D.E.

A Sciences et techniques
de lenvironnement

Ecole Nationale des

Ponts et Chausses

HYDROLOGIE

CHAPITRE 6
HYDROLOGIE STATISTIQUE
Introduction lEtude des Processus Hydromtorologiques
Application la Prdtermination
des Dbits de Crues
et dEtiage

Jacques MIQUEL
2009-2010

SOMMAIRE

Introduction
Premire partie : introduction aux processus stochastiques hydromtorologiques
1. dfinitions et proprits des processus
2. utilit de ltude des processus stochastiques en hydromtorologie
3. les modles dinterpolation et de reconstitution
4. les modles de simulation stochastique
5. les modles de prvision
6. les modles de prdtermination
Deuxime partie : la prdtermination des crues
1. quelle variable faut-il tudier ?
2. quelle mthode employer ?
3. la mthode des Maxima Annuels
4. la mthode du Renouvellement
5. la mthode du Gradex
6. conclusions sur la prdtermination des crues
Troisime partie : valuation des risques de crue de la Garonne Mas dAgenais
1. lanalyse hydromtorologique
2. les donnes et leur critique
3. ltude par la mthode des Maxima Annuels
4. ltude par la mthode du Renouvellement
Quatrime partie : la prdtermination des tiages
1. Lapproche globale Dbit- Dure
2. Les principaux indicateurs dtiages
3. Analyse statistique des indicateurs dtiage.
4. Les courbes Dbit-Dure-Frquence
5. Conclusion sur la prdtermination des tiages
Annexe 1: ajustement de quelques lois usuelles en hydrologie
Annexe 2: estimation des paramtres de la mthode du Renouvellement et de leurs
incertitudes
Annexe 3: tables statistiques et papiers Gauss et Gumbel
Rfrences bibliograhiques

INTRODUCTION

Ce cours est organis en quatre parties:

la premire partie, introduction aux processus stochastiques hydromtorologiques, est
destine poser quelques bases gnrales auxquelles tous les travaux dhydrologie statistiques
se rattachent plus ou moins. Toute tude hydrologique a pour finalit de comprendre et
connatre davantage un ou plusieurs processus stochastiques hydromtorologiques, et/ou
dutiliser leurs proprits statistiques pour aider certains dcideurs mieux dimensionner et
mieux grer en continu des ouvrages ou des dispositifs soumis aux alas
hydromtorologiques.
la deuxime partie, la prdtermination des crues, applique les notions vues en premire
partie en traitant un processus hydromtorologique particulier: elle prsente les diffrentes
approches thoriques les plus frquemment utilises pour rpondre la question de
lvaluation du risque de crue en un point dun cours deau.
la troisime partie, valuation des risques de crue de la Garonne Mas dAgenais, est
une illustration sur un cas rel rel dune classe de mthodes de prdtermination mentionnes
en deuxime partie: les mthodes danalyse des sries chronologiques de dbits observs.
La quatrime partie, la prdtermination des tiages est ladaptation des mthodes des
deux premires parties pour valuer le risque, cette fois, de pnurie deau.

En allant du gnral au particulier, ce cours a pour ambition la fois dapporter une vision
densemble, permettant de situer les mthodes usuelles, pouvant galement expliquer lintrt
actuel des chercheurs pour des thmes comme lanalyse rgionale, ou lidentification des
drives et ruptures hydrologiques avec leurs consquences dcisionnelles, mais aussi de se
frotter bien concrtement une question hydrologique essentielle avec un premier aperu des
outils existants, tout en sachant bien que la pratique et la critique des donnes construisent la
vraie comptence.

Ce cours doit beaucoup au professeur Jacques BERNIER qui a introduit en France lessentiel
de ces mthodes. La premire partie sinspire en particulier directement des exposs quil
faisait lENPC.

PREMIERE PARTIE : INTRODUCTION AUX PROCESSUS STOCHASTIQUES

HYDROMETEOROLOGIQUES

1. Dfinitions et proprits des processus

On suppose connues les bases du calcul des probabilits et les principes de lanalyse
statistique, en particulier la notion de variables alatoires, de leurs proprits et des concepts
probailistes habituels (si un rafrachissement est ncessaire, les ouvrages de [2] et [5] sont
recommands).
Les dfinitions suivantes
hydromtorologique:

permettent

de

dcrire

un

processus

stochastique

Processus stochastique: un processus stochastique est une chronologie de variables ou

dvnements inscrit dans le temps qui induit un ordre dans leurs occurences [1]. Il est donc
caractris par une ou plusieurs variables alatoires multidimensionelles: Z(x1,x2,....xn).
Processus stochastique hydromtorologique : cest un processus stochastique, en gnral
deux dimensions, lespace et le temps, caractris par une variable alatoire
hydromtorologique, cest dire descriptive dun phnomne hydromtorologique:
Z(x, tx)

x={x1,x2} coordonnes gographiques

tx=={t1,t2 ,.......,tnx} ensemble dinstants o ont t obtenues les observations de

Z
Exemples:
La pluie mesure P (x, t1) un instant t1 au point x, est une ralisation observe du processus
constitu par la lame deau dune averse.

Autre exemple : Une chronique de dbits mesurs Q(x, tx) en une station est une ralisation
observe du processus constitu par les dbits couls dans les diffrents cours deau dun bassin
versant.
Ou encore : Le quantile dcennal Q10(x, nx) de dbits en une station est une ralisation observe du
processus constitu par les dbits dcennaux dans les diffrents cours deau dun bassin versant.

Champ spatial : cest le domaine de variations spatiales des coordonnes x. Les

observations seront diversement distribues en quelques points x1 ,x2 ......xk .
Variable rgionalise: variable hydromtorologique Z(x, t x) pour laquelle t x est
indpendant de x. Autrement dit le processus Z(x) est dpendant des seules coordonnes
spatiales.
Exemples:
La prcipitation totale dune averse sur lensemble dun bassin

 Processus intrinsque: cest un processus caractris par une variable rgionalise

stationnaire du premier et du deuxime ordre par rapport x. Autrement dit:
E[Z(x)]=m(x)=m constante
"x
Var[Z(x)-Z(x+h)]= fonction de h seulement "x
Variables spatiales changeables: ce sont des variables qui caractrisent un processus
dont lala spatial est spar et indpendant de lala temporel.
Explication:
Z(x,t), x fix, constitue une variable alatoire Z(x) de densit de probabilit f(z;q(x)). Lala
temporel sexprime au travers de cette densit de paramtre q. En diffrents points x1 ,x2 ......xk,
les q(xi) constituent une variable rgionalise qi, traduisant lala spatial avec la densit de
probabilit p(q1,q2,... qk). On dira que les variables Z(xi) sont changeables si toute permutation
dans lordre des qi ne change pas la densit de probabilit p(qi), autrement dit p(q1,q2,... qk)
=p(qj1,qj2,... qjk).
Exemple:
Cest le cas si, aprs changement de variable, une structure de distribution spatiale des pluies
mesures permet de constater que qi= m + ei , o ei est une variable rgionalise intrinsque.
Les variables seront dites partiellement changeables si cette structure sexprime par une relation
du type qi= Sbi. fi + ei , o fi sont des variables explicatives et les bi des coefficients.

Echantillonage dune variable hydomtorologique: il sagit de la rpartition des instants

dobservation. Cet chantillonage peut tre pas de temps constants (lintervalle de temps
entre deux mesures est toujours le mme) ou vnementiel (on connait les instants o certains
seuils sont franchis par la variable, ou son gradient).
Exemple dchantillonage pas de temps constants: la srie des dbits moyens journaliers en une
station.

Exemple dchantillonage vnementiel: les surplus et dficits par rapport diffrents seuil en
dbit

Stationnarit du premier ordre dune variable hydomtorologique: une variable

hydromtorologique Z(xt, t) chantillone pas de temps constant est dite stationnaire du
premier ordre si son premier moment est indpendant du temps. Autrement dit:
E(Z(xt, t)) = Z(xt, t).f(Z(xt, t),t) dxt= M1 (t) est constant " t.
Elle est dite stationnaire du deuxime ordre si son second moment et son autocovariance sont
indpendants du temps. Autrement dit
E([Z(xt, t)-M1(t)]2) =([Z(xt, t)-M1(t)]2).f(Z(xt, t),t) dxt= M2 (t) est constant " t.

[Z(xt, t)-M1(t)].[Z(x t-t, t-t)-M1(t-t)].f(Z(xt, t),Z(x t-t,t-t),t,t-t) dxtdxt-t= cov(t,t) est constant
" t, et ne dpende que de t.

Exemple de non stationnarit:

Z(xt, t)= {dbits journaliers du jour t de lAllier Vieille Brioude}

Mmoire
dune
variable
hydomtorologique: la mmoire dune
variable hydromtorologique Z(x, t)
chantillone pas de temps constant peut
se mesurer par son autocorrlation: r (t,t)=
cov(t,t) / [M2(t).M2(t-t)]2 qui est dautant
plus forte que r(t,t) est proche de 1.
Exemples de mmoire:

2. Utilit de ltude des processus stochastiques en hydromtorologie

En quoi lensemble des dfinitions et proprits mentionnes au paragraphe prcdent
intressent elles lhydrologue ?
Premirement parce que les phnomnes physiques tudis ont de fortes variations spatiales et
temporelles, et ceci quil sagisse de tempratures, de pressions, de vent, de prcipitations, de
dbits, etc...
Ensuite parce quon identifie des structures aussi bien spatiales que temporelles dans ces
variations:
la gomorphologie des bassins (pente, superficie, chevelu hydrographique,...), leurs
altitudes, leurs reliefs, leur gologie, leur couverture vgtale, ont une influence dterminante
sur les structures spatiales,
les facteurs climatiques, avec des effets saisonniers mais galement vnementiels sont
dterminants aussi bien sur le plan temporel (scheresses) que spatial (orages locaux par
opposition aux perturbations gnralises).
laction de lhomme, toute proportion garde, nest pas ngligeable quil sagisse de
rgulariser (rservoirs de soutien dtiage) ou daccentuer certains contrastes (prlvements).
Pour comprendre et mieux agir, les processus et les structures sous-jacents des phnomnes
physiques ont t recherchs, et finalement des reprsentations schmatises baptises
modles ont t dveloppes. Ces derniers se classent, selon leur finalit, en quatre
catgories:
les modles dinterpolation ou de reconstitution: ils aident mesurer,observer, constater,
estimer. Quil sagisse dacqurir linformation la plus reprsentative pour un effort de
mesure donn, et donc de slectionner les futurs lieux dobservation, ou bien dvaluer une
grandeur intgratrice dune grande diversit spatiale, ou encore de complter une information
momentanment manquante. Ils servent donc autant dcrire qu dcider.
les modles de simulation: ils reproduisent un processus, ou une partie de processus,
partir dobservation existantes, mails il peuvent aussi gnrer des scnarios possibles et
conformes statistiquement au processus tudi. Ces modles sont par exemple trs utiles pour
simuler les effets ou le fonctionnement futur dun ouvrage. Ils permettent de faire des
projections sur lavenir, et sont intressants au plan dcisionnel, en particulier pour lanalyse
des risques, y compris conomiques.
les modles de prvision, cest dire utiliss un instant t pour prvoir lavenir. On
devine quils auront une finalit essentiellement oprationnelle: alerte en priode de crue,
anticipation en priode de scheresse, plus gnralement aide la gestion de la ressource en
eau dun bassin.
les modles de prdtermination, cest dire qui valuent la probabilit doccurrence dun
vnement, mais non le moment o il se produira, est surtout utile aux projeteurs, ceux qui
doivent dimensionner un ouvrage soumis aux alas hydromtorologiques, valuer les
risques.
Nous voquerons quelques uns de ces modles dans les paragraphes suivants.

10

3. Les modles dinterpolation et de reconstitution

objectifs et principes:
si, en un point donn, un dispositif de mesures de pluie ou de dbit tombe en panne
momentanment, alors on va chercher reconstituer tout ou partie de linformation
manquante. Plus gnralement, pour des raisons conomiques videntes, il est impossible de
mesurer tout et partout: se pose alors la question de choisir des emplacements de mesures de
telle sorte qu partir de cette information il soit possible destimer les valeurs de la
variable hydrologique en tout point du champ spatial. Cest donc une sorte dinterpolation.
Dans tous les cas le principe est le mme: il sagit de reconstituer au mieux la ralisation
dun processus dont on en connait une partie, et ceci compte tenu des structures de processus
que lon mettra en vidence.
Transfert dinformation entre deux sites par rgression linaire:
Considrons deux sries (par exemple de dbits en deux points dun mme cours deau),
lune X1 de n observations xi(i) rgulirement espaces, et lautre X2 de p observations x2(i)
concommittantes avec une partie des observations de X1 (autrement dit p<n). Comment
reconstituer les informations manquantes de la srie X2 ?
Lensemble des triplets {xi(i);x2 (i); i} peut tre considr comme une ralisation du
processus constitu par la variable Z[X; t] , aux points X1 et X2 , avec t=i.Dt o D est un
intervalle de temps fix.
Z[X; t] est une variable chantillone. Si elle est partiellement changeable, et que les
paramtres de X1 et X2 sont leurs moyennes et carts-type, si enfin les xi(i) et x2(i) sont lis
par une structure de type rgression simple, cest dire lorsquil existe une relation
X2= q0+q1X1+ e, alors on peut prolonger lestimation m2,p et s2,p des paramtres de X2
faite partir des p observations.
Pour cela, on commence par faire une rgression simple sur les p observations communes:
autrement dit on va chercher les coefficients q0 et q1 qui permettent de minimiser la variance
de e.
On se reportera aux rsultats classiques de la rgression simple: si r est le coefficient de
corrlation obtenu, q0= m2,p - m1,p.r.s2,p/s1,p et q1 = r. s2,p/s1,p
Il faut que les hypothses de la rgression linaire soient respectes, commencer bien sr
par la linarit (graphique de rgression classique), mais aussi indpendence des e et X1
successifs, Normalit et homocdasticit des e. Parfois une transformation de variables est
ncessaires pour que les hypothses de la rgression linaire soient vrifies.
Le modle rgressif ayant t tabli et valid, alors les valeurs prolonges des
paramtres de X2 deviennent:
m2,n = m2,p - r.( s2,p /s1,p ). (m1,p - m1,n)
s2,n2 = s2,p2- r2.( s2,p2/s1,p2). (s1,p2- s1,n2)
Ces estimations sont entoures dincertitudes, plus facilement calculables pour la
moyenne:
Var(m2,n) = {1 - (n-p).[1-(p-2).r2]/[p.(p-3)]}. s2,p2/p
Le gain correspondant linformation des (n-p) observations suplmentaires peut
galement sestimer: G= Var(m2,p)/Var(m2,n)= 1 / {1 - (n-p).[1-(p-2).r2]/[p.(p-3)]}

