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 5 – Chapitre 13 : Modèles de type multi-régression La comparaison des variables explicatives sélectionnées pour la construction des modèles optimaux par les deux méthodes met en évidence deux principaux points : - Les variables hydrauliques Vr, Vr TP et Qmax sont sélectionnées dans les modèles par les deux méthodes : Vr ou Vr TP pour les masses totales, Qmax pour les CME totales à Chassieu, Vr ou Vr TP à Ecully. Cette observation est cohérent avec les résultats de l’analyse des données de la partie 4. - Les autres variables des modèles diffèrent significativement entre les deux méthodes, à l’exception des variables CumH 52 ou CumH 72 à Ecully pour les CME qui sont sélectionnées par les deux méthodes. Les valeurs de RMSE des modèles obtenus par les deux méthodes sont comparées dans les Figures 13.2 et 13.3, respectivement pour les sites de Chassieu et Ecully : - Quelles que soient les grandeurs, la prise en compte d’une quatrième variable dans le modèle par recherche systématique ne permet pas une amélioration significative, avec un gain de RMSE inférieur à 5 %, à l’exception des CME à Ecully (écarts de l’ordre de 10 %). Dans le cas des CME totales à Chassieu, un modèle à 2 variables s’avère suffisant. - Les résultats obtenus par les deux méthodes pour les CME totales sont comparables. - Pour les masses totales, la recherche systématique donne des résultats meilleurs que la méthode semi-automatique, avec des écarts de l’ordre de 10 % à Chassieu et jusqu’à plus de 50 % à Ecully dans le cas de la DCO. - Pour les contributions pluviales à Ecully, les résultats obtenus par la méthode systématique sont dans les quatre cas meilleurs que par la sélection semiautomatique, spécialement pour les masses de DCO. Rmse (kg) 400 300 200 100 SSA RS 2 RS 3 RS 4 Rmse (mg/L) 200 150 100 50 SSA RS 2 RS 3 RS 4 0 MMES MDCO 0 CMEMES CMEDCO Figure 13.2. RMSE pour les modèles optimaux obtenus par sélection semi-automatique (SSA) et par recherche systématique (RS) avec des modèles de 2 à 4 variables, pour les masses totales (à gauche) et les CME totales (à droite) à Chassieu 224
Partie 5 – Chapitre 13 : Modèles de type multi-régression Rmse (kg) 1000 800 600 400 200 SSA RS 2 RS 3 RS 4 Rmse (mg/L) 600 450 300 150 SSA RS 2 RS 3 RS 4 0 0 MMES MDCO MMES_TP MDCO_TP CMEMES CMEDCO CMEMES_TP CMEDCO_TP Figure 13.3. RMSE pour les modèles optimaux obtenus par sélection semi-automatique (SSA) et par recherche systématique (RS) avec des modèles de 2 à 4 variables, pour les masses totales (à gauche) et les CME totales (à droite) à Ecully Cette comparaison met en évidence l’intérêt de l’utilisation d’une méthode de recherche systématique, beaucoup plus rapide par rapport à une méthode semi-automatique. Dans le cas des masses de MES et DCO, ces résultats montrent clairement que la subjectivité du modélisateur est susceptible d’affecter de manière significative les résultats. Les Figures 13.4 à 13.15 présentent les valeurs expliquées simulées en fonction des valeurs observées pour les modèles obtenus par sélection automatique (à gauche dans les Figures) et par recherche systématique pour le modèle à 3 variables (à droite dans les Figures). Dans l’ordre, les Figures représentent : - Les masses totales de MES et de DCO à Chassieu (Figures 13.4 et 13.5) et à Ecully (Figures 13.6 et 13.7). - Les CME totales de MES et de DCO à Chassieu (Figures 13.8 et 13.9) et à Ecully (Figures 13.10 et 13.11). - Les contributions pluviales en MES et en DCO à Ecully, pour les masses (Figures 13.12 et 13.13) et les CME (Figures 13.14 et 13.15). Les graphiques montrent que les masses sur les deux sites sont bien reproduites en tendance, avec des critères de Nash supérieurs à 0.7 par la méthode de recherche systématique. En revanche, les CME sur les deux sites sont mal simulées, avec une sous-estimation systématique des grandes valeurs. Ceci est particulièrement marqué dans le cas de Chassieu, avec des critères de Nash proches de 0. L’hypothèse d’un problème d’optimisation numérique lié aux ordres de grandeur des variables expliquées et explicatives a été vérifiée. L’analyse effectuée n’a pas permis la construction de modèles significativement meilleurs. 225
