Traitement et analyse de séries chronologiques continues de ...
Traitement et analyse de séries chronologiques continues de ... Traitement et analyse de séries chronologiques continues de ...
Partie 4 – Chapitre 12 : Variabilité des flux de temps de pluie simplifier encore le modèle. Pour les deux paramètres, les distributions se rapprochent d’une loi normale, mais de façon moins nette pour b 2 à Chassieu. Fonction de densité 120 100 80 60 40 20 Degré 3 Degré 4 Degré 5 Fonction de densité 120 100 80 60 40 20 Degré 3 Degré 4 Degré 5 0 -0.1 -0.05 0 0.05 0.1 Résidus 0 -0.1 -0.05 0 0.05 0.1 Résidus Figure 12.21. Distribution des résidus obtenus avec les modèles des courbes M(V) par polynômes de degré 3 à 5, pour Chassieu (à gauche) et Ecully (à droite) Tableau 12.9. Résultats de l’analyse statistique des résidus entre les courbes M(V) observées et simulées, par des polynômes de degré 3 à 5 : valeurs moyennes, écarts types et intervalles de couverture minimum à 95 % (ICmin 95 % ) Site Degré Moyenne Ecart type ICmin 95 % Ecully 3 0.0013 0.0267 [-0.0563, 0.0619] 4 0.0010 0.0159 [-0.0340, 0.0368] 5 0.0006 0.0118 [-0.0261, 0.0270] Chassieu 3 0.0004 0.0252 [-0.0544, 0.0522 4 0.0007 0.0187 [-0.0395, 0.0382 5 0.0001 0.0135 [-0.0275, 0.0287] 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 12.22. Exemple de modélisation d’une courbe M(V) par un polynôme de degré 3, pour un événement classé dans le groupe A, 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 208
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
- Page 186 and 187: Partie 4 - Chapitre 10 : Variabilit
- Page 188 and 189: Partie 4 - Chapitre 10 : Variabilit
- Page 190 and 191: Partie 4 - Chapitre 10 : Variabilit
- Page 192 and 193: Partie 4 - Chapitre 11 : Estimation
- Page 194 and 195: Partie 4 - Chapitre 11 : Estimation
- Page 196 and 197: Partie 4 - Chapitre 11 : Estimation
- Page 198 and 199: Partie 4 - Chapitre 11 : Estimation
- Page 200 and 201: Partie 4 - Chapitre 11 : Estimation
- Page 202 and 203: Partie 4 - Chapitre 11 : Estimation
- Page 205 and 206: Partie 4 - Chapitre 12 : Variabilit
- Page 207 and 208: Partie 4 - Chapitre 12 : Variabilit
- Page 209 and 210: Partie 4 - Chapitre 12 : Variabilit
- Page 211 and 212: Partie 4 - Chapitre 12 : Variabilit
- Page 213 and 214: Partie 4 - Chapitre 12 : Variabilit
- Page 215 and 216: Partie 4 - Chapitre 12 : Variabilit
- Page 217 and 218: Partie 4 - Chapitre 12 : Variabilit
- Page 219 and 220: Partie 4 - Chapitre 12 : Variabilit
- Page 221 and 222: Partie 4 - Chapitre 12 : Variabilit
- Page 223 and 224: Partie 4 - Chapitre 12 : Variabilit
- Page 225 and 226: Partie 4 - Chapitre 12 : Variabilit
- Page 227 and 228: Partie 4 - Chapitre 12 : Variabilit
- Page 229 and 230: Partie 4 - Chapitre 12 : Variabilit
- Page 231 and 232: Partie 4 - Chapitre 12 : Variabilit
- Page 233 and 234: Partie 4 - Chapitre 12 : Variabilit
- Page 235: Partie 4 - Chapitre 12 : Variabilit
- Page 239 and 240: Partie 4 - Analyse des données : C
- Page 241: Partie 5 Choix des modèles et mét
- Page 245 and 246: Partie 5 - Chapitre 13 : Modèles d
- Page 247 and 248: Partie 5 - Chapitre 13 : Modèles d
- Page 249 and 250: Partie 5 - Chapitre 13 : Modèles d
- Page 251 and 252: Partie 5 - Chapitre 13 : Modèles d
- Page 253 and 254: Partie 5 - Chapitre 13 : Modèles d
- Page 255 and 256: Partie 5 - Chapitre 13 : Modèles d
- Page 257 and 258: Partie 5 - Chapitre 13 : Modèles d
- Page 259: Partie 5 - Chapitre 13 : Modèles d
- Page 262 and 263: Partie 5 - Chapitre 14 : Modèles d
- Page 264 and 265: Partie 5 - Chapitre 14 : Modèles d
