République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la

Recherche Scientifique
Université Abderrahmane Mira de Bejaia
Faculté de Technologie
Département d’Hydraulique

Atmane Allouache

HYDROLOGIE
Pour les étudiants de Master 1

POLYCOPIÉ

1ère.Éditon

BEJAIA 2014
 TABLE DES MATIÈRES

1. INTRODUCTION

2. RAPPELS DE QUELQUES NOTIONS DES STATISTIQUES

1. NOTIONS DE BASE
2. LOIS STATISTIQUES UTILISÉES EN HYDROLOGIE
2.2.1 LOI NORMALE (OU LOI DE GAUSS, OU GAUSS-LAPLACE)
2.2.2 LOI LOGNORMALE
2.2.3 LOI DE PEARSON III
2.2.4 LOI DE WEIBULL
2.2.5 LOI DE GUMBELL
3. TEST D´AJUSTEMENT χ ([Link])
2

4. TEST D´AJUSTEMENT DE KOLMOGOROV-SMIRNOV

3. MODELISATION EN HYDROLOGIE
1. INTRODUCTION
2. REGRESSION SIMPLE
3. REGRESSION MULTIPLE

4. ETUDE DES CRUES ET DES ETIAGES

1. INTRODUCTION
2. ETUDE DES CRUES
3. ETUDE DES ETIAGES

5. ANALYSE EN COMPOSANTES PRINCIPALES

1. INTRODUCTION
2. PREPARATION DES DONNÉES
3. MATRICE DES COVARIANCES
4. RECHERCHE DES VALEURS PROPRES
5. TAUX D´INFORMATION

6. CONCLUSION GÉNÉRALE SUR LE MODULE

 AVANT-PROPOS

Ce polycopié vient combler un manque flagrant d´ouvrages traitant de l´hydrologie statistique

dans les bibliothèques de l´Université de Bejaia.

1. INTRODUCTION

Les processus hydrologiques, comme forme temporelle de l´action mutuelle des

phénomènes hydrologiques, sont de par leur nature, des phénomènes de caractère

stochastique (aléatoire). Les méthodes statistiques, c´est á dire probabilistes, étudient les

phénomènes ou processus hydrologiques au moyen de modèles, reproduisant leur caractère

stochastique (probabiliste). Leur base mathématique est la théorie des probabilités avec toutes

ses branches modernes. L´utilisation á large échelle de l´analyse statistique et probabiliste en

hydrologie est due au caractère aléatoire des évenements naturels comme par exemple, les

précipitations, l´écoulement sous forme de débits, ...etc.

Il faut rappeler que l´utilisation mécanique des statistiques, sans compréhension des

phénomènes auxquels elles s´appliquent, peut mener á des résultats erronés, illogiques et

parfois même dangereux (mauvais dimensionnement d´un évacuateu de crues par exemple !).

Dans le chapitre 2, nous rappelerons briévement quelques notions des statistiques et

des probabilités. Nous décrirons ensuite briévement quelques lois statistiques couramment

utilisées en hydrologies et nous indiquerons pour chacune d´elles pour quel type de données

elles sont souvent utilisées. Quelques tests d´ajustement de ces lois aux distributions

empiriques seront également traités dans ce chapitre.

Le chapitre 3 sera consacré aux relations entre variables aléatoires. Concrètement, les

régressions simple et multiple seront étudiées.

Le chapitre 4 est dédié aux études de crues et étiages.

 Le chapitre 5 sera consacré à l´utilisation en hydrologie de l´analyse en composantes

principales. Une conclusion générale sur le module enseigné sera donnée en fin du polycopié.

[Link] DE QUELQUES NOTIONS DES STATISTIQUES

2.1 NOTIONS DE BASE

- Population statistique

C´est un ensemble d´individus ou d´unités statistiques. Elle peut être finie ou infinie,

dénombrable ou non dénombrable. Du point de vue strictement théorique, une population est

infinie et non dénombrable. Par un artifice, on peut remplacer une population finie par une

population infinie (tirage avec remplacement). Par exemple, l´ensemble des habitants sur la

Terre peut être assimilé à une population statistique et l´ensemble des habitants de Béjaia est

un échantillon de cette population. L´exemple donné convient à une population finie.

L´ensemble des êtres vivants sur la Terre (et encore plus sur l´univers) peut être considéré

comme population infinie!

Les séries de variables hydroclimatologiques avec lesquelles nous travaillons ne sont que des

échantillons de populations pouvant être considérées comme finies ou infinies.

- Échantillon

est un ensemble d´individus tirés d´une population, c´est donc un ensemble (une partie) d´une

population. Un ensemble d´individus tirés aléatoirement d´un échantillon est lui-même un

échantillon aléatoire. Par exemple, vous avez tiré en TD des échantillons (débits et

précipitations) à partir des échantillons d´origine (série de débits de l´oued Boughrara ou

série des précipitations d´El kseur).

- Unités statistiques ou individus

constituent les éléments d´une population ou d´un échantillon statistique. Chaque individu ou

unité statistique est décrit selon une ou plusieurs caractéristiques désignés par variable,

caractère ou attribut. Tous les individus d´une population (ou échantillon) doivent avoir au
 moins un caractère (attribut ou variable) commun. Par rapport à ce caractère la population

(l´échantillon) est homogène. Elle peut ne pas l´etre par rapport aux autres !

- Modalités (syn.: attributs)

On désigne sous ce terme les différentes caractéristiques d´une variable. Chaque individu ne

doit présenter qu´une et une seule modalité à la fois (exhaustivité et disjonctivité).

- Variable quantitative ou qualitative ( voir cours hydrologie statistique 3.A LMD)

- Pour une variable quantitative continue, les données, si elles sont nombreuses, peuvent être

regroupées en classes.

- Amplitude, intervalle ou longueur de la classe est la différence entre la borne supérieure et

la borne inférieure de la classe.

- Fonction de densité des probabilités (ou fonction fréquentielle) de la variable aléatoire

continue X, notée f(x) représente la limite du rapport fi/Δx lorsque n tend vers ∞ ( fi tend

vers p) et Δx tend vers dx, soit f(x)=p/dx

f(x) représente donc la probabilité que la v.a. X prenne la valeur x, ou autrement

f(x)=P(X=x). Mis en hydrologie, on travaille beaucoup avec son intégrale ( ∫ ( ) ), qui

est la

- Fonction de répartition ( synonyme: Fonction de distribution) (variable quantitative)

F(x) est la fréquence relative cumulée des individus dont la valeur est inférieure ou égale à x.

C´est donc une probabilité selon la définition statistique de la probabilité, autrement dit

F(x)= P(X ≤ x), appelée probabilité au non-dépassement. La fonction complémentaire à 1,

telle que G(x)= 1 – F(x) est la fréquence relative cumuléedes individus dont la valeur est

supérieure à x, c´est aussi une probabilité et donc G(x)= P(X > x), appelée probabilité au

dépassement.

o Période de retour
Les hydrologues utilisent souvent la notion de période de retour. Celle-ci est

étroitement liée à celle de probabilité au dépassement ( ou au non-

dépassement). Soit une variable aléatoire quelconque X qui prend ses valeurs

avec le pas de temps annuel ( par ex. débits moyens annuels, débits maximum

annuels, totaux pluviométriques annuels,...etc.) et soit x une valeur

quelconque choisie arbitrairement ( ou simplement connue) , la période de

retour de T années d‘ un évènement X est définie comme T= , où

( )

F(x)=Prob(X ). Ainsi donc on peut définir un débit annuel QT de période

de retour T comme le débit dont la probabilité de dépassement au cours d‘ une

année est d‘ 1 chance sur T, soit Prob(Q T) = 1- F(QT)=

Et la Prob(Q T) = F(QT)=

A titre d‘exemple, le débit, noté Q10, de période de retour T égale à 10 ans est

appelé «débit décennal» et le débit centennal Q100 est le débit dont la période

de retour T est égale à 100 ans, ... et ainsi de suite.

