HAL Id: tel-02600730
https://hal.inrae.fr/tel-02600730
Submitted on 16 May 2020HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
pour améliorer la qualité des prévisions et estimer leur
utilité
I. Zalachori
To cite this version:
I. Zalachori. Prévisions hydrologiques d’ensemble : développements pour améliorer la qualité des prévisions et estimer leur utilité. Sciences de l’environnement. Doctorat, Hydrologie, Institut des Sciences et Industries du Vivant et de l’Environnement, AgroParisTech, 2013. Français. �tel-02600730�
présentée et soutenue publiquement par
Ioanna ZALACHORI
le 19 Avril 2013
Prévisions hydrologiques d’ensemble :
développements pour améliorer la qualité des prévisions
et estimer leur utilité
Doctorat ParisTech
T H È S E
pour obtenir le grade de docteur délivré par
L’Institut des Sciences et Industries
du Vivant et de l’Environnement
(AgroParisTech)
Spécialité : Hydrologie
Jury
Mme. Anne-Catherine FAVRE, Professeur, INP, LTHE, Grenoble Rapporteur
M. Massimiliano ZAPPA, Chercheur, WSL, Birmensdorf Rapporteur
M. Eric MARTIN, Ingénieur en chef, CNRM – GAME, Météo-France, Toulouse Examinateur
M. Jocelyn GAUDET, Hydrologue expert, Hydro-Québec, IREQ, Montréal Examinateur
M. Cyril KAO, Ingénieur en chef, AgroParisTech-ENGREF, Paris Examinateur
M. Rémy GARCON, Ingénieur expert, EDF DTG Grenoble Examinateur
Mme. Cécile LOUMAGNE, Directrice de recherche, Irstea, Antony Co-directrice de thèse
Le réservoir du barrage de Bramianon (15*106m3) à Ierapetra (Crète), le lieu de mon "baptême"enhydrologieenattendantquemonpèrefinissesaconstruction. ‘’ȿʉɿʋʊʆ,ɲʎʏɸʄɸʀʘʆʉʐʅɸʊʄʉɿ/ɸʎʅɸʏɿʎʅɲʏɲɿʉɷʉʇʀɸʎʅɲʎ,ʅɸʏɲʅɸʏɲɷɿɷɲʃʏʉʌɿʃɳ,ʏɲ ɷɿɷɲʃʏʉʌɿʃɳ,ʏɿʎɷʉʐʄɸɿɹʎʃɲɿʏɿʎʃɲʌɿɹʌɸʎʃɲɿɲʎɸʋɿʍʏʌɹʗʉʐʅɸʊʍʉʋɿʉɶʌɼɶʉʌɲʋʀʍʘʍʏɻʆ ɶɸʅɳʏɻ"ʔʘʎ",ʅɿʃʌɼʋɲʏʌʀɷɲ...Ƀɿɲɶʙʆɸʎ,ʊʋʘʎʃɲɿɲʆʏʉʐʎʉʌʀɺɸɿʃɲɽɹʆɲʎ/ʃɲɽɸʅʀɲʅɲʎ, ʏʙʌɲɲʌʖʀɺʉʐʆ,ʃɲɿʉɿɷʐʍʃʉʄʀɸʎɸʀʆɲɿʉɿʋʌʙʏɸʎʍʉɴɲʌɹʎɸʇɸʏɳʍɸɿʎʏɻʎɶɸʆɿɳʎʅɲʎ(ʃɲɿʊʖɿʏɲ qualifyingɼʏɲjournalpapers)... Ɉʉʅʊʆʉʍʀɶʉʐʌʉɸʀʆɲɿʊʏɿʏʉ"ʔʘʎ"ɼʏɲʆ,ɸʀʆɲɿʃɲɿɽɲɸʀʆɲɿʋɳʆʏɲɸʃɸʀ...’’
ɇʏɻʆȿɹʆɶʃʘʄʉɿʋʊʆ,
A
Lengo,
Remerciements
Letravaild’undoctoratestuneépreuvetoujoursmentale,parfoisphysiqueetplussouvent psychologique.C’estpourquoijepensequejen’auraispasétécapabled’arriverjusqu’icisans l’aideprécieusedeplusieurspersonnes.
Jetiensd’abordàremercierprofondémentMariaͲHelenaRamospoursaconfianceenmoiet son encadrement rigoureux. Ces idées et sa façon de penser m’ont ouvert des portes de secoursauxmomentsoùjemetrouvaisfaceàdesimpasses.Ungrandmerci!
UngrandmerciégalementàRémyGarçonpoursonencadrement,sadisponibilitéetsavision hydrologiquepluslargequetouslesensemblescombinés!C’étaituneexpériencerare!Un grandmerciaussiàCecileLoumagned’avoiracceptédedirigeretsuivremontravaildethèse. MerciaussiàThibaultMathevetpourm’avoirinitiéàlafoisàlamodélisationhydrologiqueen opérationnel et à la vie grenobloise avec ses Barbarins Fourchus! Merci à Joël Gaillard et Mathieu Lelay pour m’avoir aidé à me familiariser avec les données et la prévision opérationnellechezDTG.
JetiensaussiàremercierDimitrisKoutsoyiannisdem’avoirouvertlemondedel’hydrologie etdem’avoirapprisquelabeautédenotresciencesetrouvesouventdanslasimplicité.A partirdelàonpeuttoutconstruire.
Mes sincères remerciements à l’ensemble des membres de ce jury de thèse de m’avoir honorédeleurprésenceetd’avoiracceptédelireetjugermestravauxmalgrémonfrançais imparfait.JetiensàremercierparticulièrementAnneͲCatherineFavreetMassimilianoZappa pouravoirbeaucoupcontribuéàl’améliorationdecemanuscrit. Merciégalementauxmembresdemescomitésdesuivi:BenjaminRenardetCelinedeSaint Aubinpourleursdirectionsetremarquesplusqu’utiles. J’aieulachancependantcesdernièresannéesd’effectuermontravaildethèsedansl’équipe jeune et très dynamique d’Irstea. Même si souvent on l’oublie, la recherche est un travail d’équipe. J’espère alors que cet esprit d’équipe règnera toujoursà Antony. Je tiens à remercier Vazken Andréassian, responsable de l’équipe Hydrologie qui m’a accueillie en thèse.Un grand merci à Charles Perrin pour son soutien permanent et sa gentillesse, ainsi qu’à toute l’équipe intercontinentale de soutien: Annie Randrianasolo, Raji Pushpalatha, HajerDhouioui,CarinaFurusho,LouisseCrossmore,AnnaKuenz,BethAllen,MarineRiffard, TangaraMamoutou,DamienLilas,FlorentLobligeois,LaurentCoron,PierreͲYvesetFrançois Bourgin, Pierre Nicolle,Federico Garavaglia, Gianluca Boldetti, Guillaume Thirel, Julien Peschard.UnmerciparticulieràLaureLebecherelqueledestinamisdanslemêmebureau quemoi;presqueunsiècleaprèsquenosarrièresgrandsͲmèresseracontaientlesragotsdu
jour à Smyrne. Merci à tous pour le soutien, les moments passés ensemble et les soirées arroséeschezMamane–laMecquedetousleshydrologues!
Etsijesuisarrivéeàsoutenircettethèse,c’estsurtoutgrâceàl’insistancedemesparentsqui nous ont toujours protégés avec tous leurs moyens possibleset qui nous ont toujours encouragésmême quand ils n’avaient plus leur propre courage psychique. Et c’est pour honorer leur effort que j’ai trouvé le courage de continuer dans les moments les plus difficiles.
Unegrandepartiedemamotivationvientdemonfrèrecharismatiquequim’inspireavecsa penséeanalytiqueetsavisionglobaledelasciencedepuisl’autrecôtedel’Atlantique.
UngrandmerciàMaxime,passeulementpouravoirluetrelucettethèsetarddanslanuit, maissurtoutpoursonsoutiencourageuxmêmedansmesdécisionslesplusdéraisonnables. Enfin un grand merci à ma famille parisienne: Smaragda, Vassia, Chara, Ino, Gibet, Aude, Elisa,Aurore,Alice,Séverine,Carole,Yannick,Thierry,Louis,Thierrylekilt,Pierre,…….pour touslesmomentspassésensemble(etpasseulementnossoirées24)!!!Etunsouvenirdoux pourlavilla!
Résumé
La dernière décennie a vu l’émergence de la prévision probabiliste de débits en tant qu'approche plus adaptée pour l'anticipation des risques et la mise en vigilance pour la sécuritédespersonnesetdesbiens.Cependant,audelàdugainensécurité,lavaleurajoutée del’informationprobabilistesetraduitégalementengainséconomiquesouenunegestion optimaledelaressourceeneaudisponiblepourlesactivitéséconomiquesquiendépendent. Danslachaînedeprévisiondedébits,l’incertitudedesmodèlesmétéorologiquesdeprévision de pluies joue un rôle important. Pour pouvoir aller auͲdelà des limites de prévisibilité classiques, les services météorologiques font appel aux systèmes de prévision d'ensemble, générés sur la base de variations imposées dans les conditions initiales des modèles numériques et de variations stochastiques de leur paramétrisation. Des scénarios équiprobables de l'évolution de l'atmosphère pour des horizons de prévision pouvant aller jusqu'à10Ͳ15jourssontainsiproposés.
