R ÉPUBLIQUE DU B ÉNIN

M INISTÈRE DE L’E NSEIGNEMENT

S UPÉRIEUR ET DE LA R ECHERCHE
S CIENTIFIQUE

U NIVERSITÉ N ATIONALE DES S CIENCES ,

T ECHNOLOGIES , I NGÉNIERIE ET M ATHÉMATIQUES
(UNSTIM) D ’A BOMEY
E COLE N ATIONALE S UPÉRIEURE DE G ÉNIE
M ATHÉMATIQUE ET M ODÉLISATION

Mémoire
pour l’obtention du diplôme d’Ingénieur
Spécialité : Mathématiques Appliquées et Modélisation
Option : Modélisation et Simulation Numérique (MSN)

Modélisation des débits journaliers du bassin

versant de l’Ouémé à Savè à l’aide des
équations différentielles stochastiques

Présenté par :GOHOUEDE L. Cédric

Maître de mémoire : MOUSSA DJIBRIL Aliou

Enseignant-Chercheur à l’ENSGMM/UNSTIM d’Abomey
Maître-Assistant des Universités du CAMES

Superviseur : Dr (MC) ALAMOU A. Éric

Enseignant-Chercheur à l’ENSTP/UNSTIM d’Abomey
Maître de conférences des Universités du CAMES

Année académique 2020 - 2021

1re Promotion
 R ÉPUBLIQUE DU B ÉNIN

M INISTÈRE DE L’E NSEIGNEMENT

S UPÉRIEUR ET DE LA R ECHERCHE
S CIENTIFIQUE

U NIVERSITÉ N ATIONALE DES S CIENCES ,

T ECHNOLOGIES , I NGÉNIERIE ET M ATHÉMATIQUES
(UNSTIM) D ’A BOMEY
E COLE N ATIONALE S UPÉRIEURE DE G ÉNIE
M ATHÉMATIQUE ET M ODÉLISATION
Mémoire
pour l’obtention du diplôme d’Ingénieur
Spécialité : Mathématiques Appliquées et Modélisation
Option : Modélisation et Simulation Numérique (MSN)

Modélisation des débits journaliers du bassin

versant de l’Ouémé à Savè à l’aide des
équations différentielles stochastiques
Rédigé par : GOHOUEDE L. Cédric
Maître de mémoire : MOUSSA DJIBRIL Aliou
Enseignant-Chercheur à l’ENSGMM/ UNSTIM d’Abomey
Maître-Assistant des Universités du CAMES
Tuteur de Stage : BIAO I. Eliézer
Enseignant-Chercheur à l’ENSGMM/ UNSTIM d’Abomey
Maître-Assistant des Universités du CAMES
Superviseur : Dr (MC) ALAMOU A. Éric
Enseignant-Chercheur à l’ENSTP/ UNSTIM d’Abomey
Maître de conférences des Universités du CAMES
Année académique 2020 - 2021
1re Promotion
L’Ecole Nationale Supérieure de Génie Mathématique et Modélisation (ENSGMM)
n’entend donner ni approbation ni improbation aux opinions émises dans ce
document. Les raisonnements et arguments reviennent donc à l’auteur.
 ii

APPROBATION

Nous certifions que le présent mémoire a été réalisé par l’auteur et est exempt de
tout plagiat. Il est arrivé à terme et peut être soutenu devant un jury.

Abomey, le ............................................

Signatures

Maître de mémoire : Superviseur :

Dr (MA) MOUSSA DJIBRIL A. Dr (MC) ALAMOU Éric

 iii

DÉDICACES

« Dédicace »

À Dieu le Père et le Fils et le Saint Esprit ;

À la Vierge Marie ;
À la mémoire de mon cher Papa Barnabé GOHOUEDE ;
À ma chère maman Perpétue ALLABI ;
À ma maman et tutrice Gilberte SEGOH ;
À mes frères Aimé GOHOUEDE et Éric GOHOUEDE ;
À tous mes camarades de la première Promotion de l’INSPEI ou de l’ENSGMM.
 iv

REMERCIEMENTS

Je tiens à remercier, avant tout, l’Éternel Dieu Tout Puissant. Je remercie également la
Vierge Marie pour ses prières et intercessions en ma faveur.
J’adresse mes sincères remerciements :
• À mes Encadreurs, le Docteur Éliezer BIAO pour sa disponibilité et ses sacrifices
pour le bon déroulement des travaux de recherche et le Docteur MOUSSA
DJIBRIL Aliou pour son accompagnement ;
• À mon Superviseur, Professeur Éric ALAMOU, pour m’avoir mis dans les
meilleures conditions pour le bon déroulement des travaux de recherche dans
le Laboratoire d’Hydrologie Appliquée (LHA) ;
• À mes collaborateurs et amis, Ézéchiel SIANOU, lui qui a beaucoup contribué
aux travaux grâce à son raisonnement mathématique, et Armand SEGBEDE ;
• À Monsieur Jérôme ZOHOU, Chercheur du Laboratoire d’Hydrologie
Appliquée (LHA) pour son soutien et ses apports ; et aux Autorités et chercheurs
du LHA ;
• Aux Autorités et Enseignants de l’École Nationale Supérieure de Génie
Mathématique et Modélisation (ENSGMM) pour la formation qu’ils m’ont
donnée ;
• Au Recteur de l’UNSTIM, le Professeur Joachim Djimon GBENOU, pour son
pragmatisme et son sens d’ouverture ;
• Au Feu Professeur Gérard DEGAN, le Premier Recteur de l’UNSTIM et aux
Messieurs Christian AKOWANOU et Adolphe TCHEHOUALI, les premiers
Directeurs de l’Institut National Supérieur des Classes Préparatoires aux Etudes
d’Ingénieur (INSPEI) pour leur soutien à la première promotion ;
• À mes camarades de la première promotion de l’ENSGMM ou de l’INSPEI
pour leur solidarité ;
• À mon Feu Père, Barnabé GOHOUEDE, lui qui constitue pour moi un modèle
de vie et une source de motivation ;
• À ma maman, Perpétue ALLABI et mes frères Éric et Aimé qui m’ont soutenu
à toutes les étapes de ma vie ;
• À ma maman et tutrice, Gilberte SEGOH, qui m’a soutenu tout au long de ma
formation d’Ingénieur et dans différentes épreuves de vie ;
• Au jury d’avoir accordé leur précieux temps pour l’évaluation de ce travail.
 v

TABLE DES MATIÈRES

Dédicaces iii

Remerciements iv

Résumé xi

Abstract xii

Introduction Générale 1

1 Revue de littérature 4
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Clarification du concept de modélisation pluie-débit . . . . . . . . . . 5
1.2 Généralité sur les Équations Différentielles Stochastiques (EDS) . . . . 11
1.3 Généralité sur les méthodes numériques de résolution des EDP . . . 19
1.4 Point des travaux antérieurs . . . . . . . . . . . . . . . . . . . . . . . . 20
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2 Zone d’étude et données 23

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1 Présentation de la zone d’étude . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Données d’études . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3 Méthodologie 30
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1 Présentation du Modèle Hydrologique basé sur le Principe de Moindre
Action (ModHyPMA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
 3.2 Formulation du modèle stochastique . . . . . . . . . . . . . . . . . . . 35
3.3 Approximation numérique de la solution de l’équation différentielle
stochastique (EDS) : Schéma d’Euler . . . . . . . . . . . . . . . . . . . 39
3.4 Résolution numérique de l’équation de Fokker-Planck : méthodes des
différences finies et des volumes finis . . . . . . . . . . . . . . . . . . . 45
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4 Résultats et Discussions 60
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1 Modèle déterministe ModHyPMA . . . . . . . . . . . . . . . . . . . . 62
4.2 Modèle Stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Modèle de prévision : Équation de Fokker-Planck . . . . . . . . . . . . 71
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Conclusion Générale et Perspectives 80

 vii

LISTE DES FIGURES

1.1 Schéma d’un bassin versant. (S UCHET A MIOTTE, 2014) . . . . . . . . 6

1.2 Les différentes approches de la modélisation. (A BDELKADER, 2009) . . 7
1.3 Décomposition d’un modèle pluie-débit. (A BDELKADER, 2009) . . . . . 11
1.4 Débits simulés avec ModHyPMA comparés aux débits observés dans
le bassin de Bonou.(Biao, 2015) . . . . . . . . . . . . . . . . . . . . . . 22

2.1 Localisation du bassin versant de l’Ouémé à Savè.(S INTONDJI et al.,

2014) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Précipitations mensuelles moyennes de l’Ouémé à Savè pour la
période 1961 à 2010.(BIAO, 2015) . . . . . . . . . . . . . . . . . . . . . 26
2.3 Variabilité interannuelle des précipitations de l’Ouémé à Savè sur la
période 1961 à 2010. (BIAO, 2015) . . . . . . . . . . . . . . . . . . . . . . 27

3.1 Schéma du ModHyPMA et les principales équations du modèle (BIAO,

2015) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Schéma et les principales équations du modèle stochastique . . . . . 40
3.3 Maillage du domaine ( Q, t) . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Maillage du domaine ( Q, t) en volumes finis . . . . . . . . . . . . . . 56

