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 intervalle de confiance à 95 %, est illustré dans la Figure 4.2, avec de haut en bas les résultats obtenus i) avec un calage simple, ii) avec le calcul de l’intervalle de confiance IC Par lié à l’estimation des paramètres et iii) le calcul de l’intervalle de confiance total IC Tot . Dans cet exemple, le jeu de paramètres optimal est assez bien identifié avec un intervalle de confiance à 95 % lié aux paramètres plutôt resserré. Calage optimal sans IC Simulation optimale Calage optimal avec IC à 95 % liée à l’estimation des paramètres IC Par IC Par Calage optimal avec IC à 95 % total résultant incluant l’erreur résiduelle IC Tot Figure 4.2. Illustration du principe d’évaluation de l’incertitude de prédiction suivant l’approche probabiliste ; exemple d’une chronique continue de débit ou de concentration en polluants : en cercles bleus les données observées, en rouge et trait continu la simulation optimale, en rouge et trait pointillé les intervalles de confiance à 95 % liés à l’estimation des paramètres IC Par , et l’intervalle de confiance total IC Tot 4.3 Les sources d’incertitude dans les modèles Les trois sources d’incertitude mises en évidence Figure 4.1 sont explicitées dans les paragraphes ci-dessous. 4.3.1 Incertitudes liées au système de mesure Les incertitudes liées au système de mesure se situent à deux niveaux, celui de la mesure elle-même et celui de la représentativité des données collectées. Les données acquises sont entachées d’incertitudes. Dans cette source sont inclues les incertitudes sur les données d’entrée (e.g. la pluviométrie) et observées (e.g. le débit, la concentration en polluant) utilisées lors du calage mais également les incertitudes sur les données d’entrée utilisées en prédiction. Deletic et al. (2009) rappellent les caractéristiques des erreurs affectant les mesures, qui sont de deux types : le biais (erreur systématique) et l’erreur aléatoire. Le biais n’est en général pas connu (sinon il est corrigé) et l’erreur aléatoire n’est pas forcément distribuée normalement, comme il en est souvent fait l’hypothèse. 50
Partie 2 – Chapitre 4 : Le concept d’incertitude en modélisation en hydrologie urbaine 4.3.2 Incertitudes sur la connaissance des processus L’incertitude sur la connaissance des processus implique la proposition d’une structure de modèle elle-même incertaine, tant au niveau de la conceptualisation des processus aux échelles spatiale et temporelle, que des équations choisies pour les représenter. A ce sujet, Beven (2009) distingue spécifiquement l’incertitude résultant du choix de discrétisation spatio-temporelle du modèle associé à la mesure des observations (incertitude commensurable). Enfin, les méthodes de calcul numérique employées pour la résolution des équations peuvent elles-mêmes être source d’incertitudes (Schoups et Vrugt 2010b). 4.3.3 Incertitude sur la procédure de calage et d’estimation des incertitudes L’incertitude sur la procédure de calage est liée au choix de la fonction objectif utilisée pour la comparaison des observations et des simulations, ainsi qu’au choix de l’algorithme mis en œuvre pour la détermination du jeu optimal de paramètres. Cette incertitude peut être importante pour les modèles non linéaires complexes, où la recherche du jeu de paramètres optimal doit prendre en compte la complexité des surfaces de réponse du critère d’optimisation dans l’espace des paramètres. 4.3.4 Quelle classification ? Cette classification est comparable à celle récemment proposée par Kanso (2004). L’incertitude sur les paramètres n’est pas classée comme une source d’incertitude proprement dite, mais plutôt comme une conséquence des autres sources incertitudes. C’est d’ailleurs à ce titre que l’incertitude sur les prédictions liée aux paramètres est évaluée (cf. paragraphe 4.2.3) : elle est la résultante totale de la contribution des différentes sources. Par exemple si la structure du modèle est mauvaise et si les paramètres sont par construction corrélés ou insensibles, leur détermination risque d’être très incertaine. De la même manière les incertitudes sur les données de calage ou les éventuelles erreurs dans la résolution numérique des équations sont susceptibles de se traduire par des incertitudes plus larges sur les paramètres. D’autres conceptualisations des sources d’incertitude plus détaillées sont proposées dans la littérature. Par exemple Reichert (2009) ou Kleidorfer (2009) reprennent la classification générale pour les modèles environnementaux de Beck (1991). Cette dernière distingue les sources suivantes : - Le comportement non déterministe du système, impliquant qu’une part du système ne peut pas être prédite. Cette source est liée à la nature aléatoire des processus environnementaux, non représentable du fait de la limitation des systèmes de mesure. - L’incertitude sur les paramètres du modèle. - L’incertitude sur la structure du modèle. - Les incertitudes sur les facteurs d’influence externes. - Les incertitudes sur la solution numérique des équations. Récemment Deletic et al. (2009) ont proposé une classification plus globale, en trois groupes. Cette thèse est le fruit d’une réflexion du groupe de travail international sur les 51
