Traitement et analyse de séries chronologiques continues de ...
Traitement et analyse de séries chronologiques continues de ... Traitement et analyse de séries chronologiques continues de ...
Conclusion générale - Elaborer des modèles de masse et de concentration moyenne événementielle de MES et de DCO et travailler sur l’approche Accumulation-Erosion-Transfert. L’objectif était de sélectionner des méthodes et des outils de test efficaces tenant compte des incertitudes. Chacun de ces objectifs a été abordé dans la perspective d’un transfert des résultats vers l’opérationnel, en répondant aux besoins de l’entreprise Safege. Les conclusions du travail réalisé peuvent être récapitulées en trois points relatifs à : - L’aspect méthodologique - L’apport de l’analyse des données - La modélisation de la qualité des RUTP. Aspects méthodologiques Des outils et méthodes ont été proposés pour chaque étape du travail. Nous les récapitulons ici, en soulignant leurs avantages et leurs limites pour une perspective d’utilisation opérationnelle. L’étape de traitement des séries chronologiques s’est appuyée sur un ensemble d’outils d’étalonnage, d’estimation des incertitudes, de validation. Sur la base des méthodes et outils existants, de nouveaux outils ont été proposés sous Matlab, notamment pour l’étape de délimitation graphique des événements pluvieux. Ce travail a contribué à l’élaboration d’un outil de traitement et de validation des données, actuellement en cours de développement au LGCIE. Des outils d’analyse simples ont été mis en œuvre, pour la caractérisation de la variabilité de temps sec et de temps de pluie : analyse statistique descriptive (distribution, moyenne, écart type, boxplot), analyse de corrélation, analyse en composantes principales, analyse des courbes M(V). Ces outils peuvent être appliqués sans difficulté dans un contexte opérationnel. La méthodologie d’analyse bayésienne des modèles de qualité de type Accumulation- Erosion-Transfert a été proposée sur la base d’une synthèse bibliographique approfondie des méthodes et outils statistiques récents. Une attention particulière a notamment été apportée à la vérification des hypothèses les sous-tendant et aux modalités nécessaires pour une application rigoureuse. L’algorithme DREAM, de la famille des méthodes de Monte Carlo par Chaînes de Markov, a été utilisé pour le test des modèles. Les premiers résultats obtenus ont confirmé sa pertinence pour estimer de manière fiable les distributions a posteriori des paramètres et les problèmes liés à leur identification. L’application du principe d’apprentissage a confirmé le grand intérêt de la méthode bayésienne pour l’amélioration de la structure des modèles, sur la base de diagnostics itératifs. Apports de l’analyse des données Sur la période 2004-2008, 263 et 239 événements pluvieux ont été validées, respectivement pour les sites de Chassieu et Ecully. Une étude de temps sec, basée sur 180 jours secs identifiés sur les années 2007-2008, a mis en évidence une importante variabilité des flux à l’échelle de l’année. Ce résultat met en 316
Conclusion générale évidence la limite d’un profil moyen annuel par type de jour utilisé dans la plupart des études opérationnelles. Une estimation au plus juste de la contribution du temps sec lors d’un événement pluvieux, basée sur l’exploitation des jours de temps sec les plus proches de l’événement, a été proposée. Des outils semi-automatiques ont été développés à cet effet. Si leur application dans les études opérationnelles est envisageable, l’automatisation de certaines étapes de l’analyse permettrait d’améliorer encore leur efficacité. L’étude inter-événementielle de la variabilité des flux polluants de temps de pluie a montré la difficulté d’expliquer la variabilité des concentrations moyennes événementielles en MES et en DCO en fonction des caractéristiques des événements pluvieux. Les masses de polluants en revanche sont mieux corrélées, confirmant les résultats d’études antérieures. L’étude des courbes M(V) a permis de caractériser finement la variabilité intraévénementielle : 4 groupes de courbes ont été distingués. Une analyse statistique des caractéristiques des événements