4.1 Les débits observés et les précipitations journalières de 01/01/2003 à

01/01/2007 sur le Bassin de l’Ouémé à Savè . . . . . . . . . . . . . . . 62
4.2 La droite de régression entre le débit observé d’un jour et celui du jour
précédent sur le Bassin de l’Ouémé à Savè . . . . . . . . . . . . . . . 63
4.3 Les débits simulés et observés du 01/01/2003 au 31/12/2007 sur le
Bassin de l’Ouémé à Savè. . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4 Les débits simulés avec le ModHyPMA et les débits observés du
01/07/2009 au 30/06/2011 . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5 La droite de régression entre les débits simulés avec le ModHyPMA et
les débits observés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6 évolution des résidus entre la variation ∆Q et son approximation
donnée par le ModHyPMA sur la période du 01/07/2009 au 30/06/2011 68
4.7 Les débits simulés avec le modèle stochastique et les débits observés
du 01/07/2009 au 30/06/2011 sur le Bassin de l’Ouémé à Savè. . . . 69
4.8 Les débits simulés avec le modèle X et les débits observés du
01/07/2009 au 06/30/2011 . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.9 Comparaison des solutions numériques des méthodes DF et VF à t0 + 2. 72
4.10 Comparaison des solutions numériques des méthodes DF et VF à t0 + 10. 73
4.11 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.12 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.13 Comparaison des solutions numériques des méthodes DF et VF pour
m = 1000. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.14 Comparaison des solutions numériques des méthodes DF et VF pour
m = 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.15 Allures des densités probabilité P(Q,t) à t0 + 2, t0 + 20, t0 + 50 et t0 + 100. 76
4.16 Évolution des densités de probabilité P(Q,t) en fonction du temps
(solution de l’équation de Fokker-Planck). . . . . . . . . . . . . . . . . . 77
4.17 Intervalle de Confiance et le débit moyen à la date t0 + 10 . . . . . . . 78
 ix

LISTE DES TABLEAUX

4.1 Résultats du calage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.2 Résultats de la validation du ModHyPMA . . . . . . . . . . . . . . . . 66
4.3 Constantes du modèle Stochastique . . . . . . . . . . . . . . . . . . . . . 67
4.4 Résultats de la validation du modèle stochastique . . . . . . . . . . . 69
4.5 Résultats du modèle X . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
 x

LISTE DES ABRÉVIATIONS

DF Différences Finies
EDP Equation aux Dérivées Partielles
EDS Equation Différentielle Stochastique
EFP Equation de Fokker-Planck
ENSGMM Ecole Nationale Supérieure de Génie Mathématique et Modélisation
ETP Evapotranspiration Potentielle
FPE Fokker-Planck Equation
HyMoLAP Hydrological Model based on the Least Action Principle
LHA Laboratoire d’Hydrologie Appliquée
MAE Mean Absolute Error
ModHyPMA Modèle Hydrologique basé sur le Principe de Moindre Action
NSE Critère de Nash-Sutcliffe
PMA Principe de Moindre Action
Q débit à l’exutoire du bassin en m3 /s
R2 Coefficient de détermination
RMSE Root Mean Square Error
UNSTIM Université Nationale des Sciences, Technologies, Ingénierie et Mathématiques
v.a variable aléatoire
VF Volumes Finis
 xi

RÉSUMÉ

La modélisation hydrologique est l’un des grands défis de la physique ; elle

est incontournable dès lors que l’on s’intéresse aux problématiques relatives à
l’accélération de la variabilité du climat, à la gestion des ressources en eau,
à l’aménagement du territoire, ou à l’une des différentes facettes du risque
hydrologique (inondation, sécheresse). On note de plus en plus d’incertitudes dans
les prévisions, mais la plupart des modèles pluie-débit existants sont des modèles
déterministes et ne prennent pas en compte les incertitudes. Certains chercheurs se
sont alors penchés vers des approches stochastiques afin de modéliser les incertitudes.
Le grand souci est de trouver un modèle stochastique qui modélise bien, à la fois la
dynamique du phénomène hydrologique et les incertitudes.
Nous avons proposé dans nos travaux une approche stochastique qui, en réalité,
se base sur un modèle déterministe : il s’agit du Modèle Hydrologique basé sur le
Principe de Moindre Action, noté ModHyPMA, qui permet de prendre en compte la
dynamique du phénomène hydrologique. Ce modèle est régit par deux équations :
il s’agit d’une équation de production et d’une équation de transformation.
L’introduction dans l’équation de transformation d’un terme stochastique, pris
par hypothèse comme un processus gaussien, permet de prendre en compte les
incertitudes et conduit à une équation différentielle stochastique (EDS) puis son
équation de Fokker-Planck (EFP) associée. Cette dernière est une équation aux
dérivées partielles que nous ne pouvons résoudre analytiquement. Nous avons
donc proposé une résolution numérique pour contourner ce problème.
D’abord, nous avons résolu numériquement, avec la méthode d’Euler, l’équation
différentielle stochastique du modèle et cela nous a permis de faire des simulations
donnant la performance NSE = 0.90 et R2 = 0.90 contre NSE = 0.72 et R2 = 0.88
pour le modèle déterministe de base (ModHyPMA). Les résolutions numériques de
l’EFP avec la méthode des différences finies d’ordre 4 et celle des volumes finis, et la
comparaison des solutions numériques des deux méthodes nous conduisent à une
très bonne conclusion : les deux solutions numériques convergent. La solution de
l’EFP étant une densité de probabilité de transition, par rapport au débit Q0 d’un
jour t0 sur lequel nous avons l’information, nous avons la possibilité de construire la
densité de probabilité du débit Q d’un autre jour. La solution numérique obtenue a
permis de tracer la distribution des débits probables du jour t0 + 10 et d’obtenir leurs
probabilités ou leurs intervalles de confiance. Nous avons fait nos applications sur le
bassin versant de l’Ouémé à Savè (Bénin).
Mots clés : bassin versant ; débit ; équation différentielle stochastique (EDS) ; équation
de Fokker-Planck (EFP) ; incertitudes ; modèle pluie-débit ; principe de moindre action
(PMA).
 xii

ABSTRACT
Hydrological modelling is one of the great challenges of physics ; it is essential when
dealing with problematics relating to the management of water resources, land use
planning, or one of the different facets of hydrological risk (flooding, drought) and
today’s accelerating climate variability. There is an increasing amount of uncertainty
in forecasting, but most existing rainfall-runoff models are deterministic models
and do not take into account uncertainties. Some researchers propose stochastic
approaches to model the uncertainties. The big concern is to find a stochastic
model that approaches both the dynamics of the hydrological phenomenon and
the uncertainties.
We proposed a stochastic approach which is, in fact, based on a deterministic model :
the Hydrological Model based on the Least Action Principle, noted HyMoLAP, which
allows to take into account the dynamics of the hydrological phenomenon. This
model is govern by two equations : a production equation and a transformation
equation. The introduction in the transformation equation of a stochastic term,
assumed to be a gaussian process, allows to take into account uncertainties and
leads to a stochastic differential equation and its associated Fokker-Planck equation
(FPE). The FPE is a partial differential equation that we cannot solve analytically. We
therefore proposed a numerical solution to get around this problem.
Frist, we solved numerically, using Euler’s method, the stochastic differential
equation. This allowed us to perform simulations giving NSE = 0.90 and R2 = 0.90
with the stochastic model versus NSE = 0.72 and R2 = 0.88 obtained with the
deterministic model (HyMoLAP). The numerical resolution of the FPE by the fourth-
order finite difference method and the finite volume method and comparison of the
solutions, leads us to a very good conclusion : the two solutions converge.
In reality the solution of the Fokker-Planck equation is a probability density of
transition. With respect to the discharge Q0 of a day t0 on which we have the
information, we have the possibility to construct the probability density of another
day. The numerical solution allowed us to plot the distribution of t0 + 10. The
numerical integration methods allowed us to useful information about the likely
discharge on that day. We were able to model the uncertainties by expressing the
possible discharge on a given day with probabilities or confidence intervals. We chose
the Ouémé in Savè catchment (Benin) for our application.
Keywords : discharge ; Fokker-Planck equation (FPE) ; least action principle (LAP) ;
rainfall-runoff modelling ; river basin ; stochastic differential equation (SDE) ;
uncertainty.
 1