L’intégration des prévisions météorologiques d’ensemble dans la chaîne de prévision hydrologique se présente comme une approche séduisante pour produire des prévisions probabilistes dedébitset quantifier l’incertitude prédictive totale en hydrologie. Différents défisapparaissentnéanmoinsquandils’agitdefournirdesprévisionshydrologiquesbonnes etutilesauxutilisateurs.D’unepart,l'évaluationdesprévisionsd'ensemblemontresouvent l'existencededifférentsbiaisquinécessitentuntraitementstatistiqueavantleurutilisation. D’autrepart,lesraresétudesdéjàréaliséespourévaluerlavaleuréconomiquedesprévisions hydrologiques laissent percevoir la valeur économique potentielle des prévisions probabilistes, mais se limitent souvent à des cas particuliers. La réalisation d'études plus approfondiess’imposepourmieuxcomprendrecommentl’utilisateurdesprévisionspeuten fairelemeilleurusagedanslaprisededécision.
Dans cettethèse,nous noussommes fixés deux grandsobjectifs généraux: 1) évaluer des approches disponibles pour améliorer la qualité des prévisions pour les applications opérationnellesdelaprévisionhydrologiqued’ensemble;2)développerunmodèlecapable d’estimerlavaleur(utilité)d’uneprévisiond’ensemble.
Entermesdequalité,nousnoussommesintéressésenparticulierauxattributsdefiabilitéet discrimination.Entermesd’utilité,nousnoussommesintéressésauxgainséconomiquesdela gestiondesapportseneauauxretenuesdeproductionhydroélectrique.
Nous avons conceptualisé une chaîne de prévision hydrologiqued’ensemble basée sur les sorties de la prévision d’ensemble des modèles météorologiques. Cette chaîne s’étend jusqu’à la valorisation des prévisions hydrologiques par un utilisateurͲdécideur final, en passantparl’évaluationdelaqualitédesprévisionsetletraitementstatistiquedeleursbiais.
Nous avons constitué une large basede données ens’appuyant suruntotal de85 bassins versants, 4 années de prévisions d’ensemble provenant de 8 centres météorologiques différentset2modèleshydrologiquesutilisésenprévisionopérationnelleenFrance(GRPet
MORDOR).
Lesprincipauxrésultatsdecettethèseontmontréquelesprévisionshydrologiquesaffichent un défaut de qualité lié notamment à la sousͲdispersion des prévisions d’ensemble. L’utilisation d’un grand ensemble peut conduire à une prévision multiͲmodèle avec une qualitéglobaledesprévisionsconsidérablementaméliorée.EnmonoͲmodèle,letraitement statistiquedesprévisionsdedébitsresteunedémarchepratiquementobligatoirepourrendre lesprévisionsfiables.Deplus,l’intérêtd’unpostͲtraitementstatistiqueàlasortiedumodèle hydrologique par rapport à un prétraitement des forçages en amont a été clairement démontré.
Ilaétéégalementmontréqu’iln’yapasunemeilleureméthodedetraitementstatistiquequi s’appliquepartoutetquipermetd’améliorertouslesattributsd’uneprévisionpourtoutesles échéances.Selonlesobjectivesdutraitementappliqué,ilyadesapprochesstatistiquesqui arrivent à améliorer soit la qualité globale des prévisions, soit leur fiabilité, soit leur discrimination.
Encequiconcernel’utilitédesprévisions,lemodèled’optimisationheuristiquedelagestion d’une retenue du type éclusée développé dans cette thèse a montré que les prévisions d’ensembleapportentungainéconomiquesupplémentaireparrapportàuneprévisionuniͲ scénario (déterministe ou moyenne d’ensemble). De plus, nous avons mis également en valeurlesgainséconomiquesobtenusquanduntraitementstatistiquedecorrectiondebiais estappliquéauxprévisionsd’ensembleavantsonutilisationpourlagestionhydroélectrique. Enfin, nous avons montré que les gains économiques de gestion reflètent en général la qualitédelaprévisiontellequ'ellepeutêtreévaluéeparuncritèrenumériquedequalité.En utilisantdesprévisionsd’ensembletraitées,legainéconomiquedegestions’estmontréplus élevé par rapport au gain obtenu à partir des prévisions brutes (sans aucun traitement statistique),demoindrequalité.Cetteconclusionestfondamentale,carellemontrel’intérêt de poursuivre des travaux qui cherchent à améliorer la qualité des prévisions hydrométéorologiques, sachant que celle aura un impact également en termes d’utilité et gainséconomiques.
Mots clés: prévision hydrologique d’ensemble, qualité, utilité, évaluation, traitement statistique des biais, valorisation,gainéconomique,hydroélectricité.
Abstract
Thelastdecadehasseentheemergenceofstreamflowprobabilisticforecastingasthemost suitable approach to anticipate risks and provide warnings for public safety and property protection. However, beyond the gains in security, the addedͲvalue of probabilistic information also translates into economic benefits or an optimal management of water resourcesforeconomicactivitiesthatdependonit.
Instreamflowforecasting,theuncertaintyassociatedwithrainfallpredictionsfromnumerical weather prediction models plays an important role. To go beyond the limits of classical predictability, meteorological services developed ensemble prediction systems, which are generatedonthebasisofperturbationsoftheinitialconditionsofthemodelsandstochastic variations in their parameterization. Equally probable scenarios of the evolution of the atmosphereareproposedforforecastinghorizonsupto10Ͳ15days.
Theintegrationofweatherensemblepredictionsinthehydrologicalforecastingchainisan interesting approach to produce probabilistic streamflow forecasts and quantify the total predictive uncertainty in hydrology. However, several challenges arise when it comes to providinggoodandusefulforecaststousers.Ontheonehand,theevaluationofensemble forecasts often shows the existence of different biases in the forecasts, which require statisticalcorrectionbeforetheiruse.Ontheotherhand,thefewexistingstudiesthatshow the potential economic value of probabilistic hydrological forecasts are often limited to specificeventsorcatchments.MoreinͲdepthstudiesareneededtobetterunderstandhow probabilisticforecastscanbeusedinthedecisionͲmakingprocessinoperationalcontexts. This thesis is developed around two main objectives: 1) to evaluate existing statistical correctionapproachesusedinoperationalapplicationstoimprovethequalityofhydrological ensemble predictions, and 2) to develop a model able to estimate the value (utility) of an ensembleforecast.
Intermsofquality,wefocusedontheattributesofreliabilityanddiscrimination.Intermsof utility,wetargetedtheeconomicbenefitsofthemanagementofwaterinflowstoreservoirs ofhydroelectricpowerproduction.
We conceptualized a hydrological ensemble prediction chain based on meteorological ensemble predictions from numerical weather prediction models. This chain extends up to thevalueoftheforecastsforanendͲuser,andincludestheevaluationofthequalityofthe hydrologicalforecastsandtheirstatisticalcalibration.
Inthisthesis,webuiltalargedatabaseconsistingofdatafromatotalof85catchmentsin Franceand4yearsofensembleforecastsfrom8differentmeteorologicalcenters,aswellas2 hydrologicalmodelsthatareusedinoperationalforecastinginFrance(GRPandMORDOR). Themainresultsofthisthesisshowedthatthequalityofahydrologicalensembleforecastis significantly affected by the underͲdispersion of its members. Combining ensemble predictions from individual meteorological centers can lead to a ‘grand ensemble’ multiͲ model forecast that displays better forecast quality. On the other hand, statistical forecast calibration is practically a mandatory step when dealing with a singleͲmodel ensemble forecastingsystemtoguaranteeforecastreliability.Inaddition,theaddedͲvalueofapplyinga statisticalpostͲprocessingtechniquetotheoutputsofthehydrologicalmodel,comparedwith applyingittothemeteorologicalforcingsusedasinputtothehydrologicalmodel,hasbeen clearlydemonstrated.
Itwasalsoshownthatthereisno‘best’statisticalcorrectionmethodthatoutperformsthe others for all catchments and improves all the attributes of a forecast at all leadtimes. AccordingtotheobjectivesofthepostͲprocessing,therearestatisticalapproachesthatmay better contribute to improving theoverallqualityofthe forecasts, their reliability, ortheir discrimination.
Regarding the usefulness of the forecasts, the heuristic optimization model for the management of reservoir inflows developed during this thesis showed that ensemble forecasts provide additional economic gains compared to a singleͲvalue forecast (a deterministic forecast or the ensemble mean). We also showed that statistical forecast calibration techniques may further improve the economic gains obtained when using hydrologicalensembleforecastsforhydroelectricpowerproductionmanagement.
Finally,wehaveshownthattheeconomicgainsininflowsmanagementgenerallyreflectthe qualityoftheforecasts,asitcanbeevaluatedbyanumericalcriterionofforecastquality. EconomicgainsarehigherusingstatisticallybiasͲcorrectedensembleforecasts,comparatively to the gains obtained with raw (nonͲcorrected) forecasts. This finding is crucial because it showstheimportanceofresearchandoperationalstudiesseekingtoimprovethequalityof hydrometeorological forecasts, since this may also have an impact on forecast utility and economicgains.
Keywords:hydrologicalensembleprediction,forecastquality,utility,evaluation,statisticalpostͲprocessing,bias correction,forecastvalue,economicbenefit,hydroelectricity.
