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 6 – Chapitre 17 : Test des modèles Accumulation-Erosion-Transfert iii) les résultats pour le test du modèle de qualité et enfin iv) les conclusions de ce travail et les perspectives qu’il ouvre. 17.1 Résultats généraux Modèle de résidus Quel que soit le modèle, hydrologique ou qualité, et la structure des modèles testés, l’hypothèse des Moindres Carrés Ordinaires n’est pas vérifiée par l’analyse a posteriori des résidus. Ces derniers ne sont pas distribués normalement, avec une présence d’hétéroscédasticité et une auto-corrélation significatives. Une fonction de vraisemblance globale (GLF) a donc été testée. Temps de calcul de l’algorithme DREAM Pour les deux modèles et pour les meilleurs calages, moins de 25 000 évaluations sont nécessaires pour parvenir à échantillonner un jeu suffisant de paramètres suivant la distribution a posteriori. Les temps de calage avec l’ordinateur ordinaire utilisé pour les tests (Dual Core 2.26 GHh, 2 Go de RAM) sont de l’ordre de 10 minutes pour le modèle hydrologique et de 50 minutes pour le modèle qualité. Ces résultats sont encourageants, étant donné qu’un ordinateur tout à fait ordinaire a été utilisé et que la technique de calcul en parallèle n’a pas été utilisée. Efficacité de l’apprentissage 4 et 7 itérations, respectivement pour les modèles hydrologiques et qualité, ont été effectuées afin de parvenir à éliminer les problèmes de non identifiabilité des paramètres et à identifier une structure finale des modèles. Ces résultats confirment l’intérêt d’appliquer le principe d’apprentissage. 17.2 Calage du modèle hydrologique Nous rappelons que l’objectif du calage du modèle hydrologique est d’obtenir une simulation la plus performante possible qui sera utilisée ensuite comme entrée du modèle qualité. Un modèle d’erreur performant n’est donc pas requis. Notre objectif est notamment de reproduire au mieux l’ensemble des types d’événements (débits faibles, moyens, élevés), chacun étant susceptible d’engendrer des flux significatifs de polluants à l’exutoire. 17.2.1 Distribution a priori des paramètres Paramètres du modèle hydrologique Le modèle hydrologique n’ayant pas fait l’objet d’analyse antérieure prenant en compte les incertitudes, nous avons considéré une distribution a priori uniforme pour les 6 paramètres de calage du modèle. Les bornes minimum et maximum ont été fixées, respectivement pour les 6 paramètres, sur la base des considérations suivantes : - PI : en référence à l’étude de Bertrand-Krajewski (1992), la perte initiale a été bornée à 1 mm. 282
Partie 6 – Chapitre 17 : Test des modèles Accumulation-Erosion-Transfert - PCP : la perte continue proportionnelle est comprise entre 0 et 1. - K H1 , K H2 : nous avons fixé de manière large la valeur des lag-time des réservoirs linéaires, entre 1 et 20 minutes pour K H1 , et 20 et 45 minutes pour K H2 . - to H : une valeur minimum de 0 (modèle sans retard) et une valeur maximum de 20 minutes ont été considérées pour le paramètre de retard du réservoir linéaire. - S : une variation possible de +/- 30 % de la surface active estimée du bassin versant (54 ha) (cf. Tableau 7.1) est considérée, soit pour Chassieu entre 40 et 80 ha. Les bornes inférieures et supérieures des distributions a priori pour la première analyse, pour les six paramètres, sont récapitulées dans le tableau 17.1. Tableau 17.1. Bornes minimum et maximum des distributions a priori des paramètres du modèle hydrologique dans l’algorithme DREAM pour la première analyse Paramètres Borne inférieure Borne supérieure Unité PI 0 1 mm PCP 0 1 - K H1 1 20 Min K H2 20 45 Min to H 0 20 Min S 40 80 Ha Paramètres du modèle d’erreur Une distribution uniforme a également été considérée pour les paramètres du modèle d’erreur global (GLF). Pour la valeur de la partie fixe de l’écart type, std 0 , un intervalle de [0 - 1 m 3 .s -1 ] a été considéré. Pour les autres paramètres de la GLF, nous reprenons les valeurs proposées par Schoups et Vrugt (2010). Les bornes inférieures et supérieures considérées pour les 6 paramètres potentiels du modèle d’erreur sont récapitulées dans le tableau 17.2. Tableau 17.2. Bornes minimum et maximum des distributions a priori des paramètres du modèle global d’erreur (GLF) considéré dans l’algorithme DREAM Paramètres Borne inférieure Borne supérieure Unité std 0 0 1 m 3 .s -1 std 1 0 1 - Φ 1, Φ 2, Φ 3, Φ 4, 0 1 - β -1 1 - ξ 0.1 10 - μ h 0 1 m 3 .s -1 17.2.2 Résultats 17.2.2.1 Itérations Quatre itérations avec des modèles différents ont été effectuées. Les valeurs du jeu de paramètres optimal (modèle hydrologique et modèle d’erreur) et des critères de performance 283
- 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
- Page 302 and 303: Partie 6 - Chapitre 16 : Test des m
- Page 304 and 305: Partie 6 - Chapitre 16 : Test des m
- Page 306 and 307: Partie 6 - Chapitre 16 : Test des m
- Page 309: Partie 6 - Chapitre 17 : Test des m
- Page 313 and 314: Partie 6 - Chapitre 17 : Test des m
- Page 315 and 316: Partie 6 - Chapitre 17 : Test des m
- Page 317 and 318: Partie 6 - Chapitre 17 : Test des m
- Page 319 and 320: Partie 6 - Chapitre 17 : Test des m
- Page 321 and 322: Partie 6 - Chapitre 17 : Test des m
- Page 323 and 324: Partie 6 - Chapitre 17 : Test des m
- Page 325 and 326: Partie 6 - Chapitre 17 : Test des m
- Page 327 and 328: Partie 6 - Chapitre 17 : Test des m
- Page 329 and 330: Partie 6 - Chapitre 17 : Test des m
- Page 331 and 332: Partie 6 - Chapitre 17 : Test des m
- Page 333 and 334: Partie 6 - Chapitre 17 : Test des m
- Page 335 and 336: Partie 6 - Chapitre 17 : Test des m
- Page 337 and 338: Partie 6 - Chapitre 17 : Test des m
- Page 339: Partie 6 - Chapitre 17 : Test des m
- Page 343 and 344: Conclusion générale Retour sur la
- Page 345 and 346: Conclusion générale évidence la
- Page 347 and 348: Conclusion générale données acqu
- Page 349: Bibliographie 321
- Page 352 and 353: Bibliographie Bertrand-Krajewski J.