INTRODUCTION GÉNÉRALE

1. Contexte et justification

L’eau est source de vie ; elle est présentée dans la nature sous forme de cours d’eau
dans un bassin versant et est souvent quantifiée par une variable appelée débit. Une
meilleure connaissance de cette variable hydrologique très importante a fait l’objet
de plusieurs études dans le domaine de l’hydrologie (l’hydrologie est la science des
eaux). La modélisation mathématique contribue présentement de façon significative à
l’évaluation des changements des caractéristiques hydrologiques des bassins versants
(B ENSALMA, 2015) et est à la base de beaucoup de modèles hydrologiques encore
appelés modèles pluie-débit.
En effet, l’accélération de la variabilité du climat de nos jours est à la base des
phénomènes hydrologiques extrêmes comme les crues qui sont à l’origine des
inondations et les étiages sévères qui provoquent des déficits d’eau.Tous les secteurs
reposant sur la disponibilité des ressources en eau sont aujourd’hui fortement
menacés (l’agriculture, l’alimentation en eau potable, la production hydro-électrique,
etc.). Cette situation a suscité chez les hydrologues la mise en cause des méthodes
existantes de modélisation pluie-débit et plusieurs tentatives de modélisation dans
le but de contribuer plus efficacement à la prise en compte des incertitudes liées
à l’évaluation des impacts de la variabilité et des changements climatiques sur les
ressources en eau. On note alors la nécessité d’une approche capable de prendre en
compte, à la fois la dynamique du phénomène physique et son caractère aléatoire.
Parmi les nombreux modèles qui ont été proposés pour prendre en compte la
dynamique du phénomène physique, nous notons le Modèle Hydrologique basé
sur le Principe de Moindre Action (ModHyPMA), qui est un modèle récemment
proposé par Afouda et Alamou (A FOUDA et al., 2010). Ce modèle, basé sur le
Principe de Moindre Action (PMA), a aussi fait l’objet des travaux de A LAMOU,
2011 ; BIAO, 2015 ; G ABA et al., 2015 ; etc, et a connu très tôt du succès, d’après une
étude comparative de O BADA et al., 2016.
Afin de prendre en compte la dynamique du phénomène physique et de permettre
une description continue de l’évolution des processus qui déterminent l’état du
système, de prendre en compte le caractère aléatoire et les incertitudes, nous avons
choisi de partir du ModHyPMA qui est un modèle déterministe à base physique, qui
modélise bien la dynamique du phénomène hydrologique, pour aboutir à un modèle
stochastique qui prend en compte les incertitudes. Cette approche stochastique
du ModHyPMA conduit à une équation différentielle stochastique (EDS) qui a une
 2

équation de Fokker-Planck associée. Le bassin-versant de l’Ouémé est l’un des bassins

fluviaux de l’Afrique de l’Ouest confronté au cours de ces dernières décennies aux
évènements hydro-climatiques extrêmes (K ODJA, 2018). Nous allons appliquer notre
approche sur le bassin versant de l’Ouémé à Savè (Bénin).

2. Objectifs

2.1. Objectif général

L’objectif général de ce mémoire est de proposer un modèle stochastique pluie-

débit pour bien prendre en compte le caractère aléatoire et les incertitudes dans la
modélisation pluie-débit.

2.2. Objectifs spécifiques

La présente étude vise spécifiquement à :

• Établir l’équation différentielle stochastique qui régit le modèle stochastique en
partant du Modèle Hydrologique déterministe basé sur le Principe de Moindre
Action (ModHyPMA).
• Résoudre cette équation différentielle stochastique à l’aide de la méthode
numérique d’Euler et valider le modèle en se basant sur les critères de
performance.
• Écrire l’équation de Fokker-Plank associée à l’équation différentielle
stochastique du modèle et la résoudre avec les méthodes numériques de
différences finies d’ordre supérieur (ordre 4) et de volumes finis et faire des
prévisions.

3. Hypothèses de travail

Nous allons partir des hypothèses selon lesquelles :

• la dynamique du système hydrologique est basée sur le Principe de Moindre
Action(PMA), et
• les incertitudes peuvent être modélisées par un processus gaussien.

4. Limite de l’étude

Une limite importante qu’on peut souligner au niveau de notre étude est l’hypothèse
selon laquelle les incertitudes peuvent être modélisée par un processus gaussien ;
c’est-à-dire un processus dirigé par un bruit blanc gaussien. En fait, il n’est pas si
évident de tomber sur le cas particulier de bruit blanc gaussien.
 3

5. Résultats attendus de l’étude, participants et

bénéficiaires

Notre étude est faite en collaboration avec des hydrologues qui nous ont aidé à nous
approprier certaines notions du domaine et à avoir les données nécessaires. Nous
nous attendons à :
• obtenir une équation différentielle stochastique qui décrit le comportement du
bassin ;
• trouver des simulations qui approchent bien les données réelles et obtenir
de bonnes performances pour le modèle stochastique grâce à la solution
numérique de la méthode d’Euler ;
• avoir des résultats très proches pour les deux méthodes numériques de
résolution de l’équation de Fokker-Plank associée à l’équation différentielle
stochastique du modèle afin de réussir la prévision.
Ces résultats pourront servir aux hydrologues dans la prévention des catastrophes
liées aux phénomènes extrêmes. Ils permettront également de fournir aux décideurs
des résultats plus fiables, prenant en compte les incertitudes.

6. Grandes divisions du mémoire

Ce mémoire est structuré en quatre (04) chapitres à savoir :

• Revue de littérature : C’est le premier chapitre de ce document. Il porte
sur les différentes notions exploitées dans notre étude et nécessaires pour la
compréhension du thème de notre étude. Ensuite, nous faisons une présentation
des travaux antérieurs qui portent sur la même thématique. Enfin, nous portons
un regard critique sur l’existant.
• Zone d’étude et données : C’est le deuxième chapitre de notre document. Nous
y présentons le bassin-versant sur lequel porte notre étude et les données
utilisées ;
• Méthodologie : C’est le troisième chapitre de notre document. Nous y
présentons la démarche méthodologique qui nous conduit aux résultats ; c’est
la partie la plus importante de notre travail.
• Résultats et discussion : Il s’agit du quatrième et dernier chapitre de notre
mémoire. Dans ce chapitre, nous présentons les résultats obtenus après
l’application de nos méthodes sur les données de la zone d’étude. Nous allons
faire des comparaisons et mener les discussions qui nous permettrons de valider
le modèle. Ces résultats pourront être ensuite utilisés pour faire des prévisions.
 4

C HAPITRE 1
REVUE DE LITTÉRATURE

Contenu
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Clarification du concept de modélisation pluie-débit . . . . . . . . . . 5
1.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Quelques problématiques de la modélisation pluie-débit . . . 9
1.1.3 Les sources d’incertitude . . . . . . . . . . . . . . . . . . . . . 10
1.1.4 La relation pluie-débit . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Généralité sur les Équations Différentielles Stochastiques (EDS) . . . . 11
1.2.1 Processus stochastiques . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.2 Intégrale Stochastique . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Calcul d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.4 Équations différentielles stochastiques(EDS) . . . . . . . . . . 15
1.2.5 Schémas numériques d’approximation d’une équation
différentielle stochastique . . . . . . . . . . . . . . . . . . . . . . 17
1.2.6 Equation de Fokker-Planck-Kolmogorov . . . . . . . . . . . . 18
1.3 Généralité sur les méthodes numériques de résolution des EDP . . . 19
1.4 Point des travaux antérieurs . . . . . . . . . . . . . . . . . . . . . . . . 20
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Figures
1.1 Schéma d’un bassin versant. (S UCHET A MIOTTE, 2014) . . . . . . . 6
1.2 Les différentes approches de la modélisation. (A BDELKADER, 2009) 7
Chapitre 1. Revue de littérature 5

1.3 Décomposition d’un modèle pluie-débit. (A BDELKADER, 2009) . . 11

1.4 Débits simulés avec ModHyPMA comparés aux débits observés
dans le bassin de Bonou.(Biao, 2015) . . . . . . . . . . . . . . . . . . 22

Introduction

La connaissance du comportement hydrologique du bassin versant relève

aujourd’hui d’une importance majeure et devient une nécessité qui permet aux
services concernés de mieux maîtriser les apports des cours d’eau, et contribuer
ainsi à assurer la sécurité des personnes et de leurs biens. La modélisation, selon
les Dictionnaires Le Robert, est une représentation d’un phénomène complexe sous
forme de modèle formel. Elle utilise souvent les outils mathématiques comme les
équations différentielles stochastiques ou autres pour représenter ce phénomène qui
est dans notre cas le comportement hydrologique du bassin versant. Afin de mieux
comprendre notre thème, nous allons explorer certaines définitions et informations
sur le sujet puis faire le point des travaux déjà effectués dans ce sens.

1.1 Clarification du concept de modélisation pluie-

débit

Nous voulons, à travers cette clarification, donner une définition ou une

compréhension claire de certains termes que nous allons utiliser dans ce travail.

1.1.1 Définitions

Réseau hydrographique

Un réseau hydrographique est un ensemble des cours d’eau naturels ou artificiels,

permanents ou temporaires, qui participent à l’écoulement dans une région donnée.
Sa structure est liée à des contraintes de quatre (04) types : la géologie, le climat, la
pente du terrain et la présence humaine.

Bassin versant

Un bassin versant est un système qui collecte l’eau à partir des précipitations,
stocke cette eau et/ou la transforme pour la restituer sous forme de débit à
l’exutoire.(A LAMOU, 2011)
Chapitre 1. Revue de littérature 6

F IGURE 1.1 – Schéma d’un bassin versant. (S UCHET A MIOTTE, 2014)

Débit

Selon le glossaire international d’hydrologie, un débit est le volume d’eau qui traverse
une section transversale dans un cours d’eau (ou dans un canal) par unité de temps.
Son unité est le m3 /s.

Précipitations

Les précipitations sont les apports d’eau au sol sous forme liquide (pluie ou rosée)
ou solide( neige ou grêle) en provenance directe ou indirecte de la condensation de la
vapeur d’eau atmosphérique. L’unité de mesure des précipitations est le millimètre
(1mm=1 litre d’eau/m2 ).

