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 L’analyse des courbes M(V) montre l’existence d’une grande variabilité des courbes pour les 263 et 239 événements mesurés respectivement à Chassieu et Ecully, ce qui corrobore les observations d’études antérieures. Les variables considérées dans le cadre de ce travail n’ont pas permis, par la méthode d’ACP, l’établissement de relations entre les formes des courbes et les caractéristiques des événements. Cependant une analyse des distributions des variables considérées séparément en fonction des groupes A, B et C met en évidence quelques pistes significatives en vu de la modélisation : le rôle de l’intensité de la pluie dans l’érosion des particules et l’influence des conditions de temps sec antérieures sur la dynamique des flux polluants. Enfin, une modélisation simple des courbes M(V) par des fonctions de type polynôme a été proposée. Les résultats montrent que cette fonction semble appropriée et potentiellement utilisable dans la perspective d’une gestion opérationnelles des flux polluants. 210
Partie 4 – Analyse des données : Conclusion Conclusion L’analyse des données confirme l’intérêt des mesures en continu de turbidité pour l’amélioration de notre connaissance des processus de génération des flux polluants des rejets urbains par temps de pluie. Le nombre important d’événements et le mesurage des flux à pas de temps courts, ont permis de caractériser de manière fiable la variabilité des flux de MES et de DCO de temps sec et de temps de pluie sur les deux sites d’étude. L’analyse des données a été effectuée au moyen d’outils d’analyse statistiques, couplés à des analyses graphiques des flux. Des méthodes et outils analytiques simples, facilement utilisables dans un contexte opérationnel, ont été mis en œuvre, par exemple l’analyse des coefficients linéaires et l’analyse en composantes principales. Ces outils ont permis de faciliter le travail d’exploitation des données (ou « data mining »), qui est d’autant plus difficile manuellement que le nombre de données à analyser est important. Les résultats obtenus pour les sites de Chassieu et Ecully sont mitigés. Si les analyses mettent en évidence des corrélations entre les flux polluants et certaines caractéristiques des événements, notre compréhension des processus reste partielle. Ceci s’explique d’une part par la limite des outils analytiques eux-mêmes, et la connaissance a priori partielle que nous avons des processus de génération des flux. Si nous sommes conscients des limites de l’analyse visuelle, sujette à la subjectivité de l’analyste, l’étude graphique des flux polluants a permis dans ce travail de caractériser de manière qualitative la variabilité des flux et de formuler des hypothèses sur leurs processus de génération. Les principaux résultats obtenus, qui seront pris en compte pour le choix de structures de modèles dans la suite de la thèse, concernent les points suivants : Etude de temps sec à Ecully - Une étude fine des profils journaliers de débit et de turbidité sur la période 2007- 2008 a permis de distinguer trois principales classes de profils de temps sec au cours de l’année : jours de semaine hors vacances scolaires, de week-end hors vacances scolaires et de vacances scolaires. - L’étude de la variabilité des flux de temps sec au long de l’année a mis en évidence la part significative d’infiltration lente, après le ressuyage du ruissellement rapide sur la surface du bassin versant. - La variabilité des profils au cours de l’année n’a pas pu être caractérisée par des relations simples. - L’hypothèse d’une quantité négligeable de dépôts dans les réseaux de Chassieu et Ecully, formulé sur la base d’expertise et des résultats d’études antérieures, a été confirmée. - Une méthode d’estimation de la contribution de temps sec lors des événements pluvieux a été proposée et appliquée dans la perspective du travail de modélisation. Une méthode pour l’évaluation de l’incertitude sur cette estimation a été proposée. 211
- 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 and 236: Partie 4 - Chapitre 12 : Variabilit
- Page 237: Partie 4 - Chapitre 12 : Variabilit
- 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
- Page 286 and 287: Partie 5 - Chapitre 15 : Méthodolo
Partie 4 – Analyse <strong>de</strong>s données : Conclusion<br />
Conclusion<br />
L’<strong>analyse</strong> <strong>de</strong>s données confirme l’intérêt <strong>de</strong>s mesures en continu <strong>de</strong> turbidité pour<br />
l’amélioration <strong>de</strong> notre connaissance <strong>de</strong>s processus <strong>de</strong> génération <strong>de</strong>s flux polluants <strong>de</strong>s rej<strong>et</strong>s<br />
