Master Pro Gestion des Catastrophes et des Risques Naturels Dpartement de Gographie UFR III Universit Paul Valry,

Montpellier III

Rapport de stage effectu au sein du Centre des Matriaux de Grandes Diffusion de lcole des Mines dAls

Intgration de linformation hydromtorologique spatialise pour la modlisation et la prvision des crues clair laide des rseaux de neurones

Rapport de stage prsent par Yann Visserot et soutenu le 18 septembre 2012

Responsables de stage : Dr. Anne Johannet et Dr. Pierre-Alain Ayral Co-encadrement : Mme Audrey Bornancin-Plantier

Directeur du Master GCRN : Frdric Lone, Professeur des Universits Freddy Vinet, Professeur des Universits

Garo davans, gents de Cevenos ! Despachas vos, fourbias caraou, Que lou gardon, coufln sas vnos, Arrivo enrajat coum'un brao. Ausisss lo d sas bramados Espaventen lous liocs vsis, Crebant lous oustaous dglesits Ernest Aberlenc, pote cvenol (1847-1930)

Levez-vous de l, gens des Cvennes!! Dpchez-vous, sortez des chemins, Car le Gardon, gonflant ses veines, Arrive enrag comme un taureau. Entendez le qui pouvante De ses clameurs les lieux voisins, Eventrant les maisons disjointes... (Traduction de Pierre Mazodier, cit dans La Mmoire du Galeizon de Christian Anton, 1990)

Remerciements
En premier lieu je tiens montrer ma gratitude envers Anne Johannet et Pierre-Alain Ayral pour mavoir offert lopportunit deffectuer ce stage enrichissant au sein de leur quipe ainsi que pour la confiance et le temps qui mont t accords. Je suis reconnaissant envers Audrey Bornancin-Plantier et Guillaume Artigue pour la bonne humeur dans le bureau et leur patience face mes nombreuses questions. Jai galement une pense pour Bernard Vayssade et Marc Vinches pour leur intrt vis--vis de mes travaux. Je remercie Mto France et le SCHAPI pour avoir livr les donnes ncessaires la ralisation de ces travaux, et plus particulirement M. Constantin Ardilouze, M. Philippe Gouin, M. Bruno Janet et M. Arthur Marchandise pour mavoir apport des complments dinformations quand ctait ncessaire. Merci M. Dominique Bertin de la socit Geonosis pour la mise disposition de loutil de simulation RnfPro. Merci galement Jos-Marie Lopez-Cuesta, Eric Garcia-Diaz et toutes les personnes de lISR et du CMGD pour leur accueil. Enfin, je noublie pas ma famille qui ma toujours soutenu moralement et financirement.

Sommaire Remerciements ......................................................................................................... 5 Sommaire .................................................................................................................. 7 Introduction gnrale : contexte et objectifs du stage.......................................... 9 1. La prvision des crues clair : lapport des rseaux de neurones artificiels 11
1.1. 1.2. 1.3. 1.4. 1.5. Introduction ..........................................................................................................11 Les crues rapides en France ...............................................................................12 La modlisation et la prvision des crues clair................................................23 Les rseaux de neurones formels et la prvision des crues ............................26 Conclusion............................................................................................................36

2. Lintgration des donnes spatialises dans un modle de prvision des crues clair.............................................................................................................. 38
2.1. 2.2. 2.3. 2.4. 2.5. 2.6. Prsentation du Gardon dAnduze ......................................................................38 Construction de la base de donnes ..................................................................44 Comparaison des lames deau issues des pluviomtres et du radar ...............65 Slection du modle ............................................................................................68 Prsentation et analyse des rsultats.................................................................75 Conclusion............................................................................................................84

Conclusion gnrale .............................................................................................. 86 Bibliographie........................................................................................................... 89 Liste des figures ..................................................................................................... 95 Liste des tableaux .................................................................................................. 98 Liste des photos ..................................................................................................... 98 Annexes................................................................................................................... 99 Tables des matires ............................................................................................. 107

Introduction gnrale : contexte et objectifs du stage

Les crues catastrophiques observes ces dernires annes (Nmes 1988, Vaison-laRomaine 1992, Gard 2002, Var 2010) ont pos avec une acuit nouvelle la problmatique de la prvision des crues rapides. Ces vnements dvastateurs sont le rsultat doccurrences de pluies intenses sur de petits bassins versants fortes pentes, conduisant des dbits de plusieurs milliers de m3/s en des temps de concentration de quelques heures seulement (dbits spcifiques de plusieurs (m3/s).km-2). Bien que la population concerne par ces vnements commence acqurir une culture du risque, il est ncessaire que les pouvoirs publics disposent dun outil de prvision de ces phnomnes afin de permettre la population de se protger. Pour cela, de nombreux modles numriques ont t proposs afin de modliser la relation pluie-dbit, sans quune approche ne russisse mieux quune autre ouvrir la voie une prvision oprationnelle fiable et robuste des crues, disponible sur internet (http://www.vigicrues.ecologie.gouv.fr/). Fait remarquable, ces modles, fonctionnant partir dhypothses hydrologiques contradictoires, dlivrent nanmoins des prvisions dont les prcisions sont quivalentes, mais encore insuffisantes. Pour ces raisons, les modles conus par apprentissage statistique (rseaux de neurones) constituent une alternative ou un complment efficace, pour tablir la relation pluie-dbit, aux modles physiques ou conceptuels. En particulier, ils peuvent galement contribuer la prvision proprement dite (comme ils le font dj dans bien dautres domaines). Les mthodes dapprentissage statistique prsentent de plus lavantage doffrir des temps de calcul trs rapides en mode oprationnel une fois lapprentissage ralis ; le prix payer est la disponibilit de donnes dapprentissage suffisamment reprsentatives. Dans ce contexte, le stage de fin dtude du Master Pro GCRN, effectu au sein du Centre des Matriaux de Grande Diffusion de lcole des Mines dAls, sest focalis sur la problmatique de la prvision des crues clair sur le Gardon dAnduze. Lobjectif est double : il sagit dune part de prvoir les crues clair laide des modles rseaux de neurones (apprentissage statistique) en utilisant linformation spatialise fournie par les mesures radar et dautre part de comparer ces prvisions celles obtenues avec un modle utilisant les mesures ponctuelles des prcipitations renseignes par les pluviomtres de la zone dtude. Les tches ralises durant ces travaux sinscrivent dans le projet ANR Flood forecasting with machine Learning data Assimilation and Semi-pHysical modeling (FLASH), plus particulirement dans le cadre des travaux de thse de Mme Audrey Bornancin-Plantier, et dans la continuit de la thse du Dr. M.S. Toukourou soutenue en 2009, au CMGD. Le projet FLASH runit plusieurs laboratoires partenaires ayant chacun un rle dtermin. Ces diffrents partenaires sont :

Lcole des Mines dAls, travers deux laboratoires : le CMGD et le LGEI (Laboratoire de Gnie de lEnvironnement Industriel et des risques industriels et naturels). Le CMGD est responsable de la coordination du projet et soutient la thse de Mme Audrey Bornancin-Plantier qui a pour but ltude de la modlisation systmique de la chane hydromtorologique au moyen des rseaux de neurones ;

Le laboratoire SIGMA (SIGnaux, Modles, Apprentissage statistique) de lESPCI ParisTech (Ecole Suprieure de Physique et de Chimie Industrielles de la ville de Paris). Outre la direction et une partie de lencadrement de la thse prcdemment cite, lESPCI participe au projet avec la mise en place dun modle semi-physique base de machines vecteurs supports (SVM) ;

Le SCHAPI (Service Central dHydromtorologie et dAppui la Prvision des Inondations) est lutilisateur final de la recherche : il est charg de la collecte des donnes utilises pour les modlisations et sintresse la mise en uvre de loutil informatique dfini dans le projet pour alimenter les prvisions de la carte de vigilance crues vigicrues , disponible sur Internet ;

LEDYTEM (Environnements DYnamiques et TErritoires de Montagnes), laboratoire interdisciplinaire dpendant du CNRS et de lUniversit de Savoie, participe ce programme en sintressant la modlisation semi-physique et lassimilation de donnes.

Le stage sest droul en deux temps : aprs avoir dfini la mthodologie, la premire partie de ce travail a consist traiter la donne radar et raliser une base de donnes en vue de lapprentissage statistique ; dans un second temps la recherche de larchitecture des modles de prvisions et les simulations ont t effectues (figure 1).
Rdaction du rapport

Prise en main des donnes et mthodologie

Traitement de la donne et comparaison des diffrentes sources de donnes

Recherche de l'architecture des modles et modlisation

Figure 1 Chronogramme des actions ralises durant le stage

Ce rapport sarticule autour de deux chapitres. Dans un premier temps la problmatique des crues clair en France sera prsente ainsi que le cadre thorique des rseaux de neurones. Le second chapitre explicitera le travail effectu durant le stage et les rsultats obtenus.

10

1. La prvision des crues clair : lapport des rseaux de neurones artificiels

1.1. Introduction En France, le risque inondation est prpondrant, avec plus de 19 000 communes et 16 millions de personnes potentiellement concernes (MEDDE, 2012). Les besoins en matire de gestion du risque sont donc importants, dautant plus que lurbanisation croissante des 60 dernires annes a contribu laugmentation de la vulnrabilit territoriale et humaine (Le, 2008). La prise de conscience de cette exposition et de cette fragilit de la socit a favoris les efforts prventifs de rduction des enjeux concerns (et de leur vulnrabilit) depuis deux dcennies (Vinet, 2010). De plus, des progrs techniques dans lannonce et la prvision des crues (Antoine et al., 2001) ont permis lamlioration de lalerte et de la gestion de crise. Malgr ces avances, les crues cintique rapide peuvent encore surprendre les services institutionnels et les riverains, comme en tmoignent les vnements de 2002 dans le Gard (Huet et al., 2003) ou de 2010 dans le Var (Rouzeau et al., 2010). (Montz & Gruntfest, 2002) soulignent que dans le cas des crues clair le nombre de victimes et limportance des dgts par unit daire est trs importante, le cot des pertes ayant pu atteindre 15 000/hab. dans certains cas (Vinet, 2008). Dans ce contexte, les mesures de mitigation seules ne suffisent pas, la prvision et lalerte sont primordiales (Montz & Gruntfest, 2002). En France, jusquen 2003, lalerte vis--vis des crues tait sous la responsabilit de 56 Services dAnnonce des Crues mis en place progressivement depuis 1856. Suite aux vnements catastrophiques ayant eu lieu entre 1999 et 2002 (lAude en 1999, la Somme en 2001 et le Gard en 2002) le dispositif a t rform (Chauvire et al., 2010). La rforme du 30 juillet 2003 (loi 2003-699) stipule que lEtat est responsable de la surveillance, de la prvision et de la transmission de linformation sur les crues (article 41) (Marchandise, 2007). Cette rforme sest matrialise par la cration du SCHAPI 1 et par le remplacement des 56 SAC par 22 SPC2. Les objectifs principaux de cette rforme sont de permette une attitude de vigilance partage par le plus grand nombre et de simplifier les alertes sur les phnomnes hydrologiques jugs dangereux (Le, 2008). Les informations des SPC (et des services dappuis, comme le SCHAPI et Mto France) sont centralises par les prfectures avant dtre redistribues (figure 2). Un volet de la rforme concerne la diffusion de linformation au grand public. Elle est matrialise par lmission de cartes de vigilance crue quatre niveaux vert, jaune, orange, rouge sur les 20 000 km de tronons hydrographiques surveills par lEtat (http://www.vigicrues.ecologie.gouv.fr/).

1 2

Service Central dHydromtorologie et dAppui la Prvision des Inondations Service de Prvision des Crues

11

Figure 2 Organisation du schma d'alerte en France (daprs Le, 2008)

Malgr cette rforme et la modernisation du rseau de surveillance, une valuation du SCHAPI et du SPC par le MEDDM en 2008 montre que les crues cintique rapide sont encore mal prises en compte (Chauvire et al, 2010). Bien que la situation ait volu favorablement depuis, cet tat de fait dmontre toute la difficult de travailler sur ces phnomnes et les prvoir. Ce premier chapitre dbute par la prsentation du phnomne de crues rapides et de lorigine des fortes prcipitations associes ces vnements dans le Sud-Est de la France. Aprs avoir prsent les processus physiques concerns lchelle du bassin versant, une seconde partie abordera le thme de la modlisation hydrologique des crues clair, notamment dans le cadre oprationnel. La partie suivante prsentera les rseaux de neurones formels et leurs proprits ainsi que la problmatique lie lapprentissage de ces modles. Lapport de cet outil dans lhydrologie sera galement abord. 1.2. Les crues rapides en France 1.2.1. Gnralits sur la formation des crues clair

Il nexiste pas une dfinition unique pour dcrire les crues clair. Cependant, diffrents travaux (Ayral, 2005 ; Estupina Borrell, 2004) ont permis une synthse des caractristiques attribues ces crues dans la littrature (tableau 1).

12

Tableau 1 Rcapitulatif des caractristiques des crues clairs dans la littrature ( daprs Estupina Borrell, 2004) (Montz & Gruntfest, 2002) X X X (Webster, 1965) (IAHS et al., 1974) (Patton & Baker, 1976) (Carbonn el, 1995) X X X

Apparition et volution soudaines (rponse hydrologique rapide, temps de monte de crue rapide, violence) Pluies diluviennes qui en sont lorigine Importance des dbits dans les rivires Locales (gographiquement) Difficults les prvoir (et ventuellement des dgts quelles engendrent)

X X

X X X

Ce tableau met en avant la soudainet de la rponse hydrologique, les grandes quantits de pluie ncessaires la formation des crues clairs et la taille modre des bassins versants. 1.2.2. Les prcipitations intenses lorigine des crues clair

En France mtropolitaine, les pluies intenses sont principalement rpertories dans les dpartements de larc mditerranen et dans une moindre mesure dans les dpartements montagneux (figure 3). Le rle des prcipitations est trs important dans la gense des crues clair notamment en zone mditerranenne o de forts cumuls peuvent tre enregistrs sur un laps de temps trs court et sur des territoires restreints.

13

(Lanza, 2000) X X X

(AGL, 1972)

Caractristiques des crues clair

Figure 3 Nombre d'pisodes pluvieux avec plus de 200 mm enregistrs en une journe hydrologique (sur la priode 1958 - 2011)

Ces pisodes diluviens3 sont principalement localiss sur le rebord oriental du Massif Central (de la Montagne Noire au Lyonnais) daprs Pard (1919). Certains de ces pisodes dits mditerranens ont marqu les mmoires des dernires dcennies : Les pluies diluviennes qui se sont abattues sur Nmes le 3 octobre 1988. Un cumul de plus de 420 mm a t enregistr sur la ville (Bonneaud, 2002 in Ayral, 2005). La raction trs forte des Cadereaux a fait neuf victimes ; Le 22 septembre 1992, des pisodes pluvio-orageux particulirement intenses ont balays le Sud-Est de la France. Vaison-la-Romaine a t particulirement touche par les inondations provoques (Benech et al, 1993) o plus de 32 victimes sont dplorer (Comby, 1993). Le cumul maximum de pluie, 300 mm (ou plus ?), a t enregistr Entrechaux ( 6 km en amont de Vaison-la-Romaine) (Benech et al, 1993) ; Les 12 et 13 septembre 1999, lAude et les dpartements voisins ont t frapps par de forts abats pluviomtriques qui ont entran les crues de plusieurs cours deau (lAude, la Cesse, lOrbieu,). Dans un secteur relativement pargn par les pluies
3

Un pisode pluvieux diluvien se dfinit comme un pisode durant lequel la hauteur des prcipitations dpasse 200 mm en 24 h ou moins (Jacq, 1994)

14

torrentielles depuis une cinquantaine dannes, des cumuls impressionnants ont t enregistrs (Vinet, 2000). A Lzignan-Corbires, lpicentre de lvnement, ce sont quelques 551 mm qui ont t enregistrs en 24 heures. De plus, 25 stations de Mto France ont enregistr des cumuls suprieurs 300 mm en 24 heures sur les dpartements concerns. De par sa localisation et son extension spatiale, il sagit dun vnement exceptionnel mais il est probable quil se reproduise (Vinet, 2000). Cet pisode pluvieux et les crues associes ont entran la mort de 34 personnes (Vinet, 2000) ; Les 8 et le 9 septembre 2002 le Gard, lHrault, le Vaucluse, la Lozre, les Bouchesdu-Rhne, lArdche et la Drme ont t soumis un fort vnement pluvieux (ces dpartements ont enregistr des cumuls de pluies suprieurs 100 mm en 48 heures). Le Gard a t le dpartement le plus touch, les 2/3 du territoire ayant reu plus de 300 mm de pluie en 24 heures (le maximum a t enregistr Anduze : cumul de 687 mm en 24 heures) (Huet et al, 2003). Les crues des diffrents cours deau concerns ont entran la mort de 23 personnes, dont 22 dans le Gard (Huet et al, 2003). A lorigine des pluies en rgion mditerranenne, on retrouve les trois grands types de prcipitations (figure 4).

Figure 4 Les diffrents types de prcipitations (d'aprs Musy, 2005)

Les prcipitations convectives : elles se produisent lorsque le rchauffement de la surface provoque lascendance des masses dair devenues instables parce que plus chaudes que lair environnant (Cosandey & Robinson, 2000) ;

15

Les prcipitations orographiques : elles rsultent de lascendance de masses dair humides sous leffet conjoint dun relief et du vent (Ayral, 2005) ;

Les prcipitations frontales (ou cycloniques) : elles sont lies la confrontation de masses dair de tempratures diffrentes.

Les pisodes extrmes ayant lieu dans cette rgion sont souvent qualifis de cvenols . Il sagit dun abus de langage, un pisode cvenol au sens propre du terme est un systme pluviogne local et particulier li au forage orographique important (Boudevillain et al, 2009) (figure 5).

Figure 5 Reprsentation schmatique dun pisode cvenol en coupe entre le Golfe du Lion et les Cvennes (daprs Artigue, 2012)

Les pisodes cvenols proprement dit reprsentent 65 % des cas (Neppel, 1998 in Ayral, 2005). On peut citer comme exemple lpisode du 21 octobre 2008, o 470 mm ont t enregistrs en 24 heures la Grand Combe (30)4. Outre ce phnomne, les systmes convectifs de mso-chelle en V peuvent tre lorigine de pluies intenses (figure 6).

Figure 6 Systme convectif de mso-chelle en V (schma d'aprs Rivrain, 1999 in Vinet, 2010 - Image infrarouge de l'orage du 24/08/2009 sur le puy de Dme avec l'autorisation de 5 Keraunos Observatoire )

4 5

http://pluiesextremes.meteo.fr/2008-10-20/fortes-pluies-sur-les-cevennes.html http://www.keraunos.org/orage-en-v-puy-de-dome-24-aout-2009-pluie-diluvienne.htm

16

Ces systmes produisent de fortes prcipitations car ils peuvent tre stationnaires, et des cellules orageuses se forment en permanence au niveau de la pointe du V (Ayral, 2005). Bien quon les rencontre principalement dans larc mditerranen (Vinet, 2010), le forage orographique nest pas une composante principale de ces sytmes. Ce fut le cas dans lAude en novembre 1999 (Vinet, 2000), mais le relief peut savrer tre une cause aggravante dans lobservation des forts cumuls observs. Outre lAude en 1999, ce type de phnomnes est lorigine des inondations dans le Gard en septembre 2002 ou encore Vaison-la-Romaine en 1992. 1.2.3. La variabilit spatiale des prcipitations et les incertitudes sur les donnes

Ltude des crues clair a mis en vidence limportance de lhtrognit spatiale prsente sur lensemble des chelles danalyses de ce phnomne (Ayral, 2005). Dans cette partie nous nous concentrerons sur lhtrognit spatiale des prcipitations, mais cette variabilit est galement trs importante dans les paramtres intrinsques linfiltrat ion et au ruissellement (Ayral, 2005). Sans parler de la variabilit globale et rgionale des prcipitations (influence climatique et orographique), la variabilit lchelle locale peut tre considrable (Cosandey & Robinson, 2000). Lampleur des variations observes dpend principalement du type de prcipitations : les pluies convectives prsentent une variabilit plus importante que les pluies cycloniques (Cosandey & Robinson, 2000). Ces systmes convectifs peuvent se dcliner sous plusieurs formes : Les cellules convectives de quelques kilomtres ; Les systmes multicellulaires ; Les systmes convectifs de mso-chelle (qui stendent sur plusieurs centaines de kilomtres). Si lhtrognit des deux premires formes dorganisation sur une surface donne parat vidente, il en est de mme pour les systmes convectifs de mso-chelle en V (Rivrain, 1997 in Ayral, 2005). Cette forte variabilit sous-entend que les cellules convectives peuvent ne pas tre dtectes par le rseau de pluviomtres. En France mtropolitaine, le rseau de pluviomtres Mto France est constitu de 3516 appareils6. La plupart mesurent les prcipitations aux pas de temps journalier et/ou horaire. Comme cette caractristique ne permet pas de suivre prcisment lvolution des prcipitations mditerranennes au cours dun vnement, la modernisation du rseau partir des annes 1980 a permis dintroduire des appareils fonctionnant sur un pas de temps de cinq minutes. De plus, ce rseau est complt par des appareils appartenant EDF et aux SPCs. La densit des pluviomtres
6

http://pluiesextremes.meteo.fr/pr_r22.html

17

sen trouve accrue, notamment dans les dpartements les plus touchs par les prcipitations diluviennes. Ainsi sur les dpartements de lArdche, du Gard, de lHrault et de la Lozre (auxquels on pourrait ajouter la Haute-Corse), il y a en moyenne un pluviomtre pour 10 km. Notons tout de mme que la rpartition des appareils nest pas homogne, les zones considres risques et les zones montagneuses tant plus quipes (figure 7).

