Mieux connaître la distribution spatiale des pluies améliore-t-il la modélisation des crues ? Diagnostic sur 181 bassins versants français

par Florent Lobligeois

Thèse de doctorat en Hydrologie

Sous la direction de Cécile Loumagne et de Vazken Andréassian.

Soutenue le 24-03-2014

à Paris, AgroParisTech , dans le cadre de École doctorale Géosciences, ressources naturelles et environnement (Paris) , en partenariat avec AgroParisTech (France) (laboratoire) et de Irstea, UR HBAN (laboratoire) .

Le président du jury était Cyril Kao.

Le jury était composé de Cécile Loumagne, Vazken Andréassian, Rémy Garçon, Éric Martin.

Les rapporteurs étaient András Bárdossy, Denis Dartus.


  • Résumé

    Les modèles hydrologiques sont des outils indispensables pour calculer les débits a l’exutoire des bassins versants, la gestion des aménagements hydrauliques ou encore la prévision et la prévention des inondations. Les précipitations représentent la variable climatique principale à l’origine des débits des cours d’eau qui s’écoulent au sein d’un bassin versant. De ce fait, la réponse hydrologique du bassin est fortement dépendante de la représentativité des données d’entrée de précipitation.Les radars météorologiques, qui permettent aujourd’hui d’accéder a des mesures a haute résolution spatiale et temporelle des champs de précipitation, sont de plus en plus utilises dans le domaine de la prévision, pour le suivi des situations hydrométéorologiques. Cependant, la mesure des précipitations par radar est entachée d’erreurs qui peuvent affecter gravement la qualité des simulations de débit. De ce fait, l’utilisation des données de précipitations a haute résolution spatiale pour la modélisation hydrologique est souvent limitée par rapport a l’utilisation des données pluviométriques.Récemment, Météo-France a développe une réanalyse des lames d’eau au pas de temps horaire, sur une durée de 10 ans, en combinant l’ensemble des données de précipitation radar et pluviométriques : les mesures radars ont été corrigées et étalonnées avec le réseau de mesure au sol horaire et journalier. Dans cette thèse, nous proposons d’étudier l’intérêt de cette nouvelle base de données à haute résolution spatiale pour la modélisation pluie-débit.Dans un premier temps, nous avons développe et valide un modèle hydrologique semi-distribue qui a la capacité de fonctionner pour différentes résolutions spatiales, de la représentation globale jusqu’a une discrétisation spatiale très fine des bassins. Dans un deuxième temps, l’impact de la résolution spatiale des données d’entrée de précipitation sur la simulation des débits a été analysé. L’apport de l’information radar pour l’estimation des précipitations a été évalue par rapport a une utilisation exclusive des pluviomètres, par le biais de la modélisation pluie-débit en termes de précision des débits a l’exutoire des bassins. Enfin, le modèle semi-distribue TGR a été comparé avec le modèle global GRP actuellement opérationnel dans les Services de Prévision des Crues. L’originalité de notre travail réside sur l’utilisation de données d’observation sur un large échantillon de 181 bassins versants français représentant une grande diversité de tailles et conditions climatiques, ce qui nous permet d’apporter un diagnostic robuste et des éléments de réponse sur les problématiques scientifiques traitées.

  • Titre traduit

    Can we improve streamflow modeling by using higher resolution rainfall information? Diagnostic test on 181 french watersheds


  • Résumé

    Hydrologic models are essential tools to compute the catchment rainfall-runoff response required for river management and flood forecast purposes. Precipitation dominates the high frequency hydrological response, and its simulation is thus dependent on the way rainfall is represented. In this context, the sensitivity of runoff hydrographs to the spatial variability of forcing data is a major concern of researchers. However, results from the abundant literature are contrasted and it is still difficult to reach a clear consensus.Weather radar is considered to be helpful for hydrological forecasting since it provides rainfall estimates with high temporal and spatial resolution. However, it has long been shown that quantitative errors inherent to the radar rainfall estimates greatly affect rainfall-runoff simulations. As a result, the benefit from improved spatial resolution of rainfall estimates is often limited for hydrological applications compared to the use of traditional ground networks.Recently, Météo-France developed a rainfall reanalysis over France at the hourly time step over a 10-year period combining radar data and raingauge measurements: weather radar data were corrected and adjusted with both hourly and daily raingauge data. Here we propose a framework to evaluate the improvement in streamflow simulation gained by using this new high resolution product.First, a model able to cope with different spatial resolutions, from lumped to semi-distributed, was developed and validated. Second, the impact of spatial rainfall resolution input on streamflow simulation was investigated. Then, the usefulness of spatial radar data measurements for rainfall estimates was compared with an exclusive use of ground raingauge measurements and evaluated through hydrological modelling in terms of streamflow simulation improvements. Finally, semi-distributed modelling with the TGR model was performed for flood forecasting and compared with the lumped forecasting GRP model currently in use in the French flood forecast services. The originality of our work is that it is based on actual measurements from a large set of 181 French catchments representing a variety of size and climate conditions, which allows to draw reliable conclusions.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse ?

  • Bibliothèque : AgroParisTech. Centre de Paris Claude Bernard. Bibliothèque.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.