à une période de retour donnée, l’augmentation étant sensible à partir
des périodes de retour comprises entre 50 et 100 ans (Koutsoyiannis 2004a). Cette hypothèse
a été confirmée à travers l’étude de 169 stations de plus de 100 ans d’observation situées aux
Etats Unis, Grande Britagne et Sud de France (Koutsoyiannis 2004b).
L’analyse du comportement asymptotique a été menée en comparant graphiquement

(sur papier de Gumbel) en chaque point des valeurs de Cs et de Yn, simulées et observées
pour la région d’étude. Suivant Rossi et al. (1984) :
- L’asymétrie, Cs est donnée par la formule:
n∑ ( x − x ) 3
Cs = V-3
( n − 1)( n − 2) s 3
- La variable réduite, Yn est calculée à partir de la valeur maximale Xn par :
( xn − x )
Yn = V-4
s
avec : xn valeur maximale, x la moyenne, s l’écart-type.
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 -
4.00 6.00
3.50
5.00
3.00 GEV
GEV 4.00
Valeur Max.Standard (Yn)

2.50
Assymetrie (Cs)
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
Figure V-9:Valeurs observées et simulées de la Figure V-10:Valeurs observées et simulées de la

fonction de distribution de la valeur de l’asymétrie fonction de distribution de la valeur Max. Standard
Yn
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.
En plus l’analyse du nombre d’occurrences de valeurs extrêmes montre que la loi de

Gumbel supposée adaptée à toutes les stations fait apparaitre beaucoup trop d’occurrence de
précipitations supérieures à la centennale. Alors, en utilisant la loi de Gumbel sur cette zone
de l’Algérie, il y aura 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 15 ans.
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.
En ce qui concerne le comportement rectiligne de la queue droite des modèles de distributions

aux données observées, l’analyse effectuée a mis en évidence un bon comportement de la loi
EV2 par rapport à la loi EV1.
- 82 -
Chapitre VI :
ANALYSE STATISTIQUE À
L’ÉCHELLE RÉGIONALE
Chapitre VI : Analyse statistique régionale des pluies journalières maximales
VI. Analyse statistique régionale des pluies

journalières maximales
La conception des ouvrages hydrauliques (infrastructures et de dispositifs de sécurité), la
prévention des inondations et la gestion des réservoirs nécessitent une connaissance des
écoulements aux sites où se posent ces problèmes de conception et de gestion pour avoir un
développement durable qui implique une vision élargie du bien-être humain, une perspective à
long terme des conséquences des activités actuelles et une coopération globale pour parvenir à
des solutions viables.
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).
Les méthodes d’analyse de fréquence régionale sont 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, elles sont aussi utilisées pour permettre
une description globale des caractéristiques de la structure spatiale des différents phénomènes
hydrologiques dans une région. Ainsi, l’incorporation de l’information régionale dans
l’analyse de fréquence des précipitations est devenue plus importante.
En effet, L’analyse statistique à l’échelle locale (échelle de la station), à montrer que

les deux modèles utilisés peuvent s’ajuster aux séries des pluies journalières maximales de la
région d’étude, avec des différences liées généralement à la méthode d’ajustement mais on
accorde plus d’avantage à la loi GEV par rapport à la loi de Gumbel.
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 -
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.
En effet, la première étape de l’estimation régionale d’une variable

hydrométéorologique est la décomposition de la zone d’étude en groupes homogènes de
stations. Les méthodes couramment utilisées en hydrologie pour constituer des groupes
homogènes de stations sont en général basées sur la détermination d’indices régionaux et
l’analyse multivariée. L’élément fondamental de la phase d’identification des groupes
homogènes est la spécification des variables caractérisant cette homogénéité et la validation
de l’homogénéité des régions ainsi définies.
VI.1 Constitution de groupes de stations et test

d’homogénéité
VI.1.1 Sélection d’une loi statistique régionale
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 -
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)
Figure VI-1 : Diagramme des L-moments des échantillons étudiés
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.
VI.1.2 Constitution et validation des régions homogènes
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
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 -
VI.1.2.1 Test de la discordance
De façon plus quantitative, on a calculé la mesure de discordance pour chacune

des 65 stations examinées. Les résultats obtenus et qui sont mentionnés sur le tableau
ci-dessous, varient de (0.01 station de MARHOUM à 6.02 station AIN BOUCIF). Une vue
globale sur la répartition des résultats de discordance (figure VI-2), permet de distinguer trois
groupes de stations situées en deux zones bien distinctes géographiquement.
- Un groupe de stations situé surtout dans la partie Nord-Ouest de la région d’étude,

avec des valeurs de discordances Di variant entre 0 et 1.
- Un deuxième groupe de stations qui occupe la zone Sud et Nord Est de la région
d’étude, avec des valeurs de discordances Di variant entre 1 et 6 ;
Le test de la discordance est considéré comme la première phase dans l’étude

d’homogénéité de la région d’étude, afin de séparer les stations qui présentent certaines
discordances avec l’ensemble de la région.
Tableau VI-1: Résultats du test de discordance