Cette appelation de «période de retour», quoique pratique pour souligner que

l’évènement QT se produit rarement est toutefois trompeuse car elle pourrait

faire croire que l’évènement ( exemple crues) se produit de manière régulière

toutes les T années. Alors qu‘ en réalité qu’il ne s’agit que d’une espérance

mathématique qui veut dire tout simplement que l‘ évènement se produit en

moyenne 1 fois par T années. Par exemple, si une crue QT vient de se

produire, une autre de même intensité pourrait se produire juste après ou se

produire après un temps lointain ou ne se produira plus. Il peut aussi arriver

que plusieurs crues par ex. centennales se produisent en peu de temps ou qu‘

en plusieurs siècles ou millenaires aucune crue centennale ne se produise !

En résumé et sous forme de remarque importante:

La période de retour T est utilisée en hydrologie statistique comme une

mesure de la probabilité de dépassement par ex. de la crue QT .

Afin d´éviter toute confusion quant à son utilisation, il convient de

retenir que, par exemple, le débit QT de période de retour T est le débit

qui a 1 chance sur T d´être dépassé au cours d´une année. La période de

reour se refère à une probabilité au dépassement et non à une

probabilité au non-dépassement !

La courbe de fréquences cumulées croissantes est le graphe de la fonction

de répartition F(x).

La courbe de fréquences cumulées décroissantes est le graphe de la

fonction au dépassement G(x) = 1- F(x)

Diagrammes en bâtons: représentation graphique de la distribution d´une

variable quantitative discrète

Histogramme: représentation graphique sous forme de rectangles de la

distribution d´une variable quantitative continue après regroupement des

données en classes. La largeur du rectangle est égale à l´intervalle

(amplitude) de la classe et la hauteur l´effectif de la classe. De préférence,

on construit l´histogramme avec des rectangles d´égale largeur (intervalle).

Nous avons vu (cf. Cours Hydrologie statistique – 3.A LMD HU) que

f(x)= lim((ni/n)/dx) quand n tend vers ∞. Ainsi donc pour une population
infinie l´histogramme et le polygone des fréquences tendent vers la courbe

représentée par f(x) lorsque le nombre de classes tend vers n et dx tend vers

0 (Figure 1).

Une variable aléatoire peut également être caractérisée par ses paramètres

de position (moyenne, médiane, mode, …etc.) et ses paramètres de

variabilité (coefficient de variation Cv comme rapport de l’écart-type à la

moyenne, coefficient d’asymétrie ou dissymétrie Cs , variance- évent.

écart-type, …etc.).
 Distribution Totaux pluviométriques annuels [Link] (Bejaia).n=61 ans
y = 61 * 128,343 * normal (x; 770,5213; 204,749)

16

14
i

12
fréquences absolues n

10

0
<= 459,843 (588,186;716,529] (844,871;973,214] > 1101,557
(459,843;588,186] (716,529;844,871] (973,214;1101,557]
Classes Totaux pluviométriques annuels en mm

Figure 1. Histogramme (1), polygone (2) et courbe (3) des fréquences des totaux
pluviométriques d´El Kseur.
Les quantiles constituent une autre catégorie de paramètres pouvant caractériser la

variable aléatoire. Les quantiles sont déduis de la fonction de la fonction quantile qui

est la fonction inverse à la fonction de distribution F(x). Soit donc une fonction de

distribution F(x) continue et croissante, soit α la probabilité au non-dépassement, telle

que 0<α<1, alors la valeur xα, telle que F(xα)=α est appelée α-quantile de la

distribution donnée quelconque de la v.a. X et elle est égale à xα=F-1(α) . Certains

quantiles sont bien connus :

 x0,5=F-1(0,5) est la médiane

 x0,25=F-1(0,25) est le quartile inférieur

 x0,75=F-1(0,75) est le quartile supérieur

Pour des utilisations pratiques on utilise surtout certains quantiles

caractéristiques de la distribution de la loi normale standardisée:

z0,95= 1,64 z0,975=1,96 z0,99=2,33 z0,995=2,58

Les valeurs de la fonction de distribution standardisée et les quantiles

correspondants sont donnés dans chaque bon ouvrage des statistiques. On

utilise parfois pour la variable standardisée la lettre u ou t au lieu de z, mais ce

n´est qu´une question de notation !

A la place des quantiles on utilise aussi souvent les valeurs dites «

critiques ». La valeur critique de la variable aléatoire continue X est la valeur

pour laquelle P(X≥xα) = α ou P(X<xα) = 1 - α

La probabilité α est appelée seuil de signification et P= 1- α est la

probabilité de confiance (fiabilité).

Nous savons (cf. Cours hydrologie statisque – 3.A LMD ) que les deux
 formes (originale et standardisée ) de la fonction de densité des probabilités

de la loi normale est symétrique. Cette symétrie implique pour les quantiles

standardisés zp= - z1-p

Les intervalles de confiance pour la moyenne μ et l´écart-type σ d´une

population qui suit la loi normale se déduisent à partir de la moyenne et de

l´écart-type de l´échantillon issu de cette population :

 pour la moyenne P% IC μ = ̅ zα/2 .( sx/√ )

 pour l´écart-type P%IC σ = sx zα/2 .( sx/√ )

2.2 LOIS STATISTIQUES UTILISÉES EN HYDROLOGIE

1) Loi normale
Synonyme : loi de Gauss, loi de Gauss-Laplace)
( )
Pour la v.a. X, sa f.d.p. est f(x)= .
√

Sa forme standardisée ( si on pose u= ) est :

f(u) = .
√

La fonction de répartition standardisée de la loi normale est :

F(u)=∫ ( )
̅
pour un échantillon tiré d´une population qui suit la loi normale u=

où ̅ est la moyenne de l´échantillon

s est l´écart-type de l´échantillon

le quantile xF = uF . s + ̅ est donné par l´équation de la droite dite

« d´Henri » dans le diagramme des probabilités de Gauss où l´échelle

des ordonnées xF est arithmétique et l´échelle des abscisses F ( et UF) est

Gaussienne. F et UF sont données par les tables statistiques pour la loi de

Gauss.

Les tables statistiques ne donnent pas toutes les valeurs des quantiles uF

(resp. F- probabilités au non-dépassement). Mais il existe un

algorithme très performant pour le calcul des fonctions quantiles UF

issues de la loi normale standardisée pour n´importe quelle probabilité

au non-dépassement F . Ce calcul peut être réalisé sur une calculatrice

de poche :

UF = w - (2.2.1)

Avec

A= a0 + a1*W + a2*W2 et B= 1 + b1*W + b2*W2 + b3*W3

W=√
( )

a0= 2,515517 a1 = 0,802853 a2 = 0,010328

b1 = 1,432788 b2 = 0,189269 b3 = 0,001308
L´équation 2.2.1 ci-dessus s´applique pour 0 ≤ F ≤ 0,5

Pour F >0, 5 on utilise la propriété connue des quantiles de la loi

normale qui dit UF = -U1-F .

