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 2 – Chapitre 4 : Le concept d’incertitude en modélisation en hydrologie urbaine L P yi | M( , xi ) \ i Eq. 4.4 La vraisemblance décrit dont la probabilité des sorties du modèle comme une fonction des paramètres. Si on calcule les valeurs de L ε pour l’ensemble des jeux de paramètres dans l’espace des possibles, la valeur maximale de L ε correspondra au jeu de paramètres qui prédit le mieux les y i en probabilité. θ opt est le jeu qui semble le plus « vrai », sous l’hypothèse de la structure des résidus. Pour des raisons de stabilité numérique et de simplification des calculs, la maximisation de la vraisemblance s’effectue en général sous la forme logtransformée, en anglais loglikelihood. Cette dernière sera notée dans la suite LogL ε . A titre d’exemple, l’hypothèse la plus simple sur la distribution des résidus est la loi normale. Dans ce cas, pour chaque résidu ε i , caractérisé par sa moyenne μ ε et son écart type , sa densité de probabilité f s’exprime : i f i 1 e 2 2 1i 2 Eq. 4.5 Et la vraisemblance des N valeurs de résidus : L N i1 1 e 2 2 1i 2 Eq. 4.6 De plus, il est souvent supposé que les résidus sont de moyenne nulle et homoscédastiques : 0 et i, C, avec C une constante. Eq. 4.7 L’hypothèse d’une distribution normale centrée sur zéro sous-entend que le modèle est bon en moyenne et que les résidus non expliqués sont des termes aléatoires imputables aux incertitudes sur les données. Cela revient donc à dire que la structure choisie du modèle est correcte. Sous ces nouvelles hypothèses, L ε s’écrit : Et la loglikelihood : 2 i 2 N 1 2 L e N 2 i 1 Eq. 4.8 2 i 2 N 1 2 LogL log log e N 2 i 1 Eq. 4.9 N 1 2 2 i LogL N log 2 2 i 1 Eq. 4.10 44
Partie 2 – Chapitre 4 : Le concept d’incertitude en modélisation en hydrologie urbaine Le premier terme étant constant et σ ε également, la maximisation de LogL ε revient donc à minimiser la somme des carrés des écarts (Clarke 1973). Il s’agit donc sous ces hypothèses de la méthode des Moindres Carrés. On note S MC la somme des Moindres Carrés : 2 N N 2 MC i i i i1 i1 Eq. 4.11 S y f x Actuellement en hydrologie urbaine, l’approche statistique est dans la majorité des cas appliquée sous ces hypothèses. Or la distribution des résidus diffère la plupart du temps d’une loi normale avec un effet de Kurtosis lié à la présence de valeurs élevées des résidus. Cette question est abordée plus en détail dans le chapitre 5 lors de la présentation des méthodes statistiques d’évaluation des incertitudes. Point de vue plus intuitif Nous qualifions de point de vue plus intuitif les formulations de fonctions objectif qui ne sont pas directement dérivées de la théorie statistique. Le modélisateur définit une relation mathématique qui reflète l’ajustement entre les simulations et les observations de manière la plus conforme à ses objectif. Deux grands types de fonctions objectifs sont distingués : i) les fonctions simples, c’est-à-dire incluant une seule formule mathématique qui s’applique à l’ensemble des données et ii) les fonctions multi-objectifs incluant dans leur formulation plusieurs parties se rapportant à des objectifs distincts (Gamerith et al. 2008; Blasone et al. 2008a). Nous nous sommes intéressés dans le cadre de ce travail exclusivement au premier type. Le Tableau 4.1 récapitule les fonctions objectif simples principalement citées dans la littérature récente, avec l’indication du type d’optimisation (minimisation, maximisation ou valeur à atteindre), des valeurs minimum et maximum que peuvent prendre les fonctions et les objectifs du modélisateur se rapportant à leur utilisation. 45
- Page 21: Liste des abréviations DCO Demande
- Page 24 and 25: Liste des variables DTS E f f -1 du
- Page 26 and 27: Liste des variables S Pond somme po
- Page 29: Introduction générale 1
- Page 32 and 33: Introduction générale et al. (200
- Page 34 and 35: Introduction générale Structure d
- Page 37: Partie 1 : La modélisation de la q
- Page 40 and 41: Partie 1 - Chapitre 1 : Introductio
- Page 42 and 43: Partie 1 - Chapitre 1 : Introductio
- Page 45 and 46: Partie 1 - Chapitre 2 : Approches d
- Page 47 and 48: Partie 1 - Chapitre 2 : Approches d
- Page 49 and 50: Partie 1 - Chapitre 2 : Approches d
- Page 51 and 52: Partie 1 - Chapitre 2 : Approches d
- Page 53 and 54: Partie 1 - Chapitre 2 : Approches d
- Page 55 and 56: Partie 1 - Chapitre 2 : Approches d
- Page 57: Partie 1 - Chapitre 2 : Approches d