L’évapotranspiration potentielle

L’évapotranspiration est la combinaison de l’évaporation directe à partir des surfaces

d’eau libre, et de la transpiration végétale qui est un processus par lequel l’eau
des végétaux est transférée dans l’atmosphère sous forme de vapeur. Elle dépend
de cinq facteurs : la température, la pression atmosphérique, l’humidité, le vent,
et la surface d’eau à l’air libre. L’évapotranspiration réelle étant très difficilement
Chapitre 1. Revue de littérature 7

mesurable, on utilise classiquement une approximation de cette dernière appelée

évapotranspiration potentielle (ETP), qui correspond à la quantité maximale d’eau
susceptible d’être perdue. Elle est mesurée en millimètre.

Modèle

D’après le dictionnaire de l’Académie française, neuvième édition, un modèle est un

ensemble d’équations rendant compte d’un phénomène complexe et permettant d’en
décrire les caractères et d’en prévoir les évolutions.
Le développement d’un modèle mathématique, en tant que représentation d’une
réalité, fait intervenir les étapes suivantes :
– la perception du phénomène,
– la formulation dans un cadre conceptuel,
– la traduction en un logiciel.

Modèle pluie-débit

Un modèle pluie-débit est une représentation simplifiée de la réalité complexe

d’un processus hydrologique non-linéaire, variant dans l’espace et dans le temps,
dans un environnement naturel tout aussi complexe(A LAMOU, 2011). C’est un
outil qui permet de générer, à partir d’une série de données pluviométriques et
d’évapotranspiration potentielle, des débits les plus proches possibles de ceux
réellement observés ou potentiellement observables à l’exutoire d’un bassin versant.
La figure ci-dessous (1.2) présente différentes catégories de modèle pluie-débit.

F IGURE 1.2 – Les différentes approches de la modélisation.

(A BDELKADER, 2009)
Chapitre 1. Revue de littérature 8

Voici une brève description de chacune de ces catégories de modèles tirée des travaux
de (A BDELKADER, 2009 ) :

a. Modèles stochastiques

Compte tenu des incertitudes sur les données et même sur la structure du modèle,
une modélisation stochastique peut sembler appropriée, qu’il s’agisse de l’hydrologie
ou de l’environnement. Ainsi une approche stochastique est un moyen rationnel
de traiter la caractérisation spatiale de la variabilité, et d’établir un lien entre les
incertitudes des paramètres et celles des prédictions. Toutefois cette approche, qui
semble par ailleurs le meilleur moyen de caractériser la variabilité des grandeurs,
nécessite la connaissance des lois de probabilité les plus courantes pour la variabilité
considérée ou au moins de leurs premiers moments.

b. Modèles déterministes

Un modèle est dit déterministe si aucune de ses grandeurs n’est considérée comme
aléatoire. La plupart des modèles hydrologiques sont déterministes. Ces modèles
associent à chaque jeu de variables de forçage (variables indépendantes d’entrée
du modèle, pouvant être essentiellement des mesures de pluie), de variables d’état
(variable permettant de caractériser l’état du système modélisé) et de paramètres,
une valeur de réalisation unique des variables de sortie.

c. Modèles à base physique

Le modèle à base physique est basé uniquement sur des équations de la physique ;
il représente les processus de la relation pluie-débit en utilisant les lois physiques
régissant ces processus.

d. Modèles paramétriques

Les modèles paramétriques sont les modèles incluant des paramètres dont la valeur
doit être estimée par le calage.

e. Modèles empiriques

Le type de fonctions reliant les variables est fixé à priori (fonctions polynomiales,
fonctions sigmoïdes). Le niveau de complexité (nombre de fonctions à utiliser, ordre
du polynôme) étant fixé, le calage consiste alors à déterminer la combinaison de
fonctions s’ajustant le mieux aux données mesurées. Ce type de modèle ne cherche
pas à décrire les processus impliqués dans la relation pluie-débit et est donc souvent
caractérisé comme un modèle "boîte noire".
Chapitre 1. Revue de littérature 9

Les modèles "boîtes noires" sont des modèles qui font intervenir l’intelligence
artificielle ; on peut citer le réseau de neurones, les algorithmes génétiques, le Data
Mining, ARIMA, SARIMA, etc.

f. Modèles analytiques

Ce sont des modèles pour lesquels les relations entre les variables de sortie et
les variables d’entrée ont été établis par analyse de séries de données mesurées.
L’exemple type est celui des modèles linéaires : les paramètres de ces modèles sont
liés aux coefficients de corrélation entre les variables. Notons que l’analyse des
données peut conduire au choix de relations non linéaires entre les variables.

g. Modèles conceptuels

Ce type de modèle repose sur l’analogie remarquée entre le fonctionnement d’un

bassin versant et un ensemble de réservoirs interconnectés. Plus précisément, quand
la structure du système et des lois le régissant sont inconnues ou lorsque la pauvreté
des informations et la complexité des phénomènes en jeu prévalent, le comportement
du système en question est simplifié.

h. Modèles globaux

Les modèles globaux offrent à l’utilisateur un choix très attractif, car ils présentent
une structure très simplifiée, ils ne demandent pas trop de données, faciles à utiliser
et à calibrer. Dans un modèle global, le bassin versant est représenté comme une
entité spatiale homogène. La variabilité spatiale des processus étudiés n’est donc pas
explicitement prise en compte avec ce type de modèle.

i. Modèles Spatialisés

Les modèles spatialisés sont des modèles qui utilisent des entrées et des sorties où les
caractéristiques des bassins versants sont distribuées dans l’espace. La spatialisation
peut être arbitraire ou basée sur des divisions morphologiques naturelles (découpage
en sous bassins) ou hydrologiques (aires contributives) Nous pouvons classer les
modèles spatialisés en trois grands types :
• Modèles conceptuels spatialisés ou semi-spatialisés ;
• Modèles physiques spatialisés ;
• Modèles physiques conceptuels semi-spatialisés.

1.1.2 Quelques problématiques de la modélisation pluie-débit

Les problématiques de la modélisation pluie-débit sont entre autres :

Chapitre 1. Revue de littérature 10

• Simulation de débits, pour le comblement de lacunes dans des séries de

données, la reconstitution de débits historiques (les données de pluie étant
souvent disponibles sur des périodes beaucoup plus longues que les débits) ou
pour permettre des traitements statistiques ;
• Prédétermination des débits de crue ou d’étiage : on désire savoir avec quelle
fréquence des débits de crue (supérieurs à un seuil de risque par exemple)
ou des faibles débits (en deçà d’un débit réservé par exemple) risquent
de se produire, et sur quelle durée. On se place ici dans une démarche
d’analyse fréquentielle. Cette connaissance peut permettre le dimensionnement
d’ouvrages et de réservoirs ou d’aménagements dans le lit (mineur à majeur)
du cours d’eau ;
• Prévision des crues et des étiages : il s’agit d’évaluer par avance (avec un délai
de quelques heures à quelques jours), connaissant l’état du bassin, les débits de
crues susceptibles de présenter des risques (inondation) ou les débits d’étiages
pouvant demander de mettre en place une gestion particulière de la ressource
(par des barrages-réservoirs par exemple) pour assurer l’approvisionnement en
eau ou la préservation de la vie halieutique. On s’inscrit ici dans une démarche
d’analyse en continu du bassin ;
• Influence d’aménagements sur l’hydrologie : on désire pouvoir prédire
les changements de la réponse du bassin suite à des modifications
des caractéristiques du bassin d’origine humaine ou à des changements
environnementaux.
Ces problématiques font ressortir deux aspects importants, celui de l’évaluation du
risque et celui de la gestion de la ressource (P ERRIN, 2000).

1.1.3 Les sources d’incertitude

Avant de chercher à prendre en compte les incertitudes dans la modélisation pluie-

débit, il est important de rappeler que les sources d’incertitude proviennent de
plusieurs origines ; ce sont :
• les incertitudes relatives aux données d’entrée, utilisées pour le calibrage et/ou
la validation du modèle (par exemple la pluie, la température, le débit etc.) ;
• les incertitudes provenant de l’estimation des paramètres du modèle ;
• les incertitudes liées à la structure même du modèle ;
• les incertitudes liées à l’état initial du bassin versant.
Il faut en outre avoir à l’esprit que, même si les incertitudes ci-dessus mentionnées
pouvaient être éliminées, il resterait néanmoins des incertitudes non mesurables,
liées à la nature aléatoire des processus naturels (A LAMOU, 2011).

1.1.4 La relation pluie-débit

Aujourd’hui, nous notons la nécessité de prévoir les phénomènes de types extrêmes

comme les crues exceptionnelles dans le cadre de la gestion de la ressource en eau,
Chapitre 1. Revue de littérature 11

en relation directe avec la demande en eau des populations. Chaque point d’un cours
d’eau permet de définir un bassin versant et les débits observés en ce point sont
directement liés aux précipitations tombées sur ce bassin. A partir des observations
faites en quantifiant la pluie tombée, on peut arriver à reproduire la réponse en
débit du bassin. La simulation hydrologique du bassin versant, décrite comme la
transformation de la pluie en débit passe par l’utilisation d’un modèle hydrologique.
L’objectif principal étant de reproduire au mieux le comportement global d’un bassin
donné face à une série chronologique de données pluviométriques. Les facteurs
déterminants entrant dans les mécanismes hydrologiques présentent une variabilité
tant d’un point de vue temporel que spatial extrêmement importante. Cela induit
par conséquent une représentation mathématique de ces phénomènes extrêmement
complexes. Nous notons la séparation des modèles pluie-débit en deux sous-modèles
selon le schéma de la figure 1.3. Le premier sous-modèle, encore appelé fonction de
production, transforme les pluies brutes PB en pluies nettes PN après soustraction
des pertes W. Ces pluies nettes PN engendrent les débits écoulés à l’exutoire au
moyen de la fonction de transfert. La figure1.3 si-dessous présente la décomposition
d’un modèle pluie-débit.