La loi normale s´ajuste bien à l´échantillon observé et l´expression de la

droite d´Henry pour cette loi servira à calculer les quantiles rares ( non

mesurés) entrant dans les considérations de dimensionnement

d´ouvrages hydrauliques par exemple.

 La loi normale s´adapte en général bien aux données annuels (ex.

débits moyens annuels des cours d´eau des régions tempérées, les

totaux moyens annuels des précipitations des régions

méditerranéennes).

Exemple d´application :
Nous savons en TD que la série des totaux pluviométriques annuels de la station d´El Kseur
suit la loi de Gauss (normale).

Calculez le total pluviométrique annuel de période de retour 1000 ans

Réponse :
Variante 1 :Utilisation de la table de la loi de Gauss
Pour T=1000 on a F= 1- 1/T = 1-0,001=0,999
La table de Gauss donne pour F=0,999 UF = -2,99
Donc U1-F = 2,99
Nous savons que la moyenne ̅ = 770,5 mm et sh = 204,8 mm
hT (h1/T) = U1-F * sh + ̅
Donc h1000 de
L´ajustement = 204,8
la loi *normale
2,99 + à770,5 = 1383 mm
l´échantillon observé se vérifie ( voir
Donc le total pluviométrique annuel dépassé en moyenne 1 fois tous
TD1les) 1000
en portant
ans estles
depoints empiriques xi, F(xi) (les valeurs xi classées
1383 mm
Variante 2 : Utilisation de l´équation (221)
Celle-ci donne pour 1-F= 1/T =1/1000 = 0,001
L´équation donne W=3,7169, soit U1-F = 3
Donc hT = 3*204,8 + 770,5 = 1385 mm
2) La loi Log normale
A certaines données hydroclimatologiques correspondent mieux les lois

statistiques asymétriques comme par exemple la loi Log normale à 2 ou à

3 paramètres. La loi Log normale à 2 paramètres est notée LN2 et à 3

paramètres LN3. Ces lois s´appliquent aux échantillons de données très

asymétriques. Les débits des cours d´eau algériens suivent en général la loi

LN2 (Figure 2).

Si la variable aléatoire X suit la loi Log normale, son logarithme (naturel

ou décimal) suit la loi normale. Soit pour la v.a X

 LN2 : y=Ln(x) y suit la loi normale ( Ln=logarithme naturel)

Sa fa fonction de densité des probabilités f.d.p. pour une population de

( ( ) )
paramètres m et σ - est f(x)=
√

Où m==μ=̅̅̅̅̅(xi) et σ est l´écart-type des Ln(xi) (s= écart-type des

Ln(xi) pour un échantillon). La variable standardisée est donc

( )
u=

Le quantile xF = ( F et u à chercher dans Table de la loi

normale, F- probabilité au non dépassement et u quantile correspondant à

F). Les paramètres de LN2 sont m et s (resp. σ).

Exemple d´application :
Reprenons la série de débits moyens annuels de l´oued Boughrara, distribuée au TD1.

 Classez cette série en ordre croissant et calculez pour chaque débit Qi de la série
classée les probabilités au non-dépassement Fi correspondantes selon la formule de
Tchégodayev
 Portez les points Qi, Fi sur le diagramme des probabilités de la loi Lognormale

Que concluez-vous ?
Calculez le débit de période de retour 125 000 ans
Réponse : si vous avez bien porté vos points sur le diagramme, ceux-ci (vous le
remarquez ! ) devraient s´aligner plus ou moins autour d´une droite (droite d´Henri)
ayant pour équation yF = m +UF * s
avec m=moyenne des Ln(Qi) et s=écart-type des Ln(Qi)
les calculs donnent m= 1,714 et s= 0,704
mais yF = Ln (QF) ( ou resp. y1-F = Ln(Q1-F)
la période de retour T=125 000 donc probabilité au dépassement 1-F=1/T = 8.10-6 , et
probabilité au non-dépassement est F=1-8.10-6 ce qui donne pour UF = - 2,457
donc U1-F = 2,457 , soit y1-F = 1,714 + 0,704 * 2,457 = 3,444
Q1-F = exp (y1-F) = 31,30 m car F étant la probabilité au non-dépassement, donc 1-F
est la probabilité au dépassement et Q1-F étant le débit dépassé en moyenne 1 fois
tous les 125 000 ans !

 LN3 : y= Ln(x-a) y suit la loi normale

( ( ) )
f(x)=
( ) √

m=moyenne des Ln(xi -a ) et σ est l´écart-type des Ln(xi -a) (s= écart-

type des Ln(xi -a) pour un échantillon)

La variable standardisée est donc

( )
u=
Le quantile xF =a +

a est un paramètre dont la valeur est proche du minimum de l´échantillon

étudié, sinon il est à déterminer par essais successifs jusqu´à ce que les

points (F, (xi- a)) s´alignent suivant une droite dans le diagramme de la loi

Lognormale ( F et u à chercher dans Table de la loi normale, F-

probabilité au non dépassement et u quantile correspondant à F). Les

paramètres de LN3 sont a, m et s (resp. σ).

La loi Lognormale s’applique en générale aux échantillons dont le

coefficient d’asymétrie Cs 3Cv + Cv3 ( donc pour des échantillons avec

une forte asymétrie). En Algérie, cette loi est utilisée aussi bien pour les

données moyennes et les données extrêmes débits moyens annuels ou

débits maximaux (ex. Fig.2 ci-après).

 Histogramme (Oued [Link] 13v*59c)
y = 59 * 2 * lognorm (x; 1,713514; 0,703803)
18

16

14
fréquences absolues

12

10

(10;12]

(12;14]

(14;16]

(16;18]

(18;20]

(20;22]
(8;10]

0
<= 0

> 22
(0;2]

(2;4]

(4;6]

(6;8]

3
Débits moyens annuels en m /s

Figure 2. Exemple de la loi LN2 appliquée à un oued algérien

3) Loi de GUMBEL
(ou Loi des Valeurs Extrêmes de type I)

L’importance de la loi de Gumbel réside dans son utilisation en analyse

fréquentielle des valeurs extrêmes (calcul des crues de projet par

exemple). Elle fait partie de la famille des lois exponentielles ou encore

de la loi Généralisée des Valeurs Extrêmes (G.E.V.).

La loi de Gumbel a 2 paramètres : le mode, noté ̂ et l´écart-type σ

(resp. s). La variable aléatoire X prend ses valeurs de - ∞ à + ∞. En

̂ ̂
posant pour la variable réduite u = (ou u = pour un

échantillon), on peut écrire sa f.d.p. f(x)= . .

 et sa fonction de répartition F(x)= et sa probabilité au

dépassement par P(x)= 1-

On peut également exprimer la variable réduite z de la loi de Gumbel au

moyen des paramètres généraux α et β : u= α (x – β)

Les constantes α et β pouvant être exprimées à partir des caractéristiques

de l´échantillon de valeurs comme : α = et β = ̅ - 0,45.s

( s étant l´écart-type de l´échantillon donné). Sur le diagramme des

probabilités de Gumbel la droite d´Henri a pour expression :

xF = ̅ - 0,45.s + uF . s /1,28 avec uF = - Ln(-Ln(F))

(F étant la probabilité au non dépassement), ou bien en terme de

probabilité au dépassement P : uP = - Ln(-Ln(1-F))

Comme il a été dit plus haut, La loi de Gumbel est souvent utilisée pour

l'étude des valeurs extrêmes (crues, pluies extrêmes). Le coefficient

d´asymétrie de la loi de Gumbel est constant et égal à Cs = 1,139. C´est

ce défaut qu´on lui reproche, bien que beaucoup d´échantillons de

débits aient un Cs proche de cette valeur.