11

A noter que ce raisonnement fait deux dimensions peut stendre de faon analogue k
dimensions, cest dire lorsquil existe une relation Xk= q0+q1X1+....+qk-1.Xk-1 + e.
Interpolation spatiale par la mthode du Krigeage:
Il sagit de calculer la valeur dune variable rgionalise en un point X non mesur,
partir dobservations faites en k points Xk . Ceci est particulirement utile pour tracer des
courbes iso-valeurs dune grandeur rpartie spatialement comme par exemple la pluie.
On cherche alors approcher la valeur inconnue de Z(X) par une valeur approche
Z(X)=Sli(X).Z(Xi).
Si le processus est intrinsque et sans drive, cela signifie que la variable Z(X) est telle
que
"x
E[Z(x)]=m(x)=0
Var[Z(x)-Z(x+h)]= Variogramme = 2. F(h)

(fonction appele variogramme ,

et ne dpendant que de h)

On calcule alors les li de faon que E[Z(X)-Z(x)]=0 et E[Z(X)-Z(x)]2= minimum. On

peut alors montrer [13] que cela revient rsoudre le systme:

Sli . gi,j + m

= 0

( j=1,...,k )

avec: gi,j =F ( distance[Xi;Xj] )

m = multiplicateur
Lagange

de

Sli = 1
La principale difficult de cette mthode est lestimation de la fonction F qui peut tre
sensible des phnomnes locaux et ponctuels. Cette estimation est ralise en utilisant les
covariances aux points observs selon leurs distances. Exemple schmatique :
Identifier g(h) partir des covariances

(Exemple emprunt Stphanie

Bourgon de l'Universit Laval au
Canada)

19

12

Les mthodesclassique destimation de (h) sont rsume ci-dessous :

Limportance du choix du modle est visible sur lexemple rel ci-dessous :

13

14

La mthode peut tre tendue au cas o la drive nest pas nulle, mais fixe, par exemple en
fonction des coordonnes gographiques des X.
Interpolation spatiale par lAnalyse en Composantes Principales:
Il sagit encore de calculer la valeur dune variable rgionalise Z en un point X non
mesur, partir dobservations faites en k points X k mais cette fois en supposant quil existe
un processus sous jacent Y; Autrement dit
Z(X,t)=SaX,i.Yj(t) + e(X,t)

(j=1,...,k)

avec e(X,t) = rsidu en un point x (cart entre Z(X,t) et la partie explique par le
processus sous jacent, cest dire SaX,i.Yj(t) ).
Il faut donc identifier les aX,i et lesYj(t). Pour cela on va exploiter les covariances r i,j
existant entre les Z(Xi, t) pour les diffrents i = 1,...,k, (ou sur leurs variables centres
rduites). Soit :
- R la matrice des covariances ri,j.
- lj ses valeurs propres, obtenues en rsolvant le dterminant de [R-lI] avec
I=matrice unit, et ranges de la plus forte la plus faible.
B=[bij] la matrice des vesteurs propres associs aux lj , et A=[aij]=B-1=BT
Alors on peut montrer que les aij de la matrice A, et les Yj(t)= Sbj,i. Z(Xi, t) sont une
dcomposition possible des Z(Xi, t) initiaux, respectant la structure des corrlations.
15

Il est possible de dfinir un processus sous jacent Y, obtenu en prenant non pas les k
vecteurs propres, mais les plus essentiels, par exemple les p premiers: le pourcentage de
variance explique sera alors gale
avec j= 1,...,k.

Lp / Lk ,

Lp=Slj

avec j= 1,...,p et

Lk= Slj

Dun point de vue pratique cela parmet de rechercher les 2 ou 3 facteurs explicatifs
prpondrants dun phnomne spatial observ. Par exemple, pour expliquer les hauteurs de
plusieurs pisodes pluvieux, la cartographie des coordonnes dun vecteur propre peut aider
comprendre diffrents effets, comme leffet orographique.

Pourcentage de variance explique par les 30 premires

composantes sur les hauteurs de pluies de 84 pisodes
pluvieux observs en 73 stations des Cvennes:

Exemple dACP sur des pluies mensuelles (BV Allier) daprs CREUTIN [12]

Soulignons pour terminer que cette

mthode peut tre trs intressante pour
optimiser un rseau, en montrant lapport

16

dun point de mesure sur la variance explique, ou ce qui revient au mme sur les rsidus.

4. Les modles de simulation stochastique

objectifs et principes:
Les modles de simulation ne cherchent pas reproduire une partie de la ralisation dun
processus, mais gnrer des scnarios possibles dun processus dont on connait une
ralisation. Dun point de vue pratique ces scnarios, par exemple sil sagit de dbits,
peuvent tre utiles comme donnes dentre pour vrifier le bien fond dune gestion de crue,
pour calculer le bilan conomique de lexploitation dun rservoir, etc.
Les modles de simulation souvent sollicits pour dcrire les volutions temporelles,
autant que spatiales, en gnrant des sries. Par exemple gnrer plusieurs centaines dannes
de dbits journaliers.
Leur principe est dutiliser des gnrateurs de variables alatoires qui devront respecter la
structure statistique des processus reproduire.
Modle Markovien stationnaire dordre 1
Il sagit dun processus dont la variable alatoire X(t) peut se reprsenter par lquation
suivante:
X(t)- m = r.[X(t-1)-m] + e(t). s.[1-r2]2
X= variable Normale (si ncessaire transforme de la variable initiale)
de moyenne m et dcart type s constants (processus stationnaire)
e = variable alatoire Normale centre rduite, indpendante de X et de
e(t-k)
r = constante
On peut montrer que
et plus gnralement

r = E[(X(t)-m). (X(t-1)-m))]/s2
rk= E [(X(t)-m).(X(t-k)-m)]/s2 = rk.

r(k)
1

A noter que la gnration dune srie respectant ce processus Markovien de paramtres

[m;s;r ] consistera tirer au hazard une srie de valeurs {a1,a2,...ai,...an} suivant une loi
Normale centre rduite grce un gnrateur, puis gnrer le scnario:
X(1)=m + a1.s
X(2)=m + r.[X(1)-m] +a2 .s.[1-r2]2

17

...............
X(i)=m + r.[X(i-1)-m] +ai .s.[1-r2]2

(i=3,....,n)

A noter que lorsque la moyenne et lcart type ne sont plus stationnaire, on peut
parfois se ramener un processus analogue en effectuant le changement de variable
X(t)=[X(t)-m(t)]/s(t).
Modle Markovien gnral
Cette fois, la moyenne et lcart-type ne sont plus stationnaires, et la condition rk= rk
nest plus vrifie. Lexpression gnrale de ce modle scrit :
(X(t)- m(t))/s(t) = r.[(X(t-1)-m(t))/s(t-1)] + e(t).[1-r2]2
Ainsi un processus sera Markovien sil vrifie :
rt,t-2=rt.rt-1
rt,t-3=rt.rt-1.rt-2
etc...

rt, t-2
rt-2

t-3

rt-1

t-2

rt

t-1

18

A titre dexemple, pour le Rhin Ble, les corrlations des dbits mensuels de la priode 1908-1926 taient:

mois

rt.rt-1

rt,t-2

mois

rt.rt-1.rt-2

rt,t-3

janv-fv
fv-avril
juin-aot

0.25
0.31
0.43

0.23
0.26
0.38

janv-avril
fv-mai
juin-sept

0.15
0.18
0.28

0.04
0.25
0.26

Ces valeurs montrent que la srie des dbits mensuels est assez bien reprsente par un processus de Markov
de paramtres [m(t);s(t);r(t)] t=1,...12 o t est le numro de mois.
0,45
0,425
0,4
0,375

Observ

0,35
0,325
0,3
0,275
0,25
0,225
0,2
0,175
0,15
0,125
0

0,1

0,2

0,3

0,4

Markov

Modles Autorgressifs stationnaires: AR(p)

Le modle rgressif voqu pour linterpolation, peut tre utilis en simulation: il suffit de
gnrer des rsidus e par tirage dans une loi Normale. Mais nous avons vu avec le modle de
Markov lintrt en simulation dun modle linaire qui prennent en compte non pas
seulement un processus support diffrent du processus tudi, mais galement les ralisations
antrieures de la variable elle mme. Sous lhypothse de stationnarit, ceci a t gnralis,
principalement par BOX et JENKINS [ ] en distinguant les modles autorgressifs simples
(AR(p)), les modles de moyennes mobiles (MA(q)) et les modles mixtes (ARMA(p,q)).
Lorsque des non stationnarits priodiques sont bien identifies, alors une version non
stationnaire de ARMA peut tre utilise: ARIMA(p,d,q) .
Commenons par le modle AR(p), dont la formulation gnrale est :
Z(t)=SFi.Z(t-i) + e(t)
hypothses:
E[e(t)]=0
E[e(t). e(t-k)]=0
E[e(t). Z(t-k)]=0

(j=1,...,p)

"k>0
"k>0

Le processus tant stationnaire, on peut trouver un ensemble {Fi} qui respecte les
covariances:
Sachant que E[e(t). Z(t-k)]=0, on a :

19

E[Z(t). Z(t-k)]=SFi. E[Z(t-i). Z(t-k)]

( i =1,...,p)

Do lon tire :
rk=SFi.rk-i

( i =1,...,p)

ou encore
[r]=[P].[F]
avec
F1
F2
..

r1
r2
..

[r]=

rk

[F]=

Fk

1 r1 r2 .......................rp-1
r1 1 r1 ......................rp-2
........................................

[P]=

..
rp

Fp

rk-1 .............1 r1 ........... rp-k

........................................
rp-1 .................................1

..

Rsoudre ce systme, dit de YULE WALKER, revient calculer ainsi les Fi :

-1

[F] =[P] .[r]

Comme prcdement, la simulation dun scnario consiste tirer alatoirement des e(t), et
un terme Z(1) initial, puis, connaissant les ri et Fi, en dduire la srie des Z(t).
Les autres modles Autorgressifs : MA(q), ARMA(p,q) et ARIMA(p,d,q)
Le modle MA(q), Moving Average ou moyenne glissante, exprime que le processus
est une sorte de lissage dun processus sous jacent:
Z(t)=

-SQ i. e(t-i) + e(t)

dans ce cas

( i =1,...,q)

se2= sZ2 / (1+SQ i2) et rk=[-Qk2. SQ i.Qi+k]/(1+SQ i2)

Le modle ARMA(p,q) combine les deux modles prcdents:

Z(t)=SFi.Z(t-i) -SQ j. e(t-j) + e(t)

( i =1,...,p) ( j =1,...,q)

20

Enfin le modle ARIMA(p,d,q) est un cas particulier du modle ARMA appliqu une
variable transforme: Z(t)= Z(t)-Z(t-d), de faon gommer les nonstationnarits de priode
d.
Les modles conceptuels
Ces modles intgrent dans la structure du processus des lments physiques : ainsi le
processus des dbits sera reconstitu soit en partant du processus des pluies, en utilisant une
schmatisation pluie-dbit trs globale, et en compltant par des termes alatoires dont les
caractristiques auront t identifis sur des ralisations concommitantes.
Exemple du modle vidange-impulsion: cest la combinaison dun modle stochastique simulant des
pisodes pluvieux et dun modle pseudo-dterministe utilisant une relation pluie-dbit pour gnrer des dbits
journaliers complt par un terme alatoire.
Q(i)=qi.Q(i1) + mi. P(i) + e (i)
o

Q(i) reprsente le dbit moyenne observ au jour.i.;

P(i) la pluie moyenne tombe le jourX;
qi le paramtre de tarissement de la nappe
mi est le paramtre de rponse la pluie (reprsente la raction la pluie)
e (i) est un rsidu qui suit une loi normale centre, dcart-type s

Le paramtre de tarissement traduit la chute du dbit en labsence de pluie : on a alors un modle

autorgressif paramtre variable:
Q(i) =qi . Q(i-1) + e (i)
La quantit mi. P(i) est interprte comme tant le volume de pluie efficace cest--dire la fraction de la
pluie brute P(i) qui est suppose atteindre lexutoire du bassin par ruissellement superficiel.

Le schma ci-dessus reprsente, de faon simplifie, lvolution des dbits au cours du temps. On constate quil
y a dcroissance exponentielle des dbits en labsence de pluie (cest lalimentation par la nappe) et des sauts
sinon (cest le ruissellement conscutif une pluie).

21

La qualit du modle dpendra la fois de lidentification du processus simulant les pluies et de la qualit
du modle pseudo-dterministe simulant les alas de la raction pluie-dbit. Ce dernier peut tre contrl ds
quon connait des ralisations de pluies et de dbits concommitantes (figure ci-dessous):

Exemple du modle DEJOREG-TIERCELIN: le principe de schmatisation et de simulation reste le mme

que prcdemment, sauf que ce modle ne travaille pas sur des impulsions de pluies, mais sur des averses
de volume V(i) quil rpartit de faon triangulaite sur une dure T(i)
(figure ci-dessous)

Exemple du modle DPFT: ce modle affine le devenir de la pluie prcipite en modlisant la part
efficace de la pluie qui participe directement lcoulement (le reste tant infiltr ou vapotranspir), et
recompose les dbits partir des pluies nettes successives (schmatisation linaire comme lhydrogramme
unitaire).