F IGURE 1.3 – Décomposition d’un modèle pluie-débit. (A BDELKADER,

2009)

1.2 Généralité sur les Équations Différentielles

Stochastiques (EDS)

Le but de cette section est de faire une synthèse sur les notions d’EDS. Les
informations ci-dessous dans cette section s’inspirent de N DONGO, 2012 et D EACONU,
2020.

1.2.1 Processus stochastiques

L’origine des processus stochastiques remonte aux progrès faits au début du XXè
siècle dans certaines branches appliquées, telles que la mécanique statistique (par
Gibbs, Boltzmann, Poincaré, Smoluchowski et Langevin). Les bases théoriques ont
été formulées plus tard par Doob et Kolmogorov et d’autres dans la période 1930
à 1940. C’est durant cette période que le mot "stochastique", qui provient du grec
Chapitre 1. Revue de littérature 12

stokhastikos "conjectural", a commencé à être employé. D’autres progrès ont été faits
aussi à partir du mouvement brownien en physique (par Einstein, Lévy et Wiener).

Définition

Un processus stochastique X = { X (t), t ∈ T } est une famille de variables aléatoires

X (t) indèxée par un ensemble T.
En général T = R ou R+ et on considère que le processus est indèxé par le temps
t, on dit que le processus est à paramètre continu ou à temps continu. Si T est un
ensemble fini, le processus est un vecteur aléatoire. Si T ⊂ Z alors le processus est dit
discret.
Un processus stochastique est une fonction de deux arguments X (t, ω ), t ∈ T, ω ∈ Ω ;
t est le temps et ω est l’aléa.
Pour t ∈ T fixé, ω ∈ Ω 7→ X (t, ω ) est une variable aléatoire sur l’espace de probabilité
(Ω, F, P).
Pour ω ∈ Ω fixé, t ∈ T 7→ X (t, ω ) est une fonction à valeurs réelles, appelée trajectoire
du processus.
Dans la suite, sauf mention contraire, on prendra T = R ou R+ .

Processus Gaussien

Un processus X = ( Xt )t∈T est un processus gaussien si pour tout n ∈ N∗ et pour tout

(t1 , ..., tn ) ∈ T n , le vecteur aléatoire ( Xt1 , ..., Xtn ) est un vecteur gaussien. Autrement
dit X = ( Xt )t∈T est gaussien si toute combinaison linéaire a1 Xt1 + ... + an Xtn suit une
loi gaussienne (pour tout n ∈ N∗ ; t1 , ..., tn ∈ T et a1 , ..., an ∈ R).
NB : Tout vecteur de variables aléatoires gaussiennes indépendantes est un vecteur
gaussien.

Processus stationnaires

On dit qu’un processus stochastique {Yt }, est strictement stationnaire si la

distribution conjointe de (Yt1 , ..., Ytk ) est identique à celle de (Yt1 +h , ..., Ytk +h ), quels
que soient k le nombre d’instants considérés, (t1 , ..., tk ) les instants choisis et h, le
décalage ; c’est-à-dire que, quels que soient le nombre de dates et les dates choisis,
quand on décale ces dates d’une même quantité, la distribution ne change pas. Cette
condition est difficile à vérifier et on utilise une version plus faible de stationnarité,
la stationnarité faible ou du second ordre, souvent suffisante.
Un processus { Xt } est stationnaire au second ordre (stationnarité faible) si et
seulement si :
– ∀t, E[ Xt ] = m ; (moyenne constante ; ne dépend pas de t)
– ∀t, cov( Xt+h , Xt ) = γ(h). (ne dépend pas de t)
En particulier ∀t, Var ( Xt ) = γ(0) (variance constante ; ne dépend pas de t)
Chapitre 1. Revue de littérature 13

Processus de Wiener ou Mouvement Brownien (MB)

Le mouvement brownien est une description mathématique du mouvement aléatoire

d’une grosse particule immergée dans un fluide et qui n’est soumise à aucune autre
interaction que des chocs avec les petites molécules du fluide environnant. Il en
résulte un mouvement très irrégulier de la grosse particule, qui a été décrit pour la
première fois en 1827 par le biologiste Robert Brown alors qu’il observait du pollen
de Clarkia pulchella (une espèce de fleur sauvage nord-américaine), puis de diverses
autres plantes, en suspension dans l’eau. Il représente de nos jours un processus
gaussien incontournable notamment en calcul stochastique.
Définition uni-dimensionnelle du Mouvement Brownien :
Fixons un espace de probabilité (Ω, F, P). Un mouvement Brownien
unidimensionnelle, également appelé processus de Wiener, est un processus
stochastique W = (Wt )t≥0 qui présente les propriétés suivantes :
1. Pr [W0 = 0] = 1 (W0 = 0 presque sûrement) ; on dit dans ce cas que le
mouvement brownien est standard.
2. W est un processus à accroissements indépendants : Pour tout n ≥ 2 et tout
0 = t0 < t1 < ... < tn , les variables aléatoires Wtn − Wtn−1 , Wtn−1 − Wtn−2 , ..., Wt2 −
Wt1 et Wt1 − Wt0 sont indépendantes.
3. W est un processus à accroissements stationnaires et gaussiens : Pour tout h>
0, la loi de la variable Wt+h − Wt ne dépend pas de t et Wt+h − Wt ∼ N (0, h) .
4. W est un processus continu : c’est à dire t 7→ Wt (ω ) est continue pour presque
tout ω ;

Bruit blanc

Un bruit blanc est un processus stationnaire {ε t }t≥0 vérifiant les propriétés suivantes :
• Espérance nulle : ∀t, E[ε t ] = 0 ,
• Variance constante :E(ε2t ) = σε2 = cste
• et l’absence d’auto-corrélation :
σε2 , si h = 0
E(ε t+h , ε t ) = σε2 .δ(h) = { (1.1)
0, si h 6= 0
Avec σε2 l’intensité du bruit.
On parle de bruit blanc indépendant lorsque la condition de l’absence d’auto-
corrélation est remplacée par celle de l’indépendance.
Un bruit blanc gaussien {ε t } est une suite de v.a. i.i.d. N (0, σε ).
De manière formelle, on admet que le processus du bruit blanc gaussien, lorsqu’il est
centré réduit, est la dérivée du processus de mouvement brownien standard et on
écrit :
dW (t) = ε(t)dt (1.2)
soit
dW (t)
ε(t) = (1.3)
dt
Chapitre 1. Revue de littérature 14

1.2.2 Intégrale Stochastique

Afin de prendre en compte les forces aléatoires qui interviennent dans les équations
de la dynamique comme des termes complémentaires, on a cherché à donner un sens
à l’intégrale lorsque celle-ci est prise par rapport à un processus stochastique. Le but
est donc de donner un sens à des équations de la forme :
dX dW (t)
= f ( X, t) + g( X, t) (1.4)
dt dt
Le problème est que les trajectoires du processus de Wiener ne sont pas différentiables,
ni même à variations bornées. Comme dans le cas des équations différentielles
ordinaires, on interprète une solution de l’équation différentielle comme une solution
de l’équation intégrale :
Z Z
X t = X0 + f ( X (s), s)ds + g( X (s), s)dWs (1.5)

C’est à la deuxième intégrale qu’il s’agit de donner un sens mathématique.

Si s 7→ g( X (s), s) était différentiable, on pourrait le faire à l’aide d’une intégration
par parties, mais ce n’est en général pas le cas. Itô a donné une autre définition de
l’intégrale stochastique, qui s’applique à une classe beaucoup plus vaste d’intégrants
(et donne le même résultat que l’intégration par parties dans le cas différentiable).

1.2.3 Calcul d’Itô

On considère un F-mouvement Brownien standard W défini sur l’espace de

probabilité filtré (Ω, F, { Ft }t≥0 , P) et un horizon de temps [0, T ] oùT > 0.

Processus d’Itô : Définition

Un processus stochastique ( Xt ), t > 0 est appelé processus d’Itô s’il s’écrit sous la
forme : Z Z t t
X t = X0 + µs ds + σs dWs (1.6)
0 0
où X0 est F0 -mesurable, {µt , t ∈ R+ } et {σt , t ∈ R+ } sont deux processus F-adaptés
vérifiant les conditions d’intégrabilité
RT RT
0 | µ s | ds < ∞ P.p.s et 0 σs dWs < ∞ P.p.s
On note également sous sa forme différentielle :
dXt = µt dt + σt dWt (1.7)

Formule d’Itô

Considérons une intégrale stochastique de la forme :

Z t Z t
X t = X0 + f (s, ω )ds + g(s, ω )dWs (1.8)
0 0
Chapitre 1. Revue de littérature 15

où X0 est indépendante du mouvement Brownien Wt , et f et g sont des fonctions

vérifiant les conditions d’intégrabilité.
Le processus (1.8) s’écrit également sous forme différentielle

dXt = f dt + gdW (t) (1.9)

La formule de Itô permet de déterminer de manière générale l’effet d’un changement

de variables sur une différentielle stochastique.