4) Loi de Pearson type III

K. Pearson a développé 12 lois statistiques mais seules les lois Pearson I et

Pearson III sont utilisées en hydrologie. La loi Pearson III est plus connue et

plus largement utilisée que le type I. Nous décriront donc brièvement ici que

la loi type III.

La loi de Pearson type III a pour fonction de densité des probabilités pour la

v.a centrée réduite t (f.d.p.) :

f(t)= ( )
( )

c´est une loi asymétrique, limitée d´un seul côté et d´habitude de forme

« en cloche». Le symbole Γ représente la fonction gamma. La loi Pearson

type III (notée P3) est caractérisée par 3 paramètres : la moyenne μ,

l´écart-type σ et la constante α définissant le coefficient d´asymétrie Cs par

la relation :

Cs =

Pour une asymétrie positive ( α > 0) , le domaine de définition de la v.a.

X d´origine ( avant standardisation) est de ( μ – α.σ ) à +∞ et pour une

asymétrie négative, il est de -∞ à ( μ – α.σ ) –

Lorsque α tend vers ∞, Cs tend vers 0 et la courbe devient symétrique et

se transforme en courbe de la loi de Gauss (normale). Donc la loi

normale est un cas particulier de la loi Pearson type III.

Si 0 < α ≤ 1 la courbe diminue continuellement, si -1 ≤ α < 0 la courbe

augmente de manière continuelle. Si pour Cs> 0 on a Cs = 2 Cv la

v.a. prend ses valeurs à partir de la valeur 0. Donc la v.a. prend ses

valeurs positives uniquement lorsque Cs ≥ 2 Cv !

Pour la v.a. t, le domaine de définition est pour α>0 de ( -α, +∞) et

pour α<0, il est de (- ∞, +α) . On peut aussi opérer la transformation

suivante de la v.a. t : u= α ( α + t) et la f.d.p. f(t) ci-dessus devient :

f(u) =
( )
Pour la représentation graphique de la loi Pearson III on utilise le
 diagramme des probabilités de la loi binomiale avec indication de

l´échelle des Cv en haut à gauche et en bas à droite du diagramme.

Sur ce diagramme les points empiriques (xi , F(xi)) de l´échantillon

étudié s´alignent selon une droite (droite d´Henri) si la distribution

empirique suit la loi Pearson III.

5) Loi de Weibull

Une autre loi statistique pour l´analyse des valeurs extrêmes est

proposée par le statisticien américain Weibull. La distibution de valeurs

extrêmes de type III proposée par Weibull est utilisée pour l´analyse

statistique des minimums (débits, précipitations,...etc.). C´est une

distribution avec limite inférieure. C´est pour cette raison qu´elle est

largement utilisée pour l´analyse des débits minimaux. Sa f.d.p. est :

( )
f(x) = ( )
( )

la forme de la fonction de la probabilité au dépassement P(x) est

beaucoup plus simple :

( )
P(x) =

Les 2 fonctions ci-dessus ont 3 paramètres :

 q soit la caractéristique du débit minimum (par ex.) qui

correspond à P(q)= 0,368

  x0 valeur la plus petite des valeurs x ( x0 est à déterminer par essais

successifs jusqu´à l´alignement des points empiriques dans le

diagramme de Fréchet)

 k pente de la droite d´Henry dans le diagramme des probabilités

de Fréchet utilisé pour la loi de Weibull.

La transformation de la v.a. x conduit à l´expression :

Ln(x-x0) = Ln(q-x0) +

̂
u= où ̂ est le mode et σ l´écart-type

Nous n´avons présenté ici que quelques lois statistiques de

variables aléatoires continues largement utilisées en hydrologie.

Il en existe d´autres ou des modifications des précédentes qui ne

sont pas souvent appliquées aux données hydroclimatologiques

Algériennes.

Petite conclusion :

Les échantillons de données hydroclimatologiques dont disposent les

hydrologues n´excèdent pas en général deux cents ans d´observations et dans les pays

d´Afrique du Nord le nombre d´éléments de ces échantillons est de seulement quelques

dizaines. Il est par conséquent, très risqué d´extrapoler à partir des courbes empiriques

de distribution des probabilités vers des valeurs d´évènements très rares (crues de

période de retour 10000 ans, 100000 ans par ex. pour lesquelles des ouvrages de
protection sont dimensionnés). Ce sont les lois statistiques théoriques qui nous

permettent cette extrapolation.

2.3 TESTS D´AJUSTEMENT

Synonymes: test d´adéquation, test de concordance

La concordance ( ou non) entre la distribution empirique et la distribution théorique

choisie peut être vérifiée visuellement, soit à partir du graphe donnant en même temps

l´histogramme des fréquences et la courbe f.d.p. (courbe rouge en Fig. 1), soit à partir

des diagrammes des lois statistiques où sont portés les points empiriques et la droite

d´Henri.

L´appréciation visuelle de la comparaison entre l´histogramme (ou polygone) de

fréquences des données de l´échantillon d´une variable aléatoire et la courbe théorique

de la loi statistique choisie, et supposée être la distribution théorique de la population

dont est issu l´échantillon étudié, ne nous permet pas souvent de conclure à une

bonne ou mauvaise concordance des deux distributions (empirique et théorique).

Cette incertitude peut être levée en procédant à une comparaison quantitative, donc à

l´utilisation des tests d´ajustement non paramétriques: test de χ2 ou test de

Kolmogorov-Smirnov.

Test d´ajustement χ ([Link])

2
2.3.1

En général, pour tester la validité d´une affirmation, on utilise les tests d´hypothèses –

l´hypothèse nulle H0 et son alternative l´hypothèse H1.

Soit un échantillon de taille n et de distribution de fréquences absolues ni (i=1,2,...k)

– k est le nombre de classes considéré (distribution empirique), échantillon que nous

supposons provenir d´une population avec une distribution théorique déterminée ni´

(i=1,2,....k) par ex. Distribution normale, Lognormale, Gumbel ou autre.

Nous allons tester l´hypothèse H0 : ni = ni´ contre H1 : ni ni´

Autrement dit mais sous forme de questions: notre échantillon observé

provient-il d´une population de théorique choisie sur la base d´un

prétraitement déjà éffectué (graphe d´histogramme et courbe f.d.p.) ?

ou H0 est-elle vérifiée ou non ?

L´hypothèse H0 est acceptée contre son alternative H1 et la différence

ni - ni´ est considérée comme purement aléatoire.

( )
Le critère de test est la variable aléatoire χ
2
=∑

qui a la distribution χ2 avec le nombre de degrés de liberté f= k-p-1,

où k-nombre de classes considérées, p – nombre de paramètres estimés

de la loi théorique choisie. Par exemple, si nous considérons la loi de

Gauss comme loi théorique probable pour notre échantillon, nous

savons que la loi de Gauss a 2 paramètres, donc p=2, la loi LN2 a 2

paramètres (donc p=2), la loi LN3 a 3 paramètres (donc p=3), la loi

de Gumbel a 2 paramètres (donc p=2), la loi Pearson III a 3

paramètres, soit p=3, ....etc.