22

Ainsi la pluie efficace PE se dduit de la pluie brute P: PE(i)=P(i)2 / [P(i)=b(i)] o b(i) est une fonction de
ltat du sol au moment de laverse.
Les dbits se calculent par une expression de la forme: Q(j)=Q(j-1)+Sli. PE(i)+e(j) o les sont des
coefficients.
Lidentification des b(i) et desli est itrative et fait loriginalit de la mthode.

Exemple des modles rservoirs: en modlisant les stocks et les flux globaux pour mieux prciser le
devenir de la pluie, on atteint le stade le plus explicatif des modles conceptuels. A titre dexemple voici un
shma de ce type de modle:

23

5. Les modles de prvision

objectifs et principes:
Les modles de prvision cherchent, un instant donn t, prvoir pour des instants
futurs (t+Dt) le devenir dune ralisation connue jusqu t. Par exemple, connaissant jusqu
aujourdhui le dbit dun cours deau en un point donn ainsi que les prcipitations en
quelques endroits du bassin versant, comment prvoir le dbit du mme cours deau, au mme
endroit, demain, aprs demain, etc...?
Leur principe est finalement proche des modles de simulation: chaque pas de temps t,
prvoir revient gnrer un, ou plusieurs scnarios, pour en tirer le comportement futur le
plus probable, conditionn linformation connue. Pratiquement tous les modles passs en
revue pour simuler, sont utilisables en prvision.
Ce qui distingue les modles de prvision des modles de reconstitution, cest dune part
le traitement qui est fait des erreurs, et dautre part lintgration de linformation connue,
parfois appele a priori. Des procdures ont t labores, consistant utiliser plusieurs
modles en parallle, analyser leurs erreurs, et ajuster la prvision en mixtant ou en
slectionnant les rsultats de ces modles en fonction de leurs erreurs passes.
Nous nen dirons pas plus sur les modles de prvision, mais si nous avons tenu garder
un paragraphe spcifique ces modles de prvision, cest bien pour souligner ces diffrences
dutilisation entre simulation et prvision, mme si le coeur des modles utiliss sont les
mmes.

6. Les modles de prdtermination

objectifs et principes: quand il faut dimensionner un pont pour quil laisse passer une
crue sans dommage, on ne sintresse pas au moment o la crue se produira, on ne cherche
donc pas prvoir, mais valuer la probabilit doccurence quune crue ne dpasse une
valeur critique: cest la prdtermination.
On choisira une ou plusieurs variables utiles pour le projeteur, et on valuera la
probabilit doccurence de ces variables pendant une dure de rfrence. Cest par exemple
pour le pont, la probabilit que le dbit maximum dune crue ne dpasse une valeur Qc au
cours dune anne. On est davantage dans une problmatique de risque qui associe probabilit
doccurence dun vnement et dommages associs.
choix des variables alatoires: les variables qui peuvent intresser lhydrologue sont
trs diverses: des pluies, dbits, tempratures, maximaux instantans ou moyens pendant une
priode, des volumes ou des dures au dessus ou au dessous de certains seuils, etc...variables
qui concernent aussi bien les crues, les tiages, les scheresses, et bien dautres phnomnes.
Pour des raisons de simplicit, on ne traitera dans la suite que des variables une
dimension Z(t).

24

 fonction de rpartition, priode de retour, intervalles entre crues, probabilit

doccurrence:
Considrons une variable Z(t) dont nous connaissons la fonction de rpartition, cest
dire F(Z)=Prob[z[Z, au cours dune dure Dt donne].
Alors on appelle priode de retour T(Z) la grandeur: T(Z)= Dt / [1-F(Z)]. Par exemple,
la crue correspondant au dbit qui a une chance sur 100 dtre dpass lanne venir est de
priode de retour 100 ans: cest la crue centennale.
On entend souvent dire que la crue de priode de retour T revient en moyenne toutes
les T annes: cest vrai au sens statistique si la stationnarit est parfaite. Mais bien
videmment les crues ne se produisent pas intervalles rguliers. En fait le processus
darrive des crues est poissonien: autrement dit lintervalle de temps IT sparant deux crues
successives de priode de retour T est uneloi exponentielle: Prob[I T>t]=exp(-t/T).
A partir de l on peut calculer la probabilit doccurence dobserver au moins K crues
de priode de retour T en t annes:

Ces calculs sont intressants pour juger des risques globaux encourus par un ouvrage de
dure de vie fixe.
les lois classiques:
Lobjectif est de trouver une loi thorique dont on puisse montrer quelle reprsente bien la
fonction de distribution du processus tudi. Nous verrons plus loin comment ajuster plusieurs
lois partir des observations et en choisir une.
Mais commenons par lister les lois les plus frquemment utilises en hydrologie:
Q

Loi Normale : F(Q) =

1
2p b

exp [- 12
-

t-a
b

] . dt

Loi Log.Normale : F(Q) =

1
2p b

exp[ -

1 log t-a
2
b

] . dt

Loi de Gumbel (ou Valeurs extmes) : F(Q) = exp [-exp (- Q-a ) ]

b
Loi de Frchet : F(Q) = exp [-exp (- log Q-a ) ]
b
25

exp [- a (t b) ].[ a (t b) ] g-1 dt

p
Lois exponentielles : F(Q) = 1 eexp [- r (a b) ]
Loi de Pearson : F(Q) =

a
G( g )

Loi de Poisson : P(n) = e

. m / n!

Dans ces lois les a, b,.... sont des paramtres qui doivent tre estims comme indiqu au
prochain paragraphe.
lestimation des paramtres des lois:
Comment estimer les paramtres a et b de faon ce quune loi reprsente bien la
distribution inconnue, dont on ne connait quune ralisation au travers dune srie de
Nobservations {Qi}? Voici les deux mthodes les plus frquemment utilises :

La mthode des Moments consiste verifier que les premiers moments de la loi et les
moments empiriques des observations concident, autrement dit :

m (a, b,.) =

Q F dQ
-

et

s (a, b,.) =

[Q - m (a, b,.) ] . F dQ
2

La mthode du Maximum de Vraisemblance attribue les valeurs des paramtres qui

maximisent la probabilit davoir observ les observations. Cette probabilit est appele
Vraisemblance de lchantillon. Elle scrit :
V(a,b,) = f (Q1,a,b,) . f (Q2,a,b,) . f (Q3,a,b,) . f (QN,a,b,)
Maximiser cette Vraisemblance par rapport a, b,etc, revient rsoudre le systme cidessous :
V(a,b,) = 0
a
V(a,b,)
=0
b
etc
Comme prcdemment, le calcul des paramtres se dduit de la rsolution de ce systme.
Pratiquement la mthode des Moments est souvent employe car les calculs sont plus simples
que ceux de la mthode du Maximum de Vraisemblance. Cependant on utilisera cette dernire
chaque fois que possible car elle est plus performante: on peut montrer quavec le mme
nombre N dobservations ses estimations convergent plus rapidement.
Comment apprcier la bonne adquation des lois? graphique et test du c 2
26

 Un ajustement graphique permet de voir si la forme de la loi F est bien celle de la

distribution des Q1 observs. Pour cela on range les Q par ordre croissant QI<Qi...QN. On
attribue chaque Qi sa frquence empirique fi= i / (N +1). On porte sur un mme graphique
les points (fi;Qi) et la fonction F(Q). Pour mieux juger de ladquation il est prfrable
dutiliser du papier Gaussien (pour une loi Normale), Gumbel (pour une loi des valeurs
extrmes) ou plus gnralement de faire ce graphique dans un plan dont les ordonnes sont
transformes de faon que la loi F(Q) apparaisse linaire. Ainsi il plus facile de juger de
ladquation et notamment dcarter toute loi F pour laquelle lchantillon prsente la
moindre courbure, cassure, ou bien serpente autour de la droite reprsentative de F.

Un test de la dispersion des observations par rapport F : le test du c 2.

On dcoupe le plan reprsentatif en K tranches dgale largeur en probabilit (il faut K <
N/10). Soit NOi le nombre de points observ
s dans la tranche i (il faut NOi> 5 sinon
regrouper 2 classes) et soit NTi = N/K le
nombre quon aurait d avoir si on
suivait parfaitement la loi F(Q), alors la
quantit
c 2= S[(NOi - NTi)2 / NTi]

i=1,...,K

suit une loi de c 2 n degrs de libert,

avec n=K-1-NPA o NPA est le nombre
de paramtres de F.
Enfin on sassure que le c 2 obtenu
est infrieur la valeur
thorique
correspondant au risque a accept (5%
par exemple) et au nombre de degrs de
libert (voir table du c 2).
les hypothses de base: homognit, indpendance et stationnarit
Les estimations seront solides condition quaucun phnomne parasite et systmatique
ne soit intervenu: drive dans le temps des sries par lamnagement des cours deau,
vnements dimportance ou dorigines trop diffrentes, interdpendance entre les
vnements,etc...
Les contrles sont faire au cas par cas. Il faut sassurer notament que les vnements de
lchantillon seront bien reprsentatifs des vnements dont on cherche lestimation: par
exemple les crues en dessous dun certain niveau ont peu avoir avec des vnement de

27

priode de retour 1.000 ans, et peuvent masquer par leur nombre les quelques fortes crues
disponibles.
Voici cependant trois contrles frquemment
utiliss:
-

Homognit saisonnire (figure cicontre): si les vne ments au cours de

lanne sont homognes, les estimations
seront cohrentes avec lestimation
annuelle si:
Fannuelle(Q)= Fhiver(Q).Fprintemps(Q).
Ft(Q).Fautomne(Q).

Indpendance des vnements successifs:

parfois un vnement et le suivant peuvent
avoir une relation entre eux (scheresse
par exemple) alors mme que les
estimateurs
utiliss
suppose
lindpendance. Ceci est facilement
vrifiable en calculant le coefficient
dautocorrlation de pas 1 et en testant
lhypothse quil est nul.

Stationnarit: que les caractristiques statistiques

soient invariantes avec le temps est videmment indispensable pour la crdibilit de
lestimation. Plusieurs tests peuvent tre faits sur diverses caractristiques: lun des plus
faciles est la comparaison des moyennes. Si on coupe en deux lchantillon initial, et quon
calcule les moyennes m et m, ainsi que les carts-type s et s de chaque sous-chantillon de
longueur n, alors la grandeur
t = n . (m-m) / (s2+s2)
suit une loi de Student 2n-2 degrs de libert.
incertitudes et intervalles de confiance
Du fait de la longueur limit N observations, les estimations de probabilit des dbits
(ou de toute autre variable tudie) sont entaches dune incertitude, dite
dchantillonnage, fonction de N, mais galement de lestimateur utilis.
Une faon de quantifier cette incertitude est lIntervalle de Confiance, cest dire les
limites entre lesquelles il y a a% de chances que se situe la vraie valeur inconnue: par
exemple si la crue centennale a t estime la valeur la plus probable 250m3/s, on pourra
calculer quil y a 70% de chances que la vraie valeur se situe entre 220 et 285 m3/s. A
noter que le choix de la valeur a% est arbitraire comme dans tout test, et que les 70% de
lexemple ne sont que la valeur la plus couramment utilise de faon avoir des
intervalles sensibles lchantillonage sans tre xagrment larges et inutilisables par le
projeteur.

28

En effet lorsquon fournit un projeteur une estimation, il est absolument ncessaire de lui
fournir une ide du risque derreur dvaluation associ: mme sil nintgre pas toujours
cette information dans son analyse conomique, cela reste un lement de dcision aussi
important que lestimation elle mme: dune certaine faon louvrage sera expox un
risque qui combine la fois lala naturel et celui de lestimateur.
Il faut souligner que cette problmatique de prise en compte de lincertitude se pose
galement pour les modles de prvision, avec toutefois, on a vu, la particularit de
pouvoir intgrer les erreurs passes dans les prvisions.
Pour les principales lois voques prcdement, on trouvera en annexe 1 une aide au
calcul pour raliser leurs ajustements et proposer des estimations.

29

DEUXIEME PARTIE : LA PREDETERMINATION DES DEBITS DE CRUES

Ds que l'on veut construire un pont, un barrage, un ouvrage fluvial expos aux dbits
extrmes, se pose le problme du dimensionnement : qu'il s'agisse de l'application d'une
norme ou du rsultat d'une tude conomique, on est forcment amen choisir un dbit, et
donc un risque de dpassement de ce dbit. Une erreur sur le risque associ ce dbit, peut
avoir des consquences catastrophiques, d'un point de vue conomique (ruine de l'ouvrage),
humain parfois (rupture de barrage par exemple).

1. quelle variable faut-il tudier ?

Dune faon gnrale cest lutilisation qui dtermine le choix de la variable: pour une
installation qui subira des dommages importants ds le dbut de la submersion, ce sera la
hauteur maximale atteinte par la crue, sil sagit dun dversoir dimensionner ce sera le dbit
maximum instantan voire lhydrogramme de crue complet, pour grer un rservoir les dbits
ou les volumes au dessus dun seuil seront plus pertinents, alors quenfin pour un producteur
agricole ce pourra tre la dure de submersion.
La probabilisation des hauteurs est cependant dconseille car:
Si la srie des dbits de crues est souvent relativement stationnaire, celle des hauteurs l'est
rarement : il arrive souvent que deux crues, loignes dans le temps, aient eu le mme niveau
maximum avec pourtant des dbits sensiblement diffrents. Il suffit pour cela que le profil en
travers varie (creusement ou apport dus aux crues passes, travaux de protection, etc...).
Le point ci-dessus implique qu'il est peut-tre possible de trouver des lois de probabilits
stables et ayant un sens physique, pour les dbits, mais bien rarement pour les hauteurs. Ceci
s'explique par le fait que les dbits sont le rsultat d'un ensemble de phnomnes
hydrologiques, assez rguliers. Par contre les hauteurs mlangent la fois l'aspect
hydrologique et l'aspect hydraulique, tout fait local, et modifiable dans le temps.
Comment valuer l'effet d'un barrage amont qui gre des dbits ? Le seul moyen est de
repasser, au moins provisoirement, en dbit : donc autant probabiliser directement les
dbits.Une tude en dbit reste valable dans l'avenir : il est plus facile de rpercuter les
modifications locales de l'coulement pour retrouver la cote associe un risque fix. Par
contre une tude en hauteur devra tre reprise au dbut.
Enfin il est plus facile de vrifier la compatibilit des estimations en dbit de plusieurs
stations d'une mme rivire.

