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 évidence la difficulté du modèle à reproduire de manière satisfaisante les pollutogrammes observés. L’analyse des résultats met en avant les raisons suivantes : - L’utilisation d’un modèle de temps sec trop simple. - Le manque de séries représentatives pour des événements de faible et moyenne pluviométrie. Cette dernière a en effet été estimée à partir d’un unique pluviomètre pour chaque bassin versant, ce qui explique la mauvaise reproduction des débits, utilisés comme entrée dans le modèle de qualité. - Un modèle d’érosion par la pluie à améliorer, sur la base de meilleures données pluviométriques. Cette étude a cependant montré l’intérêt de l’application du principe d’apprentissage bayésien à différentes échelles : - A l’échelle du test d’un modèle : la mise en œuvre d’itérations permet au final une amélioration progressive de la structure du modèle. - A l’échelle du jeu de calage : lorsque le modélisateur dispose d’un grand nombre de données, l’application d’un calage en deux temps, d’abord sur une chronique représentative de taille réduite, puis sur la chronique totale semble pertinente. - Pour la proposition à chaque étape d’une distribution a priori des paramètres la plus adaptée possible, afin de diminuer le temps de convergence de la chaînede Markov vers la distribution a posteriori. - Pour la proposition d’un modèle d’erreur adapté, dans la perspective d’obtenir en prédiction des intervalles de confiance fiables. Les premiers résultats obtenus suggèrent, que dans l’état actuel de notre connaissance des processus physiques, de la même manière qu’il n’existe pas des valeurs transposables des paramètres d’un modèle, il n’existe pas forcément de structure de modèle d’Accumulation- Erosion-Transfert transposable entre sites d’étude. De ce point de vue, l’analyse des données locales, constitue une étape primordiale pour identifier les processus majeurs et proposer une structure de modèle adaptée. Perspectives de recherche Maintenant qu’une base de données fiable et de grande taille sur la qualité des RUTP est disponible, un « boulevard » de perspectives peut être envisagé. Nous en distinguons trois types : - Les perspectives qui découlent directement des résultats obtenus dans ce travail et liés au temps limité dont nous disposions. - Les perspectives relatives à certains travaux initialement envisagés lors de la proposition de la thèse et qui n’ont pas été réalisés. - Les perspectives plus larges qu’ouvrent les réflexions de ce travail de thèse. Perspectives directes La base de données constituée dans le cadre de ce travail nous donne accès à une grande information, de part sa taille et la variabilité des événements qu’elle contient. De plus, les 318
Conclusion générale données acquises pour les deux sites sur les années 2009 et 2010 vont encore l’enrichir. Leur traitement et leur validation devrait se trouver par ailleurs accélérés par l’application des outils semi-automatisés aujourd’hui disponibles. Il s’agit ainsi de poursuivre le travail d’analyse des données afin d’améliorer notre compréhension des processus de génération des polluants : - Affiner l’étude de la variabilité des profils de temps sec à Ecully, en réalisant par exemple une étude spécifique sur l’influence de la composante d’infiltration lente ou en étudiant plus finement la variabilité des flux de MES et de DCO dues au débit et à la concentration. - Effectuer une analyse plus approfondie des courbes M(V), par une étude plus poussée des dynamiques des polluants et des corrélations entre les groupes identifiés et les caractéristiques des événements pluvieux (par exemple par des analyses de type clustering). Concernant la modélisation, des méthodes et outils d’analyse sont maintenant au point. Les perspectives sont les suivantes : - Approfondir les tests de l’influence des données sur le calage et l’évaluation des modèles, en étudiant notamment l’influence des caractéristiques des événements et de la saisonnalité. - Poursuivre les premiers tests du modèle Accumulation-Erosion-Transfert selon le principe d’apprentissage bayésien, en testant d’autres améliorations de la structure du modèle proposé. - Tester d’autres structures existantes de modèles, à la lumière de la synthèse bibliographique réalisée. Les principaux freins pour une application de ces outils en recherche et dans un cadre opérationnel sont : - Le manque de formation des hydrologues et opérationnels sur les méthodes ellesmêmes. - Le manque de collaboration avec des personnes compétentes pour leur application opérationnelle. - Les temps de calcul importants. Cependant ces difficultés sont pour partie de faux problèmes. Il s’agit plus d’une question de moyens : proposer des méthodologies compréhensibles, créer des partenariats pertinents et acquérir des machines de calcul puissantes. Retour sur les objectifs initiaux Le premier travail envisagé et qui n’a pas été réalisé porte sur l’application des méthodes d’analyse temporelle. Ces méthodes sont encore peu utilisées en hydrologie urbaine. Leur application permettrait de mieux comprendre la variabilité des flux par temps de pluie et notamment d’aborder la question des stratégies métrologiques. L’exploitation des séries de données continues (turbidité ou spectrométrie) avait été au départ envisagée pour d’autres sites, en plus de ceux de Chassieu et Ecully. La comparaison n’a pu être menée dans le temps limité de la thèse. Cependant l’expérience de ce travail et 319