 Nous chercherons les valeurs critiques χ
2
α,f dans les tables

statistiques pour le seuil de signification α=0,05 ou α=0,01 (5%

resp.1%) et f calculé. Par exemple pour α=0,05 et f=4, χ2α,f 9,5

χ2 < χ
2
Si α,f , alors l´hypothèse H0 sur la concordance de la distribution empirique

(échantillon) avec la distribution théorique choisie est vérifiée et acceptée au

détriment de H1. Nous pouvons ainsi affirmer que notre échantillon provient de la

population ayant la distribution théorique choisie et que les différences ni –ni´ sont

>χ
2 2
purement aléatoires. Dans le cas contraire (χ α,f ), nous rejetons l´hypothès H0

avec un seuil de signification α et nous considérons que les différences entre la

ditribution empirique et la distribution théorique choisie sont statistiquement

significatives (autrement dit que la distribution théorique choisie ne convient pas à

notre échantillon !). . Plus χ est petit devant χ

2 2
α,f meilleure est la

concordance (ajustement) entre la distribution empirique et la

distribution théorique.

2
Le test χ n´est applicable que si les fréquences absolues théoriques

ni´ dans les classes sont > 5 pour le nombre de classes k>5 et

ni´ > 10 pour k<5. Dans le cas où ce critère n´est pas rempli, on
peut fusionner les classes voisines à avoir ni´ > 5.

Exemple d´application:

Soit la série pluviométrique d´El Kseur distribuée en TD (colonne

Totaux annuels) avec n=61 ans d´observations. Calculons le

nombre de classes k à former avec notre échantillon, tel que

k= 1 + 3.3 * log n ( soit k= 1+3.3*log61)

donc h =L´amplitude (intervalle) de classe et se calcule :

h= = =128,3 mm

h = 128 mm

La figure 1 nous indique déjà que la loi normale épouse bien la distribution de

l´échantillon de totaux annuels pluviométrique d´El Kseur. Elle pourrait donc être la

loi à ajuster à cet échantillon.

Calculons d´abord les caractéristiques de l´échantillon que nous considérons comme

étant les meilleures estimations des paramètres de la loi normale :

̅=∑ = = 770,5 mm

∑ ( ̅̅̅̅
)
s=√ =√ = 204,8 mm
 2
Le tableau [Link] donne les calculs complets pour le test χ .

χ2 < χ
2
1,53 < 9,5 donc 5%,4 nous pouvons donc accepter l´hypothèse H0 et

affirmer que notre échantillon observé provient d´une population de loi statistique de

Gauss (normale).

2.3.2 Test d´ajustement de Kolmogorov-Smirnov

Un autre test d´ajustement non paramètrique très souvent utilisé en hydrologie

statistique est le test de Kolmogorov-Smirnov. Il se base sur la comparaison des

fréquences absolues cumulées de l´échantillon observé et des fréquences absolues

cumulées de la loi statistique choisie et supposée convenir à l´échantillon étudié.

2
Formulons, comme pour le test χ , les hypothèses de bonne concordance H0 et H1.

H0 : ni = ni´ et H1 : ni ni´

Le critère de test est la variable aléatoire Dn =

Où Ni = ∑ et Ni´ = ∑ (i= 1,2,.... k) avec k=nombre de classes,

n= taille de l´échantillon

Nous reprenons les colonnes 1, 2, 4 et 7 pour former le tableau [Link] du calcul du

test de Kolmogorov-Smirnov:
Tableau [Link] Test d´ajustement des totaux annuels pluviométriques à la loi normale

Classe Classe en h´ Effectifs ̅ ( )

zi = f (zi)= Effectifs théoriques ni´=
√
n0 Mm mm empiriques ni
f(zi)

1. ≤ 459,8 395,7 4 = = - 1,83 0,075 = *0,075 = 2,86

( )
12
10,23
= = - 1,20
2. (459,8- 588,2] 524 8 0,193
= 38,125 *0,193= 7,37
3. (588,2- 716,5] 652,4 13 - 0,58 0,29 ( )
11,05 11,05
4. (716,5- 844,9] 780,7 14 0,05 0,40
15,25 15,25 0,10
5. (844,9- 973,2] 909 12 0,68 0,25
9,53 9,53 0,64
6. (973,2- 1101,6] 1037,4 7 1,30 0,170
6,52
10
8,88 0,14
7. > 1101,6 1165,8 3 1,93 0,062
2,36

χ2 = ∑ = 1,53
 Tableau [Link] Test d´ajustement de la loi normale série pluvio. D´ElKseur – Test Kolmogorov-Smirnov.

Classe Classe en Effectifs Effectifs théoriques ni´= f(zi)

n0 Mm empiriques ni Ni Ni´ |Ni – Ni´|

1. ≤ 459,8 4 4 2,86 2,86 1,14

2. (459,8- 588,2] 8 12 7,37 10,23 1,77

3. (588,2- 716,5] 13 25 11,05 21,28 3,72

4. (716,5- 844,9] 14 39 15,25 36,53 2,47

5. (844,9- 973,2] 12 51 9,53 46,06 4,94

6. (973,2- 1101,6] 7 58 6,52 52,58 5,42

7. > 1101,6 3 61 2,36 54,94 6,06

Dn = = 0,1 que nous comparons à la valeur donnée par les tables statistiques

pour le test de Kolmogorov-Smirnov dépendant du seuil de signification α et de la taille

de l´échantillon n, donc pour α=0,05 et n=61 les tables donnent Dα,n = 0, 17

L´hypothèse H0 est acceptée ( La distribution empirique et la distribution théorique

concordent) si Dn < Dα,n , sinon on rejette H0.

Dans notre cas 0,1 < 0,17 (Dn < Dα,n ), donc la loi normale s´ajuste bien à notre

échantillon !

Remarque importante sur les tests d´ajustement:

A un échantillon donné, peuvent s´ajuster plusieurs lois statistiques mais l´une d´elles est

meilleure que les autres et c´est elle qu´il faudra choisir ! (donc celle qui donnera la plus

petite valeur de χ2) !

 3. MODELISATION EN HYDROLOGIE

L´étude de certains phénomènes hydrologiques s´avère complexe, parfois du fait de

la nature même du phénomène et parfois du manque de données fiables sur eux. Certains

phénomènes sont liés entre eux par des relations de cause à effet. Il arrive donc qu´on

connaisse relativement assez bien la cause (phénomène (s) Xi) et relativement mal le(s)

phénomène(s) Yi) (Par exemple relation Pluie – débit). En hydrologie, il arrive rarement

qu´on étudie les phénomènes comme des variables aléatoires isolées, c´est-à-dire sans prise

en compte de leur dépendance vis à vis d´autres phénomènes ou facteurs. D´habitude, nous

mesurons les grandeurs hydrologiques et autres afin de déterminer leurs rapports et leur

dépendance mutuelle. L´hydrologie et surtout sa branche hydrologie statistique a développé

des modèles mathématiques qui décrivent les liaisons (si elles existent !) entre ces

phénomènes stochastiques (variables aléatoires). Ces modèles sont appelés modèles de

régression. On les divise :

Selon le nombre de phénomènes (variables) mis en liaison en :

 Modèles de régression simple

 Modèles de régression multiple

Chacun de ces types de modèles peut être encore subdivisé en :

o Modèles de régression linéaire

o Modèles de régression non linéaire

En général, on peut recherche une liaison mutuelle entre m variables aléatoires. On parle

alors de corrélation à m dimensions. Nous considérons une de ces m variables aléatoires

comme dépendante (syn. : expliquée, endogène) et les autres variables comme indépendantes

(syn. : explicatives, exogènes). Dans la pratique hydrologique, il n´arrive que rarement où on

est amené à étudier la corrélation multiple (corrélation et régression sont utilisées ici comme

synonymes). Très souvent, le nombre de variables aléatoires étudiées est m ≤ 3. Le cas le

plus courant est la recherche d´une corrélation entre 2 variables aléatoires X et Y.