Ʌɸʌʀʄɻʗɻ
Ⱦɲʏɳ ʏɻ ɷɿɳʌʃɸɿɲ ʏʘʆ ʏɸʄɸʐʏɲʀʘʆ ɷɸʃɲɸʏʀʘʆ ʉɿ ʋɿɽɲʆʉʏɿʃɹʎ ʐɷʌʉʄʉɶɿʃɹʎ ʋʌʉɴʄɹʗɸɿʎ ɸʅʔɲʆʀɺʉʆʏɲɿʘʎɻʋɿʉʃɲʏɳʄʄɻʄɻʅɸɽʉɷʉʄʉɶʀɲʏʊʍʉɶɿɲʏɻʆʋʌʊɴʄɸʗɻʏʘʆʋʄɻʅʅʐʌʙʆ,ʊʍʉ ʃɲɿ ɶɿɲ ʏɻʆ ʋʌʉʍʏɲʍʀɲ ʏʘʆ ɲʆɽʌʙʋɿʆʘʆ ɺʘʙʆ ʃɲɿ ʋɸʌɿʉʐʍɿʙʆ. Ȱʐʏʉʑ ʏʉʐ ɸʀɷʉʐʎ ɻ ʋɿɽɲʆʉʏɿʃɼʋʄɻʌʉʔʉʌʀɲʅʋʉʌɸʀʆɲʅɸʏɲʔʌɲʍʏɸʀʍɸʅɿɲɴɹʄʏɿʍʏɻɷɿɲʖɸʀʌɻʍɻʏʘʆʐɷɲʏɿʃʙʆ ʋʊʌʘʆ ʃɲɿ ʃɲʏɳ ʍʐʆɹʋɸɿɲ ʍɸ ɲʐʇɻʅɹʆɲ ʉɿʃʉʆʉʅɿʃɳ ʉʔɹʄɻ. ȵʆʏʉʑʏʉɿʎ, ɻ ʅɸʏɸʉʌʉʄʉɶɿʃɼ ɲɴɸɴɲɿʊʏɻʏɲɸʇɲʃʉʄʉʐɽɸʀʃɲɿʋɲɿɺɸʀɹʆɲʃɲɽʉʌɿʍʏɿʃʊʌʊʄʉʅɹʍɲʍʏɻʆʐɷʌʉʄʉɶɿʃɼɲʄʐʍʀɷɲ. ȳɿɲ ʏʉ ʄʊɶʉ ɲʐʏʊ ʉɿ ʅɸʏɸʉʌʉʄʉɶɿʃɹʎ ʐʋɻʌɸʍʀɸʎ ʖʌɻʍɿʅʉʋʉɿʉʑʆ ʏɿʎ ʋʌʉɴʄɹʗɸɿʎ ʋʉʄʄɲʋʄʙʆ ʍɸʆɲʌʀʘʆ («ensemble forecasts»), ʉɿ ʉʋʉʀɸʎ ʋʌʉɹʌʖʉʆʏɲɿ ɸʀʏɸ ɲʋʊ ɲʅʐɷʌɳ ɷɿɲʔʉʌɸʏɿʃɹʎ ɲʌʖɿʃɹʎ ʍʐʆɽɼʃɸʎ, ɸʀʏɸ ɲʋʊ ʍʏʉʖɲʍʏɿʃɹʎ ɷɿɲʔʉʌʉʋʉɿɼʍɸɿʎ ʍʏɻʆ ʋɲʌɲʅɸʏʌʉʋʉʀɻʍɻ ʏʘʆ ɸʇɿʍʙʍɸʘʆ. ɀʚɲʐʏʊ ʏʉʆ ʏʌʊʋʉ ʋɲʌɳɶʉʆʏɲɿ ʋʉʄʄɲʋʄɳ ɿʍʉʋʀɽɲʆɲ ʍɸʆɳʌɿɲ ʍʖɸʏɿʃɳ ʅɸ ʏɻʆ ɸʇɹʄɿʇɻ ʏʘʆ ɲʏʅʉʍʔɲɿʌɿʃʙʆ ʍʐʆɽɻʃʙʆ. ȸ ɸʆʍʘʅɳʏʘʍɻ ʏɹʏʉɿʘʆ ʅɸʏɸʉʌʉʄʉɶɿʃʙʆ ʋɿɽɲʆʉʏɿʃʙʆʋʌʉɴʄɹʗɸʘʆʅɹʍɲʍʏɻʆʐɷʌʉʄʉɶɿʃɼɲʄʐʍʀɷɲɲʋʉʏɸʄɸʀɹʆɲʋʉʄʄɳʐʋʉʍʖʊʅɸʆʉ ɸʌɶɲʄɸʀʉɶɿɲʏɻʆʋʉʍʉʏɿʃʉʋʉʀɻʍɻʏɻʎʍʐʆʉʄɿʃɼʎʐɷʌʉʄʉɶɿʃɼʎɲɴɸɴɲɿʊʏɻʏɲʎ. Ʌɲʌʊʄɲ ɲʐʏɳ ʋʉʄʄɹʎ ɸʌʘʏɼʍɸɿʎ ʅɹʆʉʐʆ ɲʆɲʋɳʆʏɻʏɸʎ ʍʖɸʏɿʃɳ ʅɸ ʏɻʆ ʋʉɿʊʏɻʏɲ ʃɲɿ ʏɻ ʖʌɻʍɿʅʊʏɻʏɲʏʘʆʐɷʌʉʄʉɶɿʃʙʆʋʌʉɴʄɹʗɸʘʆ.Ȱʔɸʆʊʎ,ʉɿʋɿɽɲʆʉʏɿʃɹʎʋʌʉɴʄɹʗɸɿʎʋʉʄʄɲʋʄʙʆ ʍɸʆɲʌʀʘʆ ɲʋʉʃɲʄʑʋʏʉʐʆ ʏɿʎ ɲʍʏʉʖʀɸʎ ʅɿɲʎ ʋʌʊɴʄɸʗɻʎ, ʉɿ ʉʋʉʀɸʎ ɲʋɲɿʏʉʑʆ ʍʏɲʏɿʍʏɿʃɼ ɷɿʊʌɽʘʍɻ.Ȱʔɸʏɹʌʉʐ,ʋʌʉʎʏʉʋɲʌʊʆɸʄɳʖɿʍʏɸʎɹʌɸʐʆɸʎɹʖʉʐʆɲʍʖʉʄɻɽɸʀʅɸʏɻʆʉɿʃʉʆʉʅɿʃɼ ɲʇʀɲʏʘʆʋɿɽɲʆʉʏɿʃʙʆʐɷʌʉʄʉɶɿʃʙʆʋʌʉɴʄɹʗɸʘʆʋʉʄʄɲʋʄʙʆʍɸʆɲʌʀʘʆ.Ʉʄɲʏɲʋɲʌɲʋɳʆʘ ʅɲʎ ʉɷɻɶʉʑʆ ʍʏʉ ʍʐʅʋɹʌɲʍʅɲ ʊʏɿ ɲʋɲɿʏɸʀʏɲɿ ʋɸʌɲɿʏɹʌʘ ɷɿɸʌɸʑʆɻʍɻ ɶɿɲ ʏɻʆ ʃɲʄʑʏɸʌɻ ʃɲʏɲʆʊɻʍɻʏʉʐʅɻʖɲʆɿʍʅʉʑʄɼʗɻʎɲʋʉʔɳʍɸʘʆʍɸɸʋɿʖɸɿʌɻʍɿɲʃʊɸʋʀʋɸɷʉ. ȸ ʋɲʌʉʑʍɲ ɷɿɷɲʃʏʉʌɿʃɼ ɸʌɶɲʍʀɲ ɷʉʅɸʀʏɲɿ ɶʑʌʘ ɲʋʊ ɷʑʉ ɴɲʍɿʃʉʑʎ ʍʏʊʖʉʐʎ: 1) ʏɻʆ ɲʇɿʉʄʊɶɻʍɻʏʘʆʐʋɲʌʖʊʆʏʘʆʍʏɲʏɿʍʏɿʃʙʆʅɸɽʉɷʉʄʉɶɿʙʆɷɿʊʌɽʘʍɻʎʋʉʐʖʌɻʍɿʅʉʋʉɿʉʑʆʏɲɿ ʍɸɸʋɿʖɸɿʌɻʍɿɲʃɹʎɸʔɲʌʅʉɶɹʎʃɲɿ2)ʏɻɷɻʅɿʉʐʌɶʀɲɸʆʊʎʃɲʏɳʄɻʄʉʐʅʉʆʏɹʄʉʐɸʃʏʀʅɻʍɻʎʏɻʎ ɲʇʀɲʎʃɳɽɸʋʌʊɴʄɸʗɻʎ. ɏʎ ʋʌʉʎ ʏɻʆ ʋʉɿʊʏɻʏɲ ʏʘʆ ʋʌʉɴʄɹʗɸʘʆ, ʅɲʎ ɸʆɷɿɹʔɸʌɸ ʃʐʌʀʘʎ ɻ ɷʐʆɲʏʊʏɻʏɲ ʏʘʆ ʋʌʉɴʄɹʗɸʘʆʆɲɸʀʆɲɿɲʇɿʊʋɿʍʏɸʎ(«reliability»)ʃɲɿɷɿɲʃʌɿʏɹʎ(«discrimination»).ɏʎʋʌʉʎʏɻ ʖʌɻʍɿʅʊʏɻʏɲ, ɸʋɿʃɸʆʏʌʘɽɼʃɲʅɸ ʃʐʌʀʘʎ ʍʏʉ ʋɲʌɲɶʊʅɸʆʉ ʉɿʃʉʆʉʅɿʃʊ ʊʔɸʄʉʎ ɲʋʊ ʏɻ ɷɿɲʖɸʀʌɻʍɻɸʆʊʎʏɲʅɿɸʐʏɼʌɲʐɷʌʉɻʄɸʃʏʌɿʃʉʑʍʃʉʋʉʑ. ȸ ʐɷʌʉʄʉɶɿʃɼ ɲʄʐʍʀɷɲ, ʋʉʐ ʉʌʀʍʏɻʃɸ ʃɲʏɳ ʏɻ ɷɿɳʌʃɸɿɲ ʏɻʎ ʋɲʌʉʑʍɲʎ ɷɿɷɲʃʏʉʌɿʃɼʎ ɸʌɶɲʍʀɲʎ,ɸʃʏɸʀʆɸʏɲɿɲʋʊʏʉʅɸʏɸʉʌʉʄʉɶɿʃʊʅʉʆʏɹʄʉɹʘʎʏʉʆʏɸʄɿʃʊʖʌɼʍʏɻ,ʋɸʌʆʙʆʏɲʎɲʋʊ ʏɻʆ ɲʇɿʉʄʊɶɻʍɻ ʏɻʎ ʋʉɿʊʏɻʏɲʎ ʏʘʆ ʐɷʌʉʄʉɶɿʃʙʆ ʋʌʉɴʄɹʗɸʘʆ ʃɲɿ ʏɻ ʍʏɲʏɿʍʏɿʃɼ ʏʉʐʎ ɷɿʊʌɽʘʍɻ.