Moyens et material

Deux techniques ont été utilisées pour aborder la qualité des eaux du barrage Ain Zada, l’indice de qualité (IQE) et l’analyse statistique.

3.1. Indice de la qualité des eaux (IQE)

Indice de la qualité de l'eau de la National Sanitation Foundation (NSF-IQE) est utilisé pour déterminer le niveau de qualité de l'eau, sur la base de 9 paramètres tels que : DBO₅, DCO, nitrate, phosphate total, changement de température (de 1 mile en amont), la turbidité, le résidu sec, le pH et les coliformes fécaux. Cette technique est développée par Brown et al.,. (1970). Les travaux les plus complets dans ce domaine sont ceux de Pacini et al., (2013) et Landwehr et Deininger, (1976).

L’Indice de la qualité des eaux (IQE) est un moyen de résumer les données sur la qualité de l'eau dans un langage simple pour être utilisé plus facilement par l'utilisateur (Akkaraboyina et Raju, 2012 ; Effendi et al., 2015). Il existe plusieurs indices de qualité de l'eau qui ont été développés pour présenter la qualité de l'eau aux Etats-Unis, le Canada, l'Indonésie, l'Algérie et la Malaisie. Cependant, la plupart de ces indices sont basés sur l'IQE développé par la National Sanitation Foundation des Etats-Unis (NSF) et cette dernière a développé un indice,

Chapitre 6. Qualité des eaux de surface des barrages Ain Zada et Hammam Grouze

appelé l'indice de qualité de l'eau NSF (NSF-IQE), afin de fournir une méthode standardisée pour comparer la qualité relative des divers plans d'eau (Said et al., 2004). Plusieurs chercheurs utilisent l'indice de qualité de l'eau dans l'évaluation de la qualité de l'eau de la rivière (Bai et al., 2009) qui pourrait être pris en compte dans la gestion des ressources en eau (Najah et al., 2009).

3.2. Analyse statistique

L'application de différentes techniques statistiques multivariées peut faciliter l'interprétation des matrices de données complexes, et peut aider à simplifier et à organiser de grands ensembles de données pour fournir un aperçu significatif (Laaksoharju et al., 1999). Dans notre cas, une matrice de 190 valeurs (19 variables x 10 ans) ne peut être analysée que par des méthodes statistiques, les autres méthodes telles que les différents schémas ne peuvent donner que des résultats partiels.

Les principales techniques statistiques utilisées sont, la Classification Ascendante Hiérarchique (CAH), l’analyse factorielle (AF) et l’analyse discriminante (AD). Avant de commencer les analyses statistiques, les données doit être testés (O'Shea et Jankowski, 2006) pour voir si elles sont appropriées pour une utilisation brute ou elles nécessitent un traitement. L'analyse factorielle (AF) fait une exception à cette règle, car elle est basée uniquement sur l'analyse de la matrice corrélation/covariance (Meglin, 1991).

Lors de l'exécution des tests statistiques pour l'homogénéité de la variance, il suffit de montrer que le résultat du test est statistiquement significatif (p 0,05), cela signifie que les données ne montrent pas l'homogénéité de la variance. Ceci est possible en utilisant Fmax de Hartley (Hartley, 1950). Le test t de Student est également utilisé pour comparer deux ensembles de données quantitatives lorsque les données de chaque ensemble de l'échantillon sont liées d'une manière particulière, comme les données hydrochimiques.

D'autres paramètres statistiques utilisés sont la moyenne, écart-type (EC), coefficient de variation (Cv), applatissement ou de Kurtosis (Kurt), dissymétrie ou de Skewness (Skew) et l'analyse de variance (ANOVA) (Loether et McTavish, 1988). Lorsque l'échantillon suit une distribution normale à 95%, la valeur de kurtosis est comprise entre -2 et 2 et la valeur de l'asymétrie est comprise entre -2 et +2 (Groeneveld et Meeden, 1984). L'analyse de variance (ANOVA) est une technique statistique pour tester les différences significatives entre les moyennes en comparant les écarts.

Chapitre 6. Qualité des eaux de surface des barrages Ain Zada et Hammam Grouze

Pour la CAH, il existe deux types d’analyses : R et Q-modes. Dans le regroupement, les variables ou les individus sont regroupés de telle sorte que les paramètres similaires se retrouvent dans la même classe (Danielsson et al., 1999). Belkhiri et al., (2010) suggèrent d’utiliser la procédure de regroupement de Ward, car elle donne une plus grande la meilleure classification que la plupart des autres méthodes. Par conséquent, la procédure de classification de Ward est utilisée dans cette étude. CAH a été utilisé par divers chercheurs pour détecter le nombre de groupes de points d'échantillonnage sur la base des similitudes / homogénéité au sein de la population testée. En Turquie, la CAH a regroupé les points d'échantillonnage en trois groupes, 1, 2 et 3 qui correspondent à des régions polluées faible, modéré et élevé, respectivement. De même, Hellar-Kihampa et al., (2013) ont appliqué la CAH sur des données de qualité de l'eau de surface pour évaluer la variation spatiale dans le bassin versant de Pangani, en Tanzanie et les 12 stations d'échantillonnage étudiées ont été regroupées en deux groupes selon les espèces ioniques et les nutriments.