Figure 7 Nombre de pluviomtres pour 10km sur les dpartements (du continent) les plus touchs par les pluies extrmes

Outre le caractre ponctuel des mesures qui ne permet pas de rendre compte de la distribution spatiale des pluies, lenregistrement pluviomtrique nest pas dpourvu derreurs. Les effets du vent ou des obstacles physiques proximit du poste peuvent introduire 10 % 20 % derreurs sur un cumul vnementiel (Adjizian, 1986 in Marchandise, 2007). La sousestimation des mesures peut tre amplifie lors de fortes pluies, au moment o lauget bascule (basculement denviron 0,5 s) (Estupina Borrell, 2004). Les mesures pluviomtriques peuvent galement tre fournies par un radar7 mtorologique. Mto France possde actuellement un rseau (le rseau Aramis8) de 23 appareils. Ces

7 8

RADAR : Radio Detection And Ranging. Aramis : Application Radar A la Mtorologie Infra-Synoptique

18

derniers permettent la dtection des phnomnes dans un rayon denviron 200 km et la quantification des pluies (visibilit hydrologique) dans un rayon denviron 100 km (figure 8).

Figure 8 Visibilit hydrologique du rseau Aramis (rayon de 100km autour du RADAR)

Le territoire est globalement bien couvert (en dehors des Alpes), notamment dans la rgion mditerranenne. La mesure radar est prcise spatialement (rsolution kilomtrique) et temporellement (pas de temps de cinq minutes) ce qui prsente des avantages considrables dans ltude des pluies mditerranennes et dans la modlisation oprationnelle pluie-dbit (Parent du Chtelet, 2003). Comme dans le cas des pluviomtres, les donnes peuvent tre entaches derreurs. La mesure radar est une succession de trois tapes (Guillon, 2005) : Mesure de la rflectivit ; Transformations des rflectivits en intensits ; Estimation de la pluie au sol partir de la pluie mesure en altitude.

Les sources derreurs sont donc multiples et peuvent se retrouver chacune de ces tapes (lannexe 1 fournit quelques notions sur le principe de la mesure radar et les erreurs qui laffecte). Parmi ces erreurs, on retiendra : La mauvaise calibration du radar (angle de mesure) ; Les erreurs induites par lutilisation de la loi Z-R (rflectivit intensit) ;

19

Les chos fixes (objets ou appareils renvoyant un signal semblable celui des prcipitations) ;

Les effets de masques (zones derrire des reliefs ou des btiments).

Bien que la plupart de ces erreurs puissent tre attnues par des mtadonnes (en temps rel ou en post vnementiel), lutilisation des pluviomtres est considre comme le moyen le plus fiable pour calibrer les radars mtorologiques. Ce constat sappuie sur les hypothses suivantes (Guillon, 2005) : La pluie mesure ponctuellement par un pluviomtre contient moins derreurs que celle mesure par le radar ; La distribution spatiale de la pluie est renseigne correctement par le radar.

Comme le souligne (Andrieu, 2002), malgr lintrt croissant des hydrologues pour ces mesures depuis deux dcennies, les donnes radar ne se sont pas encore imposes en hydrologie oprationnelle cause de leurs imperfections. Il sagit pourtant dune avance considrable en termes de spatialisation de la pluie (Gaume, 2002). 1.2.4. Rappel des processus physiques mis en jeu pendant les crues clair

Au-del des fortes pluies, de nombreux paramtres sont lorigine des crues clair. Bien que (Gaume, 2002) juge ltat des connaissances sur les crues clair encore incompltes, une synthse des connaissances peut tre propose. Le lecteur curieux pourra se reporter aux rfrences suivantes (Ayral, 2005 ; Cosandey & Robinson, 2000 ; Estupina Borrell, 2004 ; Gaume, 2002 ; Marchandise, 2007). Le ruissellement de surface

Daprs Marchandise (2002), un ruissellement direct de surface quasi-gnralis, aprs un certain cumul de pluie, peut tre, dans un premier temps, une hypothse acceptable au vue des cintiques de transfert mises en jeu lors des crues clair. Ce ruissellement peut tre provoqu par labsence quasi-totale de sol, la pluie pouvant alors ruisseler sur une roche mre affleurant et impermable. La localisation de ces sols, gnralement en haut de versant, laisse penser que le ruissellement ainsi gnr peut tre rinfiltr en aval sur des terrains aux sols plus dvelopps (Marchandise, 2002). La thorie de Horton peut galement tre envisage pour expliquer le ruissellement de surface. (Horton, 1933 in Ayral, 2005) dcrit le ruissellement comme la consquence de la saturation du sol par le haut (figure 9).

20

Figure 9 Gnration du ruissellement par saturation par le bas et par saturation par le haut (d'aprs Musy, 2005)

Cette thorie sous-entend que le ruissellement se produit lorsque lintensit des pluies dpasse la capacit dinfiltration des sols (Horton, 1933 in Cosandey & Robinson, 2000). Ce serait une partie de la pluie qui tombe sur tout le bassin versant qui serait la cause des coulements de crues. Malgr son application dans des modles de prvision de crues (Ayral, 2005) cette thorie est critique dans la littrature scientifique (Cosandey & Robinson, 2000 ; Gaume, 2002). Elle ne peut pas tre la seule explication aux coulements de crues (Estupina Borrell, 2004), en effet, des tudes ont montr quune part importante des coulements de crues (20 % 80 %) ont transit par le sol (Gaume, 2002). De plus, des crues sans ruissellements sur les versants peuvent se produire (Cosandey & Robinson, 2000). En opposition la loi de Horton, on trouve la thorie des aires contributives. Il sagit dun phnomne de saturation par le bas (figure 9), o toute la pluie sur une partie du bassin versant est lorigine du ruissellement et des coulements rapides de crues (Cosandey & Robinson, 2000). Ces zones satures apparaissent gnralement dans les talwegs, proximit des cours deau, l o une nappe peu profonde favorise la saturation rapide du sol (Gaume, 2002). Cependant, (Cosandey, 1993 in Ayral, 2005) a montr que, dans des cas spcifiques, la connexion subite entre des zones satures, pas forcment situes en fond de valle, peut expliquer la formation des crues clair sur les bassins versants du Mont Lozre. Cette thorie qui fait lobjet dun consensus assez large dans la communaut scientifique (Gaume, 2002 ; Ayral, 2005) nest tout de mme pas une explication universelle la gense des crues clair (Estupina Borrell, 2004). En effet, elle implique aussi, du moins dans sa formulation la plus simple, que le ruissellement superficiel soit le principal mcanisme de gense des coulements en crue, et n'explique donc pas la contribution importante de l'eau du sol et des nappes aux coulements en priode de crues rvle par la trs grande majorit des tudes gochimiques (Gaume, 2002). Pour

21

conclure sur le ruissellement de surface, il nexiste pas un seul processus lorigine des crues clair, mais il sagit dune combinaison complexe de processus qui senchanent (ou se superposent) de faon variable dans le temps et lespace (Cosandey & Robinson, 2000). La contribution des coulements souterrains

En plus du phnomne de ruissellement, les coulements souterrains participent directement aux volumes de crues ou indirectement en acclrant la saturation du sol (Marchandise, 2007). Lcoulement hypodermique , qui a lieu dans lhorizon subsuperficiel du sol ( savoir dans lhumus et la zone racinaire dun versant forestier) , peut constituer une nappe perche (Marchandise, 2002). Bien que des arguments aillent lencontre de cette thorie (Gaume, 2002), des exprimentations in-situ ralises sur des sols schisteux en amont du bassin dAnduze (Ayral, 2004 in Marchandise, 2007) permettent dobserver un ruissellement hypodermique non ngligeable sous pluie simule (de 10 % 50 % du ruissellement suivant la parcelle). Lcoulement dans la matrice poreuse du sol sous plusieurs formes contribue galement la formation des crues. On retiendra le rle des macropores (conduits creuss par les animaux fouisseurs, espaces laisss libres aprs la dcomposition racinaire) qui vont constituer des chemins dcoulements prfrentiels (Marchandise ; 2007) et ainsi acclrer le drainage des sols (Gaume, 2002). La transmission donde de pression (dans un sol proche de la saturation) et leffet piston (dans un sol satur) peuvent expliquer la prsence deau ancienne dans les coulements de crues (Gaume, 2002 ; Marchandise, 2007). Leau ancienne est chasse par exfiltration en bas de versant par leau nouvelle qui sinfiltre en haut de versant (Gaume, 2002). Ces transferts de charge peuvent tre considrs comme quasi instantans, contrairement au transfert de matire (Gaume, 2002). Pour terminer avec les coulements souterrains, certaines zones sont fortement influences par les coulements dans les roches fissurs (karsts, schistes altrs,) (Marchandise, 2007). La formation des crues clair est la rsultante dun ensemble de processus hydrologiques complexes ayant lieu sur un bassin versant de taille modre. Cette complexit lchelle des bassins versants ne permet pas de dfinir des lois gnrales sur le fonctionnement et la gense des crues clair (Gaume, 2002 ; Estupina Borrell, 2004). Ce constat va tre source de difficults dans ltude des crues clair, notamment pour la modlisation pluie dbit.

22

1.3. La modlisation et la prvision des crues clair 1.3.1. La modlisation pluie - dbit

La modlisation pluie dbit a plusieurs finalits, comme simuler limpact dinstallations anthropiques, prvoir les crues pour lalerte ou encore reconstituer des chroniques de dbits manquantes partir des pluies (Marchandise, 2007). Ces modles mathmatiques sont donc dfinis en fonction dun objectif et dun point de vue celui du modlisateur ce qui introduit de nouvelles approximations chaque stade de la modlisation (Ambroise, 1998). Ceci explique la multiplicit et la diversit des modles pour un mme objet dtude (Ambroise, 1998). Ces modles peuvent tre classs en fonction des paramtres qui permettent leur laboration (figure 10).

Figure 10 Vision simplifie des diffrents modles hydrologiques (d'aprs Estupina Borrell, 2004 et Ambroise, 1998)

Dans lobjectif de comparer plusieurs modles, (Perrin, 2000 in Ayral, 2005) propose une typologie en trois classes : Les modles physiques ; Les modles rservoirs , conceptuels ou empiriques ; Les modles botes noires.

Les modles fonds sur des lois physiques sont ambitieux et ont pour but dexprimer chacune des phases du cycle de leau en fonction de lois physiques (Cosandey & Robinson, 2000). La complexit des relations pluie - dbit lchelle du bassin versant contraint ces modles intgrer un grand nombre de donnes de qualit (Cosandey & Robinson, 2000). La rare disponibilit des donnes requises ainsi que la complexit des modles en font des outils difficilement exploitables, en particulier pour lapplication en temps rel (Ambroise,

23

1998). De plus la complexit du modle ne garantit pas la prcision des rsultats, cest pour cela que ces modles sont gnralement appliqus dans un cadre de recherche de la comprhension des phnomnes (Ambroise, 1998 ; Cosandey & Robinson, 2000). Les modles rservoirs cherchent reprsenter sous une forme simplifie un ou plusieurs processus considrs comme majeurs pour un bassin versant (Ayral, 2005). Bien que sappuyant sur des bases physiques, puisque le fonctionnement hydrologique et la recherche de la pluie efficace sont les points de dpart de ce type de modle, ils ne le font pas daussi prs que les modles physiques . La vision simplifie des processus dpend du modlisateur (Cosandey & Robinson, 2000 ; Ayral, 2005). Ces modles seront spcialiss en fonction dun processus ou dun bassin versant alors quun modle physique sera plus universel (Ambroise, 1998). Les modles botes noires , entirement empirique, font uniquement appel aux variables dentres et de sorties du bassin, sans que les processus physiques ninterviennent entre les deux (Ambroise, 1998). Ces modles ont en gnral peu dintrt dans la comprhension des phnomnes mais sont trs utiliss des fins oprationnelles (Ambroise, 1998 ; Cosandey & Robinson, 2000). La principale faiblesse de ces modles, quils soient rgressif, non linaire (rseaux de neurones) ou bass sur des fonctions de transfert, reste leur grande dpendance aux donnes utilises (Ambroise, 1998). Dun autre ct ces modles, a fortiori ceux bass sur les rseaux de neurones, prsentent lavantage de ne pas ncessiter dhypothses sur les processus physiques, qui sont encore mal connus dans ltude des crues clair (Gaume, 2002). 1.3.2. Quelques modles oprationnels pour la prvision des crues clair

Dans le cadre de la prvision des crues clair, peu de modles sont adapts car ils travaillent souvent au pas de temps horaire ou journalier alors que les phnomnes sont bien plus rapides (Ayral, 2005). Cependant, des outils de modlisation pour les crues clair ont t conus dans le but dtre oprationnel. Les principaux outils ddis la prvision des crues clair et utiliss dans les SPC sont prsents dans le tableau suivant (tableau 2).

24

Tableau 2 Les principaux modles de prvision des crues utiliss par les SPC (d'aprs Bessire, 2008) Nom Systmes Ouverts de Prvisions Hydrologiques Informatiss avec Expertises [SOPHIE] Principes Bibliographie Note Aucun dterminisme. Aucune spatialisation des variables.

Plateforme de plusieurs modles hydrologiques (dbit-dbit, pluie-dbit, modle multi-agent auto-adaptatif).

Loumagne et al., 1995.

ALarme Hydrologique Territoriale Automatise par Indicateur de Risques [ALHTAIR]

Module de production bas sur la loi de Horton et module de propagation bas les trajectoires d'coulement. Fonctionne en mode "bassin versant" (paramtres l'chelle du BV) ou en mode "spatialis" (rgionalisation de paramtre tels que l'occupation des sols ou la capacit d'infiltration) Le modle contient plusieurs fonctions de production bases sur la loi de Horton, de Green et Ampt, la thorie des aires contributives (TOPMODEL), des lois empiriques de type SCS (Soil Conservation Service). Il possde galement plusieurs fonctions de transferts (schmas gomorphologiques, quation de l'onde cintique, etc.) Modle distribu base physique conu pour la prvision des crues clair. Le modle repose sur l'hypothse que le ruissellement est issu du dpassement de la capacit d'infiltration. Il prend en compte des informations statiques (caractristiques du BV) et dynamiques (transferts des eaux dans les sols, humidit des sols,...).

Ayral, 2005

Utilise les lames d'eau CALAMAR, oprationnel pour les BV du Gard (moins de 500km)

Maillage Elmentaire Rgulier Carr pour l'Etude des Ecoulements Superficiels [MERCEDES]

Bouvier, 1994 ; Estupina Borrell, 2004 ; Marchandise, 2007

Prise en compte de l'htrognit spatiale. Utilise des pluies radars ou distribues.

Modlisation de l'Anticipation du Ruissellement et des Inondations pour des Evnements Extrmes [MARINE]

Estupina Borrell, 2004 ; Bessire, 2008 ; Le, 2008

Prise en compte de l'htrognit spatiale. Utilise des pluies radars ou distribues.

Mis part MARINE, ces diffrents modles ont plusieurs points communs. Ce sont tous des modles conceptuels qui sappuient sur une vision simplifie des processus physiques, souvent une thorie en particulier (Horton, aires contributives,). Il sagit dune des limites de ces modles (bien quils soient oprationnels, donc valides), car ils sont dpendants de la vision du modlisateur. De plus, comme la partie 1.2.2 la dmontr, les processus concernant la gense des crues clair ne bnficient pas dune explication universelle. Un autre point commun de ces modles est lutilisation de donnes pluviomtriques prvues. Nous pouvons citer au moins deux outils de prvision mtorologique :

25

AROME9, produit de Mto France (Bouttier, 2007). Ce modle est oprationnel depuis 2008 ; CALAMAR10, produit de la socit Rha11.

Les donnes court terme issues de ces outils sont satisfaisantes et utilises en oprationnel. Cependant, la prvision des vnements pluvieux lorigine des crues clair reste difficile effectuer car les vnements convectifs sont particulirement instables, mme court terme (Marchandise, 2007 ; Gill et al., 2008). Ces donnes peuvent donc tre errones, ce qui dgradera la prvision hydrologique ; car comme le souligne le rglement de surveillance de prvision et de transmission de l'information sur les crues (RIC) du SPCG les modles de prvision des crues sont dpendants de la qualit des donnes dentre (SPCGD, 2010). Cette dpendance aux prvisions de pluies et limportance des hypothses physiques qui dirigent le modle sont les principales limites de ces outils. Cest suite ce constat que les modles botes noires , notamment les rseaux de neurones, prennent tout leur sens en prvision oprationnelle. La partie suivante est une introduction aux rseaux de neurones formels et de leur utilisation dans la prvision des crues. 1.4. Les rseaux de neurones formels et la prvision des crues Cette partie est une introduction aux rseaux de neurones formels. Elle sattachera dcrire principalement le type de modle qui sera utilis dans la suite de ce mmoire. 1.4.1. Gnralits sur les rseaux de neurones formels

Les rseaux de neurones formels sont une famille de modle non linaires paramtrs, ils ont t utiliss durant ce travail pour des tches de rgression. Comme le souligne (Toukourou, 2009) et (Kong A Siou, 2011), la terminologie employe sinspire du domaine biologique (neurones, coefficients synaptiques, apprentissage) cause de lhistorique des recherches. Mais les rseaux de neurones formels (qui seront appels simplement rseaux de neurones dans la suite de ce travail) sinscrivent clairement dans le cadre de lapprentissage statistique. Comme nous lavons explicit prcdemment (partie 1.3.1), la prvision par rseaux de neurones est une modlisation de type bote noire .

Application de la Recherche l'Oprationnel Mso-chelle CAlcul de LAMes d'eau l'Aide du Radar 11 http://www.kisters.net/docs/Calamar_french_email_A4.pdf
10

26

1.4.2.

Le neurone formel

Un neurone est un oprateur mathmatique qui ralise une fonction algbrique linaire ou non, paramtre et valeurs bornes, de ses variables dentres (vecteur x) vers une valeur de sortie (scalaire y). En pratique, un neurone effectue une somme pondre par des coefficients synaptiques de ses entres. On appelle cette somme le potentiel du neurone, et les coefficients sont les paramtres du modle. Ce potentiel est transform par la fonction dactivation pour dlivrer une sortie (figure 11).

Figure 11 Reprsentation schmatique d'un neurone formel x reprsente le vecteur des variables dentre, w la matrice des paramtres, ou coefficients synaptiques, f(.) est la fonction dactivation et y la sortie du neurone

Nous pouvons donc crire :

Ou plus prcisment : O v est le potentiel du neurone et j le nombre de variables dentres Dans les travaux raliss pendant le stage, le neurone sera dfini par cette relation. Les fonctions dactivation sont nombreuses, parmi celle-ci on trouve : la fonction chelon (essentiellement utilise pour la classification), la fonction dactivation linaire (fonction identit) et les fonctions de type sigmode. Cette dernire catgorie de fonction sera celle que lon utilisera pour le modle, car elle prsente lavantage dtre continue, drivable, valeurs bornes et non locale puisquelle ne tend pas vers 0 quand la valeur absolue du potentiel tend vers linfini (figure 12).

27

Figure 12 Fonction sigmode (y = 1/(1+e-x))

Lutilisation de la fonction dactivation sigmode ncessite un traitement pralable des variables dentres, afin de ramener toutes les variables dans des ordres de grandeur similaires. De cette faon les variables ayant des valeurs faibles pourront tre prises en compte au mme titre que les variables ayant des valeurs fortes. Notons que cette fonction dactivation est frquemment utilise pour la problmatique de prvision des crues (Dawson & Wilby, 1999 ; Brath et al., 2002 ; Gaume & Gosset, 2003 ; Chang et al., 2007, Toukourou, 2009 ; Kong A Siou, 2011). 1.4.3. Les diffrents rseaux de neurones

Les neurones dcrits prcdemment peuvent tre organiss suivant une architecture particulire. Parmi les nombreuses architectures possibles, il existe les rseaux une seule couche et les rseaux multicouches. Au sein dun rseau multicouche, on fera la distinction entre : Les neurones cachs : leurs sorties ne sont pas les sorties du rseau ; Les neurones de sorties : leurs sorties sont les sorties du rseau.

On peut distinguer deux catgories de rseaux : Les rseaux de neurones statiques

Dans un rseau de neurones dit statique les sorties dpendent uniquement des n variables dentres. Cela induit que si les variables ne varient pas dans le temps, les sorties du rseau ne varient pas. Le temps na donc aucun rle fonctionnel dans ce type de rseau. Un rseau de neurones statique une couche de neurones cachs (perceptron multicouche) est reprsent dans la figure suivante (figure 13).