Théorème (Formule de Itô)

Soit u : R+ × R 7→ R, (t, x ) 7→ u(t, x ) une fonction continûment différentiable par

rapport à t et deux fois continûment différentiable par rapport à x. Alors le processus
stochastique Yt = u(t, Xt ) satisfait l’ équation

∂u ∂u 1 ∂2 u
dYt = dt + dXt + (dXt )2 (1.10)
∂t ∂x 2 ∂x2

où (dXt )2 se calcule en utilisant les règles :

dt.dt = 0,
dt.dW (t) = 0,
dW (t).dW (t) = dt.

Intégration par parties

Soient Xt et Yt , des processus d’Itô. Alors le produit de Xt et Yt est un processus d’Itô,

et
d( X, Y ) = YdX + XdY + dXdY (1.11)
L’expression dXdY est le terme correctif d’Itô. L’intégration de la règle du produit
d’Itô donne la formule d’intégration par parties :
Z t Z t Z t
Xt Yt = X0 Y0 + Xr dYr + Yr dXr + dXr dYr (1.12)
0 0 0

1.2.4 Équations différentielles stochastiques(EDS)

Les équations différentielles gouvernent de nombreux phénomènes déterministes.

Pour prendre en compte des phénomènes aléatoires, formellement on doit prendre
en compte des "différentielles stochastiques", ce qui transforme les équations en
équations différentielles stochastiques (EDS). Les équations différentielles sont des
équations d’évolution du type :

dx
= f (t, x (t)) (1.13)
dt
Chapitre 1. Revue de littérature 16

avec la condition initiale x (0) = x0

où l’inconnue est une fonction x(t) qui doit vérifier une équation impliquant sa
dérivée x 0 (t) = dx
dt et elle même.
Les EDS sont des généralisations des équations (1.13) ou la dynamique déterministe
d’évolution est perturbée par un terme aléatoire. On peut considérer que ce bruit est
un processus gaussien généralement modélisé par un mouvement Brownien W et
une intensité de bruit g( x, t) :

dXt = f ( Xt , t)dt + g( Xt , t)dWt , X0 = x0 (1.14)

La fonction f est communément appelée coefficient de transfert, alors que g est

appelée coefficient de diffusion.

Définition d’une EDS

On appelle équation différentielle stochastique (EDS), vérifiée par un processus

stochastique X, toute équation de la forme :

dXt = f ( Xt , t)dt + g( Xt , t)dWt , X0 = x0 (1.15)

X0 : Ω 7→ R est une variable aléatoire, de carré intégrable et indépendante du

mouvement Brownien.
Rechercher une solution de l’équation ci-dessus consistera à rechercher un processus
{ Xt ; t ≥ 0} satisfaisant l’équation intégrale :
Z t Z t
X t = X0 + f ( X (s), s)ds + g( X (s), s)dWs (1.16)
0 0

où la seconde intégrale est une intégrale stochastique.

La solution de cette équation est appelée processus de diffusion, ou plus simplement
une diffusion.

Solution forte de l’EDS : Définition

Un processus stochastique { Xt }t∈[0,T ] est appelé une solution forte de l’EDS (1.15)
avec condition initiale X0 si :

• Xt est Ft -mesurable pour tout t ∈ [0, T ] ;

• On a les conditions d’intégrabilité :
RT RT
P{ 0 | f ( Xs , s) | ds<∞}= P{ 0 | g2 ( Xs , s) | ds< ∞} = 1
Rt Rt
• Pour tout t ∈ [0, T ], on a Xt = X0 + 0 f ( Xs , s)ds + 0 g( Xs , s)dWs , avec la
probabilité 1.
Chapitre 1. Revue de littérature 17

Existence et unicité de solution : Théorème

On suppose des fonctions réelles f et g et la condition initiale X (t0 ) satisfaisant les

hypothèses suivantes :
H1 : il existe une constante K > 0 telle que

| f ( X, t) |2 ≤ K2 (1+ | X |2 ), (1.17)

et
| g( X, t) |2 ≤ K2 (1+ | X |2 ). (1.18)

H2 : f ( X, t) et g( X, t) satisfont les conditions de Lipschitz en X

| f ( X2 , t) − f ( X1 , t) |≤ K | X2 − X1 |, (1.19)

et
| g( X2 , t) − g( X1 , t) |≤ K | X2 − X1 | . (1.20)

H3 : f ( X, t) et g( X, t) satisfont les conditions de Lipschitz en t

| f ( X, t2 ) − f ( X, t1 ) |≤ K | t2 − t1 |, (1.21)

et
| g( X, t2 ) − g( X, t1 ) |≤ K | t2 − t1 | . (1.22)
H4 : X (t0 ) est une variable aléatoire vérifiant la relation E[| Xt0 |2 ] < ∞ et X (t0 ) est
indépendant de {dW, t ∈ [0, T ]}.
Alors il existe un processus X (t) solution de l’ équation différentielle stochastique
(1.15) définie au sens de la moyenne quadratique sur [0, T ] et vérifiant les propriétés
suivantes :
P1 : X(t) est continu en moyenne quadratique sur [0, T ] ;
P2 : E[| Xt |2 ] < ∞, ∀t ∈ [0, T ] ;
RT
P3 : 0 E[| Xt |2 ] < ∞ ;
P4 : X (t) − X (t0 ) est indépendant de {dW (τ ), τ >t}, ∀t ∈ [0, T ] ;
P5 : Le processus { X (t), t ∈ [0, T ]} est un processus de Markov et au sens de la
convergence en moyenne quadratique, il est déterminé de manière univoque par la
condition initiale X (t0 ).

1.2.5 Schémas numériques d’approximation d’une équation

différentielle stochastique

Considérons l’équation différentielle stochastique (1.15). Nous avons vu que si f et

g sont continues en ( X, t) et lipschitziennes en X et t, cette équation possède une
unique solution forte Xt . Cependant, il est parfois difficile d’obtenir une expression
analytique pour cette solution. Il est donc important de développer des méthodes
Chapitre 1. Revue de littérature 18

numériques afin de simuler des approximations de la solution de telles équations. Les

schémas numériques utilisés pour les équations différentielles ordinaires peuvent,
en général, être adaptés au cas aléatoire. Nous notons entre autres les schémas
numériques d’Euler, de Milstein, de Heun d’ordre 2 et de Runge-Kutta d’ordre 3.

1.2.6 Equation de Fokker-Planck-Kolmogorov

Considérons l’EDS (1.15) : dXt = f ( Xt , t)dt + g( Xt , t)dWt , X0 = x0 ;

avec W (t) le processus du mouvement brownien.
Le processus { X (t), t ∈ [0, T ]} solution de l’EDS (1.15) est un processus de Markov
continu caractérisé par une densité de probabilité P( x, t) pour t ∈ [0, T ]. On
peut déterminer complètement leurs probabilités à partir de la connaissance de
la distribution initiale P( x, t)|t=t0 = P( x, t0 ) et de la probabilité de transition
P( x, t| x0 , t0 ).
La densité de probabilité de transition obéit à une équation aux dérivées partielles
linéaire appelée Equation de Fokker-Planck Kolmogorov ou simplement Equation
de Fokker-Planck(EFP). Pour éviter les incohérences, la probabilité de transition
doit satisfaire une condition de compatibilité donnée par l’équation de Chapman-
Kolmogorov :
Z Z
P( x, t) = P( x, t; xs , s)dx = P( x, t| xs , s) P( xs , s)dx; (1.23)

s ∈ [0, t]
Pour s = t0 , on a : Z
P( x, t) = P( x, t| x0 , t0 ) P( x0 , t0 )dx, (1.24)

La densité de probabilité P( x, t) elle-même obéit à la loi de conservation :

Z xmax
P( x, t)dx = 1 (1.25)
xmin

avec xmin ≤ x ≤ xmax

On introduit aussi la notion de conditions aux limites absorbantes pour la densité
de probabilité qui se traduit par :

P( xmin , t) = P( xmax , t) = 0 (1.26)

On prend généralement comme densité initiale :

P( x, t)|t=t0 = δ( x − x0 ) (1.27)
qui est la distribution de Dirac, en partant du fait que la valeur de X (t) est connue,
égale à x0 à t = t0 . On rappelle que :
δ( Q − Q0 ) = 1, si Q = Q0 et δ( Q − Q0 ) = 0, sinon.
Chapitre 1. Revue de littérature 19

La densité initiale doit aussi vérifier la condition :

Z xmax
P( x, t0 )dx = 1 (1.28)
xmin

Pour le cas monodimensionnel, l’ Equation de Fokker-Planck associée à l’ équation

différentielle stochastique dX = f ( X, t)dt + g( X, t)dW (t) s’écrit :

∂P( X, t) ∂ 1 ∂2
= − [ f ( X, t) P( X, t)] + 2
[ g( X, t)2 P( X, t)] (1.29)
∂t ∂X 2 ∂X