- 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 and 238: 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: 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
- Page 288 and 289: Partie 5 - Chapitre 15 : Méthodolo
- Page 291: Partie 6 - Résultats des tests Int
- Page 294 and 295: Partie 6 - Chapitre 16 : Test des m
- Page 296 and 297: Partie 6 - Chapitre 16 : Test des m
- Page 298 and 299: Partie 6 - Chapitre 16 : Test des m
- Page 300 and 301: Partie 6 - Chapitre 16 : Test des m
Partie 5 – Chapitre 13 : Modèles <strong>de</strong> type multi-régression<br />
Rmse (kg)<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
SSA<br />
RS 2<br />
RS 3<br />
RS 4<br />
Rmse (mg/L)<br />
600<br />
450<br />
300<br />
150<br />
SSA<br />
RS 2<br />
RS 3<br />
RS 4<br />
0<br />
0<br />
MMES<br />
MDCO<br />
MMES_TP<br />
MDCO_TP<br />
CMEMES<br />
CMEDCO<br />
CMEMES_TP<br />
CMEDCO_TP<br />
Figure 13.3. RMSE pour les modèles optimaux obtenus par sélection semi-automatique (SSA) <strong>et</strong> par recherche<br />
systématique (RS) avec <strong>de</strong>s modèles <strong>de</strong> 2 à 4 variables, pour les masses totales (à gauche) <strong>et</strong> les CME totales (à<br />
droite) à Ecully<br />
C<strong>et</strong>te comparaison m<strong>et</strong> en évi<strong>de</strong>nce l’intérêt <strong>de</strong> l’utilisation d’une métho<strong>de</strong> <strong>de</strong> recherche<br />
systématique, beaucoup plus rapi<strong>de</strong> par rapport à une métho<strong>de</strong> semi-automatique. Dans le cas<br />
<strong>de</strong>s masses <strong>de</strong> MES <strong>et</strong> DCO, ces résultats montrent clairement que la subjectivité du<br />
modélisateur est susceptible d’affecter <strong>de</strong> manière significative les résultats.<br />
Les Figures 13.4 à 13.15 présentent les valeurs expliquées simulées en fonction <strong>de</strong>s valeurs<br />
observées pour les modèles obtenus par sélection automatique (à gauche dans les Figures) <strong>et</strong> par<br />
recherche systématique pour le modèle à 3 variables (à droite dans les Figures). Dans l’ordre,<br />
les Figures représentent :<br />
- Les masses totales <strong>de</strong> MES <strong>et</strong> <strong>de</strong> DCO à Chassieu (Figures 13.4 <strong>et</strong> 13.5) <strong>et</strong> à<br />
Ecully (Figures 13.6 <strong>et</strong> 13.7).<br />
- Les CME totales <strong>de</strong> MES <strong>et</strong> <strong>de</strong> DCO à Chassieu (Figures 13.8 <strong>et</strong> 13.9) <strong>et</strong> à<br />
Ecully (Figures 13.10 <strong>et</strong> 13.11).<br />
- Les contributions pluviales en MES <strong>et</strong> en DCO à Ecully, pour les masses<br />
(Figures 13.12 <strong>et</strong> 13.13) <strong>et</strong> les CME (Figures 13.14 <strong>et</strong> 13.15).<br />
Les graphiques montrent que les masses sur les <strong>de</strong>ux sites sont bien reproduites en tendance,<br />
avec <strong>de</strong>s critères <strong>de</strong> Nash supérieurs à 0.7 par la métho<strong>de</strong> <strong>de</strong> recherche systématique. En<br />
revanche, les CME sur les <strong>de</strong>ux sites sont mal simulées, avec une sous-estimation systématique<br />
<strong>de</strong>s gran<strong>de</strong>s valeurs. Ceci est particulièrement marqué dans le cas <strong>de</strong> Chassieu, avec <strong>de</strong>s critères<br />
<strong>de</strong> Nash proches <strong>de</strong> 0. L’hypothèse d’un problème d’optimisation numérique lié aux ordres <strong>de</strong><br />
gran<strong>de</strong>ur <strong>de</strong>s variables expliquées <strong>et</strong> explicatives a été vérifiée. L’<strong>analyse</strong> effectuée n’a pas<br />
permis la construction <strong>de</strong> modèles significativement meilleurs.<br />
225