28

Figure 13 Reprsentation schmatique du perceptron multicouche

Ce type de rseau est acyclique, cest pourquoi on appelle ces rseaux rseaux non boucls. Les rseaux de neurones dynamiques

Comme pour les rseaux de neurones statiques, les sorties des rseaux dynamiques sont dpendantes de n variables dentres (variables exognes). La diffrence avec les rseaux de neurones statiques rside dans le fait que les valeurs passes des neurones de sorties vont devenir des variables rcurrentes. Ainsi, mme si les n variables exognes sont constantes, les sorties sont susceptibles de varier au cours du temps. Le rseau est bien un systme dynamique. Graphiquement, ce modle est cyclique, on lappellera donc un rseau boucl (figure 14).

Figure 14 Rseau de neurones boucl d'ordre 1

Lordre du modle rcurrent est gal au nombre de retards pris en compte dans les variables rcurrentes. Une telle architecture contient plusieurs cycles.

29

1.4.4.

Proprits fondamentales des rseaux de neurones

Les rseaux de neurones constituent une famille de fonctions non linaires paramtres, qui sont utiliss pour des tches de classification, de modlisation et de prdiction. Ils possdent plusieurs proprits fondamentales qui leur permettent de rsoudre ces tches. Lapproximation universelle

Cette proprit des rseaux de neurones a t dmontre par (Cybenko, 1989 in Toukourou, 2009 et Funahashi, 1989 in Toukourou, 2009). (Hornik et al., 1989 in Toukourou, 2009) lont nonc de la faon suivante : Toute fonction borne suffisamment rgulire peut tre approche uniformment, avec une prcision arbitraire, dans un domaine fini de l espace de ses variables, par un rseau de neurones comportant une couche de neurones cachs en nombre fini, possdant tous la mme fonction dactivation borne, et un neurone de sortie linaire . Il sagit dun thorme dexistence, il ne simplifie pas la tche consistant identifier les paramtres. Ce type de modle est appel un approximateur universel (figure 15).

Figure 15 L'approximateur universel, un rseau de neurones non boucl n+1 entres, NC neurones cachs et un neurone de sortie linaire

La fonction ralise par ce type de rseau est une fonction non linaire de ses variables et de ses paramtres. La parcimonie

(Barron, 1993 in Kong A Siou, 2011) a dmontr quun approximateur dont la sortie dpend non linairement de ses paramtres est plus parcimonieux quun approximateur dont la sortie dpend linairement des paramtres. Il a dmontr plus prcisment que le nombre de paramtres (pour une prcision donne) crot exponentiellement avec le nombre de variables dans le cas des approximateurs linaires alors quil crot linairement dans le cas des approximateurs non linaire. Plus le nombre de variables augmente, plus les rseaux de

30

neurones sont parcimonieux par rapport aux modles linaires en leurs paramtres. Il convient de noter que si lon sintresse uniquement au nombre de paramtres, les rseaux de neurones sont bien moins parcimonieux que la plupart des modles hydrologiques (Gaume, 2007). Lavantage de la parcimonie se ressent principalement en comparaison avec dautres approximateurs statistiques non-linaires. 1.4.5. Apprentissage des rseaux de neurones

Lapprentissage des rseaux de neurones consiste estimer les paramtres w du modle, de faon minimiser une fonction de cot entre les valeurs observes et les calculs du modle partir de lensemble dapprentissage. Minimisation de la fonction de cot

La fonction de cot choisie est la fonction reprsentant lcart quadratique entre les valeurs observes et celles estimes par le modle. La sortie du rseau de neurones dpendant non linairement des variables dentre et des paramtres, il est impossible de minimiser la fonction de cot de manire algbrique. Loptimisation de cette fonction passera par des mthodes itratives. Les mthodes doptimisation utilisent en gnral le gradient de la fonction de cot. La premire tape de lapprentissage dun rseau de neurones consiste donc calculer ce gradient en utilisant lalgorithme de rtropropagation (Rumelhart et al., 1986 in Toukourou, 2009). Une fois ce gradient calcul, on met en uvre un algorithme itratif de modification des paramtres. On distinguera les mthodes itratives du premier ordre et les mthodes du second ordre : Les mthodes du premier ordre modifient itrativement les paramtres

proportionnellement au gradient de la fonction de cot. Le coefficient de proportionnalit peut tre fixe ou variable au cours de loptimisation ; Les mthodes du second ordre sont considres comme plus efficaces que les mthodes du premier ordre. Ces mthodes reposent sur la matrice des drives secondes de la fonction de cot par rapport aux paramtres (matrice hessienne). Le modle utilis dans la suite de ces travaux sappuiera sur la mthode de Levenberg Marquardt. En effet, cet algorithme frquemment utilis dans les problmatiques de prvision est jug comme le plus performant (Kisi, 2007). Il utilise une approximation de la matrice hessienne calcule partir des produits des drives premires (Bender, 1996 in Toukourou, 2009 ; Press, 1992 in Toukourou, 2009). Cette mthode est avantageuse en termes de temps de calcul car il nest pas ncessaire de calculer les drives secondes de la fonction de cot, mais seulement le produit des drives premires.

31

Problme du surajustement

Comme le souligne (Toukourou, 2009), lobjectif dun modle nest pas de raliser lapproximation dune fonction connue, mais de chercher la meilleure approximation possible de la fonction de rgression, compte tenu des donnes disponibles . Cette approximation sera obtenue en postulant un rseau de neurones et en ajustant ses paramtres afin que la fonction mise en uvre par le rseau de neurones sajuste aux donnes prsentes dans lensemble dapprentissage. Il faut donc tre attentif au fait quun modle trop complexe risque de ne pas sajuster la fonction de rgression mais la somme de cette fonction et du bruit alatoire contenu dans les donnes. Si un modle sajuste au bruit, il sera ensuite incapable de gnraliser correctement puisquil dpendra de la ralisation particulire du bruit prsent dans lensemble dapprentissage. Un tel modle sera surajust. Dun autre ct, un modle de complexit insuffisante manquera de flexibilit pour sajuster la fonction de rgression. Il faut donc trouver la complexit approprie, qui permettra une flexibilit suffisante. Ce problme central de lapprentissage statistique est appel le dilemme biais-variance. Il sexprime mathmatiquement de la manire suivante : supposons que les observations Y(x) sur le systme modliser soient la somme dune fonction de rgression q(x) et dune variable alatoire B desprance mathmatique nulle et de variance qui modlise toutes les perturbations qui affectent la mesure, nous pouvons crire : Y(x) = q(x) + B. Dans ce cas, lerreur thorique de prvision, pour un vecteur x donn, c'est--dire lesprance mathmatique du carr de la diffrence entre observation et prvision du modle, calcule sur tous les ensembles dapprentissage possibles, est la somme de trois termes (Geman et al., 1992 in Toukourou, 2009) : Un terme qui dpend seulement des donnes : la variance de la variable B. Il sagit de la variance du bruit prsent dans les donnes, La variance du modle qui est calcule sur tous les ensembles dapprentissage possibles, Le biais du modle, qui est le carr de lesprance mathmatique de la diffrence entre la fonction de rgression et la prvision du modle, calcul, l encore, sur tous les ensembles dapprentissage possibles. Comme ces trois termes sont positifs, lerreur dun modle obtenu par apprentissage ne peut pas tre infrieure lincertitude sur les donnes (variance de la variable B). De plus, le biais et la variance varient en sens inverse en fonction de la complexit du modle. Le biais diminue quand la complexit augmente (le modle sadapte de plus en plus lensemble dapprentissage), en mme temps la variance augmente (le modle est de plus

32

de plus sensible aux dtails de lensemble dapprentissage). La somme de ces deux termes possde donc un minimum pour une complexit donne qui constitue le meilleur compromis entre le biais et la variance. Au-del de ce minimum le modle est surajust. Ces rsultats sont dune grande importance thorique mais sont difficiles mettre en uvre car ils sont exacts pour de trs grands ensembles de donnes. Dans la pratique, la conception de modle par apprentissage consiste concevoir des modles de complexit croissante et destimer lerreur de gnralisation sur chacun dentre eux. Le modle slectionn sera celui qui aura les meilleures capacits de gnralisation, c'est--dire celui qui aura le meilleur compromis entre le biais et la variance. (Gallinari et al., 1999 in Toukourou, 2009) prcise que ce problme est dautant plus difficile rsoudre que lensemble dapprentissage est restreint. La conception du modle repose essentiellement sur lvaluation de lerreur de gnralisation. Parmi les diffrentes mthodes qui existent pour viter le problme du surajustement, les deux mthodes qui seront utilises par la suite vont tre prsentes : la rgularisation par arrt prcoce (mthode active) et lestimation de lerreur de gnralisation par validation croise (mthode passive). Notons quune autre mthode active, la modration des poids, existe, mais (Toukourou, 2009) a montr quelle tait moins efficace que larrt prcoce sur la problmatique de la prvision des crues clair du Gardon dAnduze. Larrt prcoce

Larrt prcoce est une mthode active de rgularisation. Elle consiste arrter la phase dapprentissage quand la gnralisation commence se dgrader. Pour mettre en place cette mthode, il faut pralablement dfinir un ensemble darrt, distinct de lensemble dapprentissage. Ensuite la mthode consiste suivre lvolution de la fonction de cot en vue darrter la phase dapprentissage, c'est--dire lorsque la fonction de cot sur lensemble darrt aura atteint son minimum. Lestimation de lerreur de gnralisation par validation croise

Aprs un optimum, la diffrence entre lerreur dapprentissage et lerreur de gnralisation crot avec la complexit du modle, il est donc dconseill de slectionner le modle partir de lerreur dapprentissage (Toukourou, 2009). La validation croise (Stone, 1974) permet destimer lerreur de gnralisation du modle en le soumettant des validations multiples avec diffrentes portions de la base de donnes. Elle consiste diviser lensemble dapprentissage en D sous-ensembles, puis effectuer lapprentissage sur D-1 ensembles de la base un nombre D de fois, en nexcluant jamais

33

deux fois le mme ensemble. La moyenne de la valeur de la fonction de cot obtenue pour chacun de ces apprentissages est la valeur qui doit tre minimise (figure 16).

Figure 16 Reprsentation schmatique du processus de validation croise sur D sous ensembles

Le score de validation croise V est ainsi calcul :

O : Ep est le sous ensemble de donnes de numro p avec p = 1 D et comportant Np exemples, J(Ep) est la fonction de cot calcule sur le sous-ensemble Ep. La procdure de validation croise est applique des modles de complexit croissante, jusqu la dtection du surajustement, qui se traduit par le fait que le score de validation croise augmente, alors que lerreur sur lensemble dapprentissage diminue. On slectionne alors le rseau pour lequel la plus petite valeur du score de validation croise a t obtenue (Dreyfus et al., 2008 ). Suite au choix du modle possdant la complexit optimale, lapprentissage du modle est ralis sur lensemble dapprentissage. Les performances du modle seront testes sur lensemble de test, qui contient des donnes qui nont pas t utiliss auparavant, ni en apprentissage ni en slection du modle. Cette partie sur lapprentissage des rseaux de neurones a permis de cibler la problmatique lie lutilisation de cet outil. Le point de la slection des variables dentres na pas t voqu, ce sujet sera abord de faon plus concrte dans le second chapitre du mmoire.

34

1.4.6.

Lutilisation des rseaux de neurones pour la prvision des crues

Depuis le dbut des annes 1990, lapplication des rseaux de neurones sest rpandue dans le domaine de lhydrologie, notamment pour la prvision des dbits (Bouchet et al., 2010 ; Maier et al., 2010). En effet, les rseaux de neurones semblent tout fait dsigns pour modliser les phnomnes hydrologiques dans des situations oprationnelles notamment la relation pluie-dbit qui sont des systmes dynamiques et non linaires (Minns & Hall, 1996 ; Dibike & Solomatine, 2001 ; Abrahart & See, 2007). La partie 1.3 a montr quels sont les avantages des modles botes noires par rapport aux modles hydrologiques dans le cadre de la prvision des crues. De plus (Coulibaly et al., 1999) estiment que les rseaux de neurones sont plus performants que les modles empiriques stochastiques dans le domaine de la prvision hydrologique. Dans un article de synthse, (Maier et al., 2010) ont constat que le perceptron multicouche est le modle le plus utilis dans le domaine de la prvision des ressources en eaux. En effet, sur 210 articles parus entre 1999 et 2007, 180 traitent de ce type de rseau de neurones. Il sagit donc, a priori, du modle le plus adapt la prvision des crues. Dans ce mme article, les auteurs confirment que le pas de temps des donnes le plus utilis est le pas de temps journalier. Ce pas de temps tant incompatible avec la prvision des crues clair, on en dduit que ce domaine est encore peu tudi. En effet de nombreux papiers prsentent des travaux effectus sur des bassins versants de tailles importantes o les crues sont lentes. Aprs avoir soulign le fait que peu de travaux ont t raliss sur la prvision des crues clair par rseaux de neurones, (Wu et al., 2005) ont cherch prvoir les dbits court terme. La zone dtude est un petit bassin versant urbanis 283 km sujet aux crues clair (en Caroline du Nord, USA). Larchitecture du rseau utilis est un perceptron multicouche (modle statique) et les variables dentres utilises sont les prcipit ations (mesures par des pluviomtres) et les dbits observes durant les six heures prcdentes. Cet article est apprciable, car la mthodologie est clairement explicite et les auteurs prsentent des hydrogrammes des vnements de test. Bien que les rsultats soient encourageants, on remarque tout de mme un retard de la prvision durant la phase de monte de la crue. Les auteurs suggrent quun incrment plus faible permettrait une amlioration des prvisions. De plus, ils considrent que leur base de donnes est trop peu importante (dix vnements en apprentissage et deux en test). Toujours sur la problmatique de la prvision des crues clair, larticle de (Sahoo et al., 2005) est intressant. Les auteurs ont pour zone dtude des petits bassins versants hawaens. Les rsultats prsents dans cet article sont satisfaisants, les auteurs obtiennent un coefficient de corrlation linaire (r dfini en partie 2.3.2) proche de 0,99. On y apprend galement que

35

les variables dentre nont pas toutes la mme influence sur les prvisions, puisque le modle nutilisant pas lvapotranspiration prsente des rsultats similaires au modle lutilisant (en plus des prcipitations et des dbits observs). Larticle de (Pereirea Filho & Dos Santos, 2006) suscite galement de lintrt. En plus de travailler sur la prvision des crues clair, les auteurs utilisent des donnes radar et spatialisent les pluies sur le bassin versant. Cest intressant car de nombreux chercheurs prfrent travailler avec les pluies mesures par des pluviomtres. Les auteurs constatent que le modle est trs sensible la qualit de la donne (ils utilisent des mesures non corriges), ce qui nest pas surprenant. Ce travail est prsente un intrt certain, car il se rapproche des travaux qui seront dcrits dans la suite de ce rapport. Sur la zone dtude de ce mmoire le Gardon dAnduze les travaux de (Toukourou, 2009) serviront de support au travail effectu par la suite. Lutilisation des mthodes de rgularisation (arrt prcoce et validation croise) ont fourni de bons rsultats, toujours en labsence de prvision de pluie. Dans la suite de cette thse, les travaux du projet FLASH12 cherchent gnraliser lutilisation ce modle sur dautres bassins versants mditerranens. En conclusion, malgr les apports que prsentent les rseaux de neurones pour la prvision des crues, leur utilisation nest pas aise (Pereira Filho & Dos Santos, 2006). Le choix du modle appropri pour reprsenter des systmes si complexes est une des difficult principale (Zealand et al., 1999). En effet, larchitecture du rseau peut varier pour chaque application, et sa dfinition ne repose pas sur un cadre thorique clairement dfini (De Vos & Rientjes, 2005). Le choix des variables peut galement tre une tape dlicate (Akthar et al., 2009). De plus, (Minns & Hall, 1996) souligne le fait que les rseaux de neurones sont prisonniers de la base de donnes utilise (et de sa qualit). Un modle qui utilisera une base de donnes dvnements homognes, contenant peu dvnements extrmes aura des difficults modliser des crues importantes. Le problme du surajustement induit par le grand nombre de paramtres ( sur-paramtrisation ) a galement t abord par (Gaume & Gosset, 2003). Nanmoins, (Kong A Siou, 2011) a pu mettre en vidence que lutilisation dune mthodologie rigoureuse pour viter le surajustement permettait de btir des modles parcimonieux capables de gnraliser des vnements plus intenses que ceux de lensemble dapprentissage. 1.5. Conclusion Dans cette premire partie, la complexit des phnomnes lie la formation des crues clair a t mise en avant, tout comme la difficult prvoir ces phnomnes. Les diffrents modles hydrologiques conceptuels frquemment utiliss sappuient sur des bases
12

http://edytem.univ-savoie.fr/-flash-

36

physiques parfois mal connues (Gaume, 2002) et ncessitent des prvisions de pluies pour prvoir les dbits. Suite ce constat, les rseaux de neurones apparaissent comme une alternative intressante, surtout dans un cadre oprationnel (Ambroise, 1998 ; Cosandey & Robinson, 2000). En effet, ces modles botes noires ne ncessitent pas dhypothses sur les processus en cours et, dans la limite du temps de rponse du bassin, nont pas besoin de la prvision des pluies pour prvoir les dbits. Dans ce cadre thorique bien dfini, les travaux raliss par la suite ont pour thme central lintgration des donnes radar dans un modle neuronal de prvision des crues clair. Outre la problmatique du traitement et de la spatialisation des donnes, une comparaison des rsultats sera effectue avec ceux obtenus par un modle utilisant les donnes issues des pluviomtres.

37

2. Lintgration des donnes spatialises dans un modle de prvision des crues clair
2.1. Prsentation du Gardon dAnduze 2.1.1. Contexte gographique et physique

Le bassin versant du Gard (ou des Gardons) se situe au Nord-Est du Languedoc-Roussillon. Cette zone hydrographique denviron 2000 km daprs la BD Carthage, IGN 2011 est forme de deux entits paysagres bien distinctes : une partie cvenole situe lamont des communes dAnduze et dAls et une partie aval au relief bien plus modr. Le Gard est issu de la confluence du Gardon dAnduze et du Gardon dAls, quelques kilomtres de la ville de Ners. Cette rivire se jette dans le Rhne Comps (figure 17).

Figure 17 Hydrographie du bassin versant du Gard

Le Gardon dAnduze draine une surface de 545 km. Le bassin est parcouru par deux affluents principaux, le Gardon de Saint Jean et le Gardon de Mialet, qui se rassemblent quelques kilomtres en amont de la commune dAnduze. La Salindrenque (affluent du Gardon de Saint Jean) est la troisime rivire de ce bassin par ordre dimportance (Ayral, 2005) (figure 18).

38

Figure 18 Altimtrie et hydrographie principale du Gardon d'Anduze

Le rseau hydrographique principal prsent ci-dessus suit un axe dcoulement principal NO-SE. Ces rivires, surtout dans la partie amont du bassin, sont alimentes par de nombreux valats (ruisseaux) issus des reliefs dchiquets et pentus des Cvennes (Ponce et al., 2008). Les sources des Gardons sont situes entre 1000 et 1100 m daltitude, les pentes sur les versants sont trs fortes durant les dix premiers kilomtres. Ensuite les cours deau scoulent dans des fonds de valles laltitude comprise entre 500 m et 130 m lexutoire (Ayral, 2005 ; Ponce et al., 2008). La pente moyenne denviron 10 % confre aux rivires de ce bassin versant un temps de rponse trs court variant de 3 h 8 h (Moussa, 1991 in Ayral, 2005). Dun point de vue gologique, les formations cristallines dominent ce bassin versant. Les roches mtamorphiques (schistes, gneiss, micaschistes) recouvrent 64 % de la surface du bassin versant, et les roches granitiques 14 % (Ayral, 2005). Ces formations trs altres sont fissures et se prsentent sous forme darnes dans le cas des roches granitiques. A laval du bassin, les formations calcaires qui peuvent tre karstiques localement et dolomitiques dominent (figure19).