- Page 60 and 61: Partie 1 - Chapitre 3 : Choix des a
- Page 62 and 63: Partie 1 - Chapitre 3 : Choix des a
- Page 65: Partie 2 Test des modèles et incer
- Page 68 and 69: Partie 2 - Test des modèles et inc
- Page 70 and 71: Partie 2 - Chapitre 4 : Le concept
- Page 74 and 75: Partie 2 - Chapitre 4 : Le concept
- Page 76 and 77: Partie 2 - Chapitre 4 : Le concept
- Page 78 and 79: Partie 2 - Chapitre 4 : Le concept
- Page 80 and 81: Partie 2 - Chapitre 4 : Le concept
- Page 83 and 84: Partie 2 - Chapitre 5 : Les méthod
- Page 85 and 86: Partie 2 - Chapitre 5 : Les méthod
- Page 87 and 88: Partie 2 - Chapitre 5 : Les méthod
- Page 89 and 90: Partie 2 - Chapitre 5 : Les méthod
- Page 91 and 92: Partie 2 - Chapitre 5 : Les méthod
- Page 93 and 94: Partie 2 - Chapitre 5 : Les méthod
- Page 95 and 96: Partie 2 - Chapitre 5 : Les méthod
- Page 97 and 98: Partie 2 - Chapitre 5 : Les méthod
- Page 99 and 100: Partie 2 - Chapitre 5 : Les méthod
- Page 101 and 102: Partie 2 - Chapitre 5 : Les méthod
- Page 103 and 104: Partie 2 - Chapitre 5 : Les méthod
- Page 105 and 106: Partie 2 - Chapitre 5 : Les méthod
- Page 107 and 108: Partie 2 - Chapitre 5 : Les méthod
- Page 109 and 110: Partie 2 - Chapitre 5 : Les méthod
- Page 111 and 112: Partie 2 - Chapitre 5 : Les méthod
- Page 113 and 114: Partie 2 - Chapitre 5 : Les méthod
- Page 115 and 116: Partie 2 - Chapitre 5 : Les méthod
- Page 117 and 118: Partie 2 - Chapitre 6 : Test des mo
- Page 119 and 120: Partie 2 - Chapitre 6 : Test des mo
- Page 121 and 122: Partie 2 - Chapitre 6 : Test des mo
Partie 2 – Chapitre 4 : Le concept d’incertitu<strong>de</strong> en modélisation en hydrologie urbaine<br />
<br />
L P yi | M( , xi ) \ i<br />
<br />
Eq. 4.4<br />
La vraisemblance décrit dont la probabilité <strong>de</strong>s sorties du modèle comme une fonction <strong>de</strong>s<br />
paramètres.<br />
Si on calcule les valeurs <strong>de</strong> L ε pour l’ensemble <strong>de</strong>s jeux <strong>de</strong> paramètres dans l’espace <strong>de</strong>s<br />
possibles, la valeur maximale <strong>de</strong> L ε correspondra au jeu <strong>de</strong> paramètres qui prédit le mieux les y i<br />
en probabilité. θ opt est le jeu qui semble le plus « vrai », sous l’hypothèse <strong>de</strong> la structure <strong>de</strong>s<br />
résidus. Pour <strong>de</strong>s raisons <strong>de</strong> stabilité numérique <strong>et</strong> <strong>de</strong> simplification <strong>de</strong>s calculs, la maximisation<br />
<strong>de</strong> la vraisemblance s’effectue en général sous la forme logtransformée, en anglais<br />
loglikelihood. C<strong>et</strong>te <strong>de</strong>rnière sera notée dans la suite LogL ε .<br />
A titre d’exemple, l’hypothèse la plus simple sur la distribution <strong>de</strong>s résidus est la loi<br />
normale. Dans ce cas, pour chaque résidu ε i , caractérisé par sa moyenne μ ε <strong>et</strong> son écart type ,<br />
sa <strong>de</strong>nsité <strong>de</strong> probabilité f <br />
s’exprime :<br />
i<br />
f<br />
<br />
i<br />
1<br />
e<br />
2<br />
<br />
2<br />
<br />
1i<br />
<br />
<br />
2<br />
<br />
<br />
Eq. 4.5<br />
Et la vraisemblance <strong>de</strong>s N valeurs <strong>de</strong> résidus :<br />
L<br />
<br />
<br />
N<br />
i1<br />
1<br />
e<br />
2<br />
<br />
2<br />
<br />
1i<br />
<br />
<br />
2<br />
<br />
<br />
Eq. 4.6<br />
De plus, il est souvent supposé que les résidus sont <strong>de</strong> moyenne nulle <strong>et</strong> homoscédastiques :<br />
0 <strong>et</strong> i,<br />
C, avec C une constante. Eq. 4.7<br />
<br />
<br />
L’hypothèse d’une distribution normale centrée sur zéro sous-entend que le modèle est bon<br />
en moyenne <strong>et</strong> que les résidus non expliqués sont <strong>de</strong>s termes aléatoires imputables aux<br />
incertitu<strong>de</strong>s sur les données. Cela revient donc à dire que la structure choisie du modèle est<br />
correcte. Sous ces nouvelles hypothèses, L ε s’écrit :<br />
<br />
Et la loglikelihood :<br />
<br />
2<br />
i<br />
2<br />
<br />
N <br />
1<br />
2 <br />
L<br />
<br />
e <br />
N<br />
2 i 1<br />
<br />
<br />
Eq. 4.8<br />
2<br />
i <br />
2<br />
<br />
<br />
<br />
<br />
<br />
N <br />
1<br />
2 <br />
LogL log<br />
log e <br />
N<br />
2<br />
i 1<br />
<br />
Eq. 4.9<br />
N<br />
1 2<br />
<br />
<br />
2 i<br />
LogL N log 2 2 <br />
i 1<br />
Eq. 4.10<br />
44