La méthode de l’analyse factorielle (AF) a également été appliquée au traitement des données hydrochimiques. Bien que l'AF soit une méthode exploratoire et descriptive, le but du traitement est d'identifier les principaux facteurs qui contrôlent la chimie de l'eau souterraine (Dagnelie, 2006). Cette méthode statistique multivariée a été largement utilisé pour étudier les phénomènes de l'environnement (Parmar et Bhardwaj, 2014 ; Mustapha et al., 2014 ; Belkhiri et al., 2010 ; Tiri et al., 2016). Ces outils statistiques multivariés ont été utilisés avec succès pour étudier les processus hydrochimiques et ce travail traite de la puissance des techniques multivariées pour caractériser les variations hydrochimiques dans la région.

AF fournis plus de perspicacité dans la structure sous-jacente d'une matrice de données, l'utilisation de ces techniques pourraient nécessiter d'autres analyses pour identifier les groupes distincts (Belkhiri et Mouni, 2012). Le but principal d’AF est de réduire la contribution des variables moins importantes pour simplifier davantage la structure même des données. AF a été réalisée sur les ensembles de données normalisées, pour comparer le modèle de composition entre les échantillons d'eau analysés et d'identifier les facteurs qui les affectent. L’AF a été utilisée par les chercheurs pour réduire le nombre de variables qui sont nécessaires pour décrire la variation observée dans les ensembles de données (Mustapha et

al., 2014). AF permet donc de détecter des similitudes entre des échantillons et/ou les

Chapitre 6. Qualité des eaux de surface des barrages Ain Zada et Hammam Grouze

L'analyse discriminante (AD) est une technique statistique multivariée qui discrimine les variables entre deux ou plusieurs groupes. AD est une technique puissante qui identifie les processus qui contrôlent la chimie de l'eau de surface (Shrestha et Kazama, 2007), et aide à regrouper des échantillons partageant des propriétés communes (Mustapha et al., 2014). Diverses recherches menées dans le monde ont utilisé l’AD pour révéler les variables les plus importantes qui influent sur la variation au delà de la qualité de l'eau de surface. Mustapha et

al., (2013) ont étudié la variation de la qualité de l'eau dans la Rivière de Jakara au Nigeria.

L’application de ces techniques statistiques telles que la CAH, AF et AD, a considérablement augmenté au cours des dernières années pour analyser les données environnementales et l'élaboration des informations significatives (Shihab et Abdul Baqi, 2010; Batayneh et Zumlot, 2012, Singh et al., 2004). Ces outils sont des moyens efficaces de manipulation, l'interprétation et la représentation des données concernant les polluants des eaux souterraines et la géochimie. Ils sont fréquemment utilisés pour caractériser la qualité des eaux de surface. Ces outils sont également utilisés pour résoudre les facteurs hydrologiques tels que aquifères frontières, l'écoulement souterrain, et les paramètres hydrochimiques (Belkhiri et al., 2011), pour identifier les facteurs qui contrôlent la chimie des eaux de surface ou souterraine (Batayneh et Zumlot, 2012), pour séparer des anomalies telles que l’impact anthropique ou de fond (Güler et al., 2002) et de formuler des modèles géochimiques sur la base des données disponibles (Belkhiri et al., 2010).

3.3. Méthode des tendances

Pour le barrage de Ain Zada, une série chronologique appelée encore série temporelle, est constituée d’un ensemble d’observations d’une grandeur effectuée au cours du temps à intervalles réguliers. Ces séries sont caractérisées par une certaine structure qu'il s'agit de mettre en évidence et d'étudier de façon positive. Ces séries sont univariées ou multivariées, linéaires ou non linéaires, traitées par de nombreux modèles numériques (David et al., 1983). Le modèle de Mayer (Mayer, 1748) repris en programmation par Falguerolles, (2009) qui consiste à ajuster le nuage de points (t;Yt) par une droite passant par deux points calculés. La série est divisée en 2 sous-ensembles de même effectif. Pour chacun des 2 sous-ensembles, on calcule la moyenne des ‘’t’’ et la moyenne des ‘’Yt’’. On obtient ainsi 2 points (t1 ; Y1), (t2 ; Y2) appelés points moyens par lesquels passe la droite de tendance. On peut calculer les

Chapitre 6. Qualité des eaux de surface des barrages Ain Zada et Hammam Grouze

points médians au lieu des points moyens ce qui permet de limiter l’influence des valeurs aberrantes.

Le modèle de Régnier (Régnier, 1965) basé sur les équations des moindres carrés, cas de la tendance linéaire, permet d’ajuster une série chronologique (Yt), avec la fonction Ct=at+b. On détermine la droite (de tendance) des moindres carrés (y=at+b) du nuage de points (t;Yt) qui minimise la distance (Yt-(at+b))². Cette méthode permet d’avoir un meilleur ajustement de la droite de tendance, mais la présence d’une valeur aberrante dans la série, limite son efficacité.

Pour la plupart des cas, la pente de la droite diffère de zéro. Si cette pente est positive, elle traduit une augmentation du paramètre en question, on parle alors d’une tendance positive, dans le cas contraire, on parle d’une tendance négative.

L’utilisation de cette technique permet de compenser les effets de "bruit de fond" produit par les variations à court terme et de distinguer les effets de ruissellement, les changements saisonniers et de mettre ainsi en évidence les effets possibles de la pollution d'origine anthropique à long terme. Cette méthode permet également de détecter les ruptures dans les séries chronologiques. Dans le cas où l'on a plusieurs changements qui se présentent dans la série, il est nécessaire d'adopter des techniques qui permettent d'analyser séparément les différentes sous séries du signal original (Etchanchu et Probst, 2006).

4. Résultats et discussion