39

Figure 19 Carte gologique du Gardon d'Anduze

La nature gologique influence grandement la raction des sols face aux prcipitations (Musy, 2005). Les travaux mens par (Ayral, 2005) ont permis de caractriser et de cartographier la capacit dinfiltration des diffrentes formations gologiques. Les sols schisteux (dominants lchelle du bassin) ont une capacit dinfiltration moyenne (tableau 3).
Tableau 3 Capacit d'infiltration des formations gologiques du Gardon d 'Anduze (d'aprs Ayral, 2005) Formations gologiques Alluvions rcentes et anciennes Marnes et Argiles Schistes, Micaschistes, Gneiss Calcaires, Dolomies, grs Granites Rpartition (%) 2 3 64 17 14 Capacit dinfiltration Faible Faible Moyenne Forte Trs forte

Cette rpartition des formations gologiques met galement en avant la forte ( trs forte) capacit dinfiltration des sols situs laval du bassin versant. Toujours dans le cadre de ces travaux mens sur le Gardon dAnduze, une cartographie affine de la permabilit en fonction des formations superficielles a t ralis par (Ayral, 2005). En ce qui concerne loccupation des sols du bassin versant, le territoire est principalement recouvert par des milieux naturels et semi-naturels (93,3 %). Les fonds de valles aux abords des cours deau ont principalement une vocation agricole (6 % de la surface totale). Logiquement, la densit de population est modre lchelle du bassin versant, environ 20 hab./km (figure20)

40

Figure 20 Occupation des sols et densit de population du Gardon d'Anduze

La population est principalement regroupe dans des petits bourgs, gnralement situs dans les fonds de valles, parfois proximit des cours deau. Notons galement que la commune dAnduze qui ne figure pas entirement dans les limites du bassin versant est celle qui concentre le plus denjeux. Aprs ce tour dhorizon contextuel, la partie suivante prsente brivement le phnomne des crues sur ce bassin versant. 2.1.2. Les Gardonnades

A linstar du Vidourle et ses Vidourlades, les Gardonnades correspondent aux crues des diffrents Gardons. Comme le chapitre 1 la prsent, ces crues clair trouvent leurs origines dans les forts vnements pluvieux qui peuvent toucher la rgion (pisodes cvenols ou pluies convectives). Les cumuls de pluies les plus importants ont gnralement lieu en

41

automne, notamment les trois derniers mois de lanne civile, comme le montre les enregistrements la station de Saint Jean du Gard sur la priode 1889-2007 (tableau 4).
Tableau 4 Prcipitations moyennes (en mm) la station de Saint Jean du Gard entre 1889 et 2007 (Source : Ponce et al., 2008)

Mois 1 3 Moyenne entre 1889 et 2007

Mois 4 6

Mois 7 9

Mois 10 12

Cumul moyen annuel 1395 mm

340 mm

297 mm

254 mm

503 mm

Bien que ces enregistrements au pas de temps mensuel ne fassent pas ressortir lintensit des pisodes pluvieux, les cumuls de pluies sont mettre en lien avec le rgime hydrologique des cours deau. Ainsi le calcul des dbits mensuels du Gardon dAnduze sur la priode 1970-2012 met en avant le rgime pluvial de ce cours deau : les mois dt trs secs sont marqus par un tiage consquent, puis les dbits augmentent durant les priodes automnales et hivernales (figure 21).
35 30 25 20 15 10 5 0 Janv. Fvr. Mars Avr. Mai Juin Juil. Aot Sept. Oct. Nov. Dc. Mois

Figure 21 Moyenne des dbits mensuels Anduze sur la priode 1970-2011 (Source : Banque Hydro, 2012)

Les dbits mensuels ne permettent pas de juger de la violence des crues du Gardon dAnduze. En effet, durant lpisode du 8 et 9 septembre 2002 (voir partie 1.2.2), le dbit maximum a t estim 3200 m3/s par la socit SIEE en 2003, soit plus de 20 fois le dbit moyen annuel ! Les crues ont gnralement lieu au mois de septembre et doctobre, ltude historique de ces vnements sur le bassin dAnduze de (Ponce et al., 2008) montre que 60 % des 136 crues rpertories entre 1600 et 2000 se rpartissent sur ces deux mois de lanne. Cette mme tude montre que durant cette priode, les pertes humaines sur ce bassin versant sont trs faibles. La culture du risque vernaculaire des autochtones (notamment du monde agricole), la faible densit de population et le fait que de nombreuses habitations soient situes sur des versants (sauf dans le cas des bourgs plus proches des cours deau) sont une source dexplication ce constat. Cependant, le cas de ville dAnduze

Dbit en m3/s

42

fait exception : dj en 1776, labb de Gensanne soulignait la vulnrabilit de cette petite ville (Ponce et al., 2008). Le grand nombre de repres de crue prsents dans la commune atteste de la cohabitation, parfois difficile, avec le Gardon (photo 1).

Photo 1 Repres de crues Anduze (rue Pelico)

2.1.3.

Les appareils de mesures

Les appareils prsents ici sont ceux dont les mesures seront utilises dans la suite de ce travail. Les donnes sont mises disposition par le SCHAPI dans le cadre du projet BVNE13 sur le Gardon dAnduze. Lensemble de ces enregistrements sont au pas de temps de cinq minutes, ce qui permet un suivi prcis des vnements (pluvieux et hydrologiques). Les prcipitations sont renseignes par sept pluviographes et deux radars hydrologiques (figure22).

Figure 22 Appareils de mesure de la zone d'tude

Le pluviographe de Saint Jean du Gard na pas t retenu, car il fournit des mesures au pas de temps de cinq minutes depuis trop peu dannes. Le radar hydrologique de Bollne a t
13

Bassin Versant Numrique Exprimental

43

cart, car les chos fixes sont bien plus nombreux que celui de Nmes sur la priode dobservation choisie (2000-2006) (tableau 5).
Tableau 5 Surface d'chos fixes sur le bassin versant d'Anduze (source : Mto France)

Anne 2000 2002 2003 2005 2006 Moyenne

Nmes 55 km 3 km 124 km 20 km 100 km 60,4 km

Bollne 166 km 243 km 472 km 142 km 152 km 235 km

Suite la prsentation de ces appareils de mesures, la partie suivante explicite le traitement effectu sur la mesure radar et la constitution de la base de donnes. 2.2. Construction de la base de donnes 2.2.1. Prsentation des donnes disponibles

Les donnes mises disposition dans le cadre de ce projet sont constitues des enregistrements bruts du radar de Nmes pour 28 pisodes pluvieux entre 1994 et 2009, et de 14 vnements entre 2000 et 2009 pour le radar de Bollne. Ces fichiers rasters (au format .dat) renseignent les niveaux de rflectivit, il faut donc convertir ces niveaux en rflectivit puis en intensit. Hormis les deux premiers vnements du radar de Nmes, chaque fichier correspond un pas de temps de cinq minutes (une heure sera constitue de 12 fichiers). La rsolution de ces fichiers matriciels est de 1 km (512 pixels par fichier). La projection gographique des donnes est le Lambert II tendu. En plus de ces donnes brutes, la ranalyse COMEPHORE des lames deau radar au pas de temps horaire nous ont t communiques par Mto France et le SCHAPI (Tabary et al., sous presse). Ces images radar composites (au format .gtiff) lchelle de la France sont accompagnes des mtadonnes qui ont permis la correction des mesures brutes : Le taux de masquage (un fichier par an) ; Les chos fixes (un fichier par an) ; Les facteurs correctifs, tablis partir des pluviomtres (un fichier par jour).

Ces fichiers sont disponibles pour tous les radars du rseau Aramis entre janvier 1997 et janvier 2007. Cependant, les mtadonnes du radar de Nmes sont disponibles seulement partir de lan 2000, la base de donnes comprendra donc les 11 vnements de la priode 2000-2006. La projection des cartes dintensits est le Lambert II tendu. Les mtadonnes sont projetes dans un systme peu commun : il sagit dune projection azimutale quidistante dont le centre est la position de chaque radar. Ce systme de projection est

44

assez proche du WGS84. Parmi les mtadonnes, seuls les taux de masquage et les chos fixes sont apparus comme des renseignements pertinents pour la suite des travaux. En oprationnel, ces informations sont renseignes une fois par an. Ltude des crues clair ncessite de travailler un pas de temps court (ici 30 minutes), les fichiers quotidiens proposs sont donc inadapts cette tude. Il est important de noter que lensemble des donnes relatives aux radars (enregistrements bruts et ranalyse) sont fournis en temps universel (TU). Pour terminer avec la prsentation des donnes, les enregistrements des pluviomtres et des limnimtres sont fournis par le SCHAPI dans le cadre du projet BVNE. Ces donnes brutes sont au pas de temps de cinq minutes 2.2.2. Mthodologie et traitements effectus sur la donne radar

En raison du trs grand nombre de fichiers traiter, il a t convenu dautomatiser le plus grand nombre de tches possible. La solution la plus accessible a t lutilisation de macros Visual Basic crites par le Dr. P-A Ayral. Suite ce choix, un format de fichier matriciel sest impos : ascii dlimit . Ce format dextension .asc est apparu comme le plus adquat : il est compatible avec la plupart des logiciels SIG et souvre dans un tableur (ici Excel) sans perte de donnes. Ainsi, chaque cellule du tableur correspondra un pixel (figure 23).

Figure 23 Compatibilit du format ascii entre SIG et tableur ( gauche : ouverture dans QGIS, droite : ouverture dans Excel)

La transformation des mtadonnes (taux de masquage et chos fixes) sest droule en trois tapes : changement du systme de projection, dcoupage selon le rectangle englobant le bassin versant du Gardon dAnduze et transformation en ascii. Le systme de projection de destination choisi est le RGF93 (EPSG : 2154). Il sagit du systme lgal en France depuis lan 2000. Le changement de systme de projection a t

45

ralis laide du logiciel QGIS, qui permet le traitement par dossier des fichiers pour cette action. Le dcoupage des fichiers reprojets a t effectu par lintermdiaire dun autre outil libre de droit : FWtools. Cet outil spcialis dans le traitement des rasters permet, entre autre, le dcoupage dun fichier selon des coordonnes gographiques. Dans le cas du Gardon dAnduze, les coordonnes du rectangle englobant sont les suivantes (tableau 6) :
Tableau 6 Coordonnes du rectangle englobant le Gardon d'Anduze (RGF93)

Xmin : Xmax : Ymin : Ymax :

746935 782935 6322939 6353939

La ligne de commande ncessaire au dcoupage des fichiers est la suivante : FOR %Q IN (chemin\complet_du\repertoire\*.tif) DO gdalwarp t_srs EPSG : 2154te Xmin Ymin Xmax Ymax %Q %~dpnQ_NEW.tif La plupart des fonctions de cet outil se retrouve dans QGIS de faon plus ergonomique, mais FWtools possde lavantage de pouvoir traiter les fichiers par lot, ce qui reprsente un gain de temps considrable. La conversion des fichiers vers le format ascii sest galement appuye sur cet outil. P our effectuer cette opration, la ligne de commande scrit : FOR %Q IN (chemin\complet_du\repertoire\*.tif) DO gdal_translate -of AAIGrid -co FORCE_CELLSIZE=TRUE "%Q" "%~dpnQ.asc Aprs avoir effectu ce traitement pralable des mtadonnes, la mthodologie de traitement des fichiers niveaux a t guide par lobjectif du stage : la spatialisation des donnes mtorologiques. Ces donnes spatialises ont pour finalit dtre introduites comme variables dentre dans le modle neuronal de prvision des crues labor par (Toukourou, 2009). Ce modle ayant pour variables dentre les six pluviomtres du bassin versant, ce dernier a t discrtis en six zones hydrologiquement pertinentes. De plus, les contours de ces zones et du bassin versant ont t adapts au maillage radar (figure 24).

46

Figure 24 Dcoupage du bassin versant du Gardon d'Anduze

Le tableau suivant permet de faire la correspondance entre le numro et le nom des zones (tableau 7)
Tableau 7 Correspondance numro - nom de zone

Numro 1 2 3 4 5 6

Nom Saint Jean amont Mialet Rive Droite Mialet Rive Gauche Saint Jean aval Mialet aval Salindrenque

Aprs avoir ralis ces tapes prliminaires, le traitement de la donne radar sest effectu selon la mthodologie suivante (figure 25) : Fichiers "rflectivits" (5min, .asc) Fichiers "intensits" (5min, .asc) Fichiers "cumuls" (5min, .asc)

Fichiers "niveaux" (5min, .dat)

Fichiers "niveaux" (5min, .asc)

Spatialisation des cumuls de pluies (30min, .xlsx)

Suppression des chos fixes et traitement du taux de masquage sur les fichiers "cumuls" (5min, .asc)

Figure 25 Mthodologie du traitement de la donne (pas de temps, format)

47

Etape 1 : transformation des fichiers au format .dat au format .asc , changement de projection et dcoupage. Etape 2 : transformation des fichiers niveaux en fichiers cumuls partir de la table de correspondance Mto France (annexe 2). Etape 3 : suppression des chos fixes (remplacement des pixels correspondants par la valeur -9999) et traitement du taux de masquage. Le taux de masquage est en pourcentage, il permet de corriger les valeurs de cumuls selon la formule suivante : Cumul_corrig = Cumul * (1/(1 - Taux_masque/100). Sur le Gardon dAnduze, les taux de masquages ne sont pas trs levs mais pas ngligeables (annexe 3). Au-del de 90 % de taux de masquage, les pixels sont simplement supprims. Cette situation ne se prsente pas sur la zone dtude. Concernant les chos fixes, le nombre de pixels inutilisables est variable dune anne dobservation une autre. Cette variation peut tre consquente, par exemple en 2002 les chos fixes couvrent 3 km du bassin versant, alors quen 2003 ce sont 124 km de donnes qui sont inexploitables (annexe 3). Etape 4 : cette tape est constitue de deux sous-tapes. La premire consiste changer le pas de temps des donnes (de cinq minutes vers 30 minutes). Il sagit dune simple addition entre les six fichiers constituant une demi-heure. Ensuite, la spatialisation en fonction des six zones est ralise partir de ces fichiers nouvellement crs (au format ascii). Une moyenne spatiale est effectue pour obtenir la spatialisation des donnes, les rsultats sont crits dans un tableur (chaque ligne correspond 30 minutes de lvnement). Suite cette tape de traitement de la donne brute, une base de donnes de onze vnements a pu tre constitue. Un vnement dbute quand la pluie moyenne dune zone dpasse les 0,2 mm. Cette restriction temporelle des vnements permet dallger la base de donnes et les temps de calculs du modle. 2.2.3. La base de donnes

La base de donnes constitue partir des enregistrements radar a t complte par lenregistrement des hauteurs deau la station limnimtrique dAnduze. Pour limiter les incertitudes lies la courbe de tarage, le travail sera effectu avec ces mesures (en mtre) et non avec les dbits. Ces enregistrements, qui proviennent de la base de donnes BVNE, se prsentent sous plusieurs formes, il a donc fallu harmoniser les donnes : Pour les deux premiers vnements ayant eu lieu en lan 2000, ce sont les donnes de dbits qui ont t fournies au pas de temps de 12 minutes (en TU). Ces donnes

48

ont donc t transformes en hauteur deau au moyen de la courbe de tarage, puis chantillonnes au pas de temps de 30 minutes ; Pour lvnement de novembre 2000, les donnes limnimtriques sont en heures locales au pas de temps dune heure. Suite au r-chantillonnage, il a fallu convertir lheure locale en heure TU ; A partir de 2002, les enregistrements limnimtriques sont fournis au pas de temps de cinq minutes en heure TU. Seul le changement de pas de temps a t ncessaire. Lvnement exceptionnel du 8 et 9 septembre 2002 est renseign diffremment : ce sont des estimations du dbit par la socit SIEE qui sont proposes. A partir de ces trois classes destimation (minimum, moyenne, maximum), cest la classe mdiane qui a t choisie. Parmi les enregistrements bruts, il nest pas rare que des donnes soit manquantes. Pour combler les ventuels trous , une interpolation linaire a t faite. Les donnes limnimtriques ont permis de dfinir la fin des vnements. Pour identifier le tarissement, la technique de base consiste reprsenter sur une chelle logarithmique la dcroissance des dbits (ou des hauteurs deau) en fonction du temps. Aprs avoir reprsent sur une chelle logarithmique la dcroissance des hauteurs en fonctions du temps, deux ou trois droites peuvent tre traces. Lintersection entre la droite de tarissement (la dernire droite) et la droite prcdente dfinie la fin de lvnement (figure 26).

Figure 26 Dfinition de la fin d'un vnement par la mthode graphique. 1 : Premire cassure, 2 : Deuxime cassure (fin de lvnement)

49

Cette mthode exige que les droites soient traces manuellement, la fin dun vnement peut donc connatre une lgre variation dun oprateur un autre. Enfin, la dernire tape de la constitution de la base de donnes a consist rcuprer les enregistrements des pluviomtres et les harmoniser en fonction de la base de donnes radar. Avant 2002, ces donnes sont fournies au pas de temps horaire (heure locale). Aprs la conversion en temps universel, lchantillonnage sest effectu de la manire suivante : partir de deux valeurs de cumul horaire Pk et Pk+2 o k est le temps discret nous cherchons obtenir Pk+1. Avec des donnes non cumulatives, nous aurions simplement fait la moyenne entre Pk et Pk+2 pour obtenir Pk+1, ce qui aurait correspondu une interpolation linaire. Cette mthode aurait videmment fauss le cumul dans le sens dune augmentation notable (1). Pk+1 = Pi = (Pk+Pk+2)/2 (1)

O Pi sera dsormais la pluie interpole avec la mthode o les cumuls totaux ne sont pas conservs. Pour viter ce problme, nous calculons tout de mme le cumul interpol Pi mais nous attnuons Pi et Pk+2 dun facteur C qui tient compte du cumul observ initialement en k+2 sur une heure. La forme du signal est conserve mais le signal est attnu par le coefficient C (2). Pk+2 = (Pk+2 + Pi)*C On a donc : C = Pk+2 / (Pk+2 + Pi) Do lon peut dduire : Pk+1 = Pi*C Et : Pk+2 = Pk+2*C (5) (4) (3) (2)

O Pk+2 est le nouveau cumul en k+2. Les valeurs manquantes au pas de temps horaires ont t remplaces par des valeurs issues de la ranalyse COMEPHORE au droit du pluviomtre. Aprs 2002, les donnes sont fournies au pas de temps de cinq minutes. Lchantillonnage de cinq minutes vers 30 minutes a simplement consist cumuler les valeurs. Dans ce cas, le problme des valeurs manquantes a t plus dlicat traiter. En effet la pluie est un phnomne partiellement alatoire, il est donc difficile dappliquer une interpolation linaire entre deux valeurs sans augmenter les incertitudes. La solution choisie dpend de valeurs

50

encadrant la valeur manquante. Si ce sont des valeurs faibles (infrieures 12 mm/h) la valeur manquante est considre comme nulle. Au-del de 12 mm/h, une interpolation linaire a t faite, pour ne pas trop sous-estimer le cumul. Au final cette base de donnes de onze vnements permettra lapprentissage du rseau de neurones et la comparaison entre les valeurs radar et les valeurs mesures par les pluviomtres. Ces vnements ont t classs en fonction de leur intensit (hauteur deau maximale Anduze), leur dure et leur complexit (un ou plusieurs pics). Les vnements intenses sont ceux dont la hauteur maximale dpasse la moiti de la hauteur de lvnement le plus intense. Le mme raisonnement a t appliqu pour dfinir si un vnement est long ou non. Cette dfinition multicritres des vnements hydrologiques permettra de juger de lhtrognit ou de lhomognit de la base de donnes. Ces trois critres permettent de dfinir au maximum huit classes, notes par de lettres de A H (tableau 8)
Tableau 8 Les diffrentes classes de discrtisation des vnements hydrologiques Intense Oui Oui Oui Oui Non Non Non Non Long Oui Oui Non Non Oui Oui Non Non Monopic Oui Non Oui Non Oui Non Oui Non Classe A B C D E F G H

Le tableau suivant prsente les vnements de la base de donnes et leur classification (tableau 9).

51

Tableau 9 Caractrisation de la base de donnes N 12 13 120 15 19 200 201 21 22 23 24 Date dbut (TU) 19/09/2000 05:00 27/09/2000 06:00 11/11/2000 05:00 14/03/2002 03:00 08/09/2002 09:30 15/11/2003 18:00 21/11/2003 14:30 05/09/2005 04:00 24/09/2006 05:30 18/10/2006 13:30 16/11/2006 00:00 Date fin (TU) 20/09/2000 20:00 30/09/2000 09:30 15/11/2000 09:00 16/03/2002 10:00 10/09/2002 03:00 18/11/2003 03:30 25/11/2003 08:30 10/09/2005 07:30 25/09/2006 15:00 21/10/2006 07:30 18/11/2006 07:00 Dure (h) 39,00 51,50 76,00 55,00 41,50 57,50 90,00 123,50 33,50 66,00 55,00 Limni max (m) 2,72 4,80 2,77 3,67 10,43 3,81 5,06 2,06 2,27 6,54 2,72 Intense Long Monopic Classe

non non non non oui non non non non oui non

non oui oui non non non oui oui non oui non

oui oui non oui oui oui oui non oui oui oui

G E F G C G F F G A G

Cette base de donnes contient un lment dans la classe A, aucun dans la classe B, un dans la classe C, aucun dans la classe D, un dans la classe E, trois dans la classe F, cinq dans la classe G et aucun dans la classe H. Dans le cadre de lapprentissage statistique, il aurait fallu disposer idalement dun reprsentant de chaque classe dans chaque sousensemble dapprentissage, darrt et de test. Le nombre dvnements disponibles et son homognit relative vont tre une difficult dans le cadre de lutilisation des rseaux de neurones. De plus, si lon classe ces vnements en fonction du niveau de vigilance vigicrues correspondant, on remarque la forte reprsentativit des vnements ayant une occurrence infrieure dix ans (figure 27).