pluvieux en fonction des groupes, couplée à une analyse graphique des événements, a permis de mettre en évidence des tendances et de formuler des hypothèses sur les processus de génération des flux polluants, notamment l’influence de l’intensité de la pluie et des conditions antérieures à l’événement. Cet exercice reste cependant difficile du fait de notre compréhension limitée des processus et de l’utilisation d’outils d’analyses simples. Modélisation de la qualité des RUTP Modèles de type multi-régression Les résultats confirment tout d’abord la nécessité de développer des modèles locaux, sur la base d’une analyse approfondie des données disponibles. Une méthode de sélection semi - automatique et une méthode de recherche systématique des variables explicatives ont été comparées. Des résultats comparables ou meilleurs suivant les polluants considérés ont été obtenus avec la méthode de recherche systématique. Les meilleurs résultats ont été obtenus pour la modélisation événementielles des masses de MES et de DCO, avec des valeurs du coefficient de Nash et Sutliffe supérieurs 0.8. Les résultats obtenus montrent que les modèles sont capables de reproduire la variabilité des observations en tendance mais pas les événements individuels. Leur utilisation pour des simulations de longue durée (estimation des flux annuels, dimensionnement d’ouvrages de traitement) est donc pertinente. L’influence des jeux de données utilisés pour le calage et l’évaluation a été étudiée. Les premiers résultats obtenus ont confirmé l’importance de la représentativité des données pour la construction de modèles fiables. Enfin l’analyse de sensibilité aux incertitudes sur les données a montré que la source d’incertitude prépondérante reste la structure du modèle et donc indirectement notre compréhension des processus de génération des flux polluants. Modèles Accumulation-Erosion-Transfert Nous avons testé un modèle global de prédiction des concentrations et des flux de MES, à l’échelle du bassin versant. Les premiers résultats obtenus sur le site de Chassieu ont mis en 317
- 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 and 310: Partie 6 - Chapitre 17 : Test des m
- Page 311 and 312: 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: Conclusion générale Retour sur 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
- Page 360 and 361: Bibliographie Kuczera G. et Parent
- Page 362 and 363: Bibliographie Muschalla D., Schneid
- Page 364 and 365: Bibliographie monitoring data. Proc
- Page 366 and 367: Bibliographie Vrugt J. et Bouten W.
- Page 369: Annexes Annexe 1 Métadier M. et Be
- Page 372 and 373: Annexes INTRODUCTION Les exigences
- Page 374 and 375: Annexes correspondante (équation 3
- Page 376 and 377: Annexes Figure 26. Relations [MES]-
- Page 378 and 379: Annexes avec m Xi le flux de pollua
- Page 380 and 381: Annexes MES 2000 Masses événement
- Page 382 and 383: Annexes capteurs, utilisation des r
- Page 384 and 385: Annexes ANNEXE A Cette annexe prés
- Page 387 and 388: Annexes From mess to mass: a method
- Page 389 and 390: Annexes Sensor uncertainties. Calib
- Page 391 and 392: Annexes terminated. Else Test 2 is
- Page 393 and 394: Annexes hydrologic events. Event lo
Conclusion générale<br />
évi<strong>de</strong>nce la limite d’un profil moyen annuel par type <strong>de</strong> jour utilisé dans la plupart <strong>de</strong>s étu<strong>de</strong>s<br />
opérationnelles. Une estimation au plus juste <strong>de</strong> la contribution du temps sec lors d’un<br />
événement pluvieux, basée sur l’exploitation <strong>de</strong>s jours <strong>de</strong> temps sec les plus proches <strong>de</strong><br />
l’événement, a été proposée. Des outils semi-automatiques ont été développés à c<strong>et</strong> eff<strong>et</strong>. Si leur<br />
application dans les étu<strong>de</strong>s opérationnelles est envisageable, l’automatisation <strong>de</strong> certaines<br />
étapes <strong>de</strong> l’<strong>analyse</strong> perm<strong>et</strong>trait d’améliorer encore leur efficacité.<br />
L’étu<strong>de</strong> inter-événementielle <strong>de</strong> la variabilité <strong>de</strong>s flux polluants <strong>de</strong> temps <strong>de</strong> pluie a montré<br />
