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 données et les modèles (International Working Group on Data and Models), sous la direction du comité joint en hydrologie urbaine de l’IWA/IAHR. L’objectif de ce travail est de proposer un cadre et des méthodes universels pour la caractérisation et l’évaluation des incertitudes dans le processus de modélisation. L’objectif final est de faciliter la compréhension des définitions et méthodes utilisées par les chercheurs. La classification retenue distingue spécifiquement les incertitudes sur les données d’entrée (Figure 4.3). Les incertitudes sur la procédure de calage (choix de l’algorithme et de la fonction objectif) et sur les données observées sont regroupées dans une même catégorie, intitulée « incertitudes de calage », tandis que la troisième classe inclut les incertitudes sur la structure du modèle. Les liens entre les différentes sources sont mis en évidence sur la Figure. L’incertitude sur les paramètres, notamment, n’est classée dans aucune catégorie mais considérée à l’interface des trois autres dont elles résultent. Figure 4.3. Classification des sources d’incertitude proposée par Deletic et al (2009) : sources principales et leurs interactions (source : Deletic et al, 2009) La diversité des classifications proposées est directement liée à la manière dont les auteurs conceptualisent les incertitudes et leur propagation dans les modèles. Cette dernière est notamment susceptible de différer selon le domaine de recherche, la nature des enjeux et des questions auxquelles s’intéressent les modélisateurs. Selon le contexte, chacune des sources d’incertitude peut avoir plus ou moins de poids. Par exemple en hydrologie urbaine, les incertitudes sur les données pluviométriques sont reconnues comme une des sources majeures d’incertitude (Vrugt et al. 2008c; Muschalla et al. 2008; Kleidorfer et al. 2009). La Figure 4.4 montre le processus de modélisation conceptualisé par Deletic et al (2009) qui est à l’origine de la classification des sources en trois catégories présentée ci-dessus. 52
Partie 2 – Chapitre 4 : Le concept d’incertitude en modélisation en hydrologie urbaine Input data uncertainties systematic random Input data e.g. - rain - evaporation MICA Model Calibration adaption of parameters Output data e.g. - flow - concentration - loads Objective function e.g. - E (Nash-Sutcliffe) - sum of squared differences corresponding measurements Calibration data uncertainties systematic random Calibration parameter distribution Figure 4.4. Structure générale de modélisation proposée par Deletic et al (2009) (source : Deletic et al. 2009) Même si les conceptualisations proposées ne semblent pas antinomiques ou incompatibles, leur diversité souligne le besoin d’harmonisation des concepts et de la terminologie relatifs aux incertitudes dans la modélisation environnementale en général. S’il est encore difficile de parvenir à un consensus, il semble envisageable en revanche de s’accorder sur des principes communs. 53
- 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 78 and 79: 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 />
données <strong>et</strong> les modèles (International Working Group on Data and Mo<strong>de</strong>ls), sous la direction du<br />
comité joint en hydrologie urbaine <strong>de</strong> l’IWA/IAHR. L’objectif <strong>de</strong> ce travail est <strong>de</strong> proposer un<br />
cadre <strong>et</strong> <strong>de</strong>s métho<strong>de</strong>s universels pour la caractérisation <strong>et</strong> l’évaluation <strong>de</strong>s incertitu<strong>de</strong>s dans le<br />
processus <strong>de</strong> modélisation. L’objectif final est <strong>de</strong> faciliter la compréhension <strong>de</strong>s définitions <strong>et</strong><br />
métho<strong>de</strong>s utilisées par les chercheurs.<br />
La classification r<strong>et</strong>enue distingue spécifiquement les incertitu<strong>de</strong>s sur les données d’entrée<br />
(Figure 4.3). Les incertitu<strong>de</strong>s sur la procédure <strong>de</strong> calage (choix <strong>de</strong> l’algorithme <strong>et</strong> <strong>de</strong> la fonction<br />
objectif) <strong>et</strong> sur les données observées sont regroupées dans une même catégorie, intitulée<br />
« incertitu<strong>de</strong>s <strong>de</strong> calage », tandis que la troisième classe inclut les incertitu<strong>de</strong>s sur la structure<br />
du modèle. Les liens entre les différentes sources sont mis en évi<strong>de</strong>nce sur la Figure.<br />
L’incertitu<strong>de</strong> sur les paramètres, notamment, n’est classée dans aucune catégorie mais<br />
considérée à l’interface <strong>de</strong>s trois autres dont elles résultent.<br />
Figure 4.3. Classification <strong>de</strong>s sources d’incertitu<strong>de</strong> proposée par Del<strong>et</strong>ic <strong>et</strong> al (2009) : sources principales <strong>et</strong> leurs<br />
interactions (source : Del<strong>et</strong>ic <strong>et</strong> al, 2009)<br />
La diversité <strong>de</strong>s classifications proposées est directement liée à la manière dont les auteurs<br />
conceptualisent les incertitu<strong>de</strong>s <strong>et</strong> leur propagation dans les modèles. C<strong>et</strong>te <strong>de</strong>rnière est<br />
notamment susceptible <strong>de</strong> différer selon le domaine <strong>de</strong> recherche, la nature <strong>de</strong>s enjeux <strong>et</strong> <strong>de</strong>s<br />
questions auxquelles s’intéressent les modélisateurs. Selon le contexte, chacune <strong>de</strong>s sources<br />
d’incertitu<strong>de</strong> peut avoir plus ou moins <strong>de</strong> poids. Par exemple en hydrologie urbaine, les<br />
incertitu<strong>de</strong>s sur les données pluviométriques sont reconnues comme une <strong>de</strong>s sources majeures<br />
d’incertitu<strong>de</strong> (Vrugt <strong>et</strong> al. 2008c; Muschalla <strong>et</strong> al. 2008; Kleidorfer <strong>et</strong> al. 2009). La Figure 4.4<br />
montre le processus <strong>de</strong> modélisation conceptualisé par Del<strong>et</strong>ic <strong>et</strong> al (2009) qui est à l’origine <strong>de</strong><br />
la classification <strong>de</strong>s sources en trois catégories présentée ci-<strong>de</strong>ssus.<br />
52