ȸ ɴɳʍɻ ɷɸɷʉʅɹʆʘʆ ʋʉʐ ʖʌɻʍɿʅʉʋʉɿɼʍɲʅɸ ɲʋʉʏɸʄɸʀʏɲɿ ɲʋʊ: 85 ʐɷʌʉʄʉɶɿʃɹʎ ʄɸʃɳʆɸʎ ʍʏɻ ȳɲʄʄʀɲ,4ʖʌʊʆɿɲʋʌʉɴʄɹʗɸʘʆʋʌʉɸʌʖʊʅɸʆɲɲʋʊ8ʅɸʏɸʉʌʉʄʉɶɿʃɳʃɹʆʏʌɲʍɸʊʄɲʏʉʆʃʊʍʅʉ ʃɲɿ 2 ʐɷʌʉʄʉɶɿʃɳ ʅʉʆʏɹʄɲ ɼɷɻ ʖʌɻʍɿʅʉʋʉɿʉʑʅɸʆɲ ʍɸ ɸʋɿʖɸɿʌɻʍɿɲʃɸʎ ɸʔɲʌʅʉɶɹʎ (GRP ʃɲɿ MORDOR). ȸ ɹʌɸʐʆɳ ʅɲʎ ʃɲʏɹʄɻʇɸ ʊʏɿ ɻ ʋʉɿʊʏɻʏɲ ʏʘʆ ʐɷʌʉʄʉɶɿʃʙʆ ʋʌʉɴʄɹʗɸʘʆ ɸʋɻʌɸɳɺɸʏɲɿ ʍɻʅɲʆʏɿʃʊʏɲʏɲ ɲʋʊ ʏɻʆ ɸʄʄɸɿʋɼ ɷɿɲʍʋʉʌɳ ʏʘʆ ʐɷʌʉʄʉɶɿʃʙʆ ʍɸʆɲʌʀʘʆ. ȵʋɿʋʄɹʉʆ, ɷɸʀʇɲʅɸ ʊʏɿ ʍʐʆɷɿɳɺʉʆʏɲʎ ʍɸʆɳʌɿɲ ʋʌʉɸʌʖʊʅɸʆɲ ɲʋʊ ɷɿɲʔʉʌɸʏɿʃɳ ʅɸʏɸʉʌʉʄʉɶɿʃɳ ʅʉʆʏɹʄɲ («grand ensemble») ɴɸʄʏɿʙʆʉʐʅɸ ʏɻʆ ʋʉɿʊʏɻʏɲ ʏʘʆ ʐɷʌʉʄʉɶɿʃʙʆ ʋʌʉɴʄɹʗɸʘʆ. Ʌɲʌɳʄʄɻʄɲ, ɲʋʉɷɸʀʇɲʅɸʊʏɿɻʍʏɲʏɿʍʏɿʃɼɷɿʊʌɽʘʍɻɸʀʆɲɿɲʋɲʌɲʀʏɻʏɻʍʏɿʎʋʌʉɴʄɹʗɸɿʎʋʉʐʋʌʉɹʌʖʉʆʏɲɿ ɲʋʊɹʆɲʅʉʆɲɷɿʃʊʅɸʏɸʉʌʉʄʉɶɿʃʊʅʉʆʏɹʄʉ. Ʌɿʉ ʍʐɶʃɸʃʌɿʅɹʆɲ ɻ ɹʌɸʐʆɳ ʅɲʎ ɲʋɹɷɸɿʇɸ ʊʏɿ ɻ ɸʔɲʌʅʊɶɻ ʅɿɲʎ ʍʏɲʏɿʍʏɿʃɼʎ ɷɿʊʌɽʘʍɻʎ ʍɸ ɸʋʀʋɸɷʉʐɷʌʉʄʉɶɿʃʙʆʋɿɽɲʆʉʏɿʃʙʆʋʌʉɴʄɹʗɸʘʆɸʀʆɲɿʄɿɶʊʏɸʌʉɲʋʉʏɸʄɸʍʅɲʏɿʃɼɲʋʊʊʏɿʍɸ ɸʋʀʋɸɷʉ ʅɸʏɸʉʌʉʄʉɶɿʃʙʆ ʋʌʉɴʄɹʗɸʘʆ. ȵʋɿʋʄɹʉʆ, ɲʋʊ ʊʄɸʎ ʏɿʎ ʍʏɲʏɿʍʏɿʃɹʎ ʅɸɽʉɷʉʄʉɶʀɸʎ ɷɿʊʌɽʘʍɻʎ ʋʉʐ ɷʉʃɿʅɳʍʏɿʃɲʆ, ɷɸʆ ʅʋʉʌɹʍɲʅɸ ʆɲ ɷɿɲʃʌʀʆʉʐʅɸ ʅʀɲ ʘʎ ʏɻʆ ʋɿʉ ɲʋʉʏɸʄɸʍʅɲʏɿʃɼɶɿɲʊʄɸʎʏɿʎʄɸʃɳʆɸʎʃɲɿɶɿɲʊʄʉʐʎʏʉʐʉʌɿɺʉʆʏɸʎʋʌʊɴʄɸʗɻʎ.Ȱʆɳʄʉɶɲʅɸʏɲ ʖɲʌɲʃʏɻʌɿʍʏɿʃɳ ʃɳɽɸ ʅɸɽʉɷʉʄʉɶʀɲʎ, ʃɳʋʉɿɸʎ ɷɿʉʌɽʙʆʉʐʆ ɸʀʏɸ ʏɻʆ ɲʇɿʉʋɿʍʏʀɲ ʏʘʆ ʋʌʉɴʄɹʗʘʆ, ɸʀʏɸ ʏɻʆ ɿʃɲʆʊʏɻʏɳ ʏʉʐʎ ʆɲ ɷɿɲʃʌʀʆʉʐʆ ɷɿɲʔʉʌɸʏɿʃɳ ɶɸɶʉʆʊʏɲ, ɸʀʏɸ ʏɹʄʉʎ ʏɻʆ ʍʐʆʉʄɿʃɼʋʉɿʊʏɻʏɲʏɻʎʋʌʊɴʄɸʗɻʎ. Ⱦɲʏɳ ʏɻ ɷɿɳʌʃɸɿɲ ʏɻʎ ʋɲʌʉʑʍɲʎ ɷɿɷɲʃʏʉʌɿʃɼʎ ɸʌɶɲʍʀɲʎ ɷɻʅɿʉʐʌɶɼʍɲʅɸ ɹʆɲ ɸʐʌɿʍʏɿʃʊ ɲʄɶʊʌɿɽʅʉ ɴɸʄʏɿʍʏʉʋʉʀɻʍɻʎ ɶɿɲ ʏɻ ɷɿɲʖɸʀʌɻʍɻ ɸʆʊʎ ʅɿʃʌʉʑ ʏɲʅɿɸʐʏɼʌɲ ʐɷʌʉɻʄɸʃʏʌɿʃʉʑ ʍʃʉʋʉʑ. ȿʊɶʘ ʏʉʐ ʅɸɶɹɽʉʐʎ ʏʉʐ, ɻ ɷɿɲʖɸʀʌɻʍɻ ʏʉʐ ʏɲʅɿɸʐʏɼʌɲ ɶʀʆɸʏɲɿ ʍɸ ɸɴɷʉʅɲɷɿɲʀɲ ɴɳʍɻ. ɀɸ ɴɳʍɻ ʏɲ ɲʋʉʏɸʄɹʍʅɲʏɳ ʅɲʎ, ʉɿ ʐɷʌʉʄʉɶɿʃɹʎ ʋʌʉɴʄɹʗɸɿʎ ʋʉʄʄɲʋʄʙʆ ʍɸʆɲʌʀʘʆ ɲʋʉʔɹʌʉʐʆ ɹʆɲ ɸʋɿʋʄɹʉʆ ʉɿʃʉʆʉʅɿʃʊ ʊʔɸʄʉʎ ʍɸ ʍʖɹʍɻ ʅɸ ʅɿɲ ʋʌʊɴʄɸʗɻ ʅʉʆɲɷɿʃʉʑ ʍɸʆɲʌʀʉʐ. ȵʋɿʋʄɹʉʆ, ɷɸʀʇɲʅɸ ʊʏɿ ʉɿ ɷɿɳʔʉʌɸʎ ʅɹɽʉɷʉɿ ʍʏɲʏɿʍʏɿʃɼʎ ɷɿʊʌɽʘʍɻʎ ɴɸʄʏɿʙʆʉʐʆ ʋɸʌɲɿʏɹʌʘʏʉʆʉɿʃʉʆʉʅɿʃʊʊʔɸʄʉʎʏʘʆʐɷʌʉʄʉɶɿʃʙʆʋʌʉɴʄɹʗɸʘʆʋʉʄʄɲʋʄʙʆʍɸʆɲʌʀʘʆ. ȸʋɲʌʉʑʍɲɷɿɷɲʃʏʉʌɿʃɼɸʌɶɲʍʀɲɸʆʏʊʋɿʍɸʅɿɲʐʋɳʌʖʉʐʍɲʍʐʍʖɹʏɿʍɻʅɸʏɲʇʑʏɻʎʋʉɿʊʏɻʏɲʎ ʃɲɿʏɻʎʖʌɻʍɿʅʊʏɻʏɲʎʅɿɲʎʋʌʊɴʄɸʗɻʎ.Ⱦɲʏɳʍʐʆɹʋɸɿɲ,ɸʄʄɸʀʗɸɿʃɲʏɳʄʄɻʄʉʐɲʄɶʉʌʀɽʅʉʐ,ɻ ʖʌɻʍɿʅʊʏɻʏɲ ʅɿɲʎ ʋʌʊɴʄɸʗɻʎ ʅʋʉʌɸʀ ʆɲ ʅɸʏʌɻɽɸʀ ʅɹʍɲ ɲʋʊ ɹʆɲ ʐʋɳʌʖʉʆ ʃʌɿʏɼʌɿʉ ɲʇɿʉʄʊɶɻʍɻʎ ʏɻʎ ʋʉɿʊʏɻʏɲʎ ʅɿɲʎ ʋʌʊɴʄɸʗɻʎ. Ɉʉ ʍʐʅʋɹʌɲʍʅɲ ɲʐʏʊ ɸʀʆɲɿ ɿɷɿɲʀʏɸʌɻʎ ʍɻʅɲʍʀɲʎ ʃɲɽʙʎ ɲʋʉɷɸɿʃʆʑɸɿ ʏɻʆ ɲʆɲɶʃɲɿʊʏɻʏɲ ʏʘʆ ɸʌɸʐʆɻʏɿʃʙʆ ɸʌɶɲʍɿʙʆ ʋɳʆʘ ʍʏɻ ɷɿʊʌɽʘʍɻʏɻʎʋʉɿʊʏɻʏɲʎʐɷʌʉʄʉɶɿʃʙʆʋʌʉɴʄɹʗɸʘʆ. ȿɹʇɸɿʎ ʃʄɸɿɷɿɳ: ʐɷʌʉʄʉɶɿʃɹʎ ʋʌʉɴʄɹʗɸɿʎ ʋʉʄʄɲʋʄʙʆ ʍɸʆɲʌʀʘʆs, ʋʉɿʊʏɻʏɲ, ʖʌɻʍɿʅʊʏɻʏɲ, ɲʇɿʉʄʊɶɻʍɻ ʋʌʉɴʄɸʗɻʎ, ʍʏɲʏɿʍʏɿʃɼ ɷɿʊʌɽʘʍɻ ʋʌʊɴʄɸʗɻʎ, ɲʇɿʉʋʉʀɻʍɻʎ ʋʌʊɴʄɸʗɻʎ, ʉɿʃʉʆʉʅɿʃʊ ʊʔɸʄʉʎ, ʐɷʌʉɻʄɸʃʏʌɿʃɼ ʋɲʌɲɶʘɶɼ.