1.3 Généralité sur les méthodes numériques de

résolution des EDP

La plupart des équations différentielles ou équations aux dérivées partielles

rencontrées en physique n’ont de solutions analytiques que dans des cas bien
particuliers. Pour contourner ce problème, l’on fait souvent recours à des méthodes
numériques dont le principe est d’approcher la solution exacte du problème par une
solution discrète, on parle donc de discrétisation de la solution. Pour passer d’un
problème exact continu régit par une EDP au problème approché discret, il existe
trois grandes familles de méthodes (G ONCALVÈS, 2005) :
• Les Différences Finies (DF)
La méthode consiste à remplacer les dérivées partielles par des différences
divisées ou combinaisons de valeurs ponctuelles de la fonction en un nombre
fini de points discrets ou noeuds du maillage.
Avantages : grande simplicité d’écriture et faible coût de calcul.
Inconvénients : limitation à des géométries simples, difficultés de prise en
compte des conditions aux limites de type Neumann.
• Les Volumes Finis
La méthode intègre, sur des volumes élémentaires de forme simple, les
équations écrites sous forme de loi de conservation. Elle fournit ainsi de manière
naturelle des approximations discrètes conservatives et est particulièrement
bien adaptée aux équations de la mécanique des fluides. Sa mise en oeuvre est
simple avec des volumes élémentaires.
Avantages : permet de traiter des géométries complexes avec des volumes de
forme quelconque, permet une détermination plus naturelle des conditions aux
limites de type Neumann.
Inconvénient : peu de résultats théoriques de convergence.
• Les Eléments Finis (EF)
La méthode consiste à approcher, dans un sous-espace de dimension finie, un
problème écrit sous forme variationnelle (comme minimisation de l’énergie en
général) dans un espace de dimension infinie. La solution approchée est dans
ce cas une fonction déterminée par un nombre fini de paramètres comme, par
exemple, ses valeurs en certains points ou noeuds du maillage.
Avantages : traitement possible de géométries complexes, nombreux résultats
Chapitre 1. Revue de littérature 20

théoriques sur la convergence.

Inconvénient : complexité de mise en oeuvre et grand coût de calcul en temps
et en mémoire.

1.4 Point des travaux antérieurs

Dans cette partie, nous faisons une présentation de quelques publications et travaux
réalisés qui portent sur la même thématique, puis souligner leurs limites.
Afin de résoudre les différentes problématiques de la modélisation pluie-débit,
plusieurs modèles pluie-débit ont été utilisés. O BADA et al., 2016, dans ses travaux
pour l’ évaluation des performances de neuf (09) modèles hydrologiques pluie-débit
globaux sur le Bassin de la Mékrou à L’exutoire de Kompongou (Bénin), dans le but
de contribuer à la mise en place d’un cadre adéquat de gestion de la ressource en
eau dans le bassin de la Mékrou, a présenté neuf (9) modèles hydrologiques pluie-
débit globaux dont un à base physique et huit (8) conceptuels. Il s’agit des modèles
GR4J, AWBM, TANK, Sacramento, HBV, SMAR, IHACRES, SimHyd et ModHyPMA
(modèle à base physique). Il existe encore beaucoup d’autres modèles pluie-débit
que nous ne saurons citer eux tous, mais une classification des modèles pluie-débit
existants révèle les catégories suivantes, comme détaillé plus haut (sous-section 1.1.1) :
les modèles stochastiques, les modèles déterministes, les modèles à base physique,
les modèles paramétriques, les modèles empiriques, les modèles analytiques, les
modèles conceptuels, les modèles globaux et les modèles spatialisés.(A BDELKADER,
2009)
Pour la sélection des modèles, O BADA et al., 2016 se sont reposés sur les critères
suivants : les mêmes types de données d’entrée pour tous les modèles ; l’adéquation
entre les données de forçage du modèle et les données disponibles ; les performances
du modèle dans les applications antérieures et le nombre réduit de paramètres à caler.
Les résultats obtenus montrent la supériorité de ModHyPMA, AWBM et HBV sur
les autres modèles. Le modèle ModHyPMA est le plus récent des modèles retenus.
Il a été testé sur plusieurs bassins du Bénin, de la côte d’Ivoire et des USA avec des
résultats meilleurs comparativement au GR4J et HBV (A LAMOU, 2011 ; G ABA et al.,
2015 ). Les huit (8) autres modèles ont été largement utilisés dans le monde avec
satisfaction (P ERRIN, 2000 ; Z HANG et al., 2013 ; etc.). Nous nous intéressons plus ici
au ModHyPMA(Modèle Hydrologique basé sur le Principe de Moindre Action).
Le Modèle Hydrologique basé sur le Principe de Moindre Action (ModHyPMA) a été
récemment proposé par Afouda et Alamou (A FOUDA et al., 2010). En effet le principe
de moindre action est un principe physique central, servant de cadre, aussi bien à
la mécanique classique, à la physique des particules élémentaires, qu’à la relativité
générale. (A LAMOU, 2011)
Des études continuent d’être menées sur ce modèle (ModHyPMA) qui a connu très
tôt le succès. Les travaux de Alamou (2011) sur l’Application du Principe de Moindre
Action à la Modélisation Pluie-débit et ceux de BIAO, 2015 sur l’Amélioration de
la Modélisation Pluie-débit à travers le Contrôle des Incertitudes dans un contexte
de variabilité et de changement climatique dans le bassin de l’Ouémé, ont beaucoup
Chapitre 1. Revue de littérature 21

contribué au développement et à l’amélioration de ce modèle. En fait le ModHyPMA

déterministe a été bien développement et implémentée par A LAMOU, 2011 sur
le bassin de Bétérou, ensuite BIAO, 2015 a travaillé sur la prise en compte des
incertitudes avec le ModHyPMA. Nous notons G ABA et al., 2015 qui a aussi contribué
à l’amélioration de ce modèle en l’appliquant aux USA, Allemagne , etc. Concernant
notre zone d’étude, outre Biao en 2015, rares sont les travaux qui ont porté sur
la modélisation pluie-débit sur le bassin de l’Ouémé à Savè, c’est d’ailleurs le seul
chercheur à travailler avant nous sur le bassin de l’Ouémé à Savè avec le ModHyPMA.
Le modèle ModHyPMA a été déjà implémenté sur beaucoup d’autres bassins.
Pour prendre en compte l’aléa dans les processus hydrologiques, d’autres chercheurs
(E VORA, 1997 ; U NAMI et al., 2010 ; A LAMOU, 2011 ; BIAO, 2015 ; etc.) ont introduit
le caractère stochastique qui vise à représenter les innombrables aléas du monde
réel, ce qui conduit à des modèles stochastiques ; le but est de trouver un modèle
qui pourra modéliser au maximum les incertitudes. Les modèles stochastiques
sont de plus en plus utilisés de nos jours dans beaucoup de domaine en raison
de leur efficacité. En hydrologie, nous notons de plus en plus l’utilisation des
chaînes de Markov(P ENDER et al., 2016 et autres), les équations différentielles
stochastiques(U NAMI et al., 2010 ; B ODO et al., 2005 ; etc ) et autres modèles. Les
équations différentielles stochastiques sont de plus en plus utilisées dans différents
domaines tels que les finances, afin de modéliser, par exemple, l’évolution de cours
de bourses (exemple du mouvement brownien géométrique dans le modèle de
Black-Scholes), la dynamique des populations, afin de modéliser la localisation ou
la taille de la population d’une espèce donnée, la physique (mécanique des fluides,
géophysique, ... ). Notre intérêt se portera plus sur les équations différentielles
stochastiques.
Malgré les performances du ModHyPMA par rapport aux autres modèles, BIAO,
2015 a montré par une comparaison du graphe des débits simulés par ModHyPMA
et celui des débits observés sur Bassin de Bonou que les pics sont soit sous-estimés
ou soit sur-estimés par le modèle(voir figure 1.4) ; c’est-à-dire qu’ils ne sont pas
bien pris en compte par le modèle. Il ajoute que cela est dû aux nombreuses
sources d’incertitudes qui ne sont par prises en compte par le ModHyPMA. C’est
la raison pour laquelle la formulation stochastique de ce modèle est préférée, car
le comportement du système physique peut-être décrit en termes de probabilités.
Ainsi, le manque de confiance (incertitude) dans le débit réel peut être exprimé
en utilisant des distributions de probabilité en fonction du temps pour le débit.
Au vu de cette analyse et dans le souci de contribuer plus efficacement à la
réduction des incertitudes liées à l’évaluation des impacts de la variabilité et des
changements climatiques sur les ressources en eau, A LAMOU, 2011 et BIAO, 2015
ont introduit dans le modèle déterministe ModHyPMA des termes additifs qui sont
considérés comme un processus de "bruits blancs gaussiens " et qui conduisent à une
équation différentielle stochastique. Ce modèle stochastique a été surtout développé
par BIAO, 2015 dans ces travaux où il s’est surtout intéressé à la résolution de
l’équation de Fokker-Plank associée à cette équation différentielle stochastique. La
solution de l’équation de Fokker-Plank a été approchée, mais par des approximations
polynômiales (polynômes d’Hermite et les polynômes orthogonaux associés à la
distribution de Student) afin d’obtenir la densité de probabilité de la fonction
Chapitre 1. Revue de littérature 22

débit. Les études ne sont pas encore achevées pour la validation de cette approche
stochastique.