N° Code Nom de Station Nbr. Obs. Moyenne L-CV L-SKEW L-KURT Di
1 010502 ZMALET EL AMIR AEK 26 25.9 0.429 0.325 0.227 2.12
2 010602 AIN ZERGUINE 22 46.5 0.275 0.201 0.202 0.17
3 010701 AIN BAADJ 24 33.2 0.201 0.066 0.077 0.8
4 010703 RECHAIGA 47 35.4 0.272 0.302 0.155 0.52
5 010706 SIDI BOUDAOUD 28 19.2 0.408 0.166 0.093 2.12
6 010803 MEHDIA 33 37.3 0.187 0.26 0.247 0.69
7 010901 SOUGUEUR 79 35.7 0.218 0.23 0.174 0.16
8 010904 DAHMOUNI TRUMULET 31 43.9 0.178 0.291 0.243 0.93
9 011003 COLONEL BOUGARA 31 37.6 0.222 0.277 0.184 0.37
10 011004 KHEMISTI 34 26 0.237 -0.054 0.233 5.33
11 011006 TISSEMSILT 23 38 0.201 0.307 0.192 0.85
12 011104 AIN BOUCIF 50 31.2 0.227 0 0.198 2.77
13 011206 CHAHBOUNIA 25 26.2 0.389 0.439 0.296 2.26
14 011208 BOUGHZOUL 51 26 0.214 0.257 0.099 1.11
15 011301 KSAR EL BOUKHARI 24 40.5 0.257 0.42 0.371 2.34
16 011302 DERRAG 57 60 0.234 0.253 0.208 0.15
17 011404 ZOUBIRIA MONGORNO 65 48.8 0.236 0.215 0.154 0.07
18 011603 BORDJ EL AMIR AEK 67 55.3 0.263 0.238 0.16 0.06
19 011604 KHERBA OD HELLAL 35 18.9 0.235 0.376 0.355 1.93
20 013002 FRENDA 35 39.5 0.16 0.106 0.114 0.79
21 013004 AIN EL HADDID 33 35.7 0.16 0.244 0.174 0.92
22 050102 CHELLALAT EL ADAOURA 33 36.3 0.274 0.21 0.078 0.64
23 050201 DRAA EL HADJAR 27 31.5 0.176 0.083 0.079 0.88
24 051703 SLIM 30 32.9 0.216 -0.049 0.121 2.67
25 052002 AIN RICH 29 22.6 0.462 0.32 0.173 2.81
26 052102 BORDJ L’AGHA 24 17.7 0.546 0.326 0.093 6.02
27 060104 SEKLEFA 25 32.4 0.295 0.315 0.311 1.13
28 060202 AIN MAHDI 30 37 0.268 0.388 0.352 1.82
29 060203 TADJMOUT-2 61 28.2 0.259 0.179 0.289 1.53
30 060302 EL HOUITA 22 25.8 0.209 0.211 0.112 0.52
31 060401 SIDI MAKHLOUF 28 19.7 0.246 0.107 0.064 0.63
32 060403 KSAR EL HIRANE 25 28.4 0.214 0.153 0.138 0.18
33 080102 EL ARICHA 43 29.2 0.235 0.253 0.205 0.13
34 080201 EL AOUEDJ (BELHADJI 31 25.8 0.263 0.282 0.156 0.34
35 080401 MEKMEN BEN AMAR 26 29.3 0.272 0.351 0.185 0.86
- 86 -
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
Figure VI-2 : Carte de la répartition spatiale des valeurs de discordance

- 88 -
VI.1.2.2 Test d’homogénéité
Pour valider l’homogénéité d’une région en termes de rapports de L-moments, nous

appliqué aux événements pluviaux extrêmes du Canada par Alila (1999).
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).
De fait de l’hétérogénéité de l’ensemble de la zone par rapport au L-Cv et L-Cs, nous

avons procédé à des regroupements de stations en fonction des valeurs du test de discordance
(Di). Nous avons constitué deux groupes de stations, le premier groupe est celui des stations
qui ont un Di<1 (tout en basant par cette sélection sur le résultat du test de la discordance
qu’on a vu précédemment), alors que le deuxième est constitué à partir des stations
qui ont un 1≤ Di ≤ 6. Ce dernier a été divisé en deux sous groupes à cause de son
hétérogénéité et la présence de certaines stations en discordances avec les autres, de ce fait
nous obtenons trois groupes homogènes (tableau VI-2) caractérisant trois sous régions bien
distinctes géographiquement.
Tableau VI-2 : Résultat du test d’homogénéité des différents groupes
Groupe Nbr. Stations Nbr. Obs H1 H2 H3 ZDIST L-cv L-cs L-ck

Ensemble 65 2338 10.51 1.66 - 0.32 - 0.82 0.250 0.212 0.174
Groupe I 23 909 0.53 - 0.95 - 1.13 0.51 0.234 0.204 0.158
Groupe II 18 717 1.31 - 0.72 - 1.13 0.20 0.224 0.242 0.176
Groupe III 14 409 0.03 - 0.44 0.43 - 1.63 0.257 0.197 0.195
Groupe IV 10 303 4.34 3.84 1.91 -1.19 0.353 0.187 0.186
- 89 -
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)
Figure VI-3 : Diagramme des L-moments des stations du Groupe I
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
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
τ3 (L-Skewness)
Figure VI-4 : Diagramme des L-moments des stations du Groupe II
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 -
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
Moyenne Observée
0.00
-0.40 -0.20 0.00 0.20 0.40 0.60 0.80 1.00
τ3 (L-Skewness)
Figure VI-5 : Diagramme des L-moments des stations du Groupe III
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.
Tableau VI-3 : Résultat de l’ajustement des distributions aux différents groupes
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 -
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 -
Figure VI-6 : Carte de répartition des stations par groupes homogènes
- 93 -
VI.1.4 Courbes de distribution régionale
L’analyse statistique régionale des pluies journalières maximale, consistait à