Table
desmatières
Remerciements
...iv
Résumé
...iv
Abstract
...vi
Ʌɸʌʀʄɻʗɻ...viii
Table
desmatières...x
1.
Introduction
...14
1.1 Laprévisionenhydrologie:enjeuxetincertitudes...16 1.2 "Del’incertitudedesprévisionsàlaprévisiondesincertitudes"...18 1.2.1 Laprévisionnumériquedutemps:unpeud'histoire...19 1.2.2 Laprévisionmétéorologiqued’ensemble...20 1.2.3 Laprévisionhydrologiqued’ensemble...22 1.3 Aspectsclésdelachainedeprévisionhydrologiqued'ensemble...25 1.4 Défisactuelsdanslarecherchedelaqualitéetdel’utilitédesprévisions...27 1.4.1 Laqualitédesprévisions...27 1.4.2 L'utilitédesprévisions...29 1.5 Objectifsdelathèseetstructuredumémoire...302.
Données
etchaînesdemodélisationhydrologique...32
2.1 Introduction...34 2.2 Prévisionsmétéorologiques...35 2.2.1 Prévisionsd'ensembleduCEPMMT...35 2.2.2 Prévisionsd'ensembledelabaseTIGGE...37 2.2.3 Prévisionsprobabilistesparanalogie...40 2.3 Bassinsversantsétudiés...42 2.3.1 74grandsbassinsversantsenFrance...42 2.3.2 11bassinsversantsdefortintérêtpourlaproductionhydroͲélectrique...45 2.4 Modélisationhydrologique...48 2.4.1 ModèlehydrologiqueGRP...48 2.4.2 ModèlehydrologiqueMORDOR...51 2.4.3 Calagedesmodèleshydrologiques...52 2.5 Synthèse...56
3.
La
qualitédesprévisions:critèresd’évaluationetméthodesdecorrection
de
biais...58
3.1 Introduction...60 3.1.1Cadregénéraldel’évaluationdesprévisionsd’ensemble...60 3.1.2 Attributsdelaqualitédesprévisions...62 3.2 Lescritèresd’évaluationdesprévisions...66 3.2.1 Biaisinconditionnel...68 3.2.2 DiagrammedePIT...69 3.2.3 Dispersiondesmembres...71 3.2.4 CourbeROC...72 3.2.5 ScoredeBrier...73 3.2.6 ScoreRPS...74 3.2.7 ScoreCRPS...75 3.2.8 ScoredeDivergence...76 3.2.9 Remarquesgénéralessurl'évaluationdelaqualitédesprévisions...77 3.3 Approchesdetraitementstatistiquedesprévisions...78 3.3.1 Famillesdeméthodesdetraitementstatistique...80 3.3.2 Méthodesappliquéesauxprévisionsdeprécipitation...82 3.3.3 Méthodesappliquéesauxprévisionsdedébits...86 3.3.4 Approchespourlecalagedesparamètresdesméthodesappliquées...91 3.4 Synthèse...934.
L’utilité
d’uneprévision...96
4.1 Pourquoiassocierunevaleuréconomique(utilité)auxprévisions?...98 4.2 Utilitéd’uneprévisionetprisededécision...99 4.3 Maximiserl’utilitépouruneprisededécisionoptimale...102 4.4 Commentmesurerl’utilitédesprévisions?...103 4.5 Etudesd’évaluationéconomiqueenprévisionhydrologiqued’ensemble...107 4.6 Synthèse...1115.
Prévisions
d’ensemble multiͲmodèles météorologiques pour la prévision
hydrologique
...112
5.1 EtudeshydrologiquesbaséessurlesprévisionsTIGGE...114
5.2 Evaluationdesprévisionsd'ensemble...116
5.2.1 Évaluationdesprévisionsd'ensembledepluies...116
5.3 Combinaisondecentres...165 5.3.1 Approchesétudiées...165 5.3.2 Approchesappliquées...167 5.3.3 Évaluationdesprévisionsd'ensembledepluiesduGrandEnsemble...168 5.3.4 Évaluationdesprévisionsd'ensemblededébitsduGrandEnsemble...175 5.4 Synthèse...181
6
Traitement
statistiquedesprévisions...184
6.1 Introduction...186 6.2 Scénariosdetraitementstatistique...187 6.3 Evaluationdesprévisionsbrutesdepluiesetdedébits...190 6.3.1 Prévisionsdepluie...190 6.3.2 Prévisionsdedébit:modèlesMORDORetGRP...198 6.4 Prétraitementdesprévisionsdepluie...209 6.4.1 Evaluationdelaqualitédel’habillagedesprévisionsdepluie...209 6.4.2 Quelestl’effetdutraitementdespluiessurlesdébits?...216 6.5 PostͲtraitementdesprévisions...223 6.5.1 Priseencomptedel’incertitudetotaledemodélisation...223 6.5.2 Approchecombinée:prétraitementetpostͲtraitement...232 6.5.3 Priseencomptedel’incertitudetotaledeprévision...236 6.5.4 YͲaͲiluneméthodedecorrectionstatistiquequisoitlameilleurepartout?.272 6.5.5 Influencedelalongueurdecalagedesméthodesdecorrectiondebiais...274 6.6 Synthèse...2787
Valorisation
desprévisionsd'ensemble...282
7.1 Laproblématiqueenjeu:lagestiond’uneréservehydroélectrique...284 7.2 Unmodèleheuristiquedegestiondesréserveshydroélectriques...286 7.2.1 Casd’application:lesécluséeshebdomadaires...286 7.2.2 Conceptgénéraldel’approchedéveloppée...287 7.2.3 Etapedegestion...291 7.2.4 Etapedesimulation...298 7.2.5 Etaped’évaluation...299 7.2.6 Priseencomptedesprévisions...301 7.3 Résultats...302 7.3.1 Illustrationd’uncasdegestiondurantunévénementdecrue...303 7.3.2 Analysedesensibilitéauxcaractéristiquesdel’aménagement...309 7.3.3 Intérêtdesprévisionsd’ensemble...313 7.3.4 Impactdelaqualitédesprévisionssurlesgainsdegestion...317 7.4 Synthèse...323
8
Conclusions
etperspectives...326
8.1 Lesobjectifs,donnéesetoutilsdecettethèse...328 8.2 Conclusions...330 8.3 Perspectives...335Bibliographie
...338
Liste
desillustrations...356
Annexes
...376
ANNEXE
A:Lesmodèlesutilisés...377
ANNEXE
B:Extraitdumodèleheuristiquedegestion...390
ANNEXE
C:Conférencesetateliers...392
ANNEXE
D:Article...394
"
Ɍʑʍɿʎʃʌʑʋʏɸʍɽɲɿʔɿʄɸ
ݶ
"
(La
natureaimesecacher)
Héraclite
d'Ephèse
1.
Introduction
Danscechapitrenousprésentonslesenjeuxdelaprévisionhydrologiqueetlecadregénéral danslequelseplacecettethèse:laprévisionhydrologiqued’ensemble.Nousprésentonsles questionsquireflètentlesdéfisdecettethèse,quis’intéresseàlafoisàlaqualitéetàl’utilité desprévisions.Enfin,nousprésentonscommentcemémoireaétéstructurépourapporterdes élémentsderéponseànosinterrogations.