52

Figure 27 Hauteur maximale Anduze des vnements et niveau de vigilance (source : SPCGD, 2010)

La base de donnes contient peu dvnements de fortes intensits et/ou reprsentant un rel danger. Par dfinition les vnements extrmes sont rares, ce constat est donc logique dautant plus que la priode dobservation est trs courte lchelle des temps mtorologiques. Aprs cette prsentation globale de la base de donnes, une prsentation principalement graphique de chaque vnement (figures 28-49) va tre faite avant de passer la partie suivante. Les hytogrammes radar sont tracs partir des pluies spatialises par zones.

53

Evnement 12

Figure 28 Cumul des prcipitations de lvnement 12. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 5 5 4 4 3 3 2 2 1 1 0 0 5 10 15 20 Temps (heure) 25 30 35 Radar Hauteur mesure 0 2 4 6 8 10 12 14 16 18 20

Hauteur d'eau Anduze (m)

Pluie moyenne (mm)

Figure 29 Hytogramme moyen et limnimtrie Anduze de l'vnement 12

Le cumul radar de cet vnement montre que laxe N-S o les prcipitations ont t les plus importantes nest couvert par aucun pluviomtre de la zone. A lchelle du bassin versant, le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de 4h30. Le pic de pluie moyenne mesur par les pluviomtres a 1h30 de retard par rapport celui des pluies radar.

54

Evnement 13

Figure 30 Cumul des prcipitations de lvnement 13. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 6 Hauteur d'eau Anduze (m) 5 4 10 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (heure) 15 20 Radar Hauteur mesure 0 5 Pluie moyenne (mm)

Figure 31 Hytogramme moyen et limnimtrie Anduze de l'vnement 13

Pour cet vnement la zone des prcipitations les plus importantes est couverte par diffrents pluviomtres. A lchelle du bassin versant, le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de 3h00. Le pic de pluie moyenne mesur par les pluviomtres a 1h00 davance par rapport celui des pluies radar.

55

Evnement 120

Figure 32 Cumul des prcipitations de lvnement 120. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 4 Hauteur d'eau Anduze (m) Radar Hauteur mesure 0 1 Pluie moyenne (mm) 3 2 3 2 4 5 1 6 7 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 Temps (heure) 8

Figure 33 Hytogramme moyen et limnimtrie Anduze de l'vnement 120

Lors de cet vnement les pluies ont t principalement concentres laval du bassin versant. Cet vnement long est caractris par deux pics de crues. A lchelle du bassin versant, le temps de rponse entre les pics principaux de pluie moyenne (radar et pluviomtre) et le pic principal de crue est de 2h00.

56

Evnement 15

Figure 34 Cumul des prcipitations de lvnement 15. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 5 Hauteur d'eau Anduze (m) 4 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 Temps (heure) Radar Hauteur mesure 0 2 4 6 8 10 12 14 16 18 20

Pluie moyenne (mm)

Figure 35 Hytogramme moyen et limnimtrie Anduze de l'vnement 15

Lors de cet vnement les pluies ont t particulirement concentres laval du bassin versant, le pluviomtre de Barre des Cvennes nayant enregistr aucune prcipitation. A lchelle du bassin versant, le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de 2h00. Le pic de pluie moyenne mesur par les pluviomtres 2h30 davance par rapport celui des pluies radar.

57

Evnement 19

Figure 36 Cumul des prcipitations de lvnement 19. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 13 12 11 10 9 8 7 6 5 4 3 2 1 0 0 5 10 15 20 Temps (heure) 25 30 35 40 Radar Hauteur mesure 0 5 10 15 20 25 30 35 40 45 50

Hauteur d'eau Anduze (m)

Pluie moyenne (mm)

Figure 37 Hytogramme moyen et limnimtrie Anduze de l'vnement 19

Il sagit de lvnement le plus intense de la base de donnes. Les cumuls les plus importants ont t enregistrs laval du bassin, notamment Anduze. A lchelle du bassin versant, le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de 3h00. Le pic de pluie moyenne mesur par les pluviomtres a 1h00 de retard par rapport celui des pluies radar.

58

Evnement 200

Figure 38 Cumul des prcipitations de lvnement 200. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 5 Hauteur d'eau Anduze (m) 4 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 Temps (heure) Radar Hauteur mesure 0 2 Pluie moyenne (mm) 4 6 8 10 12 14

Figure 39 Hytogramme moyen et limnimtrie Anduze de l'vnement 200

A lchelle du bassin versant, les prcipitations paraissent relativement homognes. Cependant, les zones qui a priori prsenteraient les cumuls les plus importants ne sont pas renseignes cause des chos fixes (Nord-Ouest du bassin et la partie Est de la zone 6). Le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de

59

4h30. Le pic de pluie moyenne mesur par les pluviomtres 0h30 davance par rapport celui des pluies radar. Evnement 201

Figure 40 Cumul des prcipitations de lvnement 201. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 6,0 Hauteur d'eau Anduze (m) 5,0 4,0 3,0 2,0 1,0 0,0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 Temps (heure) Radar Hauteur mesure 0 2 4 6 8 10 12 14 16 18 Pluie moyenne (mm)

Figure 41 Hytogramme moyen et limnimtrie Anduze de l'vnement 201

Durant cet vnement long et la monte de crue complexe, les pluies les plus importantes sont situes lamont du bassin. Les chos fixes tant important dans cette zone,

60

linformation radar est limite pour le Nord-Ouest du bassin. Le temps de rponse entre le pic de pluie moyenne mesur par le radar et le pic de crue est de 4h00. Le pic de pluie moyenne mesur par les pluviomtres 0h30 de retard par rapport celui des pluies radar. Evnement 21

Figure 42 Cumul des prcipitations de lvnement 21. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 3 Hauteur d'eau Anduze (m) Radar Hauteur mesure 0 2 2 4 6 1 8 10 0 12 Pluie moyenne (mm)

Temps (heure)

Figure 43 Hytogramme moyen et limnimtrie Anduze de l'vnement 21

61

Cet vnement long prsente trois priodes pluvieuses distinctes. Les pluies importantes sont relativement homognes lchelle du bassin versant. Le second pic de crue le pic principal est enregistr 3h30 aprs le pic de la pluie moyenne mesure par le radar. Le pic de pluie moyenne enregistr par les pluviomtres 2h30 davance. Notons que les pluies mesures par les pluviomtres les plus importantes sont associes au premier pic de crue. Evnement 22

Figure 44 Cumul des prcipitations de lvnement 22. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 3 Hauteur d'eau Anduze (m) 3 2 2 1 1 0 0 5 10 15 Temps (heure) 20 25 30 Radar Hauteur mesure 0 2 4 6 8 10 12 Pluie moyenne (mm)

Figure 45 Hytogramme moyen et limnimtrie Anduze de l'vnement 22

62

Cet vnement court est caractris par des cumuls pluvieux relativement homognes et peu importants. Mme sil sest produit durant le mme mois que lvnement prcdent, les hauteurs deau trs faibles des enregistrements bruts soulignent une priode sche pralable. Le temps de rponse des deux sources de mesures est identique : 4h30. Evnement 23

Figure 46 Cumul des prcipitations de lvnement 23. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 8 Hauteur d'eau Anduze (m) 7 6 5 4 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 Temps (heure) 10 12 4 6 8 Radar Hauteur mesure 0 2 Pluie moyenne (mm)

Figure 47 Hytogramme moyen et limnimtrie Anduze de l'vnement 23

63

Cet vnement est le deuxime plus intense de la base de donnes. Les pluies continues confrent la monte de crue une forme atypique par rapport aux autres vnements. On remarque que les cumuls les plus importants sont enregistrs dans la partie amont. Le temps de rponse des deux sources de mesures est identique : 2h00. Evnement 24

Figure 48 Cumul des prcipitations de lvnement 24. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres Pluviomtre 3 Hauteur d'eau Anduze (m) Radar Hauteur mesure 0 1 2 3 4 5 6 7 8 9 10 0 5 10 15 20 25 30 35 40 45 50 55 Temps (heure)

Pluie moyenne (mm)

Figure 49 Hytogramme moyen et limnimtrie Anduze de l'vnement 24

64

Durant cet pisode, la moiti aval du bassin versant reoit la plus grande quantit deau. Pour cet vnement, les pics pluviomtriques moyens des diffrentes sources sont synchrones. Le temps de rponse est de 2h30. 2.3. Comparaison des lames deau issues des pluviomtres et du radar Comme la montr indirectement la prsentation graphique des vnements, lcart damplitude entre les mesures radar et les mesures pluviomtriques peut tre important. Cette partie a pour but de comparer les deux sources de donnes. Dans un premier temps les mesures pluviomtriques seront compares avec le pixel radar correspondant, puis les mesures issues des zones radar seront compares avec les pluviomtres correspondant. Cette dernire comparaison trouve son intrt dans le fait quelle m et en avant la diffrence entre la donne spatialise et la donne ponctuelle. Par la suite, deux rseaux de neurones seront exploits : un ayant pour variables dentres les pluies ponctuelles et lautre les pluies spatialises. 2.3.1. Comparaison entre les pluviomtres et le pixel radar correspondant

Lobjectif de cette comparaison est de quantifier la diffrence entre les mesures radar et les mesures pluviomtriques. Le pluviomtre tant considr comme lappareil de rfrence, cest lerreur commise par les radars qui sera quantifie. Cette comparaison est effectue au moyen de lerreur algbrique relative :

O L1 est la lame deau radar et L2 la lame deau pluvios . Lcart a t calcul sur le cumul vnementiel de chaque appareil par vnement (annexe 4). Dans le cas de lvnement 15, le pluviomtre de Barre des Cvennes a t cart, car il donne une mesure des prcipitations quasi-nulle. Lcart relatif avec le pixel radar correspondant est donc inexploitable. Le tableau suivant synthtise les rsultats par le biais de lerreur relative moyenne par vnement (tableau 10).
Tableau 10 Erreur relative par vnement

12

13

120

15

19

200

201

21

22

23

24

(%) -27,6 -39,2 -65,5 -41,8 -34,8 -47,1 -33,5 -32,8 -53,7 -53,5 -21,6 Peu importe lvnement, la mesure radar sous-estime toujours les mesures des prcipitations par rapport aux pluviomtres. Sur la base de donnes utilise, cette sousestimation stend de -21,6 % -65,5 % et lerreur moyenne sur lensemble des vnements est de -41,0 %. Afin de vrifier si lerreur commise par le radar dpend du lieu de la mesure, la mme dmarche a t entreprise par pluviomtre (tableau 11).

65

Tableau 11 Erreur relative par pluviomtre

Anduze Soudorgues Mialet Saumane St Roman Barre des Cvennes (%) -28,8 -38,1 -45,0 -40,5 -47,5 -46,5

La mesure radar est la plus proche de la mesure pluviomtrique Anduze, mais lerreur commise se rapproche quand mme de -30 %. Lerreur moyenne relative sur les six postes est de -41 %, ce qui est assez proche de lerreur moyenne relative observe sur lensemble des vnements. Il est donc difficile de dire que lerreur dpend de la localisation des appareils, puisque le taux de masquage a dj t corrig. Malgr cette sous-estimation des mesures par le radar, on suppose que la forme du signal est correctement retranscrite par cet appareil. Afin de vrifier cette hypothse, le coefficient de corrlation linaire r entre les deux sries de mesures a t calcul de la faon suivante : O : est la valeur issue des pluviomtres un pas de temps ; est la valeur moyenne de la srie pluviomtre ; est la valeur issue du radar un pas de temps ; est la valeur moyenne de la srie radar .

Ce coefficient permet de juger de lintensit de la liaison entre les deux sries de donnes au cours dun vnement. La corrlation sera forte entre les deux sries quand la valeur du r se rapproche de 1 ou -1. Les deux sries ne sont pas corrles si le coefficient est gal 0. Les coefficients moyens obtenus pour chaque vnement sont synthtiss dans le tableau suivant (tableau 12).
Tableau 12 Coefficient de corrlation linaire par vnement

12

13

120

15

19

200

201

21

22

23

24

r 0,61 0,80 0,71 0,71 0,95 0,84 0,76 0,86 0,91 0,88 0,75 Dans ce travail on considrera que r = 0,2 est une mauvaise corrlation, r = 0,5 est une corrlation moyenne et r =0,7 est une bonne corrlation. Bien que le coefficient de corrlation varie dun vnement un autre, en dehors de lvnement 12 (r = 0,61) lensemble des r sont suprieurs 0,7. Le r moyen sur les onze vnements est de 0,80, ce qui renforce lide que les deux sries de donnes transmettent bien un signal de forme similaire, mais damplitude diffrente

66

Lcart mesur entre les deux sources de mesures ponctuelles met en avant le principal problme de la mesure radar : elle ncessite de nombreuses corrections, dont un talonnage par rapport aux pluviomtres. Cet talonnage nayant pas pu tre fait durant ces travaux, la forme du signal des vnements pluvieux est bien retranscrite par le radar puisque les coefficients de corrlation linaire sont tout fait corrects, mais la quantification du champ pluvieux nest pas totalement satisfaisante. 2.3.2. Comparaison entre les pluviomtres et les zones radar

Avant daborder les tapes de slection de larchitecture du modle, cette partie quantifie les erreurs entre les valeurs pluviomtriques et les valeurs des zones radar (pluies spatialises). Bien que ce soit difficile de comparer une valeur ponctuelle une valeur zonale, cette comparaison a pour objectif de mettre en avant la diffrence dintensit de signal entre les deux futures variables dentres des rseaux de neurones. La mthode retenue a t de calculer lerreur relative entre le cumul vnementiel dun pluviomtre et de la zone dans laquelle il se situe. Le pluviomtre de Saumane a t attribu aux zones 1 et 4 car il se situe la limite entre les deux. De plus, la zone 3 ne contient aucun pluviomtre. Ici encore, le pluviomtre de Barre des Cvennes a t cart lors de lvnement 15 (tableau 13).
Tableau 13 Erreur relative (%) entre les zones radar et les pluviomtres par vnement (en gras : erreur relative positive)

Zone 1- Zone 2Saumane BdC 12 -52,0 25,4 13 -51,2 -39,2 120 -68,7 -63,2 15 -64,8 2650,5 19 -58,7 44,1 200 -51,2 -39,6 201 -32,9 -66,2 21 -15,6 -5,3 22 -56,3 -57,6 23 -48,7 -62,4 24 -30,0 -20,7 Moy. -48,2 -28,5

Zone 2-St Roman -48,4 -52,3 -77,4 -58,3 -67,0 -51,9 -38,0 -18,4 -54,7 -52,4 -30,5 -49,9

Zone 4Saumane -29,7 -49,3 -51,2 53,3 -31,9 -52,7 -38,6 -10,0 -65,0 -57,2 -6,8 -30,8

Zone 5Anduze -22,2 -18,1 -37,8 -43,3 -48,4 -33,8 4,4 -44,6 -19,1 3,9 -14,5 -24,9

Zone 5Mialet -19,0 -41,8 -75,9 -34,4 0,3 -58,2 -25,6 -47,7 -63,8 -64,4 -34,9 -42,3

Zone 6Soudorgues -33,6 -26,7 -65,9 19,3 -16,8 -57,5 -29,4 -31,0 -59,9 -75,7 -49,3 -38,8

Moy. -25,6 -39,8 -62,9 -21,4 -25,5 -49,3 -32,3 -24,7 -53,8 -51,0 -26,7

Lerreur relative par vnement stend de -21,4 % -62,9 %. La diffrence de signal entre les valeurs pluviomtriques et les valeurs zonales est donc trs variable dun vnement un autre. Cette variabilit de lcart se retrouve de faon moins prononce quand on regarde lerreur moyenne par zone. Afin de vrifier si les pluies spatialises sont corrles linairement la pluie ponctuelle, le r a t calcul (tableau 14).

67

Tableau 14 Coefficient de corrlation linaire r entre les zones radar et les pluviomtres par vnement

Zone 1- Zone 2Saumane BdC 12 0,24 0,67 13 0,88 0,88 120 0,70 0,68 15 0,75 -0,04 19 0,86 0,45 200 0,86 0,90 201 0,63 0,75 21 0,73 0,77 22 0,85 0,74 23 0,75 0,76 24 0,07 0,84 Moy. 0,66 0,74

Zone 2-St Roman 0,86 0,91 0,76 0,47 0,87 0,90 0,67 0,80 0,83 0,84 0,21 0,74

Zone 4Saumane 0,12 0,73 0,53 0,24 0,87 0,88 0,68 0,72 0,69 0,57 0,13 0,56

Zone 5Anduze 0,84 0,79 0,61 0,88 0,86 0,79 0,65 0,84 0,66 0,63 0,49 0,73

Zone 5Mialet 0,26 0,87 0,79 0,83 0,79 0,78 0,63 0,86 0,97 0,86 0,66 0,75

Zone 6Soudorgues 0,84 0,89 0,68 0,50 0,91 0,83 0,85 0,85 0,91 0,80 0,66 0,79

Moy. 0,55 0,85 0,68 0,61 0,80 0,85 0,70 0,79 0,81 0,74 0,44

Par vnement, le coefficient de corrlation linaire varie entre 0,44 et 0,85 autour dune valeur moyenne de 0,71. La corrlation entre les deux sources est donc assez bonne, la variabilit des pluies lintrieur dune zone existe, mais les mesures ponctuelles retranscrivent globalement assez bien ce qui se passe lchelle dune portion du bassin versant. Si on regarde les r par pluviomtre, il est intressant de voir que le pluviomtre de Saumane est celui dont les mesures seront le moins bien corrles avec les valeurs zonales (r infrieur 0,7). Linformation des pluies spatialises sera donc trs diffrente dans lintensit du signal par rapport aux mesures pluviomtriques. En plus des erreurs dues la mesure radar, la mthode retenue pour la spatialisation modifie de faon non ngligeable la forme du signal, ce qui est tout fait logique au regard de la forte variabilit de la pluie, mme lchelle du bassin versant. A priori larchitecture du modle utilisant les mesures pluviomtriques sera diffrente du modle utilisant les pluies spatialises. 2.4. Slection du modle 2.4.1. Le prdicteur utilis

Le type de modle utilis est celui dvelopp par (Toukourou ; 2009). Il sagit dun perceptron multicouche une couche de neurones cachs. Ce modle non boucl utilise les hauteurs mesures prcdentes comme variables dentres. En plus des hauteurs deau observes Anduze, (Toukourou, 2009) a dmontr que seule la variable des prcipitations est pertinente dans le cadre de la prvision des crues clair sur le Gardon dAnduze. Le modle utilis est schmatis de la forme suivante (figure 50).

68

Figure 50 Le prdicteur choisi

Le vecteur des entres exognes u(k), linstant prsent k, est constitu des prcipitations observes sur les six pluviomtres ou les six zones, sur une fentre temporelle ft qui permet donc de prendre en considration les prcipitations avec un historique de profondeur ft. Le vecteur des sorties observes yp(k) est galement appliqu en entre du prdicteur avec une profondeur temporelle r ; y(k+hp) est la grandeur que lon souhaite prdire un k+hp, o hp est lhorizon de prvision. Les sous ensemble de la base de donnes ont t dfinis de la faon suivante : Lvnement 19 ; qui est le plus intense, sera lvnement de test. Comme il est ambitieux de vouloir modliser un vnement unique et exceptionnel de la base de donnes, le modle sera galement test sur lvnement 13 (qui est plus commun). Quand lvnement 13 sera utilis pour le test, lvnement 19 passera dans le sous ensemble dapprentissage et vice-versa ; Le sous ensemble darrt sera constitu de lvnement 200. Ce choix sest fait par validation croise : cest cet vnement qui prsentait lerreur quadratique moyenne la plus faible. Cela veut dire que cest lui qui reprsente le mieux lensemble dapprentissage, il y a donc une cohrence utiliser cet ensemble pour arrter lapprentissage ; Tous les autres vnements feront partie du sous ensemble dapprentissage.