- 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 and 344: Conclusion générale Retour sur la
- Page 345: Conclusion générale évidence la
- 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
- Page 395 and 396: Annexes a b c 1500 TSS (kg) COD (kg
Conclusion générale<br />
évi<strong>de</strong>nce la difficulté du modèle à reproduire <strong>de</strong> manière satisfaisante les pollutogrammes<br />
observés. L’<strong>analyse</strong> <strong>de</strong>s résultats m<strong>et</strong> en avant les raisons suivantes :<br />
- L’utilisation d’un modèle <strong>de</strong> temps sec trop simple.<br />
- Le manque <strong>de</strong> <strong>séries</strong> représentatives pour <strong>de</strong>s événements <strong>de</strong> faible <strong>et</strong> moyenne<br />
pluviométrie. C<strong>et</strong>te <strong>de</strong>rnière a en eff<strong>et</strong> été estimée à partir d’un unique pluviomètre<br />
pour chaque bassin versant, ce qui explique la mauvaise reproduction <strong>de</strong>s débits,<br />
utilisés comme entrée dans le modèle <strong>de</strong> qualité.<br />
- Un modèle d’érosion par la pluie à améliorer, sur la base <strong>de</strong> meilleures données<br />
pluviométriques.<br />
C<strong>et</strong>te étu<strong>de</strong> a cependant montré l’intérêt <strong>de</strong> l’application du principe d’apprentissage<br />
bayésien à différentes échelles :<br />
- A l’échelle du test d’un modèle : la mise en œuvre d’itérations perm<strong>et</strong> au final une<br />
amélioration progressive <strong>de</strong> la structure du modèle.<br />
- A l’échelle du jeu <strong>de</strong> calage : lorsque le modélisateur dispose d’un grand nombre <strong>de</strong><br />
données, l’application d’un calage en <strong>de</strong>ux temps, d’abord sur une chronique<br />
représentative <strong>de</strong> taille réduite, puis sur la chronique totale semble pertinente.<br />
- Pour la proposition à chaque étape d’une distribution a priori <strong>de</strong>s paramètres la plus<br />
adaptée possible, afin <strong>de</strong> diminuer le temps <strong>de</strong> convergence <strong>de</strong> la chaîne<strong>de</strong> Markov<br />
vers la distribution a posteriori.<br />
- Pour la proposition d’un modèle d’erreur adapté, dans la perspective d’obtenir en<br />
prédiction <strong>de</strong>s intervalles <strong>de</strong> confiance fiables.<br />
Les premiers résultats obtenus suggèrent, que dans l’état actuel <strong>de</strong> notre connaissance <strong>de</strong>s<br />
processus physiques, <strong>de</strong> la même manière qu’il n’existe pas <strong>de</strong>s valeurs transposables <strong>de</strong>s<br />
paramètres d’un modèle, il n’existe pas forcément <strong>de</strong> structure <strong>de</strong> modèle d’Accumulation-<br />
Erosion-Transfert transposable entre sites d’étu<strong>de</strong>. De ce point <strong>de</strong> vue, l’<strong>analyse</strong> <strong>de</strong>s données<br />
locales, constitue une étape primordiale pour i<strong>de</strong>ntifier les processus majeurs <strong>et</strong> proposer une<br />
structure <strong>de</strong> modèle adaptée.<br />
Perspectives <strong>de</strong> recherche<br />
Maintenant qu’une base <strong>de</strong> données fiable <strong>et</strong> <strong>de</strong> gran<strong>de</strong> taille sur la qualité <strong>de</strong>s RUTP est<br />
disponible, un « boulevard » <strong>de</strong> perspectives peut être envisagé. Nous en distinguons trois<br />
types :<br />
- Les perspectives qui découlent directement <strong>de</strong>s résultats obtenus dans ce travail <strong>et</strong><br />
liés au temps limité dont nous disposions.<br />
- Les perspectives relatives à certains travaux initialement envisagés lors <strong>de</strong> la<br />
proposition <strong>de</strong> la thèse <strong>et</strong> qui n’ont pas été réalisés.<br />
- Les perspectives plus larges qu’ouvrent les réflexions <strong>de</strong> ce travail <strong>de</strong> thèse.<br />
Perspectives directes<br />
La base <strong>de</strong> données constituée dans le cadre <strong>de</strong> ce travail nous donne accès à une gran<strong>de</strong><br />
information, <strong>de</strong> part sa taille <strong>et</strong> la variabilité <strong>de</strong>s événements qu’elle contient. De plus, les<br />
318