Ce qui vient d'tre dit a des consquences propos des mesures : on trouve dans les archives
de nombreux renseignements sur des hauteurs de crue, mais souvent ils sont inexploitables.
En effet deux crues dcrites comme diffrentes donnent des hauteurs semblables (obstruction
d'un

30

pont, prise en glace, etc...) et rendent inutile cette information, qui aurait t prcieuse si une
valuation mme grossire du dbit avait t faite. Une crue n'est correctement et utilement
dcrite que si son dbit est estim.
La variable la plus frquemment probabilise est donc le dbit moyen journalier maximum de
la crue. Cependant on est souvent intress par le dbit maximum instantan de la crue
(problme de submersion). L'cart entre maximum journalier et moyenne journalire est
parfois important et doit tre analys partir d'hydrogrammes continus.

2. quelle mthode employer ?

Le choix est si grand que le non-spcialiste s'y perd un peu, et que certains pays ont tout
simplement normalis, par textes de loi, l'analyse des dbits extrmes. Or, y regarder de plus
prs, beaucoup de mthodes ont des principes communs, avec des variantes statistiques
mineures.

Les mthodes probabilistes qui qui nous intressent peuvent se ranger en trois catgories :
les mthodes danalyse du processus des dbits,
les mthodes hydromtorologiques qui intgrent linformation pluviomtrique,
les mthodes de simulation stochastiques.
Les mthodes de simulation stochastiques, en modlisant statistiquement les processus
l'chelle journalire ou mensuelle, et en gnrant des scnarios sont trs utiles pour tudier par
simulation, des variables complexes, mais elles contrlent mal les incertitudes, ce qui limite la
validit des extrapolations. Comme elles sont nettement moins employes, nous ne les
aborderons pas ici.
Les mthodes hydromtorologiques sont fiables et oprationnelles pour des bassins versants
limits et homognes. Elles ont galement l'avantage d'analyser les vnements gnrateurs,
et d'tre ainsi plus proches de la physique des phnomnes. Nous en prsenterons la plus
utilise: la mthode du GRADEX.
Nous dtaillerons et illustrerons naturellement les mthodes danalyses des dbits, sous leur
forme traditionnelle (mthode des Maxima Annuels) ou plus rcente (mthode du
Renouvellement).
Nous dirons un mot enfin des mthodes empiriques ou dterministes qui en maximisant les phnomnes n'valuent pas clairement les risques.

3. La mthodes des MAXIMA ANNUELS

Le recueil et la critique des donnes ayant t pralablement faits, on dispose au dpart dune
chronique de dbits journaliers, et on veut dterminer Prob[q*<Q], cest dire la probabilit
que le dbit q* le plus fort de l'anne ne dpasse pas Q ?
Ainsi q* est une variable alatoire dont on cherche sa fonction de rpartition F(Q).

31

 Lchantillonage
Pour constituer lchantillon de travail, lide vient naturellement dextraire le dbit le plus
fort de chaque anne :

On obtient donc un chantillon {q*i} o i varie de 1 NA (nombre dannes).

La marche suivre est ensuite la suivante:

Aprs avoir rang ces q*i du plus fort au plus faible, on associe chacun une
frquence empirique fi = i / (NA+1).

On vrifie les hypothse dindpendance et de stationnarit.

Puis on choisit parmi les lois classiques (Normale, Log Normale, Gumbel, etc...) celle
qui s'ajuste le mieux l'chantillon des crues maxima annuelles observes (voir 1re
Partie et annexe1).

La meilleure loi F(Q) tant choisie, on pourra dire que

la crue Q est de priode de retour

T=

1
1 F(Q)

Inversement T donne on pourra dterminer

QT = F-1(1 1/T)

Il conviendra enfin d'indiquer quelle est la qualit de l'estimation au moyen des trois
renseignements suivants :
~

l'ajustement graphique est-il bon, ou bien y a-t-il des anomalies locales

(dispersion) ou gnrales (courbures ou cassures) ? Q est-il dans une zone loigne
ou non de celles des observations (extrapolation) ?
rsultats du test du X2 (dispersion);

32

les limites de l'intervalle de confiance a % (l'usage est de prendre pour les crues
70% mais ce choix doend des consquences d'une erreur d'estimation).

Force et faiblesses
La force de cette mthode est sa simplicit, et on en trouvera une illustration en 3me Partie.
Elle nest cependant pas exempte de critiques:
L'aspect processus de la srie des dbits d'une rivire est compltement ignor : on se
ramne un problme de tirage dans une urne. La mthode est particulirement simple, par
contre elle nglige beaucoup d'information : toutes les fortes crues qui n'ont pas eu la
chance d'tre le maximum de l'anne o elles se sont produites. Cette information oublie
fait cruellement dfaut lorsque l'chantillon est court.
Certaines annes la crue maximum annuelle n'a pas t forte : ce type de crue faible n'a
pas grand chose voir avec les crues importantes dont on veut connatre la probabilit.
L'hypothse dhomognit de l'chantillon est donc mal vrifie.

Toutes ces raisons ont conduit dvelopper la mthode du RENOUVELLEMENT qui est
dcrite au paragraphe suivant.

4. La mthode du RENOUVELLEMENT

On veut toujours dterminer F(Q)= probabilit annuelle [q < Q], c'est--dire la probabilit
que le dbit le plus fort de l'anne ne dpasse pas Q.
Lchantillonage
Considrons la srie des dbits moyens journaliers observs. Cette srie est une ralisation
du processus des dbits journaliers.
On commence par ne retenir de ce processus que la partie qui contient de l'information utile
pour la connaissance des fortes crues. Pour cela on se fixe un seuil S et on conserve les dbits
suprieurs.

33

On obtient ainsi une srie de chapeau d'hydrogrammes dpassant le seuil S, dont on ne

retient que le maximum.
On limine les maxima faisant visiblement partie de la mme crue (le point B sur le schma
prcdent), car ils mettraient en dfaut lhypothse
dindpendance.

On devine ainsi l'effet du seuil S :

plus S est lev, plus les crues seront fortes et indpendantes, et plus l'chantillon
sera homogne,
plus S est bas, plus nombreuses seront les crues retenues ce qui amliore
l'chantillonnage.
Le choix de S est donc un compromis: en pratique l'tude de 2 ou 3 seuils suffit pour trouver
la bonne valeur, en sassurant quautour de cette valeur les estimations ne doivent pas varier
de faon importante.

34

Finalement on se retrouve la tte de deux chantillons:

les dbits maxima des crues suprieurs S:

{q i } i=1,.....,NC (NC=nombre total de maxima de crue)

les dates doccurence de ces maximas. En fait on va remplacer ce deuxime

chantillon par la srie des nombres de maxima observs chaque anne.
{n k }
k=1,.....,NA (NC=nombre dannes)

Le contrle des hypothses

Lhypothse dindpendance se contrle classiquement par le calcul du coefficient
dautocorrlation de pas_1. Autrement dit on vrifie que le coefficient de corrlation des deux
sries X et Y ci dessous nest pas significativement diffrent de 0:
X={q 1,q 2,......................,q NC-2,q NC-1}
Y={q 2,q 3,.......................,q NC-1 ,q NC}
Lhypothse de stationnarit peut tre vrifie par le test sur les moyennes. Une autre faon
consiste montrer que les dates doccurrences de crues suprieures au seuil S sont
uniformment rparties dans le temps:
Pour cela on trace les crues par ordre d'arrive. Il y a stationnarit si la courbe (C) serpente
bien autour de la droite (D). L'hypothse sera fausse si au contraire la courbe (C) se trouve
systmatiquement au-dessus ou bien en dessous, de (D).

Quantitativement on peut tudier la variable alatoire constitue par les dates d'occurrence des
crues observes : t 1, ..., tN,.
Elles doivent tre uniformment rparties sur l'intervalle [t 0,tN+1]. Dans ces conditions la
moyenne thorique m = (t N+1 + t0)/2 est comparer avec la moyenne observe m* = (Sti)/N
et la variance thorique s2 =( tN+1 - t0)2/12 est comparer avec la variance observe s*. Si

35

on admet que la variable u = N1/2.(m-m*)/s suit une loi normale, on pourra accepter
l'hypothse de stationnarit avec un risque 5 % de se tromper chaque fois que u < 1,96 .

Le modle de Renouvellement
Soit q la crue la plus forte de l'anne. On veut dterminer :
F(Q) = Prob [q < Q].
Nous allons construire le modle en dcomposant cette probabilit en deux : la probabilit de
dpasser le seuil S un nombre de fois k dans lanne, et la probabilit de ne pas dpasser le
niveau Q bien quayant dpass S. On applique simplement les rgles de composition des
probabilits d'vnements indpendants :
Prob [q < Q] =

Prob [Au cours de l'anne, $ 0 crue > S]

+ Prob [Au cours de l'anne, $ 1 crue > S et < Q]
+ Prob [Au cours de l'anne, $ 2 crues > S et toutes < Q]
..............................
+ Prob [Au cours de l'anne, $ k crues >S et toutes < Q]
........... .

en abrg :
Prob [q < Q] = S Prob [Au cours de l'anne, $ k crues >S et toutes < Q]

k=0,.....,

ou encore :
Prob [q < Q] =S P(k).G(Q)k

k=0,........,

O P(k) est la probabilit dobserver exactement k crues suprieures S en un an. On

e-m

constate en pratique que la loi de Poisson P(k) =

. m / k! sajuste bien aux observations,
sauf dans quelques cas rares la loi Binmiale Ngative la remplacera.
k

G(Q) est estime par une loi de type exponentielle. Elle sajuste trs classiquement
lensemble des dbits maximaux des crues ayant dpass le seuil S. La qualit dajustement
doit toujours tre vrifie grapgiquement et par le test du
ci-dessous convient :

e -r(Q-S)p
-r(Q-S)
G(Q) = 1 - e

G(Q) = 1 -

c2 . En gnral, lune des eux lois

loi exponentielle simple

loi de Weibull

36

Lorsqu'on s'intresse des crues rares, la Prob [q < Q] peut tre approxime par une relation
trs simple. En effet si la crue est rare cela signifie que G(Q) est proche de l :
F(Q)=Prob [q* < Q] =S P(k).G(Q)k
F(Q)Y

S P(k).{ l - k[1 - G(Q)] }

F(Q) j l - N.[l- G(Q)]

o N est le nombre moyen annuel de crues dpassant S ( N = S k.P(k) )

Exemple d'application simple : On veut connatre la crue centennale d'une rivire dont on
dispose de 30 ans de relevs hydromtriques. On s'est fix un seuil S = 100 m3/s, on a observ
100 crues suprieures S et de moyenne 150 m3/s. Si ces crues suivent une loi G(Q)
exponentielle simple, on aura :
F(Q)=Prob [q* < Q] 1 - (100/30).exp[-(Q-100)/(150-10]
F(Q)=Prob [q* < Q] 1 -3,33.exp[-(Q-100)/50]
Ainsi la crues centennale Q100 390 m3/s
Remarques
Tout ce qui vient d'tre dit pour l'anne (maximum annuel, nombre de crues par an
suprieures S, etc...) peut tre transpos d'autres chelles de temps : le mois, la saison,
etc... Il importe seulement de ne pas mlanger des rgimes diffrents : ne pas traiter l'chelle
mensuelle l'ensemble des crues d'hiver et d't, car le nombre moyen mensuel de crues est
diffrent en hiver et en t et la loi P(k) est galement diffrente. Par contre on peut faire une
tude l'chelle mensuelle si on dsire tudier les crues d't et que l'on ne retienne que les
dbits de juillet-aot : le rsultat final sera la probabilit de la crue maximum de ces deux
mois, ou de l'un d'entre eux (ceci intresse ceux qui doivent effectuer des travaux dans le lit
d'une rivire et qui veulent savoir quels risques ils s'exposent selon le mois).
II existe des variantes de ces mthodes (lois tronques sur les Maxima Annuels,
Renouvellement avec variations saisonnires des paramtres, etc...) mais leurs principes de
base se ramnent pratiquement toujours ceux qui ont t dcrits.
Lestimation des parametres du Renouvellement
La forme la plus usuelle de la fonction de rpartition par le Renouvellement scrit donc :
F(Q) = Prob [ q* < Q] = S P(k).G(Q)k
Avec P(k) =

-m

. m / k!
k

et

G(Q) = 1 -

k=0,.....,

-r(Q-S)

Il sagit de dterminer les paramtres r, m et p de ces lois partir des crues observes. Pour
cela, nous allons utiliser les deux chantillons que nous avons constitus, savoir :
Les dbits maxima des crues suprieures S : {Qi} i = 1, NC (nombre de crues >S)
37

Les nombres de crues suprieures S chaque annes : {nk}

dannes)

k = 1, NA (nombre

Lestimateur utilis est celui du Maximum de Vraisemblance (voir annexe 2 le dtail du

calcul).
Les paramtres r*, m* et p* optimaux sont les rsultats du systme ci-dessous, rsolu par
approximations successives :
m = NC / NA
r = NC / S (Qi S)

NC
S (Qi S)p.log(Qi S) = 0
NC/p + S log(Qi S)
Ce jeu de paramtres r*, m* et p* trouv,
S (Qiilreste
S)p vrifier que les lois choisiees conviennent

bien, aussi bien graphiquement, quavec les test de type c2.