- Page 354 and 355: Bibliographie Bujon G. (1988). Pré
- Page 356 and 357: Bibliographie Dorval F. 2010. Const
- Page 358 and 359: Bibliographie Gupta K. et Saul Adri
Partie 6 – Chapitre 17 : Test <strong>de</strong>s modèles Accumulation-Erosion-Transfert<br />
iii) les résultats pour le test du modèle <strong>de</strong> qualité <strong>et</strong> enfin iv) les conclusions <strong>de</strong> ce travail <strong>et</strong> les<br />
perspectives qu’il ouvre.<br />
17.1 Résultats généraux<br />
Modèle <strong>de</strong> résidus<br />
Quel que soit le modèle, hydrologique ou qualité, <strong>et</strong> la structure <strong>de</strong>s modèles testés,<br />
l’hypothèse <strong>de</strong>s Moindres Carrés Ordinaires n’est pas vérifiée par l’<strong>analyse</strong> a posteriori <strong>de</strong>s<br />
résidus. Ces <strong>de</strong>rniers ne sont pas distribués normalement, avec une présence<br />
d’hétéroscédasticité <strong>et</strong> une auto-corrélation significatives. Une fonction <strong>de</strong> vraisemblance<br />
globale (GLF) a donc été testée.<br />
Temps <strong>de</strong> calcul <strong>de</strong> l’algorithme DREAM<br />
Pour les <strong>de</strong>ux modèles <strong>et</strong> pour les meilleurs calages, moins <strong>de</strong> 25 000 évaluations sont<br />
nécessaires pour parvenir à échantillonner un jeu suffisant <strong>de</strong> paramètres suivant la distribution<br />
a posteriori. Les temps <strong>de</strong> calage avec l’ordinateur ordinaire utilisé pour les tests (Dual Core<br />
2.26 GHh, 2 Go <strong>de</strong> RAM) sont <strong>de</strong> l’ordre <strong>de</strong> 10 minutes pour le modèle hydrologique <strong>et</strong> <strong>de</strong> 50<br />
minutes pour le modèle qualité. Ces résultats sont encourageants, étant donné qu’un ordinateur<br />
tout à fait ordinaire a été utilisé <strong>et</strong> que la technique <strong>de</strong> calcul en parallèle n’a pas été utilisée.<br />
Efficacité <strong>de</strong> l’apprentissage<br />
4 <strong>et</strong> 7 itérations, respectivement pour les modèles hydrologiques <strong>et</strong> qualité, ont été<br />
effectuées afin <strong>de</strong> parvenir à éliminer les problèmes <strong>de</strong> non i<strong>de</strong>ntifiabilité <strong>de</strong>s paramètres <strong>et</strong> à<br />
i<strong>de</strong>ntifier une structure finale <strong>de</strong>s modèles. Ces résultats confirment l’intérêt d’appliquer le<br />
principe d’apprentissage.<br />
17.2 Calage du modèle hydrologique<br />
Nous rappelons que l’objectif du calage du modèle hydrologique est d’obtenir une<br />
simulation la plus performante possible qui sera utilisée ensuite comme entrée du modèle<br />
qualité. Un modèle d’erreur performant n’est donc pas requis.<br />
Notre objectif est notamment <strong>de</strong> reproduire au mieux l’ensemble <strong>de</strong>s types d’événements<br />
(débits faibles, moyens, élevés), chacun étant susceptible d’engendrer <strong>de</strong>s flux significatifs <strong>de</strong><br />
polluants à l’exutoire.<br />
17.2.1 Distribution a priori <strong>de</strong>s paramètres<br />
Paramètres du modèle hydrologique<br />
Le modèle hydrologique n’ayant pas fait l’obj<strong>et</strong> d’<strong>analyse</strong> antérieure prenant en compte les<br />
incertitu<strong>de</strong>s, nous avons considéré une distribution a priori uniforme pour les 6 paramètres <strong>de</strong><br />
calage du modèle. Les bornes minimum <strong>et</strong> maximum ont été fixées, respectivement pour les 6<br />
paramètres, sur la base <strong>de</strong>s considérations suivantes :<br />
- PI : en référence à l’étu<strong>de</strong> <strong>de</strong> Bertrand-Krajewski (1992), la perte initiale a été<br />
bornée à 1 mm.<br />
282