augmenter la taille de l’échantillon d’analyse en élargissant le domaine spatial d’observation
et à analyser simultanément les observations de différents postes de mesure d’une zone
supposée homogène. Les distributions des différents sites d’une même région homogène sont
considérées comme identiques, à un facteur multiplicatif près, appelé indice de pluies
régional. Cette approche permet d’établir les courbes de distribution régionale de chaque
groupe de stations qualifié d’être homogène en termes de L-moments.
VI.1.4.1 Estimation des précipitations par l’approche de l’indice de

pluie régional
Après avoir déterminer la meilleure loi de distribution susceptible de représenté les

pluies journalières maximales de la région d’étude, ainsi que les paramètres caractérisant cette
loi de distribution pour chaque groupe. Nous avons tracé les courbes de distribution
régionales des trois groupes de stations décrites comme étant homogènes en termes de L-
moments (figures VI-1 a, b et c).
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.
L’hypothèse principale de la méthode de l’indice de pluie a été vérifiée, la distribution

statistique des pluies journalières maximales est similaire dans les trois groupes homogènes.
Tableau VI-4 : Valeurs des indices de pluies en fonction des périodes de retours
Périodes de retours (ans)

Région
2 5 10 20 50 100 200 500
Region I 0.91 1.30 1.56 1.83 2.20 2.49 2.79 3.20
Region II 0.90 1.28 1.55 1.82 2.20 2.50 2.82 3.26
Region III 0.91 1.30 1.58 1.89 2.35 2.76 3.24 3.97
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
Figure VI-7 : Courbe de distribution régionale
- 95 -
VI.1.4.2 Analyse de la performance de la méthode régionale
Afin d’évaluer la fiabilité de la méthode régionale d’estimation des quantiles proposée,

nous calculons pour chaque période de retour, la racine carrée de l’erreur quadratique
moyenne (RMSE) relative ainsi que le biais relatif lié à l’estimation régionale. Dont les
résultats sont récapitulés dans le tableau VII-1 ci-dessous.
Tableau VI-5 : Résultats des RMSE et Biais des quantiles estimés
T Biais (%) RMSE (%)

2 13.06 14.17
5 13.69 14.7
10 13.41 15.07
20 13.93 17.02
50 14.9 21.05
100 15.69 24.84
200 16.64 29.2
500 18.02 35.54
1000 19.4 40.84
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
Figure VI-8 : Variation de la RMSE et du biais en fonction de la période de retour.
- 96 -
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.
Tableau VI-6 : Ecarts due à l’estimation régionale des Quantiles
OUED TARIA MECHERIA AIN SKHOUNA

T X(T)Région X(T)Site Ecarts X(T)Région X(T)Site Ecarts X(T)Région X(T)Site Ecarts
2 35.3 30.8 4.5 36.22 31.07 5.1 25.0 21.5 3.5
5 50.4 42.3 8.1 51.74 45.73 6.0 35.7 33.4 2.3
10 60.5 50.7 9.8 62.09 56.61 5.5 42.9 41.8 1.1
20 71 59.3 11.7 72.83 68.04 4.8 50.3 50.3 -0.02
50 85.4 71.3 14.0 87.56 84.42 3.1 60.5 62.1 -1.6
100 96.6 81.1 15.5 99.1 97.98 1.1 68.5 71.4 -2.9
200 108.3 91.5 16.7 111 112.7 -1.6 76.7 81.1 -4.4
500 124.2 106.4 17.8 127.4 134.1 -6.8 88.0 94.8 -6.8
1000 137.1 118.5 18.4 140.5 152 -11.5 97.1 105.8 -8.7
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 -
valeurs supérieures (respectivement inférieures) à celles estimées localement, le modèle

régional a tendance à surestimer (respectivement sous-estimer) les quantiles associés aux
grandes périodes de retour.
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 -
Conclusion
Cette partie avait l’intention de répondre à une préoccupation, relative à la

détermination des quantiles de pluies maximales pour obtenir une meilleure protection contre
les inondations. Ainsi, la régionalisation des pluies journalières maximales annuelles a permis
de souligner trois groupes homogènes dans la région étudiée. La méthode L-moments a
permis de déterminer la loi de probabilité en vertu de laquelle sont distribués les différents
échantillons de pluies extrêmes, qui est la loi de valeurs extrêmes généralisée (GEV).
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
VII. Estimation et cartographie des quantiles de

pluies fréquentielles
Comme nous l’annoncions plus haut, l’objectif central de cette partie est la recherche
d’un modèle de distribution pour d’analyse de fréquence des événements pluviaux extrêmes.
Dans cette section nous allons présenter les résultats de l’application de la procédure proposée
plus haut pour l’estimation des quantiles associés aux précipitations journalières maximales
annuelles de la région steppique de l’Ouest Algérie.
VII.1 Estimation des quantiles

L’estimation des précipitations extrêmes correspondant aux quantiles de périodes de
retours couramment utilisées en hydrologie est l’étape finale de la procédure d’analyse
fréquentielle, pour chacun des sites d’une région.
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 -
Tableau VII-1 : Précipitations fréquentielles estimées en fonction des périodes de retours
Moy. Pluies fréquentielles (mm)