1.1 La
prévisionenhydrologie:enjeuxetincertitudes
Selon l’Agence Européenne de l’Environnement (EEA), entre les années 1998 et 2009, les cruesobservéesenEuropeontcausé1126morts,500000déplacéset52milliardsd’eurosde pertes pour les assurances. De plus, l'Agence souligne que le risque d'observer des événements de crue plus fréquemment à l'avenir est élevé. Pour éviter les pertes de vies humainesetminimiserlesdégâtséconomiquesliésàcesévénementsextrêmes,lamiseen place d’un système de prévision et alerte des crues solide et fiable est essentiel. L’objectif général est de pouvoir anticiper l’arrivée d’un événement potentiellement dangereux, ainsi que de bien capturer son intensité et localisation. Prévision et prévention des risques vont ainsi de paire. La Directive Européenne relative à l’évaluation et à la gestion des risques d’inondation de 2007 (DIRECTIVE 2007/60/CE) rappelle ainsi que "les plans de gestion des risques d’inondation englobent tous les aspects de la gestion des risques d’inondation, en mettantl’accentsurlaprévention,laprotectionetlapréparation,ycomprislaprévisiondes inondationsetlessystèmesd’alerteprécoce(…)"(ChapitreIV,Article7,§3).
Cependant,l’importancedelaprévisionhydrologiqueneserestreintpasàl’anticipationdes événementsextrêmes,qu’ilssoientcaractériséspardessituationsdecruesoud’étiages.Un systèmedeprévisionhydrologiqueefficacepeutégalementcontribueràlagestionoptimale de la ressource en eau pour les activités économiques qui en dépendent (production hydroélectrique,irrigation,tourisme,navigation,etc.).Ils’agitdemieuxrépartirl’utilisation del’eaudansletempsetdansl’espace,àpartirdel’informationapportéeparlesystèmede prévision sur les apports en eau à venir. Au delà du gain en sécurité face aux risques des événements extrêmes, la valeur ajoutée de cette connaissance se traduira en gains économiquesoudegestiondesouvrages Idéalement,pourquelesservicesdeprotectioncivileoulesgestionnairesd’ouvragesaientle tempssuffisantpourintervenir,unealertedoitêtredéclenchéeauminimumdansles12à24 heuresprécédantl'événement.Deplus,lesservicesopérationnelsdeprévisiondoiventpour celaavoirdesprocéduresefficacesdeprévision,interprétationetcommunicationdesalertes pourrépondreauxbesoinsliésàcestempsderéaction.
Dans cescas, il est évident qu’une prévision hydrologique à moyen terme (3à10 jours en avance)atoutesaplace.Pourcela,laprévisionmétéorologiquedutempsàmoyentermeest indispensable comme source d’information sur les conditions météorologiques à venir qui serontutiliséesenentréedesmodèleshydrologiques.
Pour pouvoir faire une prévision du temps à moyen terme et aller auͲdelà des limites de prévisibilitéclassiques, la prise en compte des incertitudesest incontournable. Laprévision déterministe,àscénariounique,n’estpasenmesurederépondreàcesobjectifs.Pourcela, lesservicesmétéorologiquesfontappelauxsystèmesdeprévisiond'ensemble,généréssurla
base de variations imposées dans les conditions initiales des modèles numériques et de variations stochastiques de leur paramétrisation (Palmer et al., 2005). La prévision météorologique d'ensemble propose des scénarios équiprobables de l'évolution de l'atmosphèrepourdeshorizonsdeprévisionpouvantallerjusqu'à10Ͳ15jours,cequiseraiten dehorsdelaplacedeprévisibilitédessolutionstraditionnellesdéterministes.Lerecoursàla technique de la prévision d'ensemble permet ainsi, d'une part, d'étendre les échéances de prévision des variables à faible prédictibilité, telles les précipitations, et, d'autre part, de donnerunemesuredel'incertitudedesprévisions.
Par contraste à une solution unique déterministe, la prévision probabiliste est vue comme mieux adaptée à l'analyse de risque et la prise de décision (Rodwell, 2005). La valeur économiquepotentielledesprévisionsprobabilistesressortnotammentfaceauxutilisateurs exposés aux risques climatiques et hydrologiques à différentes échelles ; ainsi qu'aux gestionnaires dont les décisions dépendent de la disponibilité nécessaire en eau : pour la générationd'électricité,agricultureetirrigation,navigation,sécuritéetsantépubliques,etc. (Buizza,2008,2001;Houdant,2004).
L’approche probabiliste ou d’ensemble est actuellement encore considérée comme faisant partie de l’état de l’art et plusieurs services météorologiques (France, Suisse, Belgique, Allemagne, Suède, etc.) développent ou envisagent de constituer un système de prévisions hydrologiques basé sur les prévisions d’ensemble (Cloke et Pappenberger, 2009b). La prévision hydrologique d’ensemble est au cœur des initiatives internationales regroupant plusieurs centres de recherche et services opérationnels (HEPEX Hydrological Ensemble
PredictionExperiment,EFASEuropeanFloodAwarenessSystem),ainsiquedanslesactionsde
rechercheetdéveloppementdeplusieursservicesnationaux(CentreNationaldeRecherche Météorologique, MétéoͲFrance, EDF, Institut Royal Météorologique de Belgique, etc.). Les résultats de prévision des crues à partir de la prévision d’ensemble de pluies sont encourageants.
En météorologie, les systèmes de prévision d’ensemble sont développés pour prendre en comptel’incertitudeliéeauxprévisions.L’applicationdecesprévisionsdansunmodèlepluieͲ débit pour la prévision hydrologique constitue une étape importante pour la prévision des débits,puisquelesprécipitationssontunedessourcesprincipalesd'incertitude.
Néanmoins,l’incertitudesetrouvedanstoutelachaînedeprévisionhydrométéorologiqueet sepropage(cascadedesincertitudes)deladonnéed’entréejusqu’àlasortiedumodèle.Les incertitudes de prévision sont des sources d’erreur, mais le manque de connaissances des incertitudesconstitueégalementunesourced’erreur.Lapriseencomptedel’ensemblede sourcesd’incertitudeestnécessaireafind’améliorerlaqualitédesprévisionsetdefournirdes informationsfiablesetutiles.
Le fait de disposer d’une prévision sous forme probabiliste, et non pas de manière déterministe, est sans doute un avantage considérable pour les services opérationnels qui fontfaceàlaprisededécisionencontexteincertain.Cependant,unetelleapprochesoulève égalementdenouvellesquestions:commentinterpréterlessortiesprobabilistesd’unmodèle de prévision? Comment communiquer les prévisions avec leurs incertitudes? Comment prendreencomptetouteslessourcesd’incertitudedansunsystèmedeprévision?Comment évaluerlaqualitéetl’utilitéd’unsystèmedeprévision?
Certaines de ces questions seront abordées dans le cadre de cette thèse. Le cadre général dans lequel se développe cette étude est présenté ciͲaprès (§1.2 et §1.3), suivi des défis actuels auxquels s’intéresse cette thèse (§1.4) et des objectifs spécifiques de nos travaux (§1.5).
1.2 "De
l’incertitudedesprévisionsàlaprévisiondesincertitudes"
Cette thèse s’intéresse aux prévisions hydrologiques probabilistes (ou multiͲscénario) à moyenne échéance. Le système de prévision hydrologique est une chaîne qui a pour principauxéléments(Figure1):lesdonnéesobservées(précipitation,températureetdébits en temps réel observés jusqu’à l’instant de prévision), les prévisions météorologiques (scénariosfutursjusqu’àl’échéancecible)etlemodèlehydrologiquedetransformationdela précipitation en débit. Le but est de fournir des prévisions hydrologiques pour une des utilisations cibles (génération d'électricité, agriculture et irrigation, navigation, sécurité et santépubliques,etc.).
Danscettethèse,nousavonsutilisél’approchedelaprévisiond’ensemblepourprendreen comptedesincertitudesdeprévisionetnousavonscherchéàexplorerl’usagedelaprévision météorologiqued’ensemblepourlaprévisiondutempsàvenirdanslaprévisionhydrologique des débits des rivières. Pour mieux comprendre nos objectifs de thèse, quelques notions introductivesenprévisiondutempsetapprochesd’ensemblesontprésentéesparlasuite. Figure1:Schémagénérald’unechaînedeprévisionhydrologique.
1.2.1 Laprévisionnumériquedutemps:unpeud'histoire
Leseffortspourprévoirletempssontplusquecentenaires.En1904,lephysicienV.Bjerknes était le premier à écrire sur la modélisation et la prévision du temps, en utilisant des équationsdel’hydrodynamiquebaséessurdesloisdeNewtonetdelathermodynamique.Le principe général de la prévision y était formulé: "connaissant l’état de l’atmosphère à un instantdonné,etleséquationsquirégissentsonévolution,ilétaitpossibledeconnaîtrel’état del’atmosphèreàtoutinstantultérieur"(Rochas,2000).LemathématicienL.F.Richardsona tenté de résoudre ces équations par la méthode des différences finies et a été ainsi le précurseur de la modélisation numérique de prévision du temps. Après avoir consacré plusieurs années à la prévision du temps, il est arrivé à la conclusion que pour prévoir le temps plus vite que la vitesse avec laquelle le temps évolue il lui fallait 64 000 personnes travaillant simultanément! En effet, de nombreux progrès étaient encore nécessaires pour quelesméthodesdeprévisiondutempsarriventàêtreappliquéesavecsuccès:ilfallaitdes ordinateurs plus puissants, des moyens de mesure des paramètres atmosphériques en altitudecouvrantunebonnepartiedelaplanète,ainsiqu’unréseaudecommunicationrapide decesmesuresverslescentresdeprévision.