Nous nous intéresserons ici qu´aux régressions linéaires car certaines régressions non

linéaires peuvent etre ramenées aux régressions linéaires par linéarisation et changement de

variables ( log,..etc.).

3.1 REGRESSION LINEAIRE SIMPLE

Considérons un échantillon de n éléments sur lesquels on mesure les valeurs de 2 variables

aléatoires. Nous obtenons alors n couples de résultats de mesure (xi , yi ). Si nous portons les

points (xi , yi ) sur un système orthogonal X, Y, nous obtenons un nuage de points qui

représente une des 3 variantes suivantes :

a) tous les points sont alignés sur une ligne continue (droite) qu´on peut exprimer par

l´équation y= f(x). Cette relation où à une valeur fixe de la variable indépendante X

correspond une et une seule valeur de la variable aléatoire dépendante Y est appelée relation

fonctionnelle (Fig.3.a). En hydrologie, ce type de relation pratiquement n´apparait pas ;

Fig.3.a Relation fonctionnelle

40
Périmetre du cercle en cm

35
30
25
20
15
10
5
0
0 1 2 3 4 5 6 7
Rayon d´un cercle en cm
b) Les points (xi, yi ) sont dispersés à l´intérieur d´un cercle. Aux différentes valeurs d´une

variable correspond différentes valeurs d´une autre variable. Dans ce cas, nous parlons

d´indépendance statistique des variables X et Y ;

Fig.3.b Le nuage de points rempli un cercle

8

5
variable y

0
0 1 2 3 4 5 6
variable x
c) Les points (xi, yi ) s´alignent de part et d´autre d´une droite (Fig.3.c).

1400
Précipitations annuelles en mm

1200

1000

800

600

400

200

0
0 200 400 600 800 1000 1200 1400 1600
Altitude en m

Figure 3.c Liaison stochastique linéaire.

- Le premier cas a lieu lorsque la liaison est parfaite ; le coefficient de

corrélation que nous décrirons ci-après est égal à r=1 (resp. r= -1),

- Le deuxième cas décrit un manque de liaison (indépendance des v.a. X et Y),

donc r=0 ;

- Le troisième cas concerne une liaison plus ou moins marquée, 0 < r < 1 pour

une liaison directe et -1 < r < 0 pour une liaison indirecte ( c´est à dire lorsque

x augmente, y diminue ou le contraire). C´est ce cas qui arrive le plus

couramment en hydrologie et que nous étudierons en détail dans ce polycopié.

 800
précipitations annuelles en mm

700
600
500
400
300
200
100
0
0 500 1000 1500 2000
Altitude en m

Lorsqu´on observe dans un diagramme de dispersion de deux variables aléatoires X et Y une

certaine dépendance entre les deux variables, Il est possible d´estimer au mieux la valeur

prise par l´une des variables en fonction d´une valeur donnée de l´autre variable. Cette

estimation s´appelle régression. Lorsque la dépendance entre les deux variables X et Y est

exprimée par une fonction linéaire, il s´agit alors de régression linéaire simple.

Nous pouvons donc exprimer les droites de régression des deux variables par :

yx = a0 + a1 x la droite de y en x (f1)

xy = b0 + b1 y la droite de x en y (f2)

Nous nous intéresserons ici qu´au premier type de dépendance, soit la dépendance de y en

fonction de x.

Toute valeur de la variable aléatoire de Y est entachée d´une certaine erreur, notée e, telle que

y = yx + e (f3)

ou

y = a0 + a1 x + e (f4)
La régression linéaire simple consiste donc à estimer les paramètres a0 et a1 de l´équation de

yx de sorte que l´erreur e soit minimale.

La régression linéaire multiple (qui sera présenté plus bas) consistera à estimer les paramètres

a0, a1, a2, ....ap de la fonction linéaire de la relation entre Y et p variables aléatoires (X1 ,X2,

....Xp) tels que

yx = = a0 + a1 x1 + a2 x2 + ....... + ap xp (f5)

3.1 Régression linéaire simple

L´estimation des paramètres a0 et a1 de l´équation (f4) se fait par la méthode des moindres

carrés. Le principe consiste à minimiser la somme des carrés des résidus ei ( ou écarts) (yx(i) –

yi), pour i=1 à n, où n est le nombre de couples (yx(i) , yi)

La condition des moindres carrés stipule que

∑(yxi –yi)2 = min. (f6)

Si on développe le terme à l´intérieur du signe ∑, il vient :

∑ [(a0 + a1 xi) - yi]2 = min, (f7)

d´où :

E(a0, a1, xi) = ∑(a02 + a12 xi2 + yi2 + 2a0a1xi – 2a0yi – 2a1xiyi ) = min (f8)

Cette condition est vraie si

()
=0 donc ∑(2a0 + 2a1 xi – 2yi ) = 0 (f9)

Et

()
=0 donc ∑(2a1 xi2 + 2a01xi –2xiyi ) = 0 (f10)

Nous aboutissons aux équations suivantes :

∑a0 + ∑a1 xi – ∑yi = 0 (f11)

∑a1 xi2 + ∑a01xi –∑xiyi = 0 (f12)

qui donnent le système de deux équations à deux inconnues ( a0 et a1) suivant :

a0. n + a1.∑xi = ∑yi (f13)

a0.∑xi + a1.∑xi2 = ∑xiyi (f14)

qui peut etre réécrit sous forme matricielle:

n ∑xi a0 ∑yi

= (f15)

∑xi ∑xi2 a1 ∑xiyi

La résolution de ce système donne :

n ∑xi

Δ= = n. ∑xi2 – (∑xi)2 (f16)

∑xi ∑xi2

Soit enfin : a0 = . (∑yi∑xi2 - ∑xiyi∑xi) (f17)

a1 = .(n∑xiyi - ∑xi∑yi) (f18)

Mais d´habitude, on n´estime par la méthode des moindres carrés que le paramètre a1 car

a0 peut être déduit très simplement comme : a0 = ̅ – a1. ̅

La quantité

COV(X,Y) = ∑(xi - ̅)(yi - ̅) / (n -1) (f19)

est appelée covariance de X et Y

Et la quantité

rxy = ryx = COV(X,Y) / (sx . sy) (f20)

est appelée coefficient de corrélation de y en x

sx et sy étant resp. les écarts – type de x et de y.

La droite de régression de y par rapport à x est donnée par l´équation

yx - ̅ = ([Link]/sx) (x - ̅ ) (f21)

ou

yx - ̅ = Ry/x (x - ̅ ) (f22)

Ry/x représente la pente de la droite de régression de y en x.

Le coefficient de corrélation rxy (on le notera r pour simplifier) mesure le degré de l´intensité

de la liaison entre X et Y.

Le carré du coefficient de corrélation est appelé coefficient de détermination : rd = r2

Ce coefficient indique la proportion de la dispersion totale expliquée par la droite de

régression.

- Pour une liaison fonctionnelle directe r= 1,

- Pour une liaison fonctionnelle indirecte r= -1

- Pour absence de liaison r=0

- Pour une liaison stochastique directe 0 < r < 1

- Pour une liaison stochastique indirecte -1 < r < 0

- Pour 0,5 < r < 1 liaison stochastique relativement forte

- Pour 0 < r < 0,5 liaison stochastique relativement faible.