Il devient alors possible de calculer le dbit de la crue de priode de retout T :

QT = S +

Log (m*T)
r*

1/p*

A noter le cas particulier de la loi exponentielle simple qui nest autre que la loi de weibull
r(Q-S)

avec un paramtre p* gal 1: F(Q) = 1 - e-

Dans ce cas le calcul des paramtres est immdiat: m* = NC/NA et r* = 1 / (

SQi - S)

Le calcul des incertitudes

Les valeurs trouves des paramtres m*, r* et p* ne sont que des estimations de leurs vraies
valeurs m, r et p inconnues. Autrement dit, m*, r* et p* nous apparaissent comme des
variables alatoires, dont on peut montrer quelles suivent une loi Normale, avec une matrice
de covariances explicitement calcule en annexe 2. On en dduit la variance de QT :

Var (QT ) =

(QT S)2 .Var r* +(QT S)2(1-p) .Var m* +(QT S)2.log2 (QT S) .Var p*
r*2. p*2
r*2. m*2.p*2
p*2

+ 2.

(QT S)2.log (QT S)

(QT S)(2-p)
.Cov
r*p*
2.
. .Cov r*m*
r* . p*2
r*2. m* . p*2

(2-p)
- 2. (QT S) . log (QT S).Cov m*p*
r*. m* . p*2

38

Si on fait ensuite lapproximation que QT suit une loi Normale, on en dduit lintervalle de
confiance 70%: [Q1;Q2] avec Q1= QT - 1,04.sQ et Q2= QT + 1,04.sQ
Linformation historique
Lintervalle de confiance calcul ci dessus prend en compte les incertitudes dchantillonage
lies la taille limite de lchantillon. Il existe dautres sources dincertitudes trs
difficilement quantifiables: les erreurs de mesures qui peuvent entacher les donnes,
linadquation toujours possible des lois retenues surtout pour les trs grandes crues, des
dfauts de stationnarit, etc.... Pour sen prserver partiellement, il est vivement conseill de
rechercher linformation historique.
Longtemps nglige, parce que considre comme peu sre, l'information historique, c'est-dire les renseignements sur des crues anciennes, particulirement fortes, au cours des 100 ou
200 dernires annes, est en fait capitale et mme dans certains cas plus prcieuse que la srie
des observations rgulires : par exemple si on dsire estimer la crue centennale, la
connaissance des 2 ou 3 plus forts vnements du sicle pass est plus importante qu'une
dizaine d'annes de dbits.
Supposons donc qu'une analyse critique ait permis de rassembler un catalogue des NP plus
fortes crues en NAS annes supplmentaires, et qu'elles soient ranges par ordre dcroissant.
Comment prendre en compte ces crues ?
La technique classique, utilise pour la mthode des Maxima Annuels, consiste affecter
chaque crue une probabilit empirique [ fi = i / (NAS+1)] et reporter les points reprsentatifs
de ces crues sur le graphique d'ajustement des crues de l'chantillon rgulier. On vrifie ainsi
que ces crues exceptionnelles sont compatibles avec le modle statistique retenu.
Ce procd est simple mais il offre deux inconvnients : d'abord il ne comporte pas de critre
clair pour accepter ou refuser un ajustement en fonction des carts observs, d'autre part
mme si les carts sont acceptables, on ne corrige pas la loi initiale en tenant compte de ces
crues historiques.
De son ct la mthode du Renouvellement peut intgrer facilement cette information : il
suffit dans le calcul de la vraisemblance de l'chantillon, d'introduire galement la
vraisemblance des crues historiques . On crira :
VT

V1 * V2

avec VT= Vraisemblance globale des deux chantillons

V1= Vraisemblance de lchantillon des crues rgulirement observes
V2= Vraisemblance de lchantillon des crues historiques
Le calcul de V1 est le mme que prcdemment. Tandis que V2 est la probabilit davoir
observ en NAS annes supplmentaires, dune part les crues de lchantillon, et dautre part
que toutes les autres crues suprieures S taient infrieures QNP.

39

Le calcul dtaill est fourni en annexe 2: le systme rsoudre pour avoir les nouvelles
valeurs de r, m et p, ainsi que est peine plus compliqu quavant.
En guise de conclusion concernant la mthode du Renouvellement, son domaine de validit,
comme dailleurs celui de la mthode des Maxima Annuels, est plutt celui des grands bassins
versants (plus de 10.000 km2). En effet ses estimations sont fondes sur des vnements
courants, dont le hasard des combinaisons est bien reprsent par les lois retenues. Ds que
lon veut estimer des vnements de priode de retour leve (100 1.000 ans), elle ne
conviendra pas pour les petits bassins versants o des effets tout fait locaux (orages par
exemple), parfois jamais mesurs aux points dtude, peuvent devenir dimensionnants.
La mthode du Gradex qui intgre dune certaine faon la physique des phnomnes
extrmes, prsente lavantage dtre bien adapte ces cas l.

5. La mthode du GRADEX
Avec la mthode du GRADEX nous abordons une autre classe de mthodes: celles qui
utilisent linformation hydromtorologique, cest dire la pluie gnratrice des coulements.
Ainsi on dispose de deux chantillons : un chantillon de pluies pas de temps fin (horaire
par exemple) et de dbits journaliers complts par quelques hydrogrammes de crue pas de
temps fin galement.
Principes, hypothses et domaine de validit
Le postulat de base de la mthode est quil doit y avoir une relation entre la distribution des
dbits et celle des pluies gnratrices puisque les dbits sont forms par les pluies. Cette
relation est elle simple?
Dans certaines conditions dcoulement extrmes (crues exceptionnelles), oui : le sol est si
satur que tout accroissement de pluie va se traduire, exprim en volume, par le mme
accroissement en dbit. Autement dit tout ce qui est prcipit, ruisselle. Si la distribution de la
variable alatoire pluie est exponentielle, alors on peut montrer que celle des dbits dans ces
conditions extrmes est asymptotiquement exponentielle, et que ses paramtres se dduisent
de ceux des pluies. Examinons les hypothses qui correspondent ces conditions:
Hypothse 1: la distribution des precipitations moyennes sur un bassin pendant une dure
t de quelques heures ou quelques jours est de type exponentiel: F(P)]= 1 - constante.exp(P/at). On peut

40

montrer quil sen dduit que la distribution des prcipitations maximales annuelles,
moyennes sur un bassin pendant quelques heures ou quelques jours est de type GUMBEL:
F(P)]= exp {-exp[ -(P0 - P)/ at] }
o P0 est une constante, ainsi que at qui est appel Gradex.

Hypothse 2 : si le dbit dpasse une certaine valeur (qui selon les sols peut varier du
dbit dcennal au dbit cinquantennal), alors le sol est satur, de sorte que, pendant le temps
de base de ruissellement t, tout accroissement de pluie gale le mme accroissement en dbit,
autrement dit: dQ=dP.
Le mcanisme de saturation progressive au cours dune averse peut se traduire sur la figure cidessous :

41

Le corollaire de cette hypothse combine la prcdente est que la distribution des dbits
sera asymptotiquement exponentielle, et de mme paramtre at que celle des pluies.
Ds lors lestimation du dbit Qt de priode de retour T sestime ainsi :

Qt (T) = Qt (T0) + at log (T / T0)

avec T > T0

et T0 est une priode de retour au-del de laquelle le sol est satur.

Hypothse 3: le rapport moyen, appel coefficient de forme, entre le dbit maximum

instantan dun hydrogramme de crue, et le dbit maximum moyen sur la priode t est
indpendant du dbit. La figure ci-dessous, concernant le rapport dbit maximum/dbit
moyen, est tablie chaque tude:

42

La premire et la troisime hypothses sont assez facile vrifier: les nombreux ajustements
de lois de GUMBEL sur des chantillons de pluie et les graphiques dbits de pointe/dbits
moyenns sur une dure t ont permis de montrer, hormis quelques cas rares, le bien fond de
ces hypothses. Reste la deuxime hypothse concernant la relation pluie/dbit: cest elle qui
fixe dune certaine faon le domaine de validit de la mthode. En effet on imagine bien que
la saturation de lensemble du bassin sera dautant plus vite atteinte que les sols sont peu
permables, et que le bassin versant est de petite taille (50 1.000 km2) pour tre arros de
faon homogne. Le choix de la priode de retour T0 est faire au cas par cas : elle doit tre
suffisement leve pour que la saturation soit bien garantie au-del de ce seuil.

Les tapes du calcul par la mthode du GRADEX

Description des phnomnes et critique des donnes: comme pour toutes les mthodes le
premier travail est la description hydroclimatologique et la critique des donnes. La mthode
du GRADEX demande en plus de constituer un chantillon pluviomtrique qui est en fait le
rsultat dune tude: en gnral on dispose deplusieurs sries pluviomtrique, et par des
analyses dinterpolation comme celes voques en premire Partie, on reconstitue une
chronique destimation de la lame deau moyenne.
Analyse des hydrogrammes : on en dduit le pas de temps t retenir (on arrondit celui
des donnes), et dautre part on tablit le coefficient de forme. En outre on value le dbit de
rtention limite partir duquel la saturation est suppose atteinte.
Calcul du Gradex des pluies : on estime pour chaque saison le Gradex en ajustant les
pluies de la saison une loi de Gumbel, et on en dduit le Gradex annuel qui,
asymptotiquement, est le plus fort des Gradex saisonniers.
Calcul du dbit limite de rtention: on estime le dbit dcennal (ou plus si ncessaire) en
appliquant la mthode des Maxima annuels ou du Renouvellement la srie des dbits
observs (moyens sur la dure t).
Calcul du dbit maximal instantan de priode de retour donn: aprs avoir calcul le
Gradex Instantan partir du Gradex moyen (a=a.r o r est le coefficient de forme), on
tablit la distribution des dbits instantans traant la loi de Gumbel de paramtre a partir
du dbit limite de rtention.

43

Pour terminer soulignons que cette mthode est bien adapte aux estimations dvnements
extrmes (crues dcamillnnales) car lhypothse lie la saturation est dautant mieux
vrifie que le dbit est important.

6. Conclusions sur la prdtermination des crues

Nous venons de voir les trois mthodes de prdtermination des crues les plus utilises en
France, et dans les pays qui ont une approche statistique du risque prendre en compte pour
le dimensionnement douvrages.
Quelle mthode choisir ?
Les mthodes des Maxima Annuels ont pour elles, on la vu, leur simplicit, et il est vrai que
pour des bassins versants assez grands (plus de 10.000 km2), disposant de quelques dizaines
44

dannes de dbits observs, lestimation de la crue dcennale est accessible sans trop de
risques. Au del, il conviendra dtre prudent et disposer de suffisement dinformations.
De toute faon, compte tenu des moyens de calcul actuels, on a intrt utiliser la mthode du
Renouvellement, qui grce sa faon de bien valoriser linformation, et en plus de conforter
les extrapolations par linformation historique, est plus sre. Toujours pour des bassins
versants assez grands (plus de 10.000 km2), elle permet destimer, avec des incertitudes
souvent acceptables, des vnements de priode de retour pouvant atteindre 100 ans, voire
1.000 ans.
La mthode du Gradex est tout fait complmentaire puisquelle sapplique mieux aux
vnements les plus extrmes (dcamillennaux) survenant sur des bassins de taille modrs.
En outre elle nexige pas de longues sries de dbits, rarement disponibles sur les petits
bassins, mais demande des sries pluviomtriques.
Dautres mthodes sont-elles utilses?
De nombreuses variantes ou complments aux mthodes statistiques prsentes ici existent:
lois de Valeurs Extrmes Gnralises, changements de variables divers, combinaisons de
lois, etc...Signalons que parmi les approches statistiques intressantes qui na pu tre
prsente ici figure lanalyse Baysienne qui est bien plus quune estimation, mais plutt
une approche dynamique de la faon dutiliser linformation. En effet son principe est de
considrer que le projeteur a toujours au dpart, cest dire avant dutiliser une nouvelle
information, une apprciation a priori du phnomne quil tudie, et que linformation
reue va lui enrichir cette apprciation qui deviendra apprciation a posteriori, juqu la
prochaine information.....
Concernant la mthode du Gradex, dont le domaine de prdilection concerne les vnements
extrmes (10.000 ans), des travaux ont t conduits afin de la rendre davantage utilisable dans
la zone des crues moins extrmes (10 1.000 ans). La mthode AGREGEE mise au point par
le CEMAGREF sattache en particulier prciser la zone de transition au moyen de fonctions
de raccordement ajuster au cas par cas. La variante la plus utilise est AGREGEE
"Esthtique" : on considre que le paramtre Gradex varie entre deux valeurs :
a p (T) = a

T
T + a

et
2

T
T
a q (T) = a p (T) .
, donc a q (T) = a
o (a et d sont des
T +d
(T + a ) (T + d )
constantes calcules grce une condition de raccordement la distribution des crues
a
T+a
T + d
- d .log
observes). Ds lors : Q(T)= Q(T0) +
* a .log
si T>T0

(a - d )
T0 + a
T0 + d

Dans les pays anglo-saxons, o les mthodes statistiques sont largement employes pour les
vnement de priode de retour modre (10 100 ans), la mthode de la PMF (Probable
Maximum Flood) est exige pour les dimensionnement douvrages o des vies humaines sont
concernes. Cette mthode nest pas statistique et consiste maximiser les variables
explicatives des prcipitations (humidit, vent, conditions de prcipitation), maximiser les

45

scnarios temporels de prcipitations (concommitances, prcipitations successives,...), puis

transformer cette pluie en dbit, dabord en dterminant la part efficace qui, comme le
Gradex est proche de dQ=dP, et ensuite en la convertissant en dbit par des mthodes plus ou
moins classiques en hydrologie (du type Hydrogramme Unitaire,...).
Bien que non statistique, cette mthode de la PMF devait tre mentionne car elle utilise par
de nombreux bureaux dtudes internationaux, souvent la demande de clients qui y voient
une forme de protection infranchissable. sans lui nier ses avantages, qui rsident dans
lanalyse hydromtorologique, et donc lintgration dun maximum dinformations, il
convient nanmoins de garder lesprit les limites de la mthode :
une crue de projet dont la probabilit nest pas estime (et pour cause) alors que les
maximisations effectues sont bases sur les observations, qui peuvent tre trs rduites en
certains endroits: il sen suit un faux sentiment de scurit
des estimations linverse trs importantes quand les informations sont riches, qui
surdimensionneraient exagrment les ouvrages, ce qui conduit les projeteurs corriger par
un coefficient dabattement non moins risqu...
enfin une complexit de mise en oeuvre qui gnrent beaucoup de choix difficiles et qui
ne permet pas la fin du calcul davoir une forme dvaluation de lincertitude.