la difficulté d’expliquer la variabilité <strong>de</strong>s concentrations moyennes événementielles en MES <strong>et</strong><br />
en DCO en fonction <strong>de</strong>s caractéristiques <strong>de</strong>s événements pluvieux. Les masses <strong>de</strong> polluants en<br />
revanche sont mieux corrélées, confirmant les résultats d’étu<strong>de</strong>s antérieures.<br />
L’étu<strong>de</strong> <strong>de</strong>s courbes M(V) a permis <strong>de</strong> caractériser finement la variabilité intraévénementielle<br />
: 4 groupes <strong>de</strong> courbes ont été distingués. Une <strong>analyse</strong> statistique <strong>de</strong>s<br />
caractéristiques <strong>de</strong>s événements pluvieux en fonction <strong>de</strong>s groupes, couplée à une <strong>analyse</strong><br />
graphique <strong>de</strong>s événements, a permis <strong>de</strong> m<strong>et</strong>tre en évi<strong>de</strong>nce <strong>de</strong>s tendances <strong>et</strong> <strong>de</strong> formuler <strong>de</strong>s<br />
hypothèses sur les processus <strong>de</strong> génération <strong>de</strong>s flux polluants, notamment l’influence <strong>de</strong><br />
l’intensité <strong>de</strong> la pluie <strong>et</strong> <strong>de</strong>s conditions antérieures à l’événement. C<strong>et</strong> exercice reste cependant<br />
difficile du fait <strong>de</strong> notre compréhension limitée <strong>de</strong>s processus <strong>et</strong> <strong>de</strong> l’utilisation d’outils<br />
d’<strong>analyse</strong>s simples.<br />
Modélisation <strong>de</strong> la qualité <strong>de</strong>s RUTP<br />
Modèles <strong>de</strong> type multi-régression<br />
Les résultats confirment tout d’abord la nécessité <strong>de</strong> développer <strong>de</strong>s modèles locaux, sur la<br />
base d’une <strong>analyse</strong> approfondie <strong>de</strong>s données disponibles. Une métho<strong>de</strong> <strong>de</strong> sélection semi -<br />
automatique <strong>et</strong> une métho<strong>de</strong> <strong>de</strong> recherche systématique <strong>de</strong>s variables explicatives ont été<br />
comparées. Des résultats comparables ou meilleurs suivant les polluants considérés ont été<br />
obtenus avec la métho<strong>de</strong> <strong>de</strong> recherche systématique. Les meilleurs résultats ont été obtenus pour<br />
la modélisation événementielles <strong>de</strong>s masses <strong>de</strong> MES <strong>et</strong> <strong>de</strong> DCO, avec <strong>de</strong>s valeurs du coefficient<br />
<strong>de</strong> Nash <strong>et</strong> Sutliffe supérieurs 0.8.<br />
Les résultats obtenus montrent que les modèles sont capables <strong>de</strong> reproduire la variabilité <strong>de</strong>s<br />
observations en tendance mais pas les événements individuels. Leur utilisation pour <strong>de</strong>s<br />
simulations <strong>de</strong> longue durée (estimation <strong>de</strong>s flux annuels, dimensionnement d’ouvrages <strong>de</strong><br />
traitement) est donc pertinente.<br />
L’influence <strong>de</strong>s jeux <strong>de</strong> données utilisés pour le calage <strong>et</strong> l’évaluation a été étudiée. Les<br />
premiers résultats obtenus ont confirmé l’importance <strong>de</strong> la représentativité <strong>de</strong>s données pour la<br />
construction <strong>de</strong> modèles fiables.<br />
Enfin l’<strong>analyse</strong> <strong>de</strong> sensibilité aux incertitu<strong>de</strong>s sur les données a montré que la source<br />
d’incertitu<strong>de</strong> prépondérante reste la structure du modèle <strong>et</strong> donc indirectement notre<br />
compréhension <strong>de</strong>s processus <strong>de</strong> génération <strong>de</strong>s flux polluants.<br />
Modèles Accumulation-Erosion-Transfert<br />
Nous avons testé un modèle global <strong>de</strong> prédiction <strong>de</strong>s concentrations <strong>et</strong> <strong>de</strong>s flux <strong>de</strong> MES, à<br />
l’échelle du bassin versant. Les premiers résultats obtenus sur le site <strong>de</strong> Chassieu ont mis en<br />
317