Code Nom Station
PJmax T (2 ans) T (5 ans) T (10 ans) T (50 ans) T (100 ans)
010602 AIN ZERGUINE 41,2 37,1 52,3 63,0 91,4 105,0
010701 AIN BAADJ 29,3 26,4 37,3 44,9 65,1 74,8
010703 RECHAIGA 31,3 28,2 39,7 47,9 69,5 79,8
010803 MEHDIA 33,0 29,7 41,9 50,5 73,3 84,1
010901 SOUGUEUR 31,6 28,4 40,1 48,3 70,1 80,5
010904 DAHMOUNI TRUMULET 38,9 35,0 49,4 59,5 86,3 99,2
011003 COLONEL BOUGARA 33,3 30,0 42,3 50,9 73,9 84,9
011006 TISSEMSILT 33,6 30,3 42,7 51,5 74,7 85,8
011208 BOUGHZOUL 23,0 20,7 29,2 35,1 51,0 58,6
011301 KSAR EL BOUKHARI 35,9 32,3 45,5 54,9 79,6 91,4
011302 DERRAG 53,1 47,8 67,4 81,2 117,8 135,3
011404 ZOUBIRIA MONGORNO 43,2 38,9 54,9 66,1 95,9 110,1
011603 BORDJ EL AMIR AEK 49,0 44,1 62,2 74,9 108,7 124,9
013002 FRENDA 34,9 31,5 44,4 53,5 77,6 89,1
013004 AIN EL HADDID 31,6 28,4 40,1 48,3 70,1 80,5
050102 CHELLALAT EL ADAOURA 32,1 28,9 40,8 49,1 71,3 81,9
050201 DRAA EL HADJAR 27,2 24,5 34,5 41,6 60,4 69,3
051703 SLIM 29,1 26,5 38,8 47,2 67,6 76,9
060104 SEKLEFA 28,7 26,1 38,2 46,5 66,6 75,8
060202 AIN MAHDI 32,7 29,8 43,5 53,0 75,9 86,4
060203 TADJEMOUT 2 24,5 22,3 32,6 39,7 56,9 64,8
060302 EL HOUITA 22,8 20,8 30,4 37,0 53,0 60,3
060401 SIDI MAKHLOUF 17,4 15,9 23,2 28,2 40,4 46,0
060403 KSAR EL HIRANE 24,2 22,0 32,2 39,2 56,1 63,8
080102 EL ARICHA 25,9 23,6 33,6 40,4 56,9 64,5
080201 EL AOUEDJ (Belhadji B,) 22,9 20,8 29,7 35,7 50,3 56,9
080401 MEKMENE BEN AMAR 26,0 23,6 33,7 40,5 57,1 64,6
080501 MARHOUM 23,5 21,4 30,5 36,6 51,6 58,4
080602 KHALFALLAH 22,0 20,1 28,6 34,4 48,5 54,9
080701 MEDRISSA 32,6 29,7 42,4 50,9 71,8 81,2
080902 STITTEN 32,3 29,4 42,0 50,4 71,0 80,4
081401 MECHERIA 35,2 32,1 45,8 55,0 77,5 87,8
081502 BOUGTOB 25,1 22,8 32,6 39,2 55,2 62,5
081901 AIN SKHOUNA CAMP 24,3 22,1 31,6 37,9 53,5 60,5
110203 EL HACAIBA 31,3 28,5 40,7 48,9 68,9 78,0
110501 MERINE 30,2 27,4 39,2 47,0 66,3 75,1
110802 DAOUD YOUB 34,9 31,8 45,4 54,5 76,8 87,0
111112 HAMMAM RABI 29,1 26,5 37,9 45,5 64,1 72,6
111201 OUED TARIA 34,2 31,1 44,4 53,3 75,2 85,1
111203 AIN BALLOUL 35,5 32,3 46,2 55,4 78,1 88,4
111210 TAMESNA 31,3 28,5 40,7 48,9 68,9 78,0
111404 AOUF M,F, 52,7 47,9 68,5 82,2 115,9 131,2
130329 BOU SEMGHOUM 26,7 24,3 34,7 41,7 58,8 66,5
130332 AIN EL ORAK 18,7 17,0 24,8 30,2 43,3 49,3
130333 GHASSOUL 21,9 19,9 29,1 35,5 50,8 57,8
130334 SIDI AHMED BELABBES 26,0 23,7 34,6 42,2 60,4 68,7
130335 ARBA TAHTANI 23,8 21,7 31,7 38,6 55,2 62,8
130336 ASLA 22,4 20,4 29,1 35,0 49,3 55,8
130339 EL ABIOD SIDI CHEIKH 23,2 21,1 30,8 37,5 53,7 61,2
130344 BREZINA 21,5 19,6 28,6 34,9 50,0 56,9
130356 AIN SEFRA ANRH 25,2 22,9 32,7 39,2 55,3 62,6
130357 DJENIENE BOU REZG 20,0 18,2 26,6 32,4 46,5 52,9
160406 KHEMIS OULD MOUSSA 55,4 50,4 72,0 86,4 121,8 137,8
- 101 -
VII.2 Cartographie des précipitations fréquentielles

