Prévision des crues rapides avec des modèles hydrologiques globaux : application aux bassins opérationnels de la Loire supérieure : évaluation des modélisations, prise en compte des incertitudes sur les précipitations moyennes spatiales et utilisation de prévisions météorologiques

Flash Flood Forecast with lumped hydrological models : application on upper Loire river operational catchments : modelling assessment, taking into account of uncertainties on mean areal precipitation and use of meteorological forecasts.

• Auteur / Autrice : Laetitia Moulin
• Direction : Charles Obled, Eric Gaume
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'eau
• Date : Soutenance en 2007
• Etablissement(s) : Paris, AgroParisTech

Mots clés

Mots clés contrôlés

Pays de la Loire (France)

Inondations -- Prévision

Modèles mathématiques

Pluie

Résumé

Ce travail propose d’évaluer, dans le cas des bassins versants de la Loire supérieure, l’intérêt de modèles pluie-débit globaux pour la prévision opérationnelle des crues rapides. Après une description du bassin à Bas-en-Basset, l’analyse critique des jeux de données disponibles met en évidence leur richesse, mais aussi leurs défauts. La grande variété des événements hydrométéorologiques touchant ces bassins apparaît particulièrement intéressante pour comparer des modèles hydrologiques. Des modèles conceptuels simples sont apparus plus robustes et souvent plus performants que des modèles statistiques ou des réseaux de neurones artificiels. Des critères spécifiques à la prévision des crues mettent en évidence les informations sur l’évolution immédiate des débits apportées par la transformation de la pluie en débit, même si les erreurs de modélisation restent importantes et finalement proches d’un modèle à l’autre. Un effort particulier a été porté sur l’estimation par krigeage des précipitations moyennes spatiales, pour lesquelles un modèle d’erreur est proposé et validé sur les données. Ces incertitudes, propagées dans les modèles pluie-débit, contribuent, selon la taille des bassins, à une part variable de l’erreur totale de modélisation. Enfin un travail exploratoire a montré l’intérêt d’inclure des prévisions de pluies probabilisées dans une chaîne hydrométéorologique, pour augmenter les délais d’anticipation et prendre en compte les incertitudes associées. Toutefois, la disponibilité de ces prévisions impose des traitements préalables à leur utilisation. Il ressort que des outils simples peuvent laisser envisager des améliorations dans ce domaine encore très perfectible de la prévision des crues.

The aim of the present work is the evaluation of lumped rainfall-runoff (RR) models for flood forecasting in the case of upper Loire river catchments. Following the description of Loire catchment at Bas-en-Basset, an analysis demonstrates both the worth and the flaws of presently available data sets. The high variability of these hydrometeorological events enables us to compare RR models in particularly difficult but interesting contexts. Simple conceptual models appear more robust and often more efficient than data-driven models. A further evaluation, based on specific criteria for flood forecasting, highlight the information about flood evolution provided by conceptual RR models, even though modelling errors remain altogether significant while the various models behave in a similar way. Estimation of mean areal precipitation is conducted with kriging tools and a model of uncertainty on mean areal precipitation estimation is proposed and validated on data. These uncertainties are then propagated within RR models. Their impact is reasonably different with respect to catchment size, as a variable part of the global modelling error may be explained. Finally, an exploratory work has demonstrated the usefulness of taking into account probabilistic precipitation forecast into a hydrometeorological chain: longer anticipation has consequently been obtained. Although pre-processing linked to these forecast availability is absolutely necessary As a conclusion, simple tools let us expect improvements in this very perfectible field.