- 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 72 and 73: 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 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
- Page 123 and 124: Partie 2 - Chapitre 6 : Test des mo
- Page 125 and 126: Partie 2 - Chapitre 6 : Test des mo
- Page 127: Partie 2 - Chapitre 6 : Test des mo
Partie 2 – Chapitre 4 : Le concept d’incertitu<strong>de</strong> en modélisation en hydrologie urbaine<br />
4.3.2 Incertitu<strong>de</strong>s sur la connaissance <strong>de</strong>s processus<br />
L’incertitu<strong>de</strong> sur la connaissance <strong>de</strong>s processus implique la proposition d’une structure <strong>de</strong><br />
modèle elle-même incertaine, tant au niveau <strong>de</strong> la conceptualisation <strong>de</strong>s processus aux échelles<br />
spatiale <strong>et</strong> temporelle, que <strong>de</strong>s équations choisies pour les représenter. A ce suj<strong>et</strong>, Beven (2009)<br />
distingue spécifiquement l’incertitu<strong>de</strong> résultant du choix <strong>de</strong> discrétisation spatio-temporelle du<br />
modèle associé à la mesure <strong>de</strong>s observations (incertitu<strong>de</strong> commensurable). Enfin, les métho<strong>de</strong>s<br />
<strong>de</strong> calcul numérique employées pour la résolution <strong>de</strong>s équations peuvent elles-mêmes être<br />
source d’incertitu<strong>de</strong>s (Schoups <strong>et</strong> Vrugt 2010b).<br />
4.3.3 Incertitu<strong>de</strong> sur la procédure <strong>de</strong> calage <strong>et</strong> d’estimation <strong>de</strong>s<br />
incertitu<strong>de</strong>s<br />
L’incertitu<strong>de</strong> sur la procédure <strong>de</strong> calage est liée au choix <strong>de</strong> la fonction objectif utilisée pour<br />
la comparaison <strong>de</strong>s observations <strong>et</strong> <strong>de</strong>s simulations, ainsi qu’au choix <strong>de</strong> l’algorithme mis en<br />
œuvre pour la détermination du jeu optimal <strong>de</strong> paramètres. C<strong>et</strong>te incertitu<strong>de</strong> peut être<br />
importante pour les modèles non linéaires complexes, où la recherche du jeu <strong>de</strong> paramètres<br />
optimal doit prendre en compte la complexité <strong>de</strong>s surfaces <strong>de</strong> réponse du critère d’optimisation<br />
dans l’espace <strong>de</strong>s paramètres.<br />
4.3.4 Quelle classification ?<br />
C<strong>et</strong>te classification est comparable à celle récemment proposée par Kanso (2004).<br />
L’incertitu<strong>de</strong> sur les paramètres n’est pas classée comme une source d’incertitu<strong>de</strong> proprement<br />
dite, mais plutôt comme une conséquence <strong>de</strong>s autres sources incertitu<strong>de</strong>s. C’est d’ailleurs à ce<br />
titre que l’incertitu<strong>de</strong> sur les prédictions liée aux paramètres est évaluée (cf. paragraphe 4.2.3) :<br />
elle est la résultante totale <strong>de</strong> la contribution <strong>de</strong>s différentes sources.<br />
Par exemple si la structure du modèle est mauvaise <strong>et</strong> si les paramètres sont par construction<br />
corrélés ou insensibles, leur détermination risque d’être très incertaine. De la même manière les<br />
incertitu<strong>de</strong>s sur les données <strong>de</strong> calage ou les éventuelles erreurs dans la résolution numérique<br />
<strong>de</strong>s équations sont susceptibles <strong>de</strong> se traduire par <strong>de</strong>s incertitu<strong>de</strong>s plus larges sur les paramètres.<br />
D’autres conceptualisations <strong>de</strong>s sources d’incertitu<strong>de</strong> plus détaillées sont proposées dans la<br />
littérature. Par exemple Reichert (2009) ou Kleidorfer (2009) reprennent la classification<br />
générale pour les modèles environnementaux <strong>de</strong> Beck (1991). C<strong>et</strong>te <strong>de</strong>rnière distingue les<br />
sources suivantes :<br />
- Le comportement non déterministe du système, impliquant qu’une part du<br />
système ne peut pas être prédite. C<strong>et</strong>te source est liée à la nature aléatoire <strong>de</strong>s<br />
processus environnementaux, non représentable du fait <strong>de</strong> la limitation <strong>de</strong>s<br />
systèmes <strong>de</strong> mesure.<br />
- L’incertitu<strong>de</strong> sur les paramètres du modèle.<br />
- L’incertitu<strong>de</strong> sur la structure du modèle.<br />
- Les incertitu<strong>de</strong>s sur les facteurs d’influence externes.<br />
- Les incertitu<strong>de</strong>s sur la solution numérique <strong>de</strong>s équations.<br />
Récemment Del<strong>et</strong>ic <strong>et</strong> al. (2009) ont proposé une classification plus globale, en trois<br />
groupes. C<strong>et</strong>te thèse est le fruit d’une réflexion du groupe <strong>de</strong> travail international sur les<br />
51