La slection de larchitecture sest faite au moyen du critre de persistance les critres de qualit sont prsents dans lannexe 5 puisquil renseigne la qualit de la synchronisation des valeurs prdites et des valeurs mesures. La meilleure architecture est choisie de la faon suivante : Essai de diffrentes architectures sur la base de 50 initialisations des paramtres. La fin de chaque phase dapprentissage est dtermine par un nombre maximal de prsentations soit 50 itrations ;

69

Larchitecture retenue sera celle qui prsente la meilleure moyenne des dix meilleurs critres de persistance en validation croise. 2.4.2. Slection des fentres temporelles ft

La slection des fentres temporelles vise dterminer lhistorique des pluies pris en compte partir de linstant prsent k. Par manque de temps, la mme fentre temporelle sera attribue chaque variable dentre (chaque pluviomtre ou zone). Afin de fixer une limite la recherche des fentres temporelles, lhistorique maximal des prcipitations a t dtermin par corrlation croise. Cette mthode mathmatique ne dtermine pas forcment un temps de rponse thorique mais le moment de la meilleure corrlation entre la pluie et la hauteur deau, c'est--dire la similarit entre les deux signaux. Dans le cas de la pluie radar, les rsultats de corrlation croise indiquent un historique des prcipitations maximal denviron sept heures (soit 14 priodes). Dans le cas des pluies pluvios , la fentre temporelle maximale est estime 18 (soit neuf heures). Recherche des fentres temporelles avec les prcipitations pluvios (figure 51)
0,6 0,55 0,5 Cp 0,45 0,4 0,35 0,3 0 3 6 9 12 15 18 Ft (1/2 h) 0,5 0,45 Cp 0,4 0,35 0,3 0 3 6 9 12 15 18 Ft (1/2 h) 0,5 0,45 Cp 0,4 0,35 0,3 0 3 6 9 12 15 18 Ft (1/2 h)

hp = 0,5 h
0,6 0,55 0,5 Cp 0,45 0,4 0,35 0,3 0 3 6 9 12 15 18 Ft (1/2 h)

hp = 1 h
0,6 0,55 Cp 0,5 0,45 0,4 0 3 6 9 12 15 18 Ft (1/2 h)

hp = 2 h
0,6 0,55 Cp 0,5 0,45 0,4 0 3 6 9 12 15 18 Ft (1/2 h)

hp = 3 h

hp = 4 h

hp = 5 h

Figure 51 Score de validation croise pour le choix de la fentre temporelle avec les pluies pluvios

A lhorizon de prvision 30 minutes, le modle sappuie peu sur linformation donne par les pluies, car il utilise uniquement les pluies qui prcdent linstant k. La prvision trs court terme partir de cette base de donnes sappuie donc principalement sur linformation des hauteurs observes. On remarque galement que les fentres temporelles varient trs peu (elles oscillent entre 4 h et 5h) quand lhorizon de prvision augmente (tableau 15). Ce

70

constat est diffrent des observations faites lors des travaux de (Toukourou, 2009). Ce dernier avait mis en avant la diminution des fentres temporelles lors de laugmentation de lhorizon de prvision. Recherche des fentres temporelles avec les prcipitations radar (figure 52)
0,6 0,55 0,5 Cp 0,45 0,4 0,35 0,3 0 3 6 9 12 Ft (1/2 h) 0,5 0,45 0,4 Cp 0,35 0,3 0,25 0,2 0 3 6 9 12 Ft (1/2 h) 0,4 0,35 Cp 0,3 0,25 0,2 0 3 6 9 12 Ft (1/2 h)

hp = 0,5 h
0,4 0,35 Cp 0,3 0,25 0,2 0 3 6 9 12 Ft (1/2 h)

hp = 1 h
0,4 0,35 Cp 0,3 0,25 0,2 0 3 6 9 12 Ft (1/2 h)

hp = 2 h
0,5 0,45 Cp 0,4 0,35 0,3 0 3 6 9 12 Ft (1/2 h)

hp = 3 h

hp = 4 h

hp = 5 h

Figure 52 Score de validation croise pour le choix de la fentre temporelle avec les pluies radar

Les rsultats avec les pluies radar sont tout fait diffrents de ceux obtenus avec les pluies pluvios . En effet, en dehors de lhorizon de prvision hp = 5 h, le modle a besoin dun historique des pluies trs court (30 min). Les hauteurs mesures sont donc principalement utilises par ce rseau de neurones. Ce premier constat laisse prsager des rsultats de prvision moins bons que ceux obtenus partir des prcipitations pluvios . 2.4.3. Slection de lordre r

Pour la recherche de la profondeur historique des hauteurs deau mesures, la mthode est un peu diffrente de celle choisie pour la slection des fentres temporelles des pluies. En effet, le choix du retard maximal sest fait arbitrairement. Il a t dcid de prendre une profondeur historique maximale de trois heures (soit un retard gal six). Si le meilleur score de validation croise est obtenu pour la valeur maximale, les recherches continueront avec un ordre maximal gal dix. Recherche du retard avec les prcipitations pluvios (figure 53)

71

0,6 0,5 0,4 Cp 0,3 0,2 0,1 0 1 2 3 4 5 6 Retard (1/2 h)

0,5 0,45 0,4 Cp 0,35 0,3 0,25 0,2 0 2 4 6 8 10 Retard (1/2 h)

0,6 0,55 Cp 0,5 0,45 0,4 0 2 4 6 8 10 Retard (1/2 h)

hp = 0,5 h
0,6 Cp 0,5 0,4 0 1 2 3 4 5 6 Retard (1/2 h)

hp = 1 h
0,6 Cp 0,55 0,5 0 1 2 3 4 5 6 Retard (1/2 h)

hp = 2 h
0,6 Cp 0,55 0,5 0 1 2 3 4 5 6 Retard (1/2 h)

hp = 3 h

hp = 4

hp = 5 h

Figure 53 Score de validation croise pour le choix du retard avec les pluies pluvios

Pour les trois premiers horizons prvisions, le score de validation croise connait une variation assez importante entre le retard gal trente minutes et le retard gal une heure. On remarque galement que pour hp = 1 h et hp = 2 h le meilleur score de validation croise se rencontre pour des valeurs de retard assez importante (huit et neuf). Hormis ces deux cas, le modle utilise principalement linformation donne par les hauteurs deau dans lheure prcdent linstant k. Recherche du retard avec les prcipitations radar (figure 54)

72

0,6 0,5 0,4 Cp 0,3 0,2 0,1 0 1 2 3 4 5 6 Retard

0,5 0,45 0,4 Cp 0,35 0,3 0,25 0,2 0 1 2 3 4 5 6 Retard

0,4 0,35 Cp 0,3 0,25 0,2 0 1 2 3 4 5 6 Retard

hp = 0,5 h
0,4 0,35 Cp 0,3 0,25 0,2 0 1 2 3 4 5 6 Retard

hp = 1 h
0,4 Cp 0,35 0,3 0 1 2 3 4 5 6 Retard

hp = 2 h
0,5 0,45 Cp 0,4 0,35 0,3 0 1 2 3 4 5 6 Retard

hp = 3 h

hp = 4 h

hp = 5 h

Figure 54 Score de validation croise pour le choix du retard avec les pluies radar

Pour les quatre premiers horizons de prvision, le score de validation croise varie faiblement partir dun retard gal deux : peu importe lhorizon de prdiction, le modle va utiliser principalement ce qui sest pass dans lheure qui prcde linstant k. 2.4.4. Slection du nombre de neurones cachs

Un nombre de neurones cachs important rendra le modle plus complexe et donc les temps de calculs plus longs. La gnralisation sera galement moins bonne. Cest pour cela que le nombre de neurones cachs (Nc) a t recherch entre 1 et 5. Recherche de la complexit avec les prcipitations pluvios (figure 55)

73

0,6 0,55 0,5 Cp 0,45 0,4 0,35 0 1 2 3 4 5 Nc

0,5 0,45 0,4 Cp 0,35 0,3 0,25 0,2 0 1 2 3 4 5 Nc

0,5 0,45 0,4 Cp 0,35 0,3 0,25 0,2 0 1 2 3 4 5 Nc

hp = 0,5 h
0,6 Cp 0,5 0,4 0 1 2 3 4 5 Nc

hp = 1 h
0,6 Cp 0,55 0,5 0 5 Nc 10

hp = 2 h
0,6 0,5 0,4 Cp 0,3 0,2 0,1 0 1 2 3 4 5 Nc

hp = 3 h

hp = 4 h

hp = 5 h

Figure 55 Score de validation croise pour le choix de la complexit avec les pluies pluvios

Le modle utilisant les pluies pluvios a toujours un nombre de neurones cachs limit entre un et deux, peu importe lhorizon de prvision. Ce modle la complexit rduite a lavantage de ne pas avoir besoin de temps de calcul importants. Recherche de la complexit avec les prcipitations radar (figure 56)
0,6 0,55 Cp 0,5 0,45 0,4 0 1 2 3 4 5 Nc 0,5 Cp 0,45 0,4 0 1 2 3 4 5 Nc 0,4 Cp 0,35 0,3 0 1 2 3 4 5 Nc

hp = 0,5 h
0,4 Cp 0,35 0,3 0 1 2 3 4 5 Nc

hp = 1 h
0,5 0,45 Cp 0,4 0,35 0,3 0 1 2 3 4 5 Nc

hp = 2 h
0,5 Cp 0,3 0,1 -0,1 0 1 2 3 4 5 Nc

hp = 3 h

hp = 4 h

hp = 5 h

Figure 56 Score de validation croise pour le choix de la complexit avec les pluies radar

74

En fonction de lhorizon de prvision, le modle utilisant les pluies radar sera plus ou moins complexe. Quand hp = 0,5 h et hp = 5 h, le nombre de neurones cachs est gal un, tandis que les autres horizons de prvisions verront ce nombre osciller entre trois et quatre. 2.4.5. Synthse

Les tableaux suivants synthtisent les rsultats prcdents qui permettent de dfinir larchitecture des modles (tableau 15 et tableau 16).
Tableau 15 Architecture du modle "pluvios"

hp Fentre temporelle ft (heure) Retard r (heure) Complexit Nc

0,5 h 0,5 1,5 2

1h 5 4,5 2

2h 4,5 4,5 2

3h 4,5 1 2

4h 5 0,5 1

5h 4,5 1 1

Tableau 16 Architecture du modle "radar"

hp Fentre temporelle ft (heure) Retard r (heure) Complexit Nc

0,5 h 0,5 1 1

1h 0,5 1 3

2h 0,5 1 4

3h 0,5 2 3

4h 0,5 2,5 4

5h 4,5 1 1

Aprs avoir dfini larchitecture des deux modles, on constate quil y a peu de points communs entre ces deux rseaux de neurones en fonction de la source des donnes. Ces deux modles ont t tests sur les vnements 13 et 19, ce qui permettra de comparer leurs performances. Lapprentissage a t effectu sur la base de 100 initialisations, la meilleure initialisation (donc le meilleur modle) est celle qui prsente le meilleur critre de persistance en validation croise. Les limnigrammes ainsi obtenue et les critres de performances associs sont prsents dans la partie suivante. 2.5. Prsentation et analyse des rsultats Avant de prsenter les rsultats obtenus, il est ncessaire dexpliciter lattente des prvisionnistes de crues afin de pouvoir juger de la qualit des limnigrammes suivants. Ainsi, (Louis et al, 2005 in Marchandise, 2007) dfinit les principaux critres dvaluation, par priorit dcroissante, de la faon suivante : Le timing du pic de crue. Sur un bassin raction rapide, lanticipation idale pour le prvisionniste serait le temps de concentration du bassin plus une heure. Sur le Gardon dAnduze, le temps de concentration des eaux est en moyenne gal trois heures. Le dlai danticipation idal est donc quatre heures ; La pente de la monte de lhydrogramme de crue. Un modle qui dmarre la monte de la crue en retard sera rarement pris en considration par un prvisionniste ;

75

Lintensit du pic de crue. Une prcision de 30 % sur le pic est considre comme suffisante.

Ces diffrents critres dvaluation sont valus dune part au moyen des critres de qualit des simulations ainsi que par lobservation visuelle des limnigrammes. 2.5.1. Rsultats obtenus pour lvnement 13

Les rsultats obtenus seront comments la suite de la prsentation des limnigrammes obtenus en prvision (figures 57-62). Afin de juger de la qualit des limnigrammes en dehors de lanalyse visuelle, quatre critres ont t utiliss (ces critres sont dfinis de faon plus complte en annexe 5) : Le critre de Nash qui permet de juger de ladquation entre les mesures observes et les mesures prvues ; Le critre de persistance, qui met en avant la performance du modle par rapport une prvision nave ; Le PPD (Percentage Peak Discharge), qui calcule le pourcentage de pic atteint par le modle par rapport au pic observ ; Le SPPD (Synchronous Percentage Peak Discharge), qui contrairement au critre prcdent va calculer le pourcentage de pic atteint en prvision au moment du pic observ.
0 8 7 Lame d'eau RADAR Pluiie moyenne (mm) 10 Lame d'eau "pluvio" 15 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 6 5 4 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (h) Figure 57 Prvisions pour hp = 0,5 h (ev. 13) Hauteur d'eau Anduze (m)

20

25

30

76

8 7 6 5 4 Hauteur d'eau mesure 3 Hauteur d'eau calcule (RADAR) Hauteur d'eau calcul (pluvio) 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (h) Hauteur d'eau Anduze (m)

5 Lame d'eau RADAR Pluie moyenne (mm) 10 Lame d'eau "pluvio" 15

20

25

30

Figure 58 Prvisions pour hp = 1 h (ev. 13) 0 8 7 6 Pluie moyenne (mm) 10 Lame d'eau RADAR 5 Lame d'eau "pluvio" 15 Hauteur d'eau mesure 20 3 Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
Temps (h)

Hauteur d'eau Anduze (m)

25

30

Figure 59 Prvisions pour hp = 2 h (ev. 13)

77

8 7 6 Hauteur d'eau Anduze (m)

5 Lame d'eau RADAR

Pluie moyenne (mm)

10

5 Lame d'eau "pluvio" 4 Hauteur d'eau mesure 3 Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (h)

15

20

25

30

Figure 60 Prvisions pour hp = 3 h (ev. 13) 0 8 7 6 Pluie moyenne (mm) 10 Lame d'eau RADAR 5 Lame d'eau "pluvio" 15 Hauteur d'eau mesure 20 3 Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (h) Figure 61 Prvisions pour hp = 4 h (ev. 13) 4 Hauteur d'eau Anduze (m)

25

30

78

8 7 6 Hauteur d'eau Anduze (m)

5 Lame d'eau RADAR

Pluie moyenne (mm)

10

5 Lame d'eau "pluvio" 4 Hauteur d'eau mesure 3 Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 Temps (h)

15

20

25

30

Figure 62 Prvisions pour hp = 5 h (ev. 13)

Ds lhorizon de prvision de 30 minutes, les rsultats obtenus partir des pluies radar sont moins bons que les rsultats obtenus avec les pluies pluvios . En effet, mme si la forme du limnigramme est tout fait satisfaisante y compris pour le dernier horizon de prvision le modle spatialis accuse un retard systmatique durant la phase de monte de la crue. A cause de ce retard le modle est inexploitable pour un prvisionniste de crue. Ce mauvais timing ds le premier horizon de prvision provient du fait que le modle spatialis nutilise pas dhistoriques des prcipitations. Il ne peut donc pas anticiper les hauteurs deau de faon pleinement satisfaisante. Il convient de noter qu partir de lhorizon de prvision de deux heures, malgr des critres de persistance corrects (tableau 17), le modle pluvios sur la base de ces onze vnements est galement inexploitable cause du retard trop important pendant la monte de crue. Enfin, il est intressant de voir que peu importe la source dinformations pluviomtriques les limnigrammes prvus perdent de leur ampleur temporelle au niveau du pic pour les lhorizon de prvision de deux et trois heures. Pour les deux derniers horizons de prvisions le modle ponctuel parvient proposer un limnigramme qui se rapproche de celui observ.
Tableau 17 Critres de qualit des diffrents horizons de prvisions (ev. 13). Bleu : pluvios ; rouge : radar

hp Cn Cp

0,5 h 0,99 0,99 0,74

1h 0,98 0,98 0,60

2h 0,94 0,94 0,61

3h 0,94 0,89 0,81

4h 0,94 0,76 0,87

5h 0,78 0,74 0,67

79

0,61 0,61 0,58 0,65 0,51 0,61 106,9 106,5 118,2 117,2 98,6 78,5 PPD (%) 106,9 115,3 121,9 115,2 128,0 129,5 97,3 95,0 118,2 117,2 84,9 75,0 SPPD (%) 97,0 94,6 109,1 115,2 72,2 89,3 Malgr le manque de robustesse de ces deux modles, le point positif sur un vnement simple rside dans lestimation des hauteurs deau au moment du pic : les deux modles proposent toujours une valeur du pic dans une tranche de plus ou moins 30 % du pic observ. Sur cet vnement simple , le modle spatialis est moins bon que le modle ponctuel. Larchitecture construite partir de cette base de donnes ne prenant pas en compte lhistorique des pluies, le modle radar est incapable danticiper la monte de la crue. La partie suivante prsente les rsultats obtenus sur lvnement intense de septembre 2002, qui est bien plus complexe. 2.5.2. Rsultats obtenus pour lvnement 19

Aprs avoir pu juger des performances des modles sur un vnement intense, mais simple, les modles ont galement t tests sur lvnement le plus intense de la base de donnes (figures 63-70).
0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluiie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 2 0 0 5 10 15 20 Temps (h) 25 30 35 40

30

40

50

60

Figure 63 Prvisions pour hp = 0,5 h (ev. 19)

80

0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcul (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 2 0 0 5 10 15 20 Temps (h) 25 30 35 40

30

40

50

60

Figure 64 Prvisions pour hp = 1 h (ev. 19) 0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 50 2 0 0 5 10 15 20 Temps (h) 25 30 35 40

30

40

60

Figure 65 Prvisions pour hp = 2 h (ev. 19)

81

0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 50 2 0 0 5 10 15 20 Temsp (h) 25 30 35 40

30

40

60

Figure 66 Prvisions pour hp = 3 h (ev. 19)

0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 50 2 0 0 5 10 15 20 Temps (h) 25 30 35 40

30

40

60

Figure 67 Prvisions pour hp = 4 h (ev. 19)

82

0 Lame d'eau RADAR 10 Lame d'eau "pluvio" Pluie moyenne (mm) 20 Hauteur d'eau mesure Hauteur d'eau calcule (RADAR) Hauteur d'eau calcule (pluvio) 14 12 Hauteur d'eau Anduze (m) 10 8 6 4 50 2 0 0 5 10 15 20 Temps (h) 25 30 35 40

30

40

60

Figure 68 Prvisions pour hp = 5 h (ev. 19)

Sur cet vnement intense, les rsultats obtenus par les deux modles sont inexploitables en oprationnel ds lhorizon de prvision de 30 minutes : la courbe prvue accuse un retard minimal de 30 minutes par rapport aux valeurs observes. Cependant, il est intressant de voir que sur cet vnement, le modle utilisant les pluies radar sen sort mieux que le modle pluvios jusqu lhorizon de prvision de trois heures. Contrairement au rsultat obtenu sur lvnement 13, dans ce cas-l les prvisions issues du modle spatialis accusent un retard moins important que le modle ponctuel. Cette remarque est particulirement vrai pour la phase de monte qui se situe aprs le premier petit pic : le modle russi rattraper son retard, notamment pour un horizon de prvision de trois heures. On observe galement que le modle pluvios narrive plus prvoir un pic partir de lhorizon de prvision une heure alors que le modle radar arrive retranscrire la forme du limnigramme jusqu lhorizon de prvision trois heures. Cette diffrence entre les deux modles se retrouve dans les critres de qualit (tableau 18).
Tableau 18 Critres de qualit des diffrents horizons de prvisions (ev. 19). Bleu : pluvios ; rouge : radar

hp Cn Cp PPD (%)

0,5 h 1h 2h 3h 4h 5h 0,90 0,89 0,72 0,61 0,48 0,21 0,98 0,95 0,68 0,78 -0,30 0,21 -0,93 0,45 0,46 0,48 0,47 0,46 0,69 0,69 0,30 0,69 -0,37 0,45 97,3 101,1 59,7 49,8 54,0 50,0 92,5 90,5 115,0 105,6 60,9 40,4

83

hp

0,5 h 97,3 SPPD (%) 92,5

1h 94,1 90,5

2h 44,5 90,7

3h 42,5 67,7

4h 42,6 47,8

5h 41,2 39,4

Le modle spatialis fournit de meilleurs rsultats, bien que difficilement exploitables en oprationnel, car larchitecture du rseau de neurones sappuie principalement sur les hauteurs prcdentes et non sur les prcipitations. Les prvisions sont difficilement utilisables, car le modle spatialis accuse un retard important dans la phase de monte de crue situe avant le petit pic, puis dans la seconde phase de monte le modle anticipe mieux les hauteurs futures. Malgr ces retards, il est intressant de voir que la prvision du modle se situe dans une tranche de prcision de +/- 30 % autour des valeurs observes. Le prvisionniste pourrait sappuyer sur cet outil en complment dun autre modle, sous rserve quil continue de faire confiance au modle postul aprs avoir constat les premiers retards. 2.6. Conclusion Le principal objectif des travaux raliss dans cette partie tait de comparer un modle neuronal utilisant des prcipitations mesures par des pluviomtres et un autre modle utilisant des pluies spatialises partir de la mesure radar. Suite la constitution dune base de donnes commune entre les vnements utilisant les donnes pluviomtriques et les vnements utilisant les donnes radar, la premire limite de ce travail est apparue : la base de donnes commune contient peu dvnements alors que lapprentissage statistique ncessite une base dapprentissage fournie. Les rsultats obtenus en prvision ne permettront donc pas dapporter un jugement absolu sur la qualit des modles. Ensuite, la comparaison entre la donne ponctuelle et la donne radar spatialise par zones a mis en vidence la diffrence entre ces deux sources dentres. Les informations provenant des radars prsentent un signal diffrent des informations pluviomtriques en termes dintensit et dans une moindre mesure la forme du signal. En effet, la donne spatialise mme corrige contient encore une erreur qui est loin dtre ngligeable par rapport aux pluviomtres. Pour une correction totale de la mesure radar, il aurait fallu disposer des facteurs correctifs tablis partir des donnes pluviomtriques. Il faut galement rajouter ces erreurs de mesure la modification de la donne qui est faite en moyennant les valeurs radars par zones. Ainsi, les deux modles auront des variables dentres aux grandeurs trs diffrentes, mais aux variations temporelles assez semblables. Cette diffrence entre les donnes sest cependant traduite dans larchitecture des modles : compte-tenu du dimensionnement des fentres temporelles de prcipitations, le modle pluvios va utiliser un historique des pluies plus important pour raliser les prvisions alors que le modle radar va principalement sappuyer sur les hauteurs prcdentes

84

trs court terme. Le fait que le modle utilise principalement linformation sur les hauteurs va souvent entraner un dcalage en prvision durant la phase de monte de crue, la prvision nest donc pas satisfaisante. Cependant, mme le modle pluvios accuse un retard pendant la monte de la crue, y compris sur un pisode simple , partir dun horizon de prvision suprieur une heure. Les rsultats en test sur lvnement le plus intense de la base de donnes sont difficiles valuer car aucun des deux modles ne propose une prvision vraiment satisfaisante, mme si le modle spatialis prsente des rsultats intressants. Ce jugement doit tre tempr par le fait quactuellement on dispose de fort peu de mthodes efficaces pour effectuer la prvision hydrologique en labsence de prvision de pluie sur ce type de bassins. On note tout de mme que le modle radar arrive reproduire la forme du limnigramme. Ceci est d linformation prpondrante des hauteurs par rapport aux prcipitations.