C’estdanslesannées1950/60quelespremiersmodèlesopérationnelsdeprévisionontvule jour. Depuis, les modèles ont considérablement évolué grâce à la meilleure représentation des processus physiques, à la meilleure connaissance de la microphysique des nuages, à la prise en compte de mesures nouvelles provenant des réseaux radar et des satellites, et à l’améliorationdelacapacitédecalculdesordinateurs,quiapermis,notamment,d'augmenter larésolutionspatialedesmodèles.
Néanmoins les modèles numériques sont encore soumis à des erreurs liées aux conditions initiales,àleurparamétrageetstructure(Murphyetal.,2004;Belletal.,2004;Zupanskiet Zupanski,2006;JohnsonetSwinbank,2009;GoldsteinetRougier,2009).Lesobservations quisontassimiléesdanslemodèleafindeproduireunebonneestimationdel’étatactuelde l’atmosphèreontdesincertitudesconsidérables(LeutbecheretPalmer,2007).Ceserreursse propagent et s’y ajoutent les erreurs du modèle, notamment sur les régions où la grille spatiale reste trop large pour modéliser les phénomènes locaux et où la représentation physique des phénomènes atmosphériques est imparfaite (Buizza et Palmer, 1995). Les principalessourcesdesfléauxdelaprévisionsetrouventdoncexactementdansleberceaude laprévision:lesdonnées,lesmodèlesetlecaractèrechaotiquedel'atmosphère.
Eneffet,c’estpourcetteraisonqu’ilestimpossibledeprédiresonétatexact(Lorenz,1969). Acause du caractère chaotique, nonͲlinéaire et complexe de l’atmosphère, l’évolution temporellededeuxsystèmesmétéorologiquesressemblantaudépartàunsystèmeobservé neserapasnécessairementlamême.Ceciestexpliquéparlespetitesdifférencesdansleurs conditionsinitiales,lesquellesgrandissentpendantl'évolutiontemporelledusystème(Lorenz, 1982).
Ainsi, plus la prévision que l’on souhaite fournir est lointaine, plus l'état futur devient incertain.Cetteincertitudeestaussidépendantedufluxatmosphériqueet,parconséquent, elleestconsidérablementplusimportantepourlesphénomènesextrêmes,quisontalimentés pardegrandsfluxd’énergie. Lecaractèrechaotiquedel'atmosphèrecontrôlel'imprédictibilitédesévénementsnaturels. SelonKoutsoyiannis(2010),danslesprocessusphysiques,lescomposantesdéterministes(qui sontéquivalentesàlaprédictibilité)etchaotiques(quisontéquivalentesàl'imprédictibilité) coexistent. Selon la composante dominante, la prédictibilité d’un phénomène change. Cela veutdirequelesprocessustrèschaotiquespeuventavoiruneprédictibilitédequelquesjours ou même de quelques heures, alors que, pour des conditions plus stables, la prédictibilité peuts’éteint,parexemple,àplusieursjoursoumêmedessemaines.
Joly(2008)offreladéfinitionsuivantedelaprévisibilité:"l'échéanceauͲdelàdelaquelleune
prévisions'écartetropdel'évolutionobservéepourresterutile".Nousnotonsquedanscette
définition,lesnotionsdequalité(proximitéouécartdel’observation)etutilitésecôtoient.De plus, nous observons que la notion d’incertitude devient grandissante avec l’horizon de prévision.Lebesoindequantifiercetteincertitudepourquelesprévisionsàhorizonlointain restentutilesdevientuneévidence.
1.2.2 Laprévisionmétéorologiqued’ensemble
Pendant plusieurs décades,lescentres opérationnels de prévision dutemps lançaientleurs modèlesnumériquesdeprévisionàpartirdelameilleureestimationdesconditionsinitiales. Laprévisionétaitainsilimitéeàuneseuleindicationdel’étatfuturpossibledel’atmosphère, le "best guess". En 1992, des modèles de prévision ont commencé à fonctionner en considérantdesconditionsinitialeslégèrementperturbées.Leservicenationaldeprévision des EtatsͲUnis (NCEP) et le centre européen de prévision météorologique à moyen terme (CEPMMT) ont été pionniers dans cette démarche (Molteni et Palmer, 1993 ; TothetKalnay,1993).Laprévisiond'ensembleestainsinée.
Palmeretal.(2002)définissentlaprévisiond’ensemblecomme"unetechniquedeprévision météorologique dans laquelle on fait tourner un modèle numérique de prévision plusieurs fois,pourunemêmesituationàprévoir,àpartirdeconditionsinitialesdifférantentreelles pardepetitesquantités[lesperturbationsinitiales]compatiblesaveclesincertitudesexistant surlaconnaissancedel’étatinitialdel’atmosphère".Leproblèmefondamentaldelaprévision d'ensemble est d'effectuer un choix judicieux des conditions initiales de façon à pouvoir obtenir un maximum de solutions éloignées les unes des autres avec un minimum d'états initiaux.Ilfautconstruireunensembleinitialquiseraunéchantillonreprésentatifdelaloide probabilitéquidécritl'incertitudedesconditionsinitiales.
L'idée est d’échantillonner la loi de probabilité des conditions initiales et de suivre la propagation des différentes perturbations dans l’évolution de l’état de l’atmosphère pour ainsiavoirdifférentsscénariosoutrajectoiresdeprévision(Figure2).Laprévisiond'ensemble est ainsi souvent faite d'une trajectoire provenant de la meilleure estimation de l'état de l'atmosphère au moment de la prévision (trajectoire ou membre dit "contrôle") et des autres trajectoires obtenues en perturbant les conditions initiales. Idéalement les perturbationsdelameilleureestimationdel’étatinitialconduirontàunensembleavecune dispersionsimilaireàladispersiondeserreursdeprévisionauboutd’uncertainintervallede tempsappelé"périoded’optimisation"(EhrendorferetTribbia,1997).
Plusieurs méthodes permettant de créer les perturbations des conditions initiales existent. ParmilesméthodesopérationnelleslespluscourantessetrouventlaméthodedesVecteurs Singuliers(BuizzaetPalmer,1995),laméthodedeserreurscroissantes(enanglais"Breeding
ofGrowingModes"),(TothetKalnay,1993,1997)etlaméthodedufiltreKalmand’ensemble
(Bishop et al., 2001 ; Kalnay, 2003). De manière générale, toutes ces méthodes visent à appréhender l’incertitude liée aux conditions initiales pour la production des prévisions d’ensemble correctement dispersées. Néanmoins, comme le remarque bien Smith (2007), l’incertitudedesconditionsprésentesnevasetraduireenincertitudesbienquantifiéesdans le futur que si le modèle est parfait. De ce fait, une approche complémentaire dans la création des ensembles a été introduite, celle de la perturbation des paramétrisations physiques des modèles (Buizza et al., 1999 ; Houtekamer et Lefaivre, 1997). Il s’agit d’introduiredesperturbationsàlameilleureestimationdelaparamétrisationphysique(celle delatrajectoiredecontrôle),afindeprendreencompteégalementlesincertitudesliéesàla formulationdumodèle.Souventils'agitdeperturbationsstochastiquesdesparamètres. Deplus,onnoteral’existenceégalementd’approchesquicombinentlessortiesdedifférents modèlesnumériquesdutempspourcréerdesprévisionsd'ensemble: l'ensembledupauvre(enanglais,"poorman'sensemble"):combinaisondeprévisions déterministes (uniͲvaleurs) provenant de différents centres météorologiques pour formerunensemble,
legrandensembleTIGGE(acronymeenanglaisdeTHORPEXInteractiveGrandGlobal
Ensemble) : combinaison de prévisions d'ensemble provenant de différents centres
météorologiquesautourduglobe.L'objectifderrièrecetteinitiativeestdecapturerles incertitudes liées aux conditions initiales, à la paramétrisation, à la structure et à l'assimilation des données des différents modèlesnumériques du temps utilisés par lesdifférentsservicesmétéorologiques(Parketal.,2008).
Figure2:Schémadesprévisionsdel’évolutiondel’atmosphèrepourlecasd'uneprévisiondéterministe etdesprévisionsd’ensembleetdeséchéancesallantjusqueJ+4.
Dans cette thèse, nous nous intéressons plus particulièrement à l’utilisation des prévisions météorologiquesd’ensemblepourlaprévisionhydrologiqued'ensemble.Ladescriptionplus détaillée de ces techniques de modélisation d’ensemble n’est pas l'objectif de cette thèse. Nous retenons seulement qu’il existe plusieurs méthodes de génération d’ensembles actuellement utilisées par les centres météorologiques, sans qu’aucune ne soit universellementconsidéréecommelameilleure. 1.2.3 Laprévisionhydrologiqued’ensemble Mêmesilesprévisionsmétéorologiquesd'ensembleàmoyenneéchéancesontproduitespar lesservicesopérationnelsdepuis20ans,cen'estquependantladernièredécenniequeles premierssystèmesdeprévisionhydrologiquelesutilisantontvulejour(DeRooetal.,2003). En effet, l’utilisation des ensembles en hydrologie était plutôt répandue dans les cas de la prévision hydrologique à longue échéance (> 15 jours). La méthode ESP ("Ensemble StreamflowPrediction")aétédéveloppéeparleservicemétéorologiquenationaldesEtatsͲ Unis ("National Weather Service") dans les années 1970Ͳ1980 (Day, 1985) dans le but de repousser l’horizon des prévisions hydrologiques. Il s’agit d’utiliser des données météorologiqueshistoriquesafindegénérerunensembledesscénariospossiblesdesdébits futurs,conditionnellementauxétatsinitiauxdubassinversant.