46

TROISIEME PARTIE : VALUATION DES RISQUES DE CRUE DE LA GARONNE

MAS DAGENAIS

Cet exemple illustre lapplication de la mthode des Maxima Annuels et de celle du Renouvellement.
Pour rester simple et illustratif, tous les calculs dtaills ne sont pas exposs: en revanche les
rsultats majeurs de chaque tape sont fournis, de sorte quils peuvent tre retrouvs en saidant de
la Partie 2 et des annexes 1 et 2.
Nous verrons successivement:

lanalyse hydromtorologique
les donnes et leur critique
ltude par la mthode des Maxima Annuels
vrification des hypothses
ajustements des lois statistiques
rsultat et incertitudes
ltude par la mthode du Renouvellement
vrification des hypothses
ajustements des lois statistiques au nombre annuel de crues
ajustements des lois statistiques aux amplitudes de crues
rsultat et incertitudes

1. lanalyse hydromtorologique
La station de Mas dAgenais est situe sur la Garonne, juste laval du confluent avec le Lot,
correspondant

un
bassin versant de 52.000
km2. Ses crues sont donc
formes de celles de la
Garonne
amont,
de
lArige, des rivires du
Lanmezan, du Tarn et du
Lot. La cohrence des
coulements a pu tre
tudie grce une srie
de
stations
hydromtriques sur ces cours
deau ou intermdiaires
sur la Garonne, en
particulier Portet, Mas
Grenier,
Hauterive,
Rouby, Lamagistre, et
Cahors. De plus des rservoirs, reprsentant au total un volume de 1,3 million de m3, construits
essentiellement aprs 1945, situs dans les Pyrnes et dans le Massif Central impactent les dbits de
la Garonne.
47

Sur le plan hydromtorologique, on distingue trois classes de crues, qui peuvent aussi se combiner:
les crues pyrnennes, les crues ocaniques, et les crues mditerranennes. A chacune delle
correspond des situations mtorologiques
identifies en fonction de la position de
lanticyclone (Golfe de Gascogne, ou ouest
Espagne ou sud Espagne) et dune ou plusieurs
dpressions
associes
(Irlande,
France,
Mditerrane,...). Les fortes crues proviennent de
la Haute Garonne (crues ocaniques ou
ocaniques-pyrnennes), ou de crues ocaniques
de la Moyenne Garonne gonfles par une crue
dun affluent, ou encore du fait de crues
successives.
Ci contre: exemple de situation mtorologique:
la journe du 22 janvier 1955

2. les donnes et leur critique

Nous ferons lhypothse pour cet expos que la variable utile au projeteur est le dbit moyen
journalier. Dautre part ltude cite ici en exemple ayant t ralise en 1977, les donnes
ultrieures nont pas t intgres.
La station de Mas dAgenais est abondante en donnes: dbits journaliers depuis 1913, auxquels
sajoutent 12 crues historiques en 143 ans supplmentaires. La qualit de ces donnes a fait lobjet
de nombreuses tudes, en particulier par PARDE qui proposait quelques corrections au dessus du
dbordement (3.800 m3/s). Ce sont ces valeurs qui ont t retenues et qui correspondent aux
chantillons ci aprs: crues maxima annuelles, crues suprieures 2.500 m3/s, et crues historiques
Crues maximales annuelles
crues historiques
1770
1772
1783
1827
1835
1843
1855
1856
1856
1875
1879

7.000 7.400 m3/s

6.300 m3/s
7.000 7.200 m3/s
6.500 m3/s
6.400 m3/s
6.500 m3/s
7.000 m3/s
6.200
m3/s
6.600 m3/s
7.000 7.500 m3/s
6.300 m3/s

1879

7.000 m3/s

48

Crues suprieures 2.500 m3/s

3. ltude par la mthode des Maxima Annuels

vrification des hypothses
Indpendance:
Le coefficient de corrlation de pas 1 sur 63 valeurs est de 0,034.
La variable test de Student t=R. [(N-2)/(1-R2)]0,5 vaut ici 0,264.
Le risque 5% de rejeter tort correspond t=1,68 : on peut considrer que lhypothse
dindpendance est largement acceptable.
Stationnarit:
En dcoupant en deux lchantillon, on obtient deux moyennes assez diffrentes:
m1= 4 317 m3/s
s1= 1 268 m3/s
m2= 3 485 m3/s
s2= 1 284 m3/s
La variable test de Student
t=(m1-m2).[32/(s12+s22)]0,5
vaut ici 2,6: lhypothse de
stationnarit peut donc tre
remise en cause. Le graphique
ci contre des moyennes glissantes montre effectivement

49

une particularit partir du milieu de la srie. Nous la gardons en mmoire pour la discussion finale
des incertitudes.

ajustements des lois statistiques

ajustement la loi Normale : il est peu satisfaisant, une courbure apparaissant.
loi Normale:

loi Log-Normale:.:

loi des Valeurs Extrmes:

50

 ajustement la loi Log-Normale: il est meilleur. Le test de dispersion du 2 vaut 10,2 pour 10
classes, la valeur acceptable pour un risque de 5% tant 14.
ajustement la loi des Valeurs Extrmes: de qualit voisine de celle de la loi Log-Normale, le
test de dispersion est meilleur : 2 = 5,9.

Finalement la loi retenue est celle des Valeurs Extrmes (ou Gumbel).

rsultats et incertitudes
Sachant que la moyenne de lchantillon est 3.910 m3/s et son cart-type 1.330 m3/s, les paramtres
de la loi de Gumbel sont =3 310 et = 1 040, de sorte que le dbit de priode de retour donne
scrit: QT= 3 310 + 1 040.[-log[-log(1-1/T)]]
crue decennale
crue centennale
crue millennale

5.650 m3/s
8.100 m3/s
10.500 m3/s

Lintervalle de confiance 70% est calcul partir de labaque de BERNIER:

pour la crue millennale:
T1=0,76
T2=0,66 ====> 8.600< Q1000 <11.500 m3/s

4. ltude par la mthode du Renouvellement

Un prliminaire: le choix du seuil. En pratique il convient de tester plusieurs seuils. On commence
par le plus bas (2.500 m3/s), qui a lavantage de faire reposer les extimations sur deux fois plus de
crues. Le traitement des autres seuils sera identique ce qui est expos ci aprs.
vrification des hypothses
Indpendance:
Le coefficient de corrlation de pas 1 sur 151 valeurs est de 0,14.
La variable test de Student t=R. [(N-2)/(1-R2)]0,5 vaut ici 1,72.
Le risque 5% de rejeter tort correspond t=1,66 : on peut considrer que lhypothse
dindpendance est juste acceptable.
Stationnarit:
En dcoupant en deux lchantillon, on obtient:
m1= 3 548 m3/s
s1= 939 m3/s
m2= 3 642 m3/s
s2= 1041 m3/s
La variable test de Student t=(m1-m2).[32/(s12+s22)]0,5 vaut ici 0,56: lhypothse de stationnarit sur
les amplitudes de crues peut donc tre accepte .

51

Deuxime vrification: les dates doccurence de crues suprieures 2.500 m3/s.

Le test de rpartition uniforme apparait ci
contre. Lorsque quon calcule la variable
test u (voir p. 25), on obtient 2,62 alors
que la valeur admissible 5% est 1,96:
nous trouvons donc de nouveau que
lhypothse de stationnarit nest pas trs
bien assure.
A y regarder de plus prs , on note une
absence de crue importante de 1946
1949. Ceci nexplique quen partie cette
difficulte.

ajustements des lois statistiques au nombre annuel de crues

Nous allons examiner si la loi de Poisson sajuste la srie du nombre dpassant chaque anne le
seuil 2.500 m3/s. Le paramtre de la loi de Poisson est m=NC/NA, ici = 2,32; On en dduit les
valeurs du nombre thorique dannes ayant k crues suprieures 2.500 m3/s:
k
0
1
2
3
4
5 et plus

nombre observ
8
16
15
8
11
7

nombre thorique (NTk= NA.exp(-2,32). 2,32k/k! )

6,4
14,8
17,2
13,3
7,7
5,6

2 = (NOk-NTk)2/NTk=4,65 pour 3 degrs

de libert, la valeur admissible 5% tant
7,81.
La forme gnrale de lajustement graphique ci
contre tant assez satisfaisante (lallure gnrale
est respecte, mme si les classes 3 et 4
prsentent des carts sensibles), la loi de
Poisson peut donc tre retenue .

52

 ajustements des lois statistiques aux amplitudes de crues

Nous ajustons la loi de Weibull (ci-dessous droite) et la loi Exponentielle Simple (ci-dessous
gauche), aprs avoir calcul leurs cofficients:

La qualit des deux ajustements est acceptable et la loi Exponentielle Simple savre pratiquement
suffisante.
Les crues millnnales estimes sont de 11.000 m3/s pour la loi Exponentielle Simple et 9600 m3/s
pour la loi de Weibull, tandis que Q = 900 m3/s.

ajustements
Historique

utilisant

lInformation

Nous reprenons lajustement de la loi de

Weibull (ci-contre) aprs avoir calcul leurs
cofficients: Les points des crues
historiques se placent bien, et la qualit de
lajustement demeure satisfaisant.
La crue millnnale estime reste aux
alentours de 9600 m3/s, tandis que Q
diminue 500 m3/s.

53

 rsultat final et incertitudes

En retenant finalement les rsultats de la mthode du Renouvellement intgrant lInformation
historique le rsultat peut tre synthtis par la
figure ci-contre qui fournit les limites de
lintervalle de confiance 70% ( Q =500 m3/s).
Le dbit de priode de retour T sestime ainsi:
QT = 2500 + [log(2,36.T)/0,00025]0,857
auquel sajoute lintervalle de confiance.
En matire dincertitudes nous avons dj
valu celles lies la taille limite de
lchantillon (2x 500 m3/s)..
Les incertitudes lies au choix du seuil ont t
values en rptant ltude avec plusieurs seuils:
Seuil
2 000
2 250
2 500
2 750
3 000
Q1000
9 450
9 650
9 550
9 750
9 700
On peut considrer que lincertitude rsiduelle ne dpasse gure 300 m3/s.

3 250
9 100

Les risques de non stationarit rencontrs deux reprises dans ltude ont t valus en rptant
ltude sur les sous chantillons 1913-1945 et 1946-1977: lcart maximal obtenu sur lestimation de
la crue millennale est de 400 m3/s.
De la mme faon une analyse de sensibilit sur la correction des donnes abouti un cart de 200
m3/s.
Bien entendu tous ces carts ne sont pas cumulatifs: ils constituent des ordres de grandeurs avoir
contrl avant une dcision de dimensionnement pour prendre les scurits adaptes aux enjeux.

_______________________________

54

QUATRIEME PARTIE : LA PREDETERMINATION DES ETIAGES

Ltiage, comme lhydrogramme de crue, constitue une partie du processus des dbits : il peut
tre statistiquement tudi comme le furent les dbits de crue, cette diffrence prs que le
dbit minimum instantan est rarement la variable intressante pour lutilisateur comme ltait
le dbit maximum instantan pour ltude des crues. Ce dernier sintresse ncessairement
des grandeurs couples dbits et dures : dbits mensuels, nombre total de jours annuels sous
un seuil en dbit, nombre de jours conscutifs sous un seuil en dbit, etcIl ny a donc plus
une variable privilgie une dimension dont il faut estimer la probabilit doccurrence ou de
dpassement comme nous lavions vu pour les crues, mais une variable deux dimensions
dbit-dure.

1. Lapproche globale Dbit- Dure

La prdtermination dune variable deux dimensions accrot singulirement la complexit
des estimations. Nanmoins plusieurs auteurs sy attaqurent dans les annes 1970-80 :
YEVJEVICH [25] qui dveloppa au USA et adapta pour ltiage les mthodes dites Partial
Duration Curves , et NORTH [26] qui proposa dans sa thse lEPL (Suisse) un modle
global.
Les premires applications en France ont dabord consist se ramener pragmatiquement
lestimation probabiliste dune variable conditionne par lautre, elle-mme fixe. Quitte
ensuite paramtrer cette variable fixe : par exemple on estime la probabilit que le dbit de
la Garonne reste plus de 90 jours en dessous de 70 m3/s, puis on rpte lopration pour
dautres seuils, comme 50, 90, 110, 120 m3/s, etc. On se ramne une variable, et on peut
ainsi utiliser la panoplie des outils de prdtermination classiques, simplement il faut ensuite
multiplier lanalyse pour des seuils fixs diffrents (en dbit ou bien en dure selon le cas).
Nous verrons que la prsentation des rsultats reprend une forme dj bien connue et utilise
pour ltude des pluies : les courbes Intensit-Dure-Frquence , baptises pour ltude des
dbits (et notamment des tiages), courbes Dbits-Dure-Frquence .

( Daprs [27] )

Ainsi, sur la figure ci-dessus Dbit Class-dure-frquence , on peut lire que le dbit class
dcennal de 350 jours (QC350), cest dire le dbit dpass 350 jours par an, vaut 58 m3/s, le
dbit class centennal de 350 jours (QC350) vaut 43 m3/s, ou encore que le dbit dcennal de
315 jours (QC315) vaut 75 m3/s.
Ces approches ont t dveloppes en France, par Electricit de France pour ltude de la
svrit des tiages des cours deau au droit de ses installations de production dnergie
(MIQUEL et coll. [27]), par des canadiens (MATHIER et coll. [28]), et par le CEMAGREF
en collaboration avec des chercheurs canadiens et roumains, non seulement pour lvaluation
des risques dtiage (GALEA, et coll. [29] et [30] ), mais galement des dures dinondation
(GALEA, et coll. [31] ).