85

Conclusion gnrale
Aprs avoir rappel les diffrents processus qui gnrent la formation des crues clair, la problmatique lie la prvision de ce type de phnomne est apparue comme un sujet complexe. En effet, lensemble des phnomnes physiques mis en cause lchelle dun bassin versant sont encore mal connus et parfois mme contradictoires. A cette complexit, sajoute la difficult actuelle prvoir les prcipitations mditerranennes. Ces caractristiques intrinsques aux crues clair constituent autant dobstacles dans le domaine de la modlisation et de la prvision hydrologique. Dans ce contexte difficile, lutilisation des rseaux des neurones pour la prvision des crues est apparue comme un complment, voire mme une alternative, aux outils actuellement utiliss dans ce domaine ; en effet sous rserve de possder une base de donnes consquente et de qualit, des rsultats trs satisfaisants ont dj t obtenus lEcole des Mines dAls. Dans le cadre des travaux de lANR FLASH raliss lEcole des Mines dAls, lobjectif de ce travail tait dintgrer les mesures radar spatialises dans un modle neuronal de prvision des crues et de comparer les rsultats ainsi obtenus un modle utilisant les mesures pluviomtriques ponctuelles. Au dbut de la mission il tait galement envisag dutiliser directement la rflectivit comme variable dentre, mais la difficult lie cette grandeur et la complexit associe son traitement aurait ncessit plus de temps pour pouvoir proposer des rsultats robustes. Ce travail a ncessit dans un premier temps un traitement de la donne trs important et consquent. A partir des donnes radar brutes, il a fallu slectionner les vnements susceptibles dtre corrigs. Cette premire tape a mis en avant le faible nombre dvnements disponibles : onze vnements. La taille de cette base de donnes constituera le premier obstacle dans le cadre de lapprentissage statistique. Grce la ranalyse COMEPHORE de Mto France les onze vnements ont ensuite t corrigs en supprimant les chos fixes et en corrigeant les taux de masquages dus au relief. Nanmoins, on doit noter que pour une correction plus complte de la mesure spatialise, il aurait t ncessaire de disposer des facteurs correctifs tablis en fonction des mesures pluviomtriques. Suite ce traitement, linformation a t spatialise sous la forme de six zones hydrologiquement pertinentes, afin de pouvoir exploiter un modle neuronal dj tabli utilisant comme entres les six pluviomtres de la zone dtude. La seconde partie du travail ralis a consist comparer dans un premier temps les valeurs issues des pluviomtres avec celle du pixel radar correspondant. Cette comparaison a mis en avant la sous-estimation importante des mesures radar par rapport aux mesures ponctuelles (considres comme rfrence dans de domaine mtorologique). Notons tout

86

de mme que cette altration de lintensit du signal nempche pas le radar de suivre correctement un pisode, et donc de prsenter un signal aux variations temporelles similaires celui tabli par les pluviomtres. Toujours dans cette tape de comparaison, les deux futures variables dentres des rseaux de neurones ont t confrontes. Il est ressorti de cette analyse la diffrence importante entre ces deux donnes. Outre la sous-estimation directement lie la mesure radar, la mthode de spatialisation modifie le signal (tout en restant relativement proche du signal pluviomtrique) et altre linformation sur les prcipitations. Pour conclure sur la base de donnes, travailler avec les mesures radars, qui spatialisent correctement les prcipitations mais les quantifient mal, a t une source de difficult. Le temps allou au traitement de cette donne et la correction partir des mtadonnes a t trs important. On doit noter galement que le fait de ne pas disposer des facteurs correctifs au pas de temps adquat pour la prvision (1/2 heure) a empch deffectuer une correction optimale de ces informations. Lultime tape de ce travail fut de slectionner larchitecture susceptible de proposer la meilleure gnralisation pour les deux modles rseaux de neurones. Malheureusement les donnes spatialises nont pas permis damliorer les prvisions par rapport aux modles utilisant les informations pluviomtriques; ceci sexpliquent de multiples faons. En premier lieu, une critique de la base de donnes utilise et de sa qualit est ncessaire. En effet, le nombre peu important dvnements (onze au total) est un obstacle dans le cadre de lapprentissage statistique. Cependant, il est quand mme possible de tirer quelques enseignements de la comparaison entre le modle utilisant des donnes ponctuelles et celui utilisant des donnes spatialises. Bien que la base de donnes pluviomtres soit tronque pour permettre la comparaison sur un ensemble dvnements identiques, elle fournit de meilleurs rsultats que le modle spatialis sur un vnement important, mais simple. Effectivement, le fait dutiliser un historique des pluies consquent permet au modle issu des entres pluviomtres de limiter le retard observ dans la prvision du limnigramme. Le modle spatialis sappuyant principalement sur les hauteurs observes, il lui est impossible danticiper correctement la monte de la crue. Il est possible que le dc oupage en six zones ait fait perdre trop dinformations. Pour vrifier ces hypothses, il serait intressant de tester diffrentes spatialisations de la donne, avec un nombre plus ou moins important de zones. Pour terminer cette conclusion sur les rsultats obtenus, on mettra en avant la qualit des prvisions du modle spatialis sur lvnement intense de septembre 2002, le plus important de la base de donnes. Bien quimparfaites, les prvisions obtenues peuvent tre juges comme correctes puisquelles se situent dans une enveloppe de +/- 30 % par rapport aux valeurs observes jusqu un horizon de prvision de trois heures. Ces

87

rsultats sont encourageants, particulirement si lon rappelle quils sont obtenus en labsence de prvision de pluies. Pour conclure, les rsultats de ces travaux permettent de dgager de nouvelles pistes pour lutilisation des donnes spatialises dans le cadre la prvision des crues clair par rseaux de neurones. Ces travaux pourraient ventuellement saxer sur la recherche dautres mthodes de spatialisation : un nouveau dcoupage pourrait par exemple seffectuer en fonction disochrones, comme le font (Pereirea Filho & Dos Santos, 2006) dans leurs travaux. Outre la spatialisation de la donne, de nouvelles pistes relatives larchitecture du modle spatialis seraient intressantes entreprendre afin de permettre au rseau de neurones de mieux prendre en compte la dimension historique des pluies. Enfin une autre piste possible visant diminuer le dcalage observ sur les prvisions serait de diminuer lchantillonnage de la base de donnes, par exemple 15 minutes.

88

Bibliographie
Abrahart R.J., See L.M. (2007) Neural network modelling of non-linear hydrological relationships Hydrology and Earth System Sciences, n11, pp. 1563-1579. Akthar M.K., Corzo G.A., Van Andel S.J., Jonoski A. (2009) River flow forecasting with artificial neural networks using satellite observed precipitation pre-processed with flow lenght and travel time information: case study of the Ganges river basin Hydrology and Earth System Sciences, n13, pp. 1607-1618. Ambroise B. (1998) La dynamique du cycle de leau dans un bassin versant. Processus, facteurs, modles Editions *H*G*A*, Bucarest, 206p. Andrieu H. (2002) La mesure de pluie par radar : du calibrage par des pluviomtres vers linterprtation physiques des images La Houille Blanche, n2, pp 32-36. Antoine J.M., Desailly B., Gazelle F. (2001) Les crues meurtrires, du Roussillon aux Cvennes Annales de Gographie, n622, pp. 597-623. Ayral P.A. (2005) Contribution la spatialisation du modle oprationnel de prvision des crues clairs ALHTAR ; approche spatiale et exprimentale ; application au bassin versant du Gardon dAnduze. Thse de doctorat, Universit de Provence, 315p. + annexes. Benech B., Brunet H., Jacq V., Payen M., Rivrain J.C., Santurette P. (1993) La catastrophe de Vaison-la-Romaine et les violentes prcipitations de septembre 1992 : aspects mtorologiques La mtorologie, n1, pp. 72-81. Bessire H. (2008) Assimilation de donnes variationnelle pour la modlisation hydrologique distribue des crues cintique rapide Thse de doctorat, Institut National Polytechnique de Toulouse, 350p. Boucher M.A., Lalibert J.P., Anctil F. (2010) An experiment on the evolution of an ensemble of neural networks for streamflow forecasting Hydrology and Earth System Sciences, n14, pp. 603-612. Boudevillain B., Argence S., Claud C., Ducrocq V., Joly B., Joly A., Lambert D., Nuissier O., Plu M., Ricard D., Arbogast P., Berne A., Chaboureau J.P., Chapon B., Crpin F., Delrieu G., Doerflinger E., Funatsu B., Kirstetter P.E., Masson F., Maynard K., Richard E., Sanchez E., Terray L., Walpersdorf A. (2009) Cyclogenses et prcipitations intenses en rgion mditerranenne : origines et caractristiques La Mtorologie, n66, pp 18-28. Bouttier F. (2007) Arome, avenir de la prvision rgionale La Mtorologie, n58, pp. 1220.

89

Bouvier C., Fuentes G., Dominguez R. (1994) MERCEDES : un modle hydrologique danalyse et de prvision des crues en milieu htrogne Actes du sminaire de la SHF, 23me journe de lhydraulique, pp 257-260. Brath A., Montanari A., Toth E. (2002) Neural network and non-parametric methods for improving real time flood forecasting through conceptual hydrological models Hydrology and Earth System Sciences, 6(4), pp. 627-640. Chang F.J., Chiang Y.M., Chang L.C. (2007) Multi-step-ahead neural networks for flood forecasting Hydrological Sciences Journal, 52:1, pp.114-130. Chauvire J.Y., Laffite J.J., Le Quentrec M., Ravard J.L., Truchot C., Verdeaux P. (2010) Prvision des crues et hydromtries : valuation des rseaux et perspectives MEDDM, 138p. Comby J. (1993) Bilan social et conomique de la squence orageuse du 22 septembre 1992 dans le sud du couloir rhodanien Revue de gographie de Lyon, vol. 68 n2-3, pp. 175-192. Cosandey C. & Robinson M. (2000) Hydrologie continentale Edition Armand Colin, Paris, 360p. Coulibaly P., Anctil F., Bobe B. (1999) Prvision hydrologique par rseaux de neurones artificiels : tat de lart Revue canadienne de gnie civil, vol. 26, pp. 293-304. Dawson C.W., Wilby R.L. (1999) A comparison of artificial neural networks used for river flow forecasting Hydrology and Earth System Sciences, 3(4), pp. 529-540. De Vos N.J., Rientjes T.H.M. (2005) Constraints of artificial neural networks for rainfallrunoff modeling: trade-offs in hydrological state representation and model evaluation Hydrology and Earth System Sciences, n2, pp. 365-415. Estupina Borrell V. (2004) Vers une modlisation hydrologique adapte la prvision oprationnelle des crues clair. Application de petits bassins versants du sud de la France Thse de doctorat, Institut National Polytechnique de Toulouse, 254p. Faure D., Andrieu H., Creutin J.D. (1994) Application lhydrologie du radar mtorologique. Comparaison destimations radar et pluviomtriques pour les lames deau horaires sur de petits bassins versants cvenols Laboratoire Central des Ponts et Chausses Publications, Paris, 292p. Gaume E. (2002) Elments danalyses sur les crues clairs Thse de doctorat, Ecole Nationale du Gnie Rural des Eaux et Forts, 359p.

90

Gaume E., Gosset R. (2003) Over-parametrisation, a major obstacle to the use of artificial neural networks in hydrology ? Hydrology and Earth System Sciences, 7(5), pp 693-706. Gill J., Rubiera J., Martin C., Cacic I., Mylne K., Dehui C., Jiafeng G., Xu T., Yamaguchi M., Kamnga Foamouhoue A., Poolman E., Guiney J. (2008) Principes directeurs pour la communication relative lincertitude des prvisions Organisation Mondiale de la Mtorologie (WMO), 26p. Guillon R. (2005) Prvision brve chance des fortes prcipitations par lactivit lectrique le 19 septembre 2000 dans la rgion marseillaise Thse de doctorat, Universit de Provence, 250p. Huet P., Martin X., Prime J.L., Foin P., Laurain C., Cannard P. (2003) Retour dexprience des crues de septembre 2002 dans les dpartements du Gard, de lHrault, du Vaucluse, des Bouches-du-Rhne, de lArdche et de la Drme MEDD-IGE, 133p. J.E. Nash, J.V. Sutcliffe (1970) River flow forecasting throught conceptual models. Part I a discussion of principles Journal of Hydrology, vol. 10, pp. 282-290. Jacq V. Inventaire des situations prcipitations diluviennes en Languedoc-Roussillon / PACA / Corse, Priode 1958-1994 Phnomnes remarquables n3, Service Central dExploitation de la Mtorologie, BCIR Sud-Est et Centres Dpartementaux, Mto France, 190p. Kisi O. (2007) Streamflow forecasting using different artificial neural network algorithms Journal of hydrologic engineering, 12(5), pp. 532-539. Kitadinis P.K., Bras R. (1980) Real-time forecasting with a conceptual hydrologic model, applications and results Water Resources Research, vol. 16, n6, pp.1034-1044. Kong A Siou L. (2011) Modlisation des crues de bassins karstiques par rseaux de neurones. Cas du bassin du Lez (France) Thse de doctorat, Universit Montpellier II, 232p. Le X.K. (2008) Variabilit des processus hydrologiques entrant dans le mcanisme de la gense des crues sur les bassins cintique rapide Thse de doctorat, Institut National Polytechnique de Toulouse, 156p. Loumagne C., Vidal J.J., Feliu C., Toterotot J.P., Roche P.A. (1995) Procdure de dcision multi-modle pour une prvision des crues en temps rel : application au bassin suprieur de la Garonne Journal of Water Science, vol. 8 n4, pp. 539-561.

91

Maier H.R., Jain A., Dandy G.C. ,Sudheer K.P. (2010) Methods used for the development of neural networks for the prediction of water resource variables in river systems: current status and future direction Environmental Modelling & Software, n 25, pp. 891-909. Marchandise A. (2007) Modlisation hydrologique distribue sur le Gardon dAnduze ; tude comparative de diffrents modles pluie-dbit, extrapolation de la normale l'extrme et tests d'hypothses sur les processus hydrologiques Thse de doctorat, Universit Montpellier II, 215p. MEDDE (Ministre de lEcologie, du Dveloppement Durable et de lEnergie) (2012) Principaux enseignements de la premire valuation des risques dinondation sur le territoire franais EPRI 2011 Direction gnrale de la Prvention des Risques, Paris, 72p. Minns A.W. & Hall M. J. (1996) Artificial neural networks as rainfall-runoff models Hydrological Sciences Journal, 41:3, pp. 399-417. Montz B.E., Gruntfest E. (2002) Flash flood mitigation: recommendations for research and applications Environmental Hazards, n4, pp. 1522. Pard M. (1919) Les phnomnes torrentiels sur le rebord oriental du Massif Central Recueil des travaux de linstitut de gographie alpine, tome 7 n1, pp. 1-199. Parent du Chtelet J. (2003) Aramis, le rseau franais de radars pour la surveillance des prcipitations La Mtorologie, n40, pp 44-52. Pereira Filho A.J., Dos Santos C.C. (2006) Modeling a densely urbanized watershed with an artifical neural network, weather radar and telemetric data Journal of Hydrology, n317, pp. 31-48. Ponce J.L, Didon-Lescot J.F., Vayssade B. (2008) Recherche historique sur le Gardon dAnduze SMAGE des Gardons, 87p. + annexes. Rouzeau M., Martin X, Pauc J.C. (2010) Retour dexprience des inondations survenues dans le dpartement du Var les 15 et 16 juin 2010 MEDDM-CGEDD, 94p. Sahoo G.B., Ray C., De Carlo E.H. (2006) Use of neural network to predict flash flood and attendant water qualities of a mountainous stream on Oahu, Hawaii Journal of Hydrology, n327, PP. 525-538. Service de Prvision des Crues Grand Delta (2010) Rglement de surveillance de prvision et de transmission de l'information sur les crues (RIC) MEDDM, 78p. [En ligne] http://www.gard.equipement.gouv.fr/IMG/pdf/RIC_SPCGD_version_2011_cle7bd5c2.pdf. Stone M. (1974) Cross-validatory choice and assessment of statistical predictions Journal of the Royal Statistical Society, B36, pp. 111-147.

92

Tabary P., Dupuy P., LHnaff G., Laurentin O., Merlier C., Soubeyroux J.M. (in press) A 10-year (2000-2006) reanalysis of quantitative precipitation over France: methodology and first results Hydrological Sciences Journal, in press, 11p. Toukourou M.S. (2009) Application de lapprentissage artificiel la prvision des crues clair Thse de doctorat, Ecole des Mines de Paris, 182p. Universit McGill (2008) Dtection distance Radar mtorologique Powerpoint de cours [en ligne] : http://pascal.sca.uqam.ca/~sca2626/TP/TP%234-radar-ppt.pdf Vinet F. (2000) L'pisode pluvieux catastrophique des 12 et 13 novembre 1999 dans l'Aude et les dpartements voisins : analyse pluviomtrique et mtorologique Gocarrefour, Vol. 75 n3, 2000, pp. 189-203. Vinet F. (2008) Geographical analysis of damage due to flash floods in southern France: The case of 12-13 November 1999 and 8-9 September 2002 Applied Geography, n28, pp. 323-336. Vinet F. (2010) Le risque inondation. Diagnostic et gestion Editions Tec&Doc, Paris, 314p. Wu J.S., Han J., Annambhotla S., Bryant S. (2005) Artificial Neural Networks for

forecasting watershed runoff and streamflows Journal of Hydrologic Engineering, vol. 10, n3, pp. 216-222. Zealand C.M., Burn D.H., Simonovic S.P. (1999) Short term streamflow forecasting using artificial neural networks Journal of Hydrology, n214, pp. 32-48. Site web : http://edytem.univ-savoie.fr/-flash- (2012) Page daccueil du projet de lANR FLASH (Flood forecasting with machine Learning, data Assimilation and Semi-pHysical modeling). http://www.ohmcv.fr/ (2012) Observatoire Hydro-mtorologique Mditerranen Cvennes Vivarais. Cet observatoire se consacre ltude des crues clair et des pluies intenses en rgion mditerranenne. Il bnficie, entre autre, du soutien de lInstitut National des Sciences de lUnivers. www.echo2.epfl.ch/e-drologie/ (2005) Cours dhydrologie gnrale dAndr Musy, professeur lEcole Polytechnique de Lausanne. Consult en 2012. www.keraunos.org/ (2012) Observatoire Franais des Tornades et des Orages Violents. Cette structure indpendante a t cre pour le suivi et ltude des phnomnes orageux et des tornades. Keraunos Observatoire, organisation but non lucratif, a pour vocation de promouvoir la connaissance des orages en France et en Europe.

93

www.pluiesextremes.meteo.fr (2012) site de Mto France concernant les pluies extrmes en France mtropolitaine. Ce site propose une base de donnes recensant les pluies de 24h et 48h les plus remarquables observes entre 1958 et 2011.