Les paramètres hydrométéorologiques constituent l’information initiale sur laquelle
repose toute modélisation. Or, le réseau de stations fournis les données hydrométéorologiques
est d’autant plus inégalement répartit sur le territoire, que l’on se trouve en présence d’une
région montagneuse. En effet, La forme du relief caractérisée par les gradients altimétriques,
les effets des crêtes ainsi que l’influence du site constituent des facteurs majeurs pour rendre
compte de la non-adéquation de l’application des méthodes classiques d’interpolation pour
estimer la pluie aux sites dépourvus de stations au niveau d’un bassin donné.
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.
Deux approches sont largement utilisées pour l’estimation spatiale de la pluie :
• L’approche géostatistique (krigeage), après avoir identifier la structure spatiale à partir

des valeurs mesurées aux postes pluviométriques (Hevesi et al., 1992).
• L’approche basée sur les relations statistiques entre les précipitations et les
caractéristiques de relief (l’altitude, l’altitude lissée, l’exposition, les effets de site, la
distance à la mer ...) (Laborde 1984, Laborde 1993, Bénichou et Le Breton 1987,
Marand et Zumstein 1990, Meddi 1992 et Meddi et al., 1998).
Cette dernière approche permet d’appréhender le rôle du relief et complète le manque

procuré par l’insuffisance du réseau de mesure.
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.
Pour procéder à la cartographie et l’interpolation spatiale des paramètres de pluies

pour les différentes périodes de retour nous avons également utilisé des données
géographiques relatives à la région d’étude et aux 55 stations (tableau VII-2), La longitude x,
L’altitude lissée (extrait de MNT de nord de l’Algérie établi par l’ANRH) et la distance à la
mer (d-mer).
- 102 -
Tableau VII-2 : Paramètres utilisés pour la cartographie des précipitations fréquentielles
Altitude Longitude Moy. Indices de pluies régionales

Code Nom Station d-mer
(m) (km) PJmax 2ans 5ans 10ans 50ans 100ans
010602 AIN ZERGUINE 786 456 147 41.2 0.9 1.27 1.53 2.22 2.55
010701 AIN BAADJ 1025 376 146 29.3 0.9 1.27 1.53 2.22 2.55
010703 RECHAIGA 830 407 129 31.3 0.9 1.27 1.53 2.22 2.55
010803 MEHDIA 903 387 126 33.0 0.9 1.27 1.53 2.22 2.55
010901 SOUGUEUR 1120 363 148 31.6 0.9 1.27 1.53 2.22 2.55
010904 DAHMOUNI TRUMULET 878 361 122 38.9 0.9 1.27 1.53 2.22 2.55
011003 COLONEL BOUGARA 820 406 112 33.3 0.9 1.27 1.53 2.22 2.55
011006 TISSEMSILT 858 393 106 33.6 0.9 1.27 1.53 2.22 2.55
011208 BOUGHZOUL 643 480 105 23.0 0.9 1.27 1.53 2.22 2.55
011301 KSAR EL BOUKHARI 630 477 89 35.9 0.9 1.27 1.53 2.22 2.55
011302 DERRAG 1160 445 75 53.1 0.9 1.27 1.53 2.22 2.55
011404 ZOUBIRIA MONGORNO 1000 486 69 43.2 0.9 1.27 1.53 2.22 2.55
011603 BORDJ EL AMIR AEK 1080 434 83 49.0 0.9 1.27 1.53 2.22 2.55
013002 FRENDA 990 321 156 34.9 0.9 1.27 1.53 2.22 2.55
013004 AIN EL HADDID 829 307 149 31.6 0.9 1.27 1.53 2.22 2.55
050102 CHELLALAT -ADAOURA 1004 538 91 32.1 0.9 1.27 1.53 2.22 2.55
050201 DRAA EL HADJAR 726 538 113 27.2 0.9 1.27 1.53 2.22 2.55
051703 SLIM 1070 567 221 29.1 0.91 1.33 1.62 2.32 2.64
060104 SEKLEFA 995 440 285 28.7 0.91 1.33 1.62 2.32 2.64
060202 AIN MAHDI 985 435 313 32.7 0.91 1.33 1.62 2.32 2.64
060203 TADJEMOUT 2 885 456 302 24.5 0.91 1.33 1.62 2.32 2.64
060302 EL HOUITA 900 449 326 22.8 0.91 1.33 1.62 2.32 2.64
060401 SIDI MAKHLOUF 900 501 296 17.4 0.91 1.33 1.62 2.32 2.64
060403 KSAR EL HIRANE 710 512 327 24.2 0.91 1.33 1.62 2.32 2.64
080102 EL ARICHA 1250 661 139 25.9 0.91 1.3 1.56 2.2 2.49
080201 EL AOUEDJ (Belhadji B,) 1075 659 265 22.9 0.91 1.3 1.56 2.2 2.49
080401 MEKMENE BEN AMAR 1050 710 219 26.0 0.91 1.3 1.56 2.2 2.49
080501 MARHOUM 1115 758 150 23.5 0.91 1.3 1.56 2.2 2.49
080602 KHALFALLAH 1100 249 173 22.0 0.91 1.3 1.56 2.2 2.49
080701 MEDRISSA 1105 339 177 32.6 0.91 1.3 1.56 2.2 2.49
080902 STITTEN 1410 336 303 32.3 0.91 1.3 1.56 2.2 2.49
081401 MECHERIA 1167 753 248 35.2 0.91 1.3 1.56 2.2 2.49
081502 BOUGTOB 1000 231 202 25.1 0.91 1.3 1.56 2.2 2.49
081901 AIN SKHOUNA CAMP 1000 302 204 24.3 0.91 1.3 1.56 2.2 2.49
110203 EL HACAIBA 950 705 114 31.3 0.91 1.3 1.56 2.2 2.49
110501 MERINE 951 738 123 30.2 0.91 1.3 1.56 2.2 2.49
110802 DAOUD YOUB 657 755 95 34.9 0.91 1.3 1.56 2.2 2.49
111112 HAMMAM RABI 695 243 126 29.1 0.91 1.3 1.56 2.2 2.49
111201 OUED TARIA 480 235 89 34.2 0.91 1.3 1.56 2.2 2.49
111203 AIN BALLOUL 1014 269 135 35.5 0.91 1.3 1.56 2.2 2.49
111210 TAMESNA 1005 268 151 31.3 0.91 1.3 1.56 2.2 2.49
111404 AOUF M,F, 990 260 109 52.7 0.91 1.3 1.56 2.2 2.49
130329 BOU SEMGHOUM 985 221 332 26.7 0.91 1.3 1.56 2.2 2.49
130332 AIN EL ORAK 1290 289 323 18.7 0.91 1.33 1.62 2.32 2.64
130333 GHASSOUL 1250 333 345 21.9 0.91 1.33 1.62 2.32 2.64
130334 SIDI AHMED BELABBES 1210 361 336 26.0 0.91 1.33 1.62 2.32 2.64
130335 ARBA TAHTANI 600 274 349 23.8 0.91 1.33 1.62 2.32 2.64
130336 ASLA 1170 773 313 22.4 0.91 1.3 1.56 2.2 2.49
130339 EL ABIOD SIDI CHEIKH 903 270 367 23.2 0.91 1.33 1.62 2.32 2.64
130344 BREZINA 927 338 377 21.5 0.91 1.33 1.62 2.32 2.64
130356 AIN SEFRA ANRH 1072 727 344 25.2 0.91 1.3 1.56 2.2 2.49
130357 DJENIENE BOU REZG 1019 706 373 20.0 0.91 1.33 1.62 2.32 2.64
160406 KHEMIS OULD MOUSSA 1000 632 69 55.4 0.91 1.3 1.56 2.2 2.49
- 103 -
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.
VII.2.1 Régressions entre la moyenne des pluies journalières