urbains par temps <strong>de</strong> pluie. Le nombre important d’événements <strong>et</strong> le mesurage <strong>de</strong>s flux à pas <strong>de</strong><br />
temps courts, ont permis <strong>de</strong> caractériser <strong>de</strong> manière fiable la variabilité <strong>de</strong>s flux <strong>de</strong> MES <strong>et</strong> <strong>de</strong><br />
DCO <strong>de</strong> temps sec <strong>et</strong> <strong>de</strong> temps <strong>de</strong> pluie sur les <strong>de</strong>ux sites d’étu<strong>de</strong>.<br />
L’<strong>analyse</strong> <strong>de</strong>s données a été effectuée au moyen d’outils d’<strong>analyse</strong> statistiques, couplés à<br />
<strong>de</strong>s <strong>analyse</strong>s graphiques <strong>de</strong>s flux.<br />
Des métho<strong>de</strong>s <strong>et</strong> outils analytiques simples, facilement utilisables dans un contexte<br />
opérationnel, ont été mis en œuvre, par exemple l’<strong>analyse</strong> <strong>de</strong>s coefficients linéaires <strong>et</strong> l’<strong>analyse</strong><br />
en composantes principales. Ces outils ont permis <strong>de</strong> faciliter le travail d’exploitation <strong>de</strong>s<br />
données (ou « data mining »), qui est d’autant plus difficile manuellement que le nombre <strong>de</strong><br />
données à <strong>analyse</strong>r est important.<br />
Les résultats obtenus pour les sites <strong>de</strong> Chassieu <strong>et</strong> Ecully sont mitigés. Si les <strong>analyse</strong>s<br />
m<strong>et</strong>tent en évi<strong>de</strong>nce <strong>de</strong>s corrélations entre les flux polluants <strong>et</strong> certaines caractéristiques <strong>de</strong>s<br />
événements, notre compréhension <strong>de</strong>s processus reste partielle. Ceci s’explique d’une part par la<br />
limite <strong>de</strong>s outils analytiques eux-mêmes, <strong>et</strong> la connaissance a priori partielle que nous avons<br />
<strong>de</strong>s processus <strong>de</strong> génération <strong>de</strong>s flux.<br />
Si nous sommes conscients <strong>de</strong>s limites <strong>de</strong> l’<strong>analyse</strong> visuelle, suj<strong>et</strong>te à la subjectivité <strong>de</strong><br />
l’analyste, l’étu<strong>de</strong> graphique <strong>de</strong>s flux polluants a permis dans ce travail <strong>de</strong> caractériser <strong>de</strong><br />
manière qualitative la variabilité <strong>de</strong>s flux <strong>et</strong> <strong>de</strong> formuler <strong>de</strong>s hypothèses sur leurs processus <strong>de</strong><br />
génération.<br />
Les principaux résultats obtenus, qui seront pris en compte pour le choix <strong>de</strong> structures <strong>de</strong><br />
modèles dans la suite <strong>de</strong> la thèse, concernent les points suivants :<br />
Etu<strong>de</strong> <strong>de</strong> temps sec à Ecully<br />
- Une étu<strong>de</strong> fine <strong>de</strong>s profils journaliers <strong>de</strong> débit <strong>et</strong> <strong>de</strong> turbidité sur la pério<strong>de</strong> 2007-<br />
2008 a permis <strong>de</strong> distinguer trois principales classes <strong>de</strong> profils <strong>de</strong> temps sec au<br />
cours <strong>de</strong> l’année : jours <strong>de</strong> semaine hors vacances scolaires, <strong>de</strong> week-end hors<br />
vacances scolaires <strong>et</strong> <strong>de</strong> vacances scolaires.<br />
- L’étu<strong>de</strong> <strong>de</strong> la variabilité <strong>de</strong>s flux <strong>de</strong> temps sec au long <strong>de</strong> l’année a mis en<br />
évi<strong>de</strong>nce la part significative d’infiltration lente, après le ressuyage du<br />
ruissellement rapi<strong>de</strong> sur la surface du bassin versant.<br />
- La variabilité <strong>de</strong>s profils au cours <strong>de</strong> l’année n’a pas pu être caractérisée par <strong>de</strong>s<br />
relations simples.<br />
- L’hypothèse d’une quantité négligeable <strong>de</strong> dépôts dans les réseaux <strong>de</strong> Chassieu<br />
<strong>et</strong> Ecully, formulé sur la base d’expertise <strong>et</strong> <strong>de</strong>s résultats d’étu<strong>de</strong>s antérieures, a<br />
été confirmée.<br />
- Une métho<strong>de</strong> d’estimation <strong>de</strong> la contribution <strong>de</strong> temps sec lors <strong>de</strong>s événements<br />
pluvieux a été proposée <strong>et</strong> appliquée dans la perspective du travail <strong>de</strong><br />
modélisation. Une métho<strong>de</strong> pour l’évaluation <strong>de</strong> l’incertitu<strong>de</strong> sur c<strong>et</strong>te estimation<br />
a été proposée.<br />
211