94

Liste des figures

Figure 1 Chronogramme des actions ralises durant le stage .........................................10 Figure 2 Organisation du schma d'alerte en France (daprs Le, 2008) ...........................12 Figure 3 Nombre d'pisodes pluvieux avec plus de 200 mm enregistrs en une journe hydrologique (sur la priode 1958 - 2011) ............................................................................14 Figure 4 Les diffrents types de prcipitations (d'aprs Musy, 2005) .................................15 Figure 5 Reprsentation schmatique dun pisode cvenol en coupe entre le Golfe du Lion et les Cvennes (daprs Artigue, 2012) .......................................................................16 Figure 6 Systme convectif de mso-chelle en V (schma d'aprs Rivrain, 1999 in Vinet, 2010 - Image infrarouge de l'orage du 24/08/2009 sur le puy de Dme avec l'autorisation de Keraunos Observatoire) .......................................................................................................16 Figure 7 Nombre de pluviomtres pour 10km sur les dpartements (du continent) les plus touchs par les pluies extrmes ...........................................................................................18 Figure 8 Visibilit hydrologique du rseau Aramis (rayon de 100km autour du RADAR) ...19 Figure 9 Gnration du ruissellement par saturation par le bas et par saturation par le haut (d'aprs Musy, 2005) ............................................................................................................21 Figure 10 Vision simplifie des diffrents modles hydrologiques (d'aprs Estupina Borrell, 2004 et Ambroise, 1998) ......................................................................................................23 Figure 11 Reprsentation schmatique d'un neurone formel x reprsente le vecteur des variables dentre, w la matrice des paramtres, ou coefficients synaptiques, f(.) est la fonction dactivation et y la sortie du neurone .......................................................................27 Figure 12 Fonction sigmode (y = 1/(1+e-x)) .....................................................................28 Figure 13 Reprsentation schmatique du perceptron multicouche...................................29 Figure 14 Rseau de neurones boucl d'ordre 1 ...............................................................29 Figure 15 L'approximateur universel, un rseau de neurones non boucl n+1 entres, NC neurones cachs et un neurone de sortie linaire ................................................................30 Figure 16 Reprsentation schmatique du processus de validation croise sur D sous ensembles ............................................................................................................................34 Figure 17 Hydrographie du bassin versant du Gard...........................................................38 Figure 18 Altimtrie et hydrographie principale du Gardon d'Anduze.................................39 Figure 19 Carte gologique du Gardon d'Anduze ..............................................................40 Figure 20 Occupation des sols et densit de population du Gardon d'Anduze ...................41 Figure 21 Moyenne des dbits mensuels Anduze sur la priode 1970-2011 (Source : Banque Hydro, 2012) ...........................................................................................................42 Figure 22 Appareils de mesure de la zone d'tude ............................................................43

95

Figure 23 Compatibilit du format ascii entre SIG et tableur ( gauche : ouverture dans QGIS, droite : ouverture dans Excel) .................................................................................45 Figure 24 Dcoupage du bassin versant du Gardon d'Anduze ..........................................47 Figure 25 Mthodologie du traitement de la donne (pas de temps, format) .....................47 Figure 26 Dfinition de la fin d'un vnement par la mthode graphique. 1 : Premire cassure, 2 : Deuxime cassure (fin de lvnement) ............................................................49 Figure 27 Hauteur maximale Anduze des vnements et niveau de vigilance (source : SPCGD, 2010) .....................................................................................................................53 Figure 28 Cumul des prcipitations de lvnement 12. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................54 Figure 29 Hytogramme moyen et limnimtrie Anduze de l'vnement 12 .....................54 Figure 30 Cumul des prcipitations de lvnement 13. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................55 Figure 31 Hytogramme moyen et limnimtrie Anduze de l'vnement 13 .....................55 Figure 32 Cumul des prcipitations de lvnement 120. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................56 Figure 33 Hytogramme moyen et limnimtrie Anduze de l'vnement 120 ...................56 Figure 34 Cumul des prcipitations de lvnement 15. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................57 Figure 35 Hytogramme moyen et limnimtrie Anduze de l'vnement 15 .....................57 Figure 36 Cumul des prcipitations de lvnement 19. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................58 Figure 37 Hytogramme moyen et limnimtrie Anduze de l'vnement 19 .....................58 Figure 38 Cumul des prcipitations de lvnement 200. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................59 Figure 39 Hytogramme moyen et limnimtrie Anduze de l'vnement 200 ...................59 Figure 40 Cumul des prcipitations de lvnement 201. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................60 Figure 41 Hytogramme moyen et limnimtrie Anduze de l'vnement 201 ...................60 Figure 42 Cumul des prcipitations de lvnement 21. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................61 Figure 43 Hytogramme moyen et limnimtrie Anduze de l'vnement 21 .....................61 Figure 44 Cumul des prcipitations de lvnement 22. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................62 Figure 45 Hytogramme moyen et limnimtrie Anduze de l'vnement 22 .....................62 Figure 46 Cumul des prcipitations de lvnement 23. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................63

96

Figure 47 Hytogramme moyen et limnimtrie Anduze de l'vnement 23 .....................63 Figure 48 Cumul des prcipitations de lvnement 24. A gauche : image radar ; droite : cumul enregistrs par les pluviomtres ................................................................................64 Figure 49 Hytogramme moyen et limnimtrie Anduze de l'vnement 24 .....................64 Figure 50 Le prdicteur choisi ...........................................................................................69 Figure 51 Score de validation croise pour le choix de la fentre temporelle avec les pluies pluvios ............................................................................................................................70 Figure 52 Score de validation croise pour le choix de la fentre temporelle avec les pluies radars .............................................................................................................................71 Figure 53 Score de validation croise pour le choix du retard avec les pluies pluvios ..72 Figure 54 Score de validation croise pour le choix du retard avec les pluies radars ...73 Figure 55 Score de validation croise pour le choix de la complexit avec les pluies pluvios ............................................................................................................................74 Figure 56 Score de validation croise pour le choix de la complexit avec les pluies radars .............................................................................................................................74 Figure 57 Prvisions pour hp = 0,5 h (ev. 13) .....................................................................76 Figure 58 Prvisions pour hp = 1 h (ev. 13) ........................................................................77 Figure 59 Prvisions pour hp = 2 h (ev. 13) ........................................................................77 Figure 60 Prvisions pour hp = 3 h (ev. 13) ........................................................................78 Figure 61 Prvisions pour hp = 4 h (ev. 13) ........................................................................78 Figure 62 Prvisions pour hp = 5 h (ev. 13) ........................................................................79 Figure 63 Prvisions pour hp = 0,5 h (ev. 19) .....................................................................80 Figure 64 Prvisions pour hp = 1 h (ev. 19) .......................................................................81 Figure 65 Prvisions pour hp = 2 h (ev. 19) ........................................................................81 Figure 66 Prvisions pour hp = 3 h (ev. 19) ........................................................................82 Figure 67 Prvisions pour hp = 4 h (ev. 19) ........................................................................82 Figure 68 Prvisions pour hp = 5 h (ev. 19) ........................................................................83 Figure 69 Les erreurs de mesures d'un radar hydrologique (d'aprs Universit McGill, 2008) ..................................................................................................................................100

97

Liste des tableaux

Tableau 1 Rcapitulatif des caractristiques des crues clairs dans la littrature (daprs Estupina Borrell, 2004) .........................................................................................................13 Tableau 2 Les principaux modles de prvision des crues utiliss par les SPC (d'aprs Bessire, 2008) ....................................................................................................................25 Tableau 3 Capacit d'infiltration des formations gologiques du Gardon d 'Anduze (d'aprs Ayral, 2005) ..........................................................................................................................40 Tableau 4 Prcipitations moyennes (en mm) la station de Saint Jean du Gard entre 1889 et 2007 (Source : Ponce et al., 2008) ...................................................................................42 Tableau 5 Surface d'chos fixes sur le bassin versant d'Anduze (source : Mto France) 44 Tableau 6 Coordonnes du rectangle englobant le Gardon d'Anduze (RGF93) ................46 Tableau 7 Correspondance numro - nom de zone ...........................................................47 Tableau 8 Les diffrentes classes de discrtisation des vnements hydrologiques .........51 Tableau 9 Caractrisation de la base de donnes .............................................................52 Tableau 10 Erreur relative par vnement .........................................................................65 Tableau 11 Erreur relative par pluviomtre ........................................................................66 Tableau 12 Coefficient de corrlation linaire par vnement ...........................................66 Tableau 13 Erreur relative (%) entre les zones radar et les pluviomtres par vnement (en gras : erreur relative positive) ...............................................................................................67 Tableau 14 Coefficient de corrlation linaire r entre les zones radar et les pluviomtres par vnement .....................................................................................................................68 Tableau 15 Architecture du modle "pluvios".....................................................................75 Tableau 16 Architecture du modle "radar" .......................................................................75 Tableau 17 Critres de qualit des diffrents horizons de prvisions (ev. 13). Bleu : pluvios ; rouge : radar ..................................................................................................79 Tableau 18 Critres de qualit des diffrents horizons de prvisions (ev. 19). Bleu : pluvios ; rouge : radar ..................................................................................................83 Tableau 19 Exemples de relations Z-R rencontres dans la littrature (Source : Faure et al., 1994) ..............................................................................................................................99

Liste des photos

Photo 1 Repres de crues Anduze (rue Pelico) ..............................................................43

98

Annexes
A.1 La mesure radar et ses principale sources derreurs Description simplifie de la mesure radar Les radars fournissent une mesure indirecte de lintensit des prcipitations. (Faure et al., 1994) rsument le principe de la mesure : il [le radar] met dans latmosphre, sous forme dune brve impulsion, un rayonnement lectromagntique concentr en un faisceau de trs faible ouverture, et une partie de lnergie de ce faisceau peut tre rtrodiffus par une cible en direction du radar o elle est recueillie par lantenne de rception . Dans le cas des gouttes de pluies, la puissance reue des ondes rtrodiffuses permet destimer un facteur de rflectivit Z (en mm6/mm3). Ce facteur caractrise la capacit de la cible renvoyer une partie de lnergie incidente. Par soucis de simplicit dutilisation de la mesure, la rflectivit Z est transforme en dcibels de rflectivit (dbZ) selon la formule suivante : avec Z0 = 1 mm6/mm3.

A partir de ce facteur de rflectivit Z, on estime lintensit des prcipitations R quivalentes selon la relation semi-empirique : a et b sont des constantes Ou Le facteur Z tant reli aux diamtres des particules, les constantes sont gnralement obtenues par le biais de mesures disdromtriques14 (tableau 19)
Tableau 19 Exemples de relations Z-R rencontres dans la littrature (Source : Faure et al., 1994)

Type de prcipitation Bruine Pluies stratiformes Pluies convectives Neige

Relation Z-R

Rfrence Joss, 1975 Marshall & Palmer, 1948 Jones, 1956 Seklon & Srivastava, 1970

En oprationnel, les radars Mto France utilisent tous la formule de Marshall & Palmer, car lchelle du territoire national les pluies stratiformes sont dominantes. Le choix de la relation Z-R donc une premire source dincertitude de la mesure radar.

14

Disdromtre : instrument utilis en mtorologie pour mesurer la distribution de diamtre des hydromtores ainsi que leur vitesse de chute. Appel galement capteur de gouttelettes .

99

Les principales sources derreurs Les erreurs qui peuvent affecter lestimation de lintensit de prcipitation R partir de la mesure radar sont nombreuses. On peut les diviser en deux catgories : Les erreurs de mesures de londe rtrodiffuse ; Les erreurs lies la transformation Z-R.

Les erreurs de mesures ont plusieurs origines (figure 58).

Figure 69 Les erreurs de mesures d'un radar hydrologique (d'aprs Universit McGill, 2008)

1 : Occultation des pluies dans les basses couches de latmosphre (prs du radar) ; 2 : Neige ou bruine, difficile localiser lorsquelles sont faibles (peu de rtrodiffusion) ; 3 : Pluie derrire un relief : effet de masque ; 4 : Echos fixes : signaux ne provenant pas des particules prcipitantes ; 5 : Sous-estimation des chutes de pluies proches dun relief ; 6 : Sous-estimation de la pluie issue dun nuage troit ; 7 : Propagation anormale du signal (condition anticyclonique) ; 8 : Surestimation des chutes de pluies en cas dvaporation ; 9 : Phnomne de bande brillante (variation verticale de la rflectivit des hydromtores). Lestimation de la rflectivit peut galement tre errone si ltalonnage lectronique du radar est incorrect.

100

A.2 Table de correspondance niveaux radar, rflectivit, intensit (Mto France)

101

A.3 Taux de masquage et chos fixes durant la priode dobservation

102

A.4 Comparaison entre les enregistrements radar et pluviomtre

Anduze Ev. 12 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%)

Barre des Mialet Saumane Soudorgues Cvennes

StRoman

Moyenne

93,77 66,96 -28,59

59,90 43,09 -28,06

90,00 56,42 -37,31

141,50 112,71 -20,35

134,50 105,85 -21,30

145,50 102,28 -29,70 -27,6

Ev. 13 Pluviomtre 136,83 (mm) Pixel radar 112,95 (mm) Erreur relative (%) Ev. 120 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%) -17,45

204,67 94,68 -53,74

192,50 120,00 -37,66

270,67 147,94 -45,34

175,67 111,63 -36,45

260,67 144,43 -44,59 -39,2

88,50 44,93 -49,23

66,50 20,04 -69,86

228,50 73,28 -67,93

102,00 30,16 -70,43

176,00 57,70 -67,22

108,50 34,45 -68,25 -65,5

Ev. 15 Pluviomtre 148,00 (mm) Pixel radar 100,60 (mm) Erreur relative (%) -32,03

0,50 14,30 2760,00

128,00 56,49 -55,87

32,00 18,86 -41,06

60,50 47,16 -22,05

33,00 13,82 -58,12 -41,8

Ev. 19 Pluviomtre 690,50 (mm) Pixel radar 556,46 (mm) Erreur relative (%) Ev. 200 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%) Ev. 201 Pluviomtre (mm) -19,41

69,50 32,05 -53,88

355,00 242,11 -31,80

336,63 221,67 -34,15

351,00 230,25 -34,40

303,50 196,90 -35,12 -34,8

96,00 58,60 -38,96

129,50 94,72 -26,86

152,00 71,60 -52,89

175,00 76,10 -56,51

185,50 92,88 -49,93

162,50 69,35 -57,32 -47,1

84,00

369,75

117,88

192,25

128,00

201,50

103

Anduze Pixel radar (mm) Erreur relative (%) 83,01 -1,18

Barre des Mialet Saumane Soudorgues Cvennes 186,21 -49,64 89,13 -24,39 106,48 -44,61 89,33 -30,21

StRoman 98,23 -51,25

Moyenne

-33,5

Ev. 21 Pluviomtre 327,00 (mm) Pixel radar 185,81 (mm) Erreur relative (%) Ev. 22 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%) Ev. 23 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%) Ev. 24 Pluviomtre (mm) Pixel radar (mm) Erreur relative (%) Erreur relative moyenne par poste -43,18

186,50 143,61 -23,00

346,50 190,77 -44,94

215,25 168,13 -21,89

278,50 172,96 -37,90

216,50 159,99 -26,10 -32,8

27,50 15,16 -44,87

93,00 35,34 -62,00

61,50 27,01 -56,08

96,00 46,34 -51,73

64,00 32,46 -49,28

87,00 36,50 -58,05 -53,7

70,00 46,94 -32,94

331,00 123,43 -62,71

204,00 95,41 -53,23

254,00 112,87 -55,56

301,00 143,48 -52,33

261,50 93,41 -64,28 -53,5

87,00 79,18 -8,99

60,50 39,36 -34,94

114,25 76,08 -33,41

73,00 69,82 -4,36

97,50 79,52 -18,44

69,00 48,78 -29,30 -21,6

-28,80

-46,5

-45,05

-40,55

-38,14

-47,46

104

A.5 Les critres de qualits Le critre de Nash : Le critre de Nash (Nash & Sutcliffe, 1970) reprsente le coefficient de dtermination et sexprime de la faon suivante : O : est la sortie estime par le modle ; est la sortie mesure du processus ; est le nombre de couples entre-sortie sur lesquels porte le calcul du critre ; est la moyenne des observations.

Ce critre quantifie la proportion de la variance totale qui est explique par la prvision. Il est trs utilis en hydrologie car il permet la comparaison des valeurs du critre calcules sur diffrents vnements pluvieux dintensits trs diffrentes, ou sur diffrents bassins versants. La valeur maximale que peut prendre ce critre est gale un. Cette valeur traduit une adquation parfaite entre la courbe prvue et la courbe observe. Si le critre de Nash est nul, alors le modle est aussi bon que celui qui se contenterait de prdire la moyenne des valeurs observes. Quand ce critre est ngatif, le modle est inadquat. Dans les applications en hydrologie, des critres de Nash suprieurs 0,6-0,7 sont considrs comme acceptables et des critres suprieurs 0,9 comme bons. Dans le cadre de la prvision des crues clair, un critre de Nash suprieur 0,8 est dj considr comme bon. Dun point de vue critique, comme ce critre est calcul sur toute la longueur de lvnement, la monte de la crue et la dcroissance sont considres de faon gale. Le critre peut donc tre bon alors que lhydrogramme estim est loign de lhydrogramme mesur, notamment dans la phase de monte et lajustement du pic. De plus, dans le contexte de la prvision, il a t montr quon peut obtenir un bon critre de Nash en proposant comme prvision la courbe observe dcale de quelques priodes : le bnfice en prvision est donc nul. Pour traiter ce problme le critre de persistance a t dfini. Le critre de persistance

105

Le critre de persistance (Kitadinis & Bras, 1980) calcule la somme des carrs des diffrences entre les sorties prvus y(k+hp) et les sorties observes du processus yp(k+hp), rapport la somme des carrs des diffrences entre les valeurs observes aux instants k et k+hp. Lexpression de ce critre Cp est la suivante : ( ( ) ) ( )

Si la prvision est parfaite, le critre vaut un. Quand le critre est nul, la prvision ralise est une prvision nave, c'est--dire que la valeur linstant k+hp aura la mme valeur qu linstant k. Ce critre appliqu la prvision permet de comparer la performance du modle celle qui serait obtenue par prvision nave. Cette comparaison prend tout son sens quand on sait que la prvision nave peut conduire des critres de Nash excellents (Toukourou, 2009). Les critres PPD et SPPD : Le critre PPD calcule directement le pourcentage de pic atteint par la prvision. Il sagit du rapport entre le pic prvu et le pic mesur :

O : est le pic de crue simul ; est le pic de crue observ. La notion de synchronisation des pics est introduite par le critre SSPD, qui calcule le rapport entre le pic observ et le pic prvu linstant du pic observ km :

Ce dernier critre est donc le plus pertinent en prvision oprationnelle, en particulier pour dterminer les vigilances.

106

Tables des matires Remerciements ......................................................................................................... 5 Sommaire .................................................................................................................. 7 Introduction gnrale : contexte et objectifs du stage.......................................... 9 1. La prvision des crues clair : lapport des rseaux de neurones artificiels 11
1.1. 1.2. Introduction ..........................................................................................................11 Les crues rapides en France ...............................................................................12 Gnralits sur la formation des crues clair ...................................................12 Les prcipitations intenses lorigine des crues clair ....................................13 La variabilit spatiale des prcipitations et les incertitudes sur les donnes ....17 Rappel des processus physiques mis en jeu pendant les crues clair .............20

1.2.1. 1.2.2. 1.2.3. 1.2.4. 1.3.

La modlisation et la prvision des crues clair................................................23 La modlisation pluie - dbit ............................................................................23 Quelques modles oprationnels pour la prvision des crues clair ................24

1.3.1. 1.3.2. 1.4.

Les rseaux de neurones formels et la prvision des crues ............................26 Gnralits sur les rseaux de neurones formels ............................................26 Le neurone formel ...........................................................................................27 Les diffrents rseaux de neurones ................................................................28 Proprits fondamentales des rseaux de neurones .......................................30 Apprentissage des rseaux de neurones ........................................................31 Lutilisation des rseaux de neurones pour la prvision des crues ..................35

1.4.1. 1.4.2. 1.4.3. 1.4.4. 1.4.5. 1.4.6. 1.5.

Conclusion............................................................................................................36

2. Lintgration des donnes spatialises dans un modle de prvision des crues clair.............................................................................................................. 38
2.1. Prsentation du Gardon dAnduze ......................................................................38 Les Gardonnades............................................................................................41 2.1.2. 2.2.

Construction de la base de donnes ..................................................................44 Prsentation des donnes disponibles ............................................................44 Mthodologie et traitements effectus sur la donne radar .............................45 La base de donnes ........................................................................................48

2.2.1. 2.2.2. 2.2.3. 2.3.

Comparaison des lames deau issues des pluviomtres et du radar ...............65 Comparaison entre les pluviomtres et le pixel radar correspondant ...............65 Comparaison entre les pluviomtres et les zones radars ................................67

2.3.1. 2.3.2. 2.4.

Slection du modle ............................................................................................68 Le prdicteur utilis .........................................................................................68

2.4.1.

107

2.4.2. 2.4.3. 2.4.4. 2.4.5. 2.5.

Slection des fentres temporelles ft ...............................................................70 Slection de lordre r .......................................................................................71 Slection du nombre de neurones cachs.......................................................73 Synthse .........................................................................................................75 Rsultats obtenus pour lvnement 13...........................................................76 Rsultats obtenus pour lvnement 19...........................................................80

Prsentation et analyse des rsultats.................................................................75

2.5.1. 2.5.2. 2.6.

Conclusion............................................................................................................84

Conclusion gnrale .............................................................................................. 86 Bibliographie........................................................................................................... 89 Liste des figures ..................................................................................................... 95 Liste des tableaux .................................................................................................. 98 Liste des photos ..................................................................................................... 98 Annexes................................................................................................................... 99
A.1 La mesure radar et ses principale sources derreurs......................................99 A.2 Table de correspondance niveaux radar, rflectivit, intensit (Mto France) ....................................................................................................................................101 A.3 Taux de masquage et chos fixes durant la priode dobservation .............102 A.4 Comparaison entre les enregistrements radar et pluviomtre .....................103 A.5 Les critres de qualits ...................................................................................105

Tables des matires ............................................................................................. 107

108