et les paramètres géographiques
Différentes régression linéaire multiples sont effectuées entre la moyenne des

précipitations journalières maximales annuelles et les paramètres explicatifs représentatifs du
site et de la situation des stations pluviométriques. Les résultats les plus significatifs montrent
que les précipitations moyennes sont fonction de trois variables explicatives à savoir
l’altitude (z), la longitude (x) et la distance à la mer (d-mer).
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)
Figure VII-1 : Régression entre la moyenne des PJmax et la distance à la mer
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 -
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 :
Pˆ = 60.41 + 0.00316 z − 0.00394 x − 5.666 dmer 0.33 .
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.
VII.2.1.1 Cartes de pluies fréquentielles
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.
Les cartes établies montrent la répartition des précipitations journalières maximales

annuelles de fréquences biennales, quinquennales, décennales, cinquantennales et centennales
(figures VII-2, VII-3, VII-4, VII-5 et VII-6) dans la région steppique de l’ouest Algérie
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.
Les quantiles estimés dans l’intervalle de 45 à 55 mm caractérisent le reste de la

région d’étude.
- 105 -
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 -
Figure VII-2 : Quantiles estimés pour une période de retour Biennale
- 107 -
Figure VII-3 : Quantiles estimés pour une période de retour quinquennale
- 108 -
Figure VII-4 : Quantiles estimés pour une période de retour décennale

- 109 -
Figure VII-5 : Quantiles estimés pour une période de retour cinquantennale

- 110 -
Figure VII-6 : Quantiles estimés pour une période de retour centennale

- 111 -
Conclusion
L’étude statistique des précipitations journalières maximales qui nous a permis de

déterminer la loi de probabilité selon laquelle sont distribués les différents échantillons des
pluies extrêmes. Elle nous a permis aussi, de procéder à une estimation des quantiles des
pluies extrêmes sur la base des paramètres estimés par la loi GEV.
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
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.
La région steppique de l’Ouest Algérie a un relief dominé 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’hydrologie de cette région est caractérisée par
l’alternance de crues courtes brutales et d’étiages sévères, dont les débits sont partout très
faibles.
En outre, L’analyse statistique des occurrences de pluie de fréquence rares associées

aux événements extrêmes suggère de plus en plus d’intérêt dans le domaine des sciences de
l’eau.
De ce fait, nous avons essayé le long de ce travail de trouver un modèle fréquentiel

capable de rendre compte du régime des pluies à une échelle fine de la région steppique de
l’Ouest Algérie. Le développement d’un tel modèle constitue la base de l’information
nécessaire à la prévention des risques liés aux inondations et au dimensionnement de certains
ouvrages hydrauliques.
Selon la littérature sur l’analyse statistique des pluies journalières maximales