L’utilisationdelaprévisionmétéorologiqued’ensemblepourlaprévisionhydrologiqueàdes horizonspluscourtsestplusrécente.Elleaéténéanmoinsrapidementrépandue,notamment grâceàdesinitiativessignificativesquiontétéproposéesdansunlargecadredecoopération entre instituts de recherche et services opérationnels. Dans ce contexte, il ressort notamment:
l'EFAS (acronyme en anglais de European Flood Alert System, récemment rebaptiséEuropeanFloodAwarenessSystem):ils'agitd'unsystèmeeuropéend'alerte aux crues dont le développement a été initié en 2003 par le centre commun de recherche de la commission européenne (JRC) afin d'améliorer la prévision dans les grands bassins versants transnationaux et d’encourager la coopération entre EtatsͲ Membres. L'un des objectifs de cette initiative est de fournir des préͲalertes (échéances supérieures à 3 jours) aux services nationaux de prévision à partir de l’utilisation de la prévision météorologique d’ensemble en entrée à un modèle hydrologiquedistribué,misenplacesurdesbassinseuropéenstransnationaux,etainsi contribueràaugmenterletempsdepréparationdesservicesopérationnelsencasde cruespotentiellementdangereuses(Thielenetal.,2009;Bartholmesetal.,2009); l'HEPEX (acronyme en anglais de Hydrological Ensemble Prediction Experiment) : il
s'agit d'une initiative internationale démarrée en 2003, suscitant fomenter la coopérationentrechercheursenmétéorologieethydrologieetservicesopérationnels dansledomainedelaprévisionhydrologiqued’ensemble(Schaakeetal.,2005,2007). HEPEX a pour but de réunir les communautés de météorologues, hydrologues et gestionnaires de l'eau pour promouvoir la mise en place des systèmes de prévision hydrologique d'ensemble fiables, ainsi que la communication et l'utilisation des prévisionsdanslaprisededécision.
Cesdernièresannées,desnombreusesétudesontainsiétédédiéesàl’évaluationdel’intérêt delaprévisiond’ensemblepourlaprévisionhydrologique,qu’ils’agitd’étudier:
la viabilité de l’approche dans un contexte opérationnel de prévision à moyenne échéance(RoussetͲRegimbeauetal.,2007;Zappaetal.,2008;Addoretal.,2011)ou pour la prévision des crues rapides (Younis et al., 2008a ; Alfieri et Thielen, 2012 ; Martyetal.,2012),
laqualitédesprévisionsémisessoitsurlabasedelonguessériesprévisionͲobservation (Roulin et Vannitsem, 2005 ; RoussetͲRegimbeau et al., 2008 ; Olsson et Lindstrom, 2008; Jaun et Ahrens, 2009; Demargne et al., 2009; Bartholmes et al., 2009; Randrianasoloetal.,2010),soitsurdesévénementsparticuliers(BartholmesetTodini, 2005 ; Pappenberger et al., 2005 ; Komma et al., 2007 ; Jaun et al., 2008 ; Kalasetal.,2008;Younisetal.,2008b),
l’impactdelaprévisiond’ensemblepourlacourteéchéanceetdespetiteséchelles spatiales(Thireletal.,2008;Marsiglietal.,2008),
l’apportdesapprochesmultiͲmodèleshydrologiques(Velazquezetal.,2009)oumultiͲ modèles météorologiques (Pappenberger et al., 2008; Jasper et al., 2002 ; Davoglioetal.,2008),
ledéveloppementdeméthodesdecorrectiondebiais(KrzysztofowiczetKelly,2000; ReggianietWeerts,2008;BrownetSeo,2010;CocciaetTodini,2011),
lavaleuréconomiqueespéréedesprévisions(Buizza,2008;VerkadeetWerner,2011; Boucheretal.,2012),ou
la communication des incertitudes et l’utilisation des prévisions incertaines pour la prisededécision(Houdant,2004;Norbertetal.,2010;Ramosetal.,2010;2012).
Toutescesétudesontderrièreellesaumoinsdeuxpointsencommun:elless’intéressentà l’applicationopérationnelledesprévisionshydrologiquesd’ensembleetconfirmentlavaleur ajoutéeapportéeparlaprévisiond’ensembleàunsystèmedeprévisionetprisededécision. Actuellement, plusieurs services opérationnels en France (SCHAPI Ͳ MétéoͲFrance/CNRM, EDF)etailleurs(ClokeetPappenberger,2009b)ontdéveloppéouenvisagentdeconstituerun système de prévision hydrologique basé sur les prévisions d’ensemble. Pour les services opérationnels,lefaitquelaprévisiondesdébits(encruesoupériodesnormales)àpartirdela prévision météorologique d’ensemble soit présentée sous forme probabiliste ou multiͲ scénarios, et non pas de manière déterministe (scénario futur unique), est un avantage considérable,notammentpourlaprisededécisionencontexteincertain(Ramosetal.,2010). Enprenantencomptel’incertitudedelaprévisionmétéorologique,lesprévisionsd’ensemble peuvent couvrir des échéances de prévision plus lointaineset augmenter ainsi le temps de préparation(ClokeetPappenberger,2009a).Deplus,lamiseàdispositiond’uneinformation probabiliste permet aux décisionnaires de prendre leur décision euxͲmêmes, au regard des risques qu’ils souhaitent prendre, au lieu de laisser cette décision dans les mains des modélisateurs ou des prévisionnistes, parfois éloignés des objectifs de l’utilisateur des prévisions(Weertsetal.,2010).
Enfin, on notera que toutes les prévisions d’ensemble ne constituent pas de "bons" ensembles. Par exemple, souvent les ensembles n'arrivent pas à bien décrire toutes les évolutionspossiblesdel'atmosphèreet,parconséquent,l'observationn’estpascapturéepar le faisceau des prévisions défini par les trajectoires de l’ensemble. Des traitements statistiquessontalorsnécessairespourcorrigerleséventuelsbiais.Deplus,afindejugersi uneprévisiond'ensembleest"bonne"oupas,ilyadeuxpointsdevuedifférents,mêmesipas forcement disjoints : celui du prévisionniste et celui de l'utilisateur. Le prévisionniste est souvent intéressé par la qualité des prévisions en termes de proximité par rapport à l’observation, tandis que l’utilisateur focalise l’utilité de l’information pour la décision qu’il doit prendre. Par conséquent, l'évaluation des prévisions d'ensemble concernera souvent deuxaxesprincipaux:i)trouveroùsesituel’observationparrapportàlagammedevaleurs prévues des différents membres de l’ensemble (évaluation de la qualité) et ii) déterminer
l’utilité de la prévision d’ensemble pour un utilisateurͲdécideur (valeur décisionnelle ou économique)parrapportauxprévisionsdéterministeset/ouàuneprévisionditenaïve,telle que la climatologie, c’estͲàͲdire comparer chaque observation à une prévision égale à la moyenneclimatologique,oulapersistance,c’estͲàdirecomparerchaqueobservationàune prévisionégaleaudernierdébitobservé(évaluationdel’utilité)(JolliffeetStephenson,2003; Buizzaetal.,2007b).
1.3 Aspectsclésdelachainedeprévisionhydrologiqued'ensemble
Même si l'incertitude des prévisions météorologiques est souvent considérée comme la principalesourced'erreurpourlesprévisionshydrologiques,notammentpourleséchéances supérieures à 2Ͳ3 jours, d'autres facteurs influent également sur la qualité des prévisions hydrologiques.Lesprincipauxd’entreeuxsontleserreursliéesàlamodélisationhydrologique (structureetparamétragedumodèle)etauxobservationsutiliséesentempsréelpourlamise à jour des conditions initiales du modèle hydrologique avant l’instant de prévision (Pierceetal.,2005;WoodetLettenmaier,2008;BogneretKalas,2008;Zhaoetal.,2011; Paganoet al., 2012 ; Zalachori et al., 2012). La compatibilité entre les échelles spatioͲ temporelles des sorties des modèles météorologiques et celles requises par les modèles hydrologiques,souventplusfines,peutégalementdevenirunesourced’incertitudeetmériter untraitementpréalablededésagrégationoudescented’échelle(Martyetal.,2012).
Danslaréalitéopérationnelle,leprévisionnistesetrouvesouventfaceàunecombinaisonde plusieurs de ces sources d’incertitude (Pappenberger et al., 2005). Etant donné qu’il est devenu évident qu'aucune amélioration de modèle n'éliminera totalement toutes les incertitudesdeprévision,ilestindispensabledeprendreencomptecetteincertitudedansla procédure de prévision, même si on doit le faire de manière globale et/ou implicite. Une chaînedeprévisionhydrologiquedoiteneffetêtrecapabledegérerlesdifférentessources d'incertitudesetfournirdesprévisionsprécisesetfiablesàdesutilisateursͲdécideursexposés auxrisqueshydrologiquesàdifférenteséchelles.Elledoitenpluspermettred’évaluerl'impact delapriseencomptedesincertitudessurlaqualitéetl'utilitéopérationnelledesprévisions hydrologiques.
Pour cela, plusieurs aspects doivent être considérés au sein d’une chaîne de prévision hydrologiqued’ensemble,dont(aumoins)lesquatrepointsͲcléssuivants(Figure3):
I. l'évaluation de la qualité des prévisions hydrométéorologiques émises: la qualité d’une prévision est en général jugée par rapport à l’observation. Pour cela il est essentieldecomparerunelonguesériedeprévisionsaveclasériecorrespondantedes observations.SelonJolliffeetStephenson(2003)cetteévaluationdelaqualitéd’une prévision d’ensemble consiste à trouver où se situe l’observation par rapport à la gammedesvaleursprévuesdesdifférentsmembresdel’ensemble;etestimerainsi
