Traitement et analyse de séries chronologiques continues de ...

Partie 4 – Chapitre 12 : Variabilité des flux de temps de pluie
1
Masse cumulée / Masse totale
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
Volume cumulé / Volume total
Figure 12.23. Exemple de modélisation d’une courbe M(V) par un polynôme de degré 3, pour un événement
classé dans le groupe C2, site d’Ecully : courbe observée en bleu (-), modélisée en rouge (--), et courbes
enveloppes Y = X 1.159 et Y = X 0.862 en noir ( . -) autour de la bissectrice
4
4
b1
2
b1
2
0
0
5
5
b2
0
b2
0
-5
-5
0 2 4 -5 0 5
0 2 4 -5 0 5
b1
b2
b1
b2
Figure 12.24. Distribution des paramètres b 1 et b 2 pour un polynôme de degré 3 testé pour la modélisation des
courbes M(V), pour Chassieu (à gauche) et Ecully (à droite)
L’analyse de la variabilité inter événementielle des flux polluants met en évidence
l’existence de corrélations linéaires partielles entre les grandeurs événementielles et les
caractéristiques des événements. Les variables traditionnellement testées ont été considérées
ainsi qu’un panel de nouvelles variables, sur la base de la littérature et des données locales
disponibles.
Les résultats obtenus sont variables suivant les sites et les grandeurs considérées. Des
corrélations plus élevées sont observées pour la masse par rapport aux CME, où pour
l’ensemble des variables considérées, les coefficients de corrélation linéaire restent inférieurs à
0.5 en valeur absolue.
Ces résultats mettent en évidence la difficulté de sélectionner, par une simple analyse
statistique, une combinaison de variables explicatives, dans la perspective de la construction de
modèles de régression événementiels locaux. Cet exercice apparaît en effet difficile du fait de :
i) la difficulté d’interpréter les coefficients de corrélation, avec une signification physique ou
phénoménologique et de ii) l’existence de corrélations entre chacune des variables deux à deux.
209