annuelles, plusieurs des lois de distributions statistiques ont été utilisées, à savoir; la loi des
valeurs extrêmes généralisées (GEV), loi de Gumbel (EVI), loi Pearson-3, la loi Log-Pearson
3 (LP3), la loi Log-Normal et la loi exponentielle. Nous avons aussi appliqué ces différents
lois en utilisant des données locales et régionales, la comparaison entre ces lois de
distribution, assurée par le biais du calcul de critères et d’indices d’ajustement et l’analyse du
comportement statistique de la queue droite de la fonction de distribution de ces modèles.
La première partie de ce travail a été consacré à l’échantillonnage des données utilisées

a travers la sélection et le traitement des données relatives aux (65) stations pluviométriques
disponibles pour la région d’étude. Les séries d’observations disponibles au niveau des
stations choisies ont permis de constituer (65) échantillons relatifs aux (65) stations
pluviométriques.
D’abord nous avons effectué une vérification de l’indépendance, d’homogénéité et de

stationnarité des données de chaque échantillon. Les résultats des teste de Wald-Wolfowitz,
Wilcoxon et Kendall ont permis d’admettre que chaque donnée est fournie selon les lois du
- 113 -
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 -
En plus l’analyse du nombre d’occurrences de valeurs extrêmes montre que la loi de

Gumbel supposée adapté à toutes les stations fait apparaitre beaucoup trop d’occurrence de
précipitations supérieures à la centennale. Alors, en utilisant la loi de Gumbel sur cette zone
de l’Algérie, il y aura 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 15 ans.
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.
La régionalisation des pluies journalières maximales annuelles de la région d’étude a

permis de distinguer trois groupes homogènes. La méthode des L-moments a permis de
déterminer la loi de probabilité en vertu de laquelle sont distribués les différents échantillons
de pluies extrêmes, il s’agit dans ce cas de la loi des valeurs extrêmes généralisée (GEV).
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 -
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 -
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 -
Koutsoyiannis, D. (2004b) ‘Statistics of extremes and estimation of extreme rainfall: 2.

Empirical investigation of long rainfall records’, Hydrological Sciences Journal, Vol. 49, No.
4, pp.591-610.
Koutsoyiannis, D. and Baloutsos, G. (2000) ‘Analysis of a long record of annual maximum
rainfall in Athens, Greece, and design rainfall inferences’, Natural Hazards, Vol. 22, No. 1,
pp.31-51.
Koutsoyiannis D., (2006) ‘An entropic-stochastic representation of rainfall intermittency : the
origin of clustering and persistence’. Water Resources Research, 42.
Kysely J., Picek J. et Gaal L., (2006) ‘Regional growth curves and improved design value
estimates of extreme precipitation events in the Czech Republic’ Geophysical Research
Abstracts, Vol. 8, 02550.
Kysely, J. and Picek, J. (2007) ‘Regional growth curves and improved design value estimates
of extreme precipitation events in the Czech Republic’, Climate Research, Vol. 33, No. 3,
pp.243-255.
Landwehr, J. M., Matalas, N. C. et Wallis J. R. (1979) ‘Probability-weighted moments
compared with some traditional techniques in estimating Gumbel parameters and quantiles’.
Water Resour. Res. 15: 1055-1064.
Lebarbier E., Mary-Huard T. (2004) ‘Le critère BIC: fondements théoriques et interprétation’,
INRIA n° 5315.
Lettenmaier, D.P. et Potter, K.W. (1985) ‘Testing flood frequency estimation methods using a
regional flood generation model’, Water Resources Research, Vol. 21, No. 12, pp.1903-1914.
Laborde J.P., (1984) ‘Analyse des données et cartographie automatique en hydrologie ;
éléments d’hydrologie lorraine’. Thèse de doctorat Sciences, Université de Nancy, 484 p.
Laborde J.P., (1993) ‘Carte pluviométrique de l’Algérie du nord à l’échelle du 1/500 000 -
notice explicative’. A.N.R.H. Janvier 1993.
Mann, H. B., et Whitney, D. R. (1947) ‘On a test of whether one of 2 random variables is
stochastically larger than the other’. Annals of Mathematical Statistics, 18, 50-60.
Marand C. et Zumstein J.F., (1990) ‘La modélisation des précipitations moyennes annuelles
appliquée au Massif vosgien’. Hydrologie continentale, Vol. 5, No 1, 29-39
Meddi M. (1992) ‘Hydrologie et transport solide dans le bassin versant de l’oued Mina
(Algérie)’. Thèse Unique Université Louis pasteur Strasbourg 320 p
Meddi H., Meddi M., (2009) ‘Variabilité des précipitations annuelles du Nord-Ouest de
l’Algérie’. Sécheresse, 20 (1), 57-65.
Meddi M. et Meddi H., (1998) ‘Etude des pluies journalières et annuelles dans le Sahara
Algérien’. Revue Sécheresse Volume 9, Numéro 3 Septembre 1998. pp. 193-199 (Lieu
d’édition : France).
Mehdadi Z., Benaouda Z., Latrech A., Benhassaini H. et Bouchaour L., (2004) ‘Contribution
à l’étude de la régénération naturelle de Stipa tenacissima. dans les hautes plaines steppiques
de Sidi Bel-Abbès (Algérie occidentale)’. Rev. Sèch. 15, 2 : 167-171.
Mora, R.D., Bovier, C., Neppel, L. and Niel, H. (2005) ‘Approche régionale pour l’estimation
des distributions ponctuelles des pluies journalières dans le Lanquedoc Roussillon, France’,
- 119 -
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 -
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
Période de retour
10000
IC70%
T (k=-0,025)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 172 -
Période de retour
10000
IC70%
T (k=-0,030)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,035)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 173 -
Période de retour
10000
IC70%
T (k=-0,040)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,045)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 174 -
Période de retour
10000
IC70%
T (k=-0,050)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,053)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 175 -
Période de retour
10000
IC70%
T (k=-0,055)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,056)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 176 -
Période de retour
10000
IC70%
T (k=-0,060)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,065)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 177 -
Période de retour
10000
IC70%
T (k=-0,070)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
Période de retour
10000
IC70%
T (k=-0,075)
IC70%
Médiane
T-Théorique
1000
100
10
1
1 10 100 1000 10000
- 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
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
C : Groupe 3
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
- 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 -