2. Les principaux indicateurs dtiages

La mthode mme dtude a permis de dfinir les principaux indicateurs, soit en fixant un
dbit (on parle alors dindicateur dbit fix ), soit en fixant une dure (on parle alors
dindicateur dure fixe ).
Voici un tableau propos en 1978 par MIQUEL et coll. ([25]):

56

INDICATEURS

DUREE
FIXEE

DEBIT
FIXE

DEFINITIONS

Dbit class (Q, D)

Dbit dpass D jours dans

lanne

Dbit moyen mensuel (Q, i)

Dbit moyen du ime mois

Dbit minimum mensuel (Q, i)

Dbit moyen mobile minima (Q, D)

Moyenne glissante des dbits

de D jours conscutifs la plus
faible de lanne

Dure classe annuelle (Q, D)

Dure totale dans lanne o

le dbit est infrieur Q fix

Dure individualise (Q, D)

Dure pendant laquelle le

dbit reste sans interruption
infrieur Q fix

Dure classe mensuelle (Q, D, i)

Dure totale dans le mois i

o le dbit est infrieur Q
fix

Dbit minimum du ime

mois

Bien entendu dautres indicateurs peuvent tre ajouts dans lune ou lautre catgorie, en
fonction de leur utilisation. Les indicateurs frquemment rencontrs sont :
Indicateurs dbit fix
- Les volumes manquants sous un seuil en dbit fix. Cet indicateur est utile
pour valuer la capacit dune rserve maintenir ponctuellement un dbit aval. A
noter que les volumes manquants cumuls dans lanne sont lis aux dbits
classs.
- Les dficits mensuels successifs : au Canada (INRS Eau), un seuil mensuel Q m0 en
dbit est dfini pour chaque mois (par exemple un quantile de la distribution des
dbits moyens du mois). Ensuite, chaque mois correspond deux possibilits : que
le dbit mensuel soit au dessus ou au dessous du seuil. Ds lors, lindicateur est le
nombre de mois successifs dficitaires ou au contraire sans dficit. Ce type
dindicateur convient bien aux analyses de risques de baisses de production
hydrolectrique associes aux dficits de la ressource en eau dallure assez lisse.
Indicateurs dure fixe
- QMNA : Dbit moyen mensuel le plus faible de lanne (trs utilis au niveau
europen, et en France dans les plans scheresse pour caractriser de faon
gnrale la priode dtiage, notamment le QMNA5, de priode de retour 5 ans).

57

VCNd: Dbit moyen minimum de d jours conscutifs de lanne, ou bien dun

mois donn au cours. Cet indicateur dure fixe est analogue un Dbit moyen
mobile minima (Q, D) le plus faible de lanne.
QCNd: Dbit seuil minimum (de lanne, ou bien dun mois donn) de d jours
conscutifs. Cet indicateur dure fixe est analogue au seuil en dbit de la Dure
Individualise la plus faible de lanne.
Le dbit moyen journalier le plus faible de lanne (de moins en moins utilis car
trop dpendant des effets anthropiques).
La plus faible moyenne des dbits de 7 jours conscutifs (utilis surtout aux USA
dans les annes 1980). Cet indicateur nest rien dautre que le Dbit moyen mobile
minima (Q, 7) mentionn dans le tableau prcdent.
Le module est une faon globale de juger de la svrit dune anne, mais il
mlange plusieurs phnomnes (tiage, crue, dbits intermdiaires). Il peut
nanmoins tre utilement restreint une partie de lanne juge sensible pour un
usage. Il se rapproche alors soit dun dbit moyen saisonnier, soit dun dbit
moyen glissant sur de longues dures.

Cette liste nest pas exhaustive, et les indicateurs sont nombreux. Mais alors quel indicateur
choisir ?
La rponse cette question dpend essentiellement de lutilisation qui en sera faite : at-on un problme de disponibilit de la ressource exprim en dbit seuil critique
(prises deau industrielles par exemple), ou bien en terme de capacit tenir pendant
une dure limite (si un usage dispose dune rserve), ou bien encore cherche-t-on un
indicateur multi-usage , utile un ensemble dusages plus ou moins bien cibls,
pour lesquels il faut qualifier la svrit dun pisode ?
Accessoirement, il peut tre intressant que lindicateur soit peu sensible aux effets
anthropiques, ou en tout cas permette de facilement identifier les effets anthropiques
de la partie naturelle : cest la raison pour laquelle le dbit instantan annuel est dlicat
manier, compte tenu de sa sensibilit de multiples interactions parfois trs brves et
difficiles identifier.

3. Analyse statistique des indicateurs dtiage

La plupart des indicateurs utiliss en pratique sont chantillonnage annuel, c'est--dire
forms par des sries de dbits ou de dures annuelles comme ltaient les dbits maxima
annuels de crue.
Cependant, les chantillons de certains indicateurs, notamment dbit fix, comme les Dures
Individualises sont forms de sries de valeurs, correspondant des pisodes pouvant se
produire plusieurs fois par an ou pas du tout : il faudra donc combiner la distribution des
dures avec la frquence annuelle des pisodes.

Dans tous les cas, larsenal des lois statistiques dj utilises pour ltude de la crue
(LogNormale, Galton, Exponentielles, Pearson, etc) suffit en gnral pour les tiages.

58

Nous allons passer en revue quelques exemples dindicateurs :

Le Dbit Class Q350 de la Garonne Lamagistre (proche de Mas dAgenais) dont voici
la srie de 1915 1935:

( Daprs [27] )

Le meilleur ajustement de cette srie a t obtenu avec la loi LogNormale (ci-dessous) :

( Daprs [27] )

Ainsi, en anne centennale, Q350 a 70% de chance dtre compris entre 59 et 67 m3/s.

59

Lindicateur des dficits mensuels successifs , analys par lINRS-Eau du

Canada (voir dfinition p 52 ) sajuste bien une loi Gamma, voire mme une loi
exponentielle simple. La figure ci-dessous est un exemple dinter comparaison des
qualits dajustement de lois possibles:

( Daprs [28] )

Dures Classes et Dures Individualises ces indicateurs dbit fix sajustent

souvent des lois de type Gamma comme la loi de Pearson:
f(D)

P(D) = Prob (dure<D) =

e-t . t l -1 . dt
G(l)

avec

f(D) = D l / s et
G = fonction Gamma

Cependant,
Sil sagit dindicateurs chantillonnage annuel, comme les Dures Classes DC Q
(Nombre annuel de jours o le dbit est infrieur un seuil Q), alors la priode de
retour des vnements se dduisent directement de la distribution prcdente :
T(D) =

1
1 - P(D)

Sil sagit dindicateur chantillonnage variable comme les Dures

Individualises DIQ (Nombre de jours o le dbit est sans interruption infrieur

60

un seuil Q) alors il faut tenir compte du nombre annuel de dures. Lestimation de

la priode de retour peut alors tre approxim de la faon suivante :
T(D) =

t
N(D) . (1 - P(D))

t = priode dobservation (annes)

condition que P(D) > 0,8

Reprenons le cas de la Garonne Lamagistre : lajustement des Dures individualises DI110,

c'est--dire du nombre total de jours annuels o le dbit est infrieur 110 m3/s, la loi
Gamma est fourni dans la figure ci-dessous :

( Daprs [27] )

Cet ajustement est ensuite rpt pour les diffrentes valeurs de dbit seuil intressant le
projeteur.

61

Lindicateur VCNd, est largement utilis pour valuer la svrit du creux de ltiage.
GALEA et coll [29] lajustent des lois LogNormales et rptent lopration pour diffrentes
dures:

( Daprs [30] )

Dans ce cas

Log [VCN(uf) ] = sd . uf + md
o

uf est la variable normale associe une probabilit donne

sd est lcart type de la distribution LogNormale
md est lcart type de la distribution LogNormale

4. Les courbes Dbit-Dure-Frquence

Dans certains cas, les ajustements prcdents suffiront au projeteur qui a parfois un seul seuil
(dbit ou dure) fix par son besoin ou bien une plage restreinte : arrts des prlvements en
rivire si le dbit descend en dessous dune valeur critique, volume disponible pendant 3 mois
dt, etc
Mais souvent son seuil nest pas aussi bien dfini, et peut mme tre un paramtre de rglage
de sa gestion : nous avons vu quil lui faut alors recommencer les mmes ajustements
diffrents seuils puis placer les rsultats de ces ajustements sur un mme graphique portant en
abscisse les dbits, en ordonnes les dures, et les diffrentes courbes iso frquences, et
sassurer de la cohrence des estimations entre les diffrents seuils.

62

Cette dernire opration ncessite un certain lissage, au moins empirique. A la place dun
lissage esthtique , il peut tre prfrable de se rapprocher de la notion de modle global en
tentant de trouver une forme pertinente aux variations des paramtres des lois et de les
paramtrer par des fonctions simples.

A titre dexemple, les figures ci-dessous concernant la Garonne montrent que les
variations des paramtres des lois statistiques obtenues en fonction du seuil sont loin dtre
erratiques, et que le principe dune telle paramtrisation est bien fond :

( Daprs [27] )

Ds lors en ajustant les paramtres des lois trouves en fonction de la variable fixe (dbit ou
dure), on peut alors fournir une synthse du risque dtiage correspondant un indicateur
donn.
Quelque soit le lissage employ (empirique, paramtrisation, modle plus global), les rsultats
se prsentent sous la forme des courbes Dbit-Dure-Frquence traces ci-dessous dans le
cas ci de la Garonne Lamagistre :

63

( Daprs [27] )

La pertinence de cette prsentation globale peut en outre tre conforte en reportant sur ce
graphique les frquences empiriques, ou plutt les priodes de retour empiriques observes
(nombres encercls), et apprcier ainsi laccord entre observations et modlisation.
Pour dautres indicateurs la prsentation sera lgrement diffrente, mais le principe reste
identique : ainsi la figure ci-dessous montre lquivalent des courbes Dbit-DureFrquence pour un indicateur comme les dbits moyens mensuels.

( Daprs [27] )

On lira ainsi que dbit moyen doctobre a 1 chance sur 10 dtre infrieur 80 m3/s et 1
chance sur 100 dtre infrieur 45 m3/s.
64

Dans le cas dj voqu de la Seine Nomny, les auteurs font deux hypothses :
1) ils estiment que dans lexpression
Log [VCN(uf)] = sd . uf + md, sd est
indpendant de d, cest dire sd. = s "d, autrement dit, les distributions
LogNormales sont parallles.

( Daprs [30] )

2) ils proposent une paramtrisation, non plus sur les paramtres des lois, mais
directement sur les quantiles : VCNd (uf) = VCN1 (uf) . [a(d-1)+1]

( Daprs [30] )

65

Ds lors une expression 3 paramtres suffit pour valuer lensemble des estimations des
risques de VCN :
VCNd (T) = exp[s.uf] .VCN1 (2) . [a .(d-1)+1] o T correspond uf
Cette approche doit toujours tre valide, ce que font les auteurs :

( Daprs [30] )

A noter que la mme approche est reprise pour lindicateur QCN d, et que un lien empirique
entre les quantiles des VCN d et des QCNd a pu mme tre mis en vidence [30].

5. Conclusion sur la prdtermination des tiages

Pour rsumer cette quatrime partie, on retiendra les points forts suivants :
-

Lanalyse des risques dtiage doit prendre en compte la dimension croise dbit et dure.
Pour simplifier, il est recommand dtudier des variables 1 dimension (dbit ou dure)
en fixant lautre (dure ou dbit), quitte ensuite faire varier cette dernire.
Les indicateurs possibles sont nombreux : cest lutilisation qui gouverne le bon choix.
Les lois rencontres les plus frquemment sont les lois exponentielles, LogNormales et
Pearson (sans exclusive)
Il est pratique de reprsenter les rsultats sous la forme de courbes comparaison .
Il est parfois possible de paramtrer les lois de faon quune sorte de modle global, avec
un nombre restreint de paramtres, sous-tende ces courbes comparaison .

Enfin, signalons que les mthodes prcdentes peuvent tre utiles pour dautres utilisations :
ce fut le cas de la pluie, pourquoi pas les tempratures (canicule), les pollutions, ou les

66

crues. Cest ce qua fait le CEMAGREF, dans les annes 1990, en dveloppant largement ce
type dapproche pour les tudes dinondation [31].

_________________________

67

ANNEXE 1

AJUSTEMENT DE QUELQUES LOIS USUELLES EN

HYDROLOGIE

1
2
3
4
5

Loi Normale et loi Log Normale

Loi de Gumbel et loi de Frchet
Loi de Pearson
Lois exponentielles
Loi de Poisson et loi Binomiale Ngative

l) LA LOI NORMALE ET LA LOI LOG NORMALE

Fonction de rpartition de
la loi Normale :

On retiendra que la loi Normale est une loi symtrique et plausible a priori si le phnomne physique
tudi peut tre considr comme une somme d'un grand nombre de petits phnomnes indpendants
(Thorme Central Limite). Pour les crues, lorsque le bassin tudi est grand (surface suprieure
10 000 km2), que son arrosage est trs diversifi, que ses affluents sont nombreux et relativement
indpendants, on peut parfois envisager que le dbit (ou plutt son logarithme) soit le rsultat d'une
telle somme de phnomnes. On dira que le dbit suit la loi de l'effet proportionnel, tablie par
Gibrat.
La loi Normale est cependant assez rarement la loi la mieux adapte, dautant que, les dbits ne
pouvant tre ngatifs, la formule ci-dessus est utilisable seulement si la moyenne des dbits est
grande devant l'cart type, et dans la mesure o on sintresse aux forts dbits.
En revanche on trouve assez souvent que le logarithme des dbits (qui, lui, peut tre ngatif) suit
souvent assez bien la loi Normale. Cest la loi
Log Normale, en remplaant Q par Log
(Q-Q0) ou simplement log Q.
1.1 Estimation des paramtres
Nous utiliserons la mthode des moments :
68

_
on obtient iustement : = Q
=s
1.2 Ajustement graphique
II faut :
tracer les points observs (Qi -fi ) o fi sont les frquences empiriques = i / (n+1)
tracer la courbe F(Q).
Si l'on trace F(Q) dans un plan gradu rgulirement, on va obtenir une courbe dont il est difficile de
juger l'adquation aux points exprimentaux. Par contre, si on fait la mme opration dans un plan
dont les ordonnes sont convenablement transformes, F(Q) apparatra comme une droite et il sera
plus facile de juger de l'alignement des points. Le papier Gauss, bien connu, ralise cette
transformation et permet d'effectuer sans calcul le report des points observs, et de tracer la droite
au moyen de deux points A et B de coordonnes :
A(Q: 0,500) B(Q + 2 s; 0,9773) .

