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