02 17 130

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

02 17 130

Transféré par

Droits d'auteur :

Formats disponibles

Analyse statistique des pluies journalières dans la

région steppique de l’Ouest Algérie

Mots clés : Pluies, Maximales Journalières, Statistiques, Distributions, GEV, Gumbel,

Keywords: Rainfall, maximum daily, Statistics, Distributions, GEV, Gumbel, Steppes of

III.1.1 Disponibilité des données d’observations pluviométriques ............................ - 49 -

Liste des Tableaux

Liste des Figures

Figure VI-1 : Diagramme des L-moments des échantillons étudiés......................................................... - 85 -

Les précipitations constituent la composante fondamentale de l’hydrologie et la

En hydrologie on s’intéresse d’abord aux distributions elles-mêmes, à l’ampleur des

Toutefois, les précipitations surtout liquides, constituent le facteur essentiel

Plusieurs aspects significatifs de notre vie et de notre environnement sont influencés

régime des précipitations. De plus, les caractéristiques fondamentales des séries

• Le 20 octobre 1993 (Ouest Algérien) : 22 décès et 14 blessés à oued Rhiou.

• Octobre 1994 (plusieurs régions du pays) : 60 décès et des dizaines de disparus au

• Le 22 octobre 2000 (Ouest Algérie) : plus de 24 décès.

En particulier, l’oued Cheliff a enregistré lui aussi d’énormes inondations à savoir :

Les informations disponibles dans le domaine de l’hydrologie sont, généralement, des

L’approche statistique de prédiction, qui consiste en une analyse fréquentielle locale,

Enfin, pour évaluer la pertinence de chaque approche à savoir l’approche locale ou

Pour extraire l’information pertinente d’un échantillon et le décrire, on ajuste celui-ci à

Il existe un grand nombre de distributions statistiques (figure I-1) et de méthodes

Figure I-1 : Divergences des modèles statistiques à l’extrapolation,

Depuis plusieurs décennies, la loi générale

Par ailleurs, l’analyse

Ce chapitre a pour objectif de décrire les principales caractéristiques des distributions

I.2 Littérature sur l’analyse statistique des pluies

L’analyse fréquentielle des pluies maximales s’intéresse à la recherche d’une

De nombreux travaux sur l’analyse régionale des précipitations s’inspirent de

Muller (2006) s’est intéressée dans sa thèse au comportement de la distribution locale

Benabdesselem et Hammar (2009), leur étude consistait en une estimation de la

L’Agence Nationale des Ressources Hydraulique (2007) a procédé à une cartographie

I.3 Bases théorique et outils d’investigation

Disposant de l’ensemble des valeurs d’un phénomène, tirer au hasard un échantillon de n

La population est un nombre infini de valeurs qui définissent le phénomène. Un sous-

f ( x ).dx = prob ( x ≤ X ≤ x + dx ) I-2

La formulation exacte de cette fréquence empirique a fait l’objet de plusieurs critiques

Auteur Valeur de (a) Formule

I.3.2 Indépendance, stationnarité et homogénéité

I.3.2.1 Indépendance des échantillons

I.3.2.2 Homogénéité des échantillons

Un changement dans l’emplacement du pluviomètre, la construction de nouveaux

I.3.2.3 Stationnarité des échantillons

I.4 Théorie des valeurs extrêmes

Cependant, lorsque l’on cherche à caractériser le comportement des extrêmes d’un

asymptotique rigoureuse, permettent d’appréhender le problème de l’extrapolation de façon

I.4.1 Distribution statistiques des Valeurs extrêmes

Dans le domaine de l’hydrologie, le travail de l’hydrologue consiste à faire coïncider

En outre, la validité des résultats d’une analyse fréquentielle dépend du choix du

Les lois d’ajustement sont nombreuses et ne peuvent être appliquées à un échantillon

• Loi de Galton ou loi Log-Normale;

• Loi gamma généralisée;

• Loi de Pearson ІІІ;

• Loi de Log-Pearson ІІІ;

• Loi de Gumbel ou loi doublement exponentielle;

• Loi GEV (valeurs extrêmes généralisée).

I.4.1.1 Loi exponentielle:

La fonction de distribution est telle que :

I.4.1.2 Loi Log Normale à deux paramètres (LN2)

La loi Log Normale admet pour fonction de densité de probabilité :

La variable réduite standard est donnée par ln x − ln x

L’équation de la variable réduite présentée sous la forme ln x = ln x + u.σ ln x

Avec : μ et σ sont des paramètres de la fonction