Posons:

69

II est immdiat de voir qu'en transformant les ordonnes par -1 , le graphe de F(Q) devient une
droite de la forme y = (Q- )/

En rptant cette opration pour diverses probabilits p, on peut tracer les intervalles de confiance
% (en gnral 70%).
L'ajustement la loi Log Normale est identique : une premire approche consiste remplacer
remplacer le dbit Q par son logarithme dans tout ce qui vient d'tre dit. Lapproche complte en
remplaant Q par Log(Q-Q0) et en cherchant optimiser le paramtre Q0 est un peu plus complexe.
70

2) LA LOI DE GUMBEL (VALEURS EXTRMES) ET LA LOI DE FRCHT

Fonction de rpartition :
F(Q) = exp[ exp[ - (Q- )/ ] ]

Cette distribution n'est plus symtrique : elle donne plus de poids aux crues les plus fortes.
Son sous-titre valeurs extrmes provient du fait qu'elle rsulte de l'tude des valeurs extrmes
prises par une variable alatoire (fonction de rpartition ) au cours de n tirages indpendants, et qui
ont pour fonction de rpartition asymptotique n(x)= n(x). L'analyse de ce type de variables, ainsi
que celle du dpassement de divers seuils, ont t abordes par Fisher et Tippet, et compltes par
Gumbel. Il est vident que selon la loi initiale , on obtiendra diverses lois d'extrme (x), et
que celle propose n'est qu'un cas particulier. Cependant ce cas particulier convient souvent bien aux
crues. D'ailleurs il correspond une loi (x) que nous retrouverons dans la mthode du
Renouvellement. Certaines rivires, assez rares, s'ajustent mieux la loi de Frchet, qui est la mme
loi dans laquelle la variable Q est remplace par son logarithme (forme la plus courante).
2. l Estimation des paramtres
Estimation par la mthode des moments :
_
a = Q - 0,45.s
b = s / 1,28

2.2 Ajustement graphique

La dmarche est analogue celle suivie pour la loi Normale, sauf que le papier
utiliser n'est plus gaussien mais de Gumbel (double
log). La transformation des ordonnes est
simplement :
-1(y) = - log[ -log(y) ]

71

2.3 Intervalle de confiance

A une probabilit donne p de dpassement correspond un quantile Qp tel que
1-p = exp[-exp[-(Qp- )/ ]]
o

Qp = - . log[-log[1-p]]

ce qui permet d'crire en remplacant et :

Qp = m + p. &&

_
estim& par: Q*p = Q + p. s
avec

= - (0,45 + log[-log[1-p]]/1,28)

Considrons la variable :
_
T= (Q*p - Qp)/s = (Q-m- p. )/s + p
Cette variable est une mesure de l'cart entre
prvision et ralit. BERNIER a tudi cette variable
T, dont la loi n'est pas simple, et a calcul labaque ci
contre. On y lit, pour un nombre N d'observations
donn, et une probabilit p de crue, les valeurs T1 et
T2 de la variable T qui permettent de calculer les
bornes Q1 et Q2 de l'intervalle de confiance 70%
de la faon suivante :
Q1 = Qp -T1.s
Q2 = Qp +T2.s
Comme pour la loi Normale, il faut rpter ces
oprations pour diffrentes probabilits p afin
d'obtenir l'intervalle complet 70%.
L'ajustement la loi de Frchet s'obtient en ajustant
le logarithme des dbits la loi de Gumbel.

3) LES LOIS DE PEARSON ET LOG PEARSON

72

Densit :

Cette loi Gamma trois paramtres est trs en vogue dans les pays anglo-saxons : nous ne l'utilisons
que rarement car le plus souvent la loi Log Normale ou bien la loi des valeurs extrmes rpondent
la question. Un dfaut d'ajustement provient plus souvent des donnes, des hypothses, etc... que des
lois. Ceci dit, la loi Gamma est souple (3 paramtres) et souvent bien adapte aux calculs ultrieurs.
On peut notamment contrler son asymtrie et lui donner une forme plus pratique :
QT = m + K
o
m = moyenne
= cart type
QT = dbit de priode retour T
K = fonction tabule dpendant de T et du coefficient d'asymtrie. (K se lit
directement dans des tables selon la priode de retour de l'vnement cherch).
Les intervalles de confiance sont calculables mais assez compliqus, si bien que les utilisateurs
emploient galement des tables d'un certain kc permettant de calculer la borne suprieure, associe
un risque fix de dpassement :
(QT)c = m + kc.
c pour confidence limite interval .
On trouvera dans BOBBE un expos clair et complet de tous les calculs qui conduisent ces
formules simplifies. L'application pratique est facile mettre en oeuvre en consultant le guide
amricain d'estimation des probabilits de crues. Ce dernier fournit notamment les tables de K et kc
en fonction du risque et de la taille de l'chantillon des logarithmes des dbits (loi Log Pearson).

73

4) LES LOIS EXPONENTIELLES

4.1 La loi exponentielle simple
Fonction de rpartition :

F(x) = 1 - exp[- x]

Densit:

f(x) = .exp[- x]

L'estimation du paramtre unique par les moments ou par le Maximum de Vraisemblance est
identique :
_
=1/x
L'ajustement de cette loi se fait trs simplement sur papier semi-log.
Du point de vue pratique on prendra souvent x=Q-S, o S est un seuil en dbit. La loi
correspondante scrit:
G(Q) = 1 - exp[- (Q-S)]
_
= 1/(Q-S)
avec
La loi exponentielle simple prsente la particularit que la moyenne est gale l'cart type:
_
var Q = (Q - S )2
Intervalle de confiance : Une premire estimation simple de cet intervalle consiste calculer var Qp
en se
_
rappelant que : Qp=S+(Q-S).log(1/p) de sorte que Var Qp = (Qp - S)2 / N
4.2 La loi de Weibull
C'est une loi exponentielle deux paramtres.
fonction de rpartition :

F(x) = 1 - exp[- xp]

densit

f(x) = pxp-1.exp[- xp]

Cette fois l'estimation des paramtres p et p n'est plus aussi simple et diffre selon quon utilise
lestimateur des Moments ou du Maximum de Vraisemblance. Il en va de mme pour l'intervalle de
confiance dont les calculs sont dvelopps en seconde partie et en annexe 2 dans le cadre de la
mthode du Renouvelement.

74

5) LA LOI DE POISSON ET LA LOI BINOMIALE NGATIVE

Les lois prcdentes s'appliquent des variables alatoires continues, en 1'occurrence le dbit. Nous
aurons parfois besoin d'tudier une variable alatoire discrte: le nombre de crues pendant un laps de
temps fix. Le plus souvent, la loi de Poisson conviendra : dans les rares cas o il n'en est pas ainsi la
loi Binomiale Ngative prend le relai. Nous nous limiterons donc au rappel de ces deux lois.
5.1 La loi de Poisson
Cest une loi l paramtre : P(n)=exp(-m) . mn
n!
_
Lunique paramtre m est gal la moyenne et s'estime naturellement par : n = ni /N o {ni} est
la suite des nombres entiers alatoires observs (par exemple le nombre de crues de chaque anne).
L'cart type est gal la racine carre de la moyenne. Cette loi est bien connue et ne ncessite pas
d'tre plus dtaille.
5.2 la loi Binomiale Ngative

Il existe un grand nombre d'autres lois que l'on rencontre au hasard de la littrature : celles cites ici
sont amplement suffisantes pour estimer les risques de crue dans 99% des cas. Des lois plus
sophistiques n'apportent pas grand chose car les donnes, notamment dans la zone des vnements
rares, sont en gnral trop peu nombreuses pour les valider, si bien que ces lois, apparemment plus
adaptes, sont en fait trompeuses. Par contre on pourra trouver des variantes de ces lois tout fait
justifies, par exemple les lois tronques qui combinent une des lois cites ci-dessus avec un
comportement diffrent l'origine. Ce type de loi est employ en hydrologie dans la mthode des
Maxima Annuels lorsqu'on veut carter les crues trop faibles (non reprsentatives).

75

ANNEXE 2

ESTIMATION DES PARAMTRES DE LA METHODE DU

RENOUVELLEMENT ET DE LEURS INCERTITUDES

Cette annexe dtaille certains calculs mentionns en deuxime Partie, page 7, et en utilisant les mme
notations.
Elle est extraite de [18].

76

77

78

79

80

81

82

83

84

85

86

ANNEXE 3

TABLES STATISTIQUES
ET
PAPIERS GAUSS ET GUMBEL

87

Table de la loi Normale (ou loi de Gauss)

Fonction de rpartition de la loi Normale centre rduite
(probabilit de trouver une valeur infrieure u )

88

Table de la loi de Student

Fractiles tP de la loi de Student

89

Table de la loi du 2
Fractiles P2 de la loi de 2

90

Intervalles de confiance pour la loi de Gumbel

Abaque de BERNIER

91

Papier de Gumbel

92

Papier de Gauss

93

RFRENCES BIBLIOGRAHIQUES

Ouvrages gnraux
[ 1]

BERNIER J., PARENT E., BOREUX JJ.

Statistique pour lEnvironnement Ed. Technique et documentation, 2000

[ 2]

BOWKER et LIEBERMAN
Mthode statistique de l'ingnieur , Dunod, Paris, 1975.

[3 ]

HAAN
Statistical methods in hydrology . lowa State University Press, 1977.

[4 ]

KENDALL
The advanced theory of statistics , Griffin, Londres, 1960.

[5 ]

LEBART L., MOINEAU A et FENELON JP.

Traitement des donnes statistiques Dunod, Paris, 1979

Ouvrages et articles spcialiss

[6 ]

BERNIER J.
Donnes incompltes et transfert dinformations-cas du dimensionnement de
protections contre les crues , 15ime Assises de lAssociation Qubquoise de
Technique de leau, Montral, 1987
[ 7]

BERNIER J.
Sur la nature alatoire du cot des dommages provoqus par les crues , La Houille
Blanche, n l, 1979.
[8 ]

BERNIER J. et MIQUEL J.
Incertitude de l'information et dcisions en situation de risque. Cas de problme de
protection contre les crues ,La Houille Blanche, n 4/5, 1979.
[ 9]

BOBEE B.
Contribution l'tude statistique des dbits maximaux annuels de crue par les
distributions de Pearson III et Log Pearson III , Thse de Docteur Ingnieur,
Toulouse, 1976.
[ 10]

COX
Renewall Theory , Wiley, New York, 1962.
94

[ 11]

CRAMER et LEADBETTER
Stationnary and related stochastic processes , Wiley, New-York, 1967.

[12 ]

CREUTIN D.
Mthode dinterpolation optimale de champs hydromtorologiques. Comparaison et
application une srie dpisodes pluvieux cvenols Thse INPG - Grenoble, 1979
[ 13]

DELHOMME JP.
Application de la thorie des variables rgionalises dans les sciences de lEau
Bulletin du BRGM, 1978
[ 14]

Document par un groupe de travail du CFGB

Les crues de projet des barrages : methode du Gradex, 1994

[ 15]

GUILLOT P., DUBAND D.

La mthode du gradex pour le calcul de la probabilit des crues partir des pluies
IASH, Publication n 84, 1967.
[16]

GUMBEL
Statistics of extrmes , Columbia University Press, New York, 1958.

[ 17]

MARGOUM M
Estimations des crues rares et extrmes : Le modle AGREGEE. Conception et
premires validations - Thse, CEMAGREF et Ecole des Mines de Paris, Juillet 1992.
[ 18]

MIQUEL J.
Guide pratique d'estimation des probabilits de crues Ed Eyrolles, 1984

[ 19]

REMENIERIAS
L'hydrologie de l'ingnieur , Eyrolles, Paris, 1965.

[20]

PARDE
Le rgime de la Garonne revue Gographique de Pyrnes et du Sud-Ouest, 1935

[ 21]

ROCHE
Hydrologie de Surface , Gauthier-Villars, Paris, 1963.

[221] WORLD METEOROLOGICAL ORGANISATION

Estimation of maximum probable floods ,WMO n 233, TP126.
[ 23]

WORLD METEOROLOGICAL ORGANISATION

Manual for estimation of probable maximum precipitation,WMO 1986.

[ 24]

YEVJEVICH
Probability and statistics in hydrology , Water Ressources Publications.
Fort Collins, 1972.

95

[25]

YEVJEVICH, V
An objective approach to definitions and investigations of continental hydrologic
droughts. Hydrology papers, Colorado State University, Fort Collins,Colorado, 23.
1967

[26]

NOTRH, M : Processus hydrologiques intermittents. Etude de modlisations

stochastiques et application . Thse n149. Ecole Polytechnique de Lausanne. 1981.

[27]

MIQUEL J et PHIEN BOU PHA, B : Temptiage : un modle destimation des

risque dtiage . Socit Hydrotechnique de France, XVimes journes de
lhydraulique, 1978

[28]

MATHIER, L.,PERREAULT, L., BOBBEE, B. : The use of gomtrique and

gamma-related distributions for frquency analysis of water deficit . Stochartic
Hydrology and Hydraulics, 6(1992) 239-254

[29]

GALEA, G., MERCIER, G., ADLER, M.J. : Modles debit-dure-frquence

dtiage, concept et usage pour une approche rgionale des rgimes de basses eaux des
bassins hydrographiques de la Loire (France) et du Crisu-Alb (Roumanie) . Revue
des sciences de leau, 12/1 (1999) 93-122

[30]

GALEA, G., JAVELLE, P., CHAPUT, N. : Un modle dbit dure frquence pour
caractriser le rgime dun bassin versant . Revue des sciences de leau, 13/4 (2000)
421-440

[31]

JAVEL, P., GALEA, G., GRESILLON, J-M. : Lapproche dure-dbit-frquence :

historique et avances , Revue des Sciences de leau, 13/3(2000) 305-323.