En observant l’équation f(21) et f(22), nous remarquons que la droite de régression passe par

le point ( ̅ ̅ ) qui est le centre de gravité du nuage de points (xi, yi) . D’ ailleurs la droite de

régression de x en y passe aussi par ce centre de gravité de coordonnées ( ̅ ̅ ).

Il est facile de tracer la droite de régression de yx : il suffit de se positionner sur le point ( ̅ ̅)

et de tracer la droite de sorte qu’il y ait approximativement le même nombre de points en

dessus et en dessous de cette droite.

Exemple d’application :

Soient 2 séries de données :

- la série X représentant les altitudes en m.n.m :

196 1278 917 1650 150 124 1451 1100 330 140 1450 1300 1050 1040 1220 1000 908

1125 513 1345

- la série Y représentant les totaux annuels des précipitations en mm mesurées en différentes

stations pluviométriques :

118 470 277 532 92 134 455 327 159 100 306 354 273 410 484 451 500 515 270 680

Questions : - Y’ a-t-il liaison entre ces 2 séries ?

Réponse : oui

- Quel type de liaison s’il y’en a ?

Réponse : Liaison stochastique linéaire

Régression linéaire simple (Alt.,

Précip)
800
Précipitations en mm

600

400

200

0
0 500 1000 1500 2000
Altitudes en m.n.m

- S’il existe une régression linéaire simple entre ces deux séries, trouvez les

paramètres de la droite de régression a0 et a1 tels que y=a0 + a1x + e

ou yx = a0 + a1x (utiliser la méthode des moindres carrés !)

L’utilisation de la méthode des moindres carrés aboutit au système d’équations

suivant, donné sous forme matricielle :

 n ∑xi a0 ∑yi

∑xi ∑xi2 a1 ∑xiyi

20 16942 a0 6907

16942 21344149 a1 7617303

Λ = n∑xi2 – (∑xi)2 Λ = 20 X 21344149 – 169422 = 139851616

a0 = ( ∑yi∑xi2 - ∑xiyi∑xi) / Λ = (6907 x 21344149 – 7617303 x 16942)/ 139851616

a0 = 131,37

a1 = (-∑yi∑xi + n∑xiyi) / Λ = (-6907 x 16942 + 20 x 7617303) / 139851616

a1 = 0,25

L’ équation de la droite de régression est donc y = 131,37 + 0,25x +e

- Calculer le coefficient de corrélation r entre X et Y

Le coefficient de corrélation est égal à :

r = COV(X,Y)/ (sx . sy)

COV(X ,Y) = ∑(xi - ̅ ) ( yi - ̅ ) / n-1

Avec ̅ = 914,4 ̅ = 345,4

sx = 493,3 sy = 167,8

COV(X ,Y) = 68520,4

r = 68520,4/ (493,3 x 167,8) = 0,828

3.2 Régression linéaire multiple

Lorsque la variable Y peut être expliquée par p (>=2) variables explicatives indépendantes

entre elles (ou très peu), nous sommes alors en face d’une régression multiple. Si cette

régression est en plus linéaire, alors son expression est de forme :

yi = f(a0, a1,a2,….., ap ; x1,x2,….,xp) + ei

Soit sous une forme développée:

yi = a0 + a1x1 + a2x2 + …. + apxp + ei

ou

̂ = a0 + a1x1 + a2x2 + …. + apxp

et on parle alors de régression linéaire multiple.

Les coefficients de régression a0, a1, a2, …., ap peuvent etre également estimés par la méthode

des moindres carrés. Mais c’est surtout a1, a2, …., apqui sont estimés de cette façon ; le

paramètre a0 peut être estimé facilement comme : a0 = ̅ - ( a1.̅̅̅ +a2.̅̅̅ + …. + ap .̅̅̅ )

Pour le cas de deux variables indépendantes X1 et X2, on arrive à l’équation relativement

facile du plan de régression suivante :

̂- ̅= . (x1 – ̅̅̅̅ ) + . (x2 – ̅̅̅̅ )

Où

- r01 ˜ Coefficient de corrélation entre Y et X1

- r02 ˜ Coefficient de corrélation entre Y et X2

- r12 ˜ Coefficient de corrélation entre X1 et X2

- σ0 ˜ Ecart-type de Y (estimé par s0)

- σ1 ˜ Ecart-type de X1 (estimé par s1)

- σ2 ˜ Ecart-type de X2 (estimé par s2)

Et le coefficient de corrélation entre la variable dépendante Y et les variables indépendantes

X1 et X2 est égal à :

r0.12 = √

L’utilisation de la régression linéaire multiple suppose que les variables indépendantes soient

très peu corrélées entre elles. Si ce n’est pas le cas, on réduit le nombre de variables

indépendantes par la méthode dite de l’analyse en composantes principales (ACP) qui fera l’

objet du dernier chapitre de ce polycopié.

4. ETUDE DES CRUES ET DES ETIAGES

Parmi les caractéristiques du régime hydrologique d´un cours d´eau et d´un bassin

versant, les plus importantes sont ses extrêmes, soient les débits maxima et minima et les

niveaux d´eau. L´importance de ces caractéristiques découlent de leurs conséquences pour

l´activité économique, particulièrement de l´activité d´investissement, et d´autre part de

conséquences catastrophiques fréquentes. C´est pourquoi, une attention particulière est prêtée

par le passé par les hydrologues aux débits maxima qui ont lieu pendant les crues. Ces

dernières décennies, les débits minima ont également reçu de la part des hydrologues un

interêt tout particulier en raison des sécheresses á répéticion qui ont lieu. Ces débits minima

surviennent pendant les périodes de sécheresse et c´est aussi pendant ces périodes que les

concentrations élevées d´ímpuretés de l´eau dans les rivières ont lieu. Ceci a des

conséquences graves sur l´approvisionnement en eau de la population et de l´industrie.

La détermination des extrêmes est l´une des tâches les plus importantes et en même

temps les complexes de l´hydrologie.

4.1 ETUDE DES CRUES

L´étude des crues peut être approchée de différentes manières; soit par l´utilisation des

méthodes statistiques, soit par les méthodes analytiques, en particulier la méthode de

l´hydrogramme unitaire.

4.1.1 Méthodes statistiques

Parmi les méthodes statistiques les plus utilisées pour la détermination du débit maximal

de crue, on peut citer:

o La méthode des maxima annuels qui consiste à choisir un débit maximal par année et

puis de procéder au traitement statistique permettant d´estimer le débit correspondant

à une prériode de retour T,

o La méthode dite de «Renouvellement» qui consiste à chosir non pas un seul débit par

année mais tous les débits à partir d´un certain seuil,

o La méthode du gradex qui repose sur la connaissance des débits et des précipitations

o Méthode régionales

4.1.2 Analyse de l´onde de crue – Hydrogramme unitaire

Les débits et les niveaux d´eau les plus élevés sont atteints pendant les crues. Une crue est

augmentation temporaire du niveau d´eau dans la rivière au-dessus du niveau des berges. On

appelle onde de crue la courbe des débits (surtout la variation des débits en fonction du
temps) ou hydrogramme á un profil donné du cours d´eau. Cet hydrogramme est caractérisé

par la forme, le volume et le sommet qui est le débit maximal instantané au cours d´une crue.