- Page 266 and 267: Partie 5 - Chapitre 14 : Modèles d
- Page 268 and 269: Partie 5 - Chapitre 14 : Modèles d
- Page 270 and 271: Partie 5 - Chapitre 14 : Modèles d
- Page 272 and 273: Partie 5 - Chapitre 14 : Modèles d
- Page 274 and 275: Partie 5 - Chapitre 14 : Modèles d
- Page 276 and 277: Partie 5 - Chapitre 14 : Modèles d
- Page 278 and 279: Partie 5 - Chapitre 14 : Modèles d
- Page 280 and 281: Partie 5 - Chapitre 15 : Méthodolo
- Page 282 and 283: Partie 5 - Chapitre 15 : Méthodolo
- Page 284 and 285: Partie 5 - Chapitre 15 : Méthodolo
Partie 4 – Chapitre 12 : Variabilité <strong>de</strong>s flux <strong>de</strong> temps <strong>de</strong> pluie<br />
1<br />
Masse cumulée / Masse totale<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 0.2 0.4 0.6 0.8 1<br />
Volume cumulé / Volume total<br />
Figure 12.23. Exemple <strong>de</strong> modélisation d’une courbe M(V) par un polynôme <strong>de</strong> <strong>de</strong>gré 3, pour un événement<br />
classé dans le groupe C2, site d’Ecully : courbe observée en bleu (-), modélisée en rouge (--), <strong>et</strong> courbes<br />
enveloppes Y = X 1.159 <strong>et</strong> Y = X 0.862 en noir ( . -) autour <strong>de</strong> la bissectrice<br />
4<br />
4<br />
b1<br />
2<br />
b1<br />
2<br />
0<br />
0<br />
5<br />
5<br />
b2<br />
0<br />
b2<br />
0<br />
-5<br />
-5<br />
0 2 4 -5 0 5<br />
0 2 4 -5 0 5<br />
b1<br />
b2<br />
b1<br />
b2<br />
Figure 12.24. Distribution <strong>de</strong>s paramètres b 1 <strong>et</strong> b 2 pour un polynôme <strong>de</strong> <strong>de</strong>gré 3 testé pour la modélisation <strong>de</strong>s<br />
courbes M(V), pour Chassieu (à gauche) <strong>et</strong> Ecully (à droite)<br />
L’<strong>analyse</strong> <strong>de</strong> la variabilité inter événementielle <strong>de</strong>s flux polluants m<strong>et</strong> en évi<strong>de</strong>nce<br />
l’existence <strong>de</strong> corrélations linéaires partielles entre les gran<strong>de</strong>urs événementielles <strong>et</strong> les<br />
caractéristiques <strong>de</strong>s événements. Les variables traditionnellement testées ont été considérées<br />
ainsi qu’un panel <strong>de</strong> nouvelles variables, sur la base <strong>de</strong> la littérature <strong>et</strong> <strong>de</strong>s données locales<br />
disponibles.<br />
Les résultats obtenus sont variables suivant les sites <strong>et</strong> les gran<strong>de</strong>urs considérées. Des<br />
corrélations plus élevées sont observées pour la masse par rapport aux CME, où pour<br />
l’ensemble <strong>de</strong>s variables considérées, les coefficients <strong>de</strong> corrélation linéaire restent inférieurs à<br />
0.5 en valeur absolue.<br />
Ces résultats m<strong>et</strong>tent en évi<strong>de</strong>nce la difficulté <strong>de</strong> sélectionner, par une simple <strong>analyse</strong><br />
statistique, une combinaison <strong>de</strong> variables explicatives, dans la perspective <strong>de</strong> la construction <strong>de</strong><br />
modèles <strong>de</strong> régression événementiels locaux. C<strong>et</strong> exercice apparaît en eff<strong>et</strong> difficile du fait <strong>de</strong> :<br />
i) la difficulté d’interpréter les coefficients <strong>de</strong> corrélation, avec une signification physique ou<br />
phénoménologique <strong>et</strong> <strong>de</strong> ii) l’existence <strong>de</strong> corrélations entre chacune <strong>de</strong>s variables <strong>de</strong>ux à <strong>de</strong>ux.<br />
209