Traitement et analyse de séries chronologiques continues de ...

Partie 4 – Analyse des données : Conclusion
Variabilité des flux de temps de pluie
- Des corrélations linéaires variables entre les grandeurs événementielles et les
caractéristiques des événements pluvieux ont été mises en évidence.
- L’interprétation de ces corrélations dans la perspective de la construction de
modèles événementiels reste difficile, du fait que la plupart des variables
considérées sont corrélées entre elles.
- Si l’ACP a permis d’affiner l’analyse des corrélations, elle a mis en évidence la
difficulté d’expliquer la variabilité inter-événementielle des flux à partir des
caractéristiques des événements.
- L’analyse statistique des courbes M(V), couplée à une analyse graphique visuelle
a permis de caractériser certains aspects de la dynamique intra-événementielle
des flux :
o L’influence de l’intensité de la pluie et des conditions antérieures de temps sec
sur la dynamique des flux.
o Un léger retard, pour certains événements, de la concentration en MES et en
DCO par rapport au débit en début d’événement.
o La similarité, pour la majorité des événements, des dynamiques des débits et
des flux de polluants en termes d’apparition temporelle des pics.
- Une modélisation des courbes M(V) par une fonction simple de type polynôme a
été proposée, dans la perspective de la prise en compte de la qualité des rejets
dans le dimensionnement des ouvrages de traitement des flux polluants.
Cette analyse constitue un premier travail d’exploitation de la base de données construite à
partir des données de turbidité. Les méthodes et outils utilisés dans ce travail peuvent être
facilement appliqués dans des études opérationnelles. Cette perspective est d’autant plus
envisageable que certaines analyses peuvent être facilement automatisées ou optimisées. Par
exemple la caractérisation des classes de temps sec pourrait être effectuée par une analyse de
type clustering. La méthode d’estimation de la contribution de temps sec pourrait également être
davantage automatisée.
L’application de méthodes de data mining plus poussées de type analyse spectrale ou
modèles de réseaux de neurones, aussi bien pour les flux de temps sec que de temps de pluie,
permettra certainement d’améliorer encore, dans un futur proche, nos connaissances sur les sites
de Chassieu et Ecully.
212