La courbe simple de l´hydrogramme est une courbe asymptotique et a une forme en cloche

(Fig. 4.1.2). Elle est constituée de ces différentes parties:

- la courbe de concentration (de montée),

- la culmination, soit la partie comprise entre la fin de montée et le début de

décrue,

- Courbe de décrue partie de la diminution rapide des débits,

- Courbe de tarrissement, soit la partie représentant l´épuisement des réserves

d´eau des grandes profondeurs du BV

Figure 4.1.2 Parties constitutives d´une onde de crue.

Du point de vue de la durée de la crue, il est utile d´éclaircir les caractéristiques suivantes:

a) la durée de de montée tm est le temps compris entre le début d´une augmentation claire
 de l´écoulement superficiel (niveau d´eau) dans le profil donné et le débit maximal

instantané (sommet) – temps correspondant à la courbe de montée

b) la durée de décrue td temps correspondant à la courbe de décrue (entre sommet et la fin

de l´écoulement superficiel

c) la durée de tarrissement est le temps correspondant à la courbe de tarrissement

d) La durée de concentration tc est le temps nécessaire à la goutte d´eau pour parcourir la

distance entre le point le plus éloigné du BV et le profil considéré. Cette durée peut être

déterminée comme le temps qui s´écoule entre la fin de la pluie efficace à la fin de

l´écoulement superficiel

e) le temps de retard de l´écoulement est l´intervalle de temps entre le cnetre de gravité

des pluies efficaces et la courbe des débits

f) la durée de l´écoulement superficiel tp est la durée entre le début de l´augmentation

nette et la fin de l´écoulement superficiel

La méthode de l´hydrogramme unitaire (unit hydrograph) a été mise au point par

l´hydrologue américain K. Sherman en 1932. La méthode est très utilisée aux USA, mais

moins en Europe et dans le reste du monde quelques années après sa conception.

La méthode de l´hydrogramme unitaire permet sur la base des données des

précipitations indirectement de déterminer l´évolution de l´écoulement et ses paramètres, par

exemple le débit maximal instantané. La méthode s´applique aux petits et moyens bassins

versants (jusqu´à 5000 km2). La méthode de l´hydrogramme unitaire est une méthode de

transformation de la fonction des précipitations H(t) en débits Q(t). Concrètement il y va de

la transformation des précipitations efficaces He(t) par le graphe de sitribution de

l´écoulement q(t)- hydrogramme unitaire en débits Q(t). L´hydrogramme unitaire est une

fonction des propriétés du bassin versant.

 4.2 ETUDE DES ETIAGES

Le terme de basses eaux est utilisé pour les débits les plus bas enregistrés pendant la période

de sécheresse. La notion de basses eaux représente la période du régime hydrologique

pendant laquelle il y´a insuffisance pour la satisfaction des besoins socioéconomiques.

Les débits des basses eaux ( ou débits d´étiages) sont considérés comme des débits extrêmes.

Les débits d´étiages sont étudiés en relation avec leur durée. Donc, l´étude des débits

d´étiages consistera toujours á estimer et les débits minima et leurs durées. Donc la varible

étudiée est une variable couplée débit – durée.

Les caractéristiques des débits d´étiage sont :

 Le débit minimal absolu est le débit moyen journalier le plus faible observé

pendant une longue période. Son occurrence est de nature exceptionnelle et du

point de vue probabilité de dépassement, il n´est pas bien déterminé.

 Le débit minimal pour une durée choisie est le débit moyen journalier le plus

faible. Comme durée choisie on considère soit l´année, la saison ou le mois.

 Le débit minimal moyen pour une durée choisie est la moyenne des débits

minima journaliers pour longue période d´observations ( n- années), il est exprimé

comme Qmin,a = ∑Qmin,i / n

Ce débit représente la caractéristique fondamentale des débits minima. Il peut être

estimé du point de vue probabiliste.

 Les eaux de m-jours, où m représente le nombre de jours dans l´année où le débit

est dépassé ( 90 jours,355 jours, ...etc.).

 Durée des débits d´étiages

 Estimation probabiliste des caractéristiques hydrologiques des débits

d´étiages
  Le degré d´équilibre des débits d´étiages.

5. ANALYSE EN COMPOSANTES PRINCIPALES

5.1 INTRODUCTION

Parmi les méthodes de l´analyse factorielle, l´analyse en composantes principales (abr. ACP)

occupe une place prépondérante. L´ACP est une méthode de réduction de variables. L´ACP

tend á transformer un grand nombre de variables d´origine en un nombre réduit de variables

indépendantes qui ont leur interprétation objective. Donc le but principal est la réduction par

une transformation linéaire du nombre de variables d´origine, souvent correlées en un nombre

réduit de facteurs orthogonaux mutuellement non correlés, appelés composantes principales.

L´objectif d´une ACP est de : à partir d’une matrice rectangulaire de données de p variables

quantitatives (p colonnes) et n unités statistiques –individus (n lignes) , de pouvoir

représenter graphiquement ces unités et ces variables et de pouvoir ensuite les interpréter. On

cherchera donc si l’on peut distinguer des groupes dans l’ensemble des unités ou l´ensemble

des variables en regardant quelles sont celles qui se ressemblent ou celles qui se distinguent

ou bien pour les variables celles qui sont correlées entre elles de celles qui ne le sont pas.

5.2 PREPARATION DES DONNÉES

Pour la préparation des données on doit tout d´abord décider du choix des attributs

quantitatifs qu´on doit mesurer (ou observer) sur chaque unité (individu). On fait également

le choix sur le nombre d´unités à prendre en compte. Supposons, à titre d´exemple, d´étudier

la réussite des étudiants pendant un cursus universitaire. Ainsi, considérons n – nombre

d´étudiants et Xp les matières prises en compte ( xij – la note de l´étudiant i et de la matière j).

Un autre exemple peut etre n bassins versants sur lesquels on mesure p caractéristiques

(précipitations, écoulements, inclinaison, couverture forestière,...etc.).

Soit donc la matrice X formée de données obtenues par des mesures effectuées sur n unités

statistiques (u1, u2, .....un). Les mesures effectuées sur ces unités concernent p variables (X1,

X2, .............Xp) quantitatives. La matrice X est donc de la forme:

X1 X2 X3 ..........Xj.........Xp

u1 x11 x12 x13 .........x1j .......x1p

u2 x21 x22 x23 .........x2j.......x2p

X= . . . . .... . ..... .

ui xi1 xi2 xi3 .........xij ........xip

. . . . ..... . ..... .

un xn1 xn2 xn3 .........xnj .......xnp

5.3 MATRICE DES COVARIANCES

On appelle matrice de covariance empirique de p variables quantitatives v1,v2, ..., vj , ..., vp

mesurées sur un ensemble de n unités, la matrice à p lignes et p colonnes contenant sur

sa diagonale principale les variances empiriques des p variables, et ailleurs, les covariances

empiriques de ces variables deux `a deux :

 Var(v1) Cov(v1, v2).......Cov(v1, vj) . . . Cov(v1, vp)

Cov(v2, v1) Var(v2) ..........Cov(v2, vj) . . . Cov(v2, vp)

... ... .... ...

∑ = Cov(vj , v1) Cov(vj , v2) . . .... Var(vj) . . . . . Cov(vj , vp)

... ..... ..... ....

Cov(vp, v1) Cov(vp, v2) . . . Cov(vp, vj) . . . Var(vp)

5.4 RECHERCHE DES VALEURS PROPRES

5.5 TAUX D´INFORMATION