F IGURE 1.4 – Débits simulés avec ModHyPMA comparés aux débits

observés dans le bassin de Bonou.(Biao, 2015)

Conclusion

Face aux différentes insuffisances ou limites soulignées, nous avons pour but de
proposer, dans notre travail, un modèle stochastique qui se base sur la dynamique
donnée par le modèle déterministe ModHyPMA et conduit à une équation
différentielle stochastique. Nous pourrons ensuite proposer une méthode numérique
pour résoudre cette équation afin de comparer les données simulées avec le modèle
aux données observées et deux méthodes numériques pour résoudre efficacement
l’équation de Fokker-Plank associée à l‘équation différentielle stochastique du
modèle ; nous espérons avoir une convergence des deux méthodes numériques.
Nous allons faire les applications sur les données du Bassin versant de l’Ouémé à
Savè.
 23

C HAPITRE 2
ZONE D’ÉTUDE ET DONNÉES

Contenu
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1 Présentation de la zone d’étude . . . . . . . . . . . . . . . . . . . . . . 24
2.1.1 Localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 Climat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.3 Végétation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.4 Sol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Données d’études . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.1 Données de précipitations . . . . . . . . . . . . . . . . . . . . . 28
2.2.2 Évapotranspiration potentielle (ETP) . . . . . . . . . . . . . . . 28
2.2.3 Données de débits journaliers . . . . . . . . . . . . . . . . . . . 29
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Figures
2.1 Localisation du bassin versant de l’Ouémé à Savè.(S INTONDJI et al.,
2014) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Précipitations mensuelles moyennes de l’Ouémé à Savè pour la
période 1961 à 2010.(BIAO, 2015) . . . . . . . . . . . . . . . . . . . 26
2.3 Variabilité interannuelle des précipitations de l’Ouémé à Savè sur
la période 1961 à 2010. (BIAO, 2015) . . . . . . . . . . . . . . . . . . 27
Chapitre 2. Zone d’étude et données 24

Introduction

Avant toute modélisation, il est important de présenter la zone d’étude et les données
utilisées. Ainsi, ce chapitre présente la zone d’étude à travers la localisation, le
climat, la végétation, ainsi que la géologie et les sols qui caractérisent la zone d’étude.
Nous allons aussi présenter les caractéristiques des données hydrométéorologiques
utilisées :les précipitations, l’évapotranspiration potentielle et le débit.

2.1 Présentation de la zone d’étude

2.1.1 Localisation

A l’échelle de l’Afrique de l’Ouest, l’Ouémé est un petit fleuve côtier. Long de 510
km, il draine une superficie d’environ 49.256 km² à l’exutoire de Bonou, station
la plus avancée avant le delta. Le bassin de Ouémé occupe le Sud et le Centre du
Bénin. Il est le plus grand fleuve du Bénin et prend sa source au pied de l’Atacora, à
Kpabégou, à une dizaine de kilomètres de Djougou au Nord-Ouest du Bénin, traverse
le Bénin en direction de la Côte jusqu’au Sud du Bénin. Il est rejoint par ses deux
principaux affluents, l’Okpara (200 km) sur la rive gauche et le Zou (150 km) sur la
droite et se jette dans le lac Nokoué (150km2 ), juste au Nord de Cotonou. Il traverse
plusieurs zones agro-écologiques et alimente en aval une zone deltaïque, le système
lagunaire du lac Nokoué-lagune de Porto-Novo. Le Bénin partage la Côte de Guinée
de l’Afrique de l’Ouest (entre 6°25’ et 12°30’ de latitude Nord ; 0°45’ et 4°de longitude
Est) et est limité à l’Ouest par le Togo, à l’Est par le Nigeria et au Nord par le Niger et
le Burkina Faso.
Le bassin de l’Ouémé est situé entre les latitudes 10°09’33"N et 6° 20’14"N et les
longitudes 1°30’E et 2° 30’ E et présente un relief relativement plat (pente moyenne
de 0,9 m/km), sauf en tête du bassin où celle-ci dépasse 2%. Notre étude couvre le
bassin versant de l’Ouémé à Savè.
Le bassin versant de l’Ouémé à Savè couvre une superficie de 23,007 km², qui
représente environ 47,2% de la superficie du bassin de l’Ouémé et 20,1% de la
superficie du Bénin (114.763 km²). Il est situé entre les latitudes 8°00’N et 10°03’N et
les longitudes 1°30’E et 2°32’E au Nord et 2°02’E et 2°32’E au Sud. Il se compose en
plusieurs sous-bassins versants ; les principaux étant le sous-bassin de la Donga
(586km²), le sous-bassin du Térou-Igbomakoro (2336 km²) et le sous bassin de
Bétérou (9670 km²), voir figure 2.1. (Sources : A LAMOU, 2011 ; S INTONDJI et al.,
2019 ;S INTONDJI et al., 2014 et BIAO, 2015)
Chapitre 2. Zone d’étude et données 25

F IGURE 2.1 – Localisation du bassin versant de l’Ouémé à

Savè.(S INTONDJI et al., 2014)
Chapitre 2. Zone d’étude et données 26

2.1.2 Climat

Le bassin versant de l’Ouémé couvre deux zones climatiques : la zone de savane

guinéenne et la Zone de savane soudanaise. Le cycle saisonnier des précipitations
mensuelles moyennes pour la période de 1961 à 2010 montre que le nord du bassin
versant (Ouémé à Beterou) et la zone climatique de transition (Ouémé à Savè) ont
une saison des pluies unimodale (à partir de mi-Mars à Octobre) qui culmine en
août (figure 2.2), alors que le Sud du bassin versant présente une saison des pluies
bimodale (de mars à juillet et d’août à octobre) qui culmine en juin et septembre.
Sur le bassin de l’Ouémé à Savè, la pluviométrie moyenne interannuelle est de l’ordre
de 1075 mm, le minimum est de 680 mm (en 1983) et le maximum est de 1693 mm
(en 1963) sur la même période (figure 2.2),et le nombre total de jours pluvieux dans
l’année varie entre 80 et 110 jours. Le régime pluviométrique est caractérisé par une
forte variabilité pluviométrique sur cette période (figure 2.2 ).

F IGURE 2.2 – Précipitations mensuelles moyennes de l’Ouémé à Savè

pour la période 1961 à 2010.(BIAO, 2015)

L’analyse de la variabilité des précipitations a révélé une sécheresse multi-décennale

(anomalies pluviométriques) qui a commencé vers 1970 avec des périodes de
sécheresse remarquables au début des années 1970 et du début au milieu des années
1980 dans la région sahélienne, et une grande variabilité inter-annuelles avec des
séquences d’années sèches dans les régions côtières guinéennes.
Chapitre 2. Zone d’étude et données 27

F IGURE 2.3 – Variabilité interannuelle des précipitations de l’Ouémé à

Savè sur la période 1961 à 2010. (BIAO, 2015)

Les variations du climat ouest-africain (pluviométrie) sont généralement attribuées au

mouvement irrégulier de la Zone de Convergence Inter Tropicale (ZCIT). Cependant,
des facteurs locaux, tels que les conditions de surface, l’orographie les phénomènes
et les perturbations atmosphériques sont également importants .(BIAO, 2015)
Les anomalies de précipitations, qui ont été observées depuis les années 1970
en Afrique de l’Ouest, se reflètent également dans les débits du bassin versant
de l’Ouémé. La relation pluie-débit est très variable dans le bassin et conduit à
des coefficients de ruissellement variant entre 0.1 et 0.26, les plus petites valeurs
correspondent aux zones de savanes et forêts. De plus, pour tous les sous-
bassins les coefficients de ruissellement les plus élevés correspondent à des années
exceptionnellement humides.(BIAO, 2015)

2.1.3 Végétation

Le paysage du bassin versant de l’Ouémé est caractérisé par la forêt galerie, la savane,
les bois, les terres agricoles, les pâturages, la plantation de Parkia, Cajou et palmiers.
L’agriculture, les activités humaines et autres ont conduit à une déforestation à grande
échelle et à des fragmentations ne laissant que petits blocs de types de végétation
naturelle dans une matrice d’habitats secondaires dégradés. Les bois et la savane
Chapitre 2. Zone d’étude et données 28

sont les principaux types de végétation présente dans le bassin supérieur, tandis
que la partie Sud se caractérise principalement par les forêts galeries. La densité de
végétation est plus élevée au Nord qu’au Sud, en raison d’une densité de population
plus faible. Les feux de brousse qui se produisent régulièrement pendant la saison
sèche renforcent le ruissellement et l’érosion dus au défrichement de la végétation
qui entraîne une dégradation rapide des sols.(BIAO, 2015)

2.1.4 Sol

Dans le bassin de l’Ouémé, les principaux éléments du paysage sont la crête et

des pentes supérieures, moyennes et inférieurs (hautes pénéplaines), suivis par la
vallée, les pentes franges et colluviales, les fonds de vallées et les terrasses (basses
pénéplaines et plaines inondables).
Les éléments paysagers les plus répandus dans le bassin versant de l’Ouémé, les
hautes pénéplaines sont constituées de trois principaux types de sols : sols rouges
profonds ou très profonds, sols moyennement profonds, moins profonds et graveleux
qui recouvrent quelques fois la roche (socle basique) ou l’horizon pétroferrique (sous-
sol de gneiss/migmatite). A l’échelle régionale, les sols prédominants sont sols
fersalitiques (sols tropicaux ferrugineux).(BIAO, 2015)

2.2 Données d’études

2.2.1 Données de précipitations

Les données de précipitations journalières utilisées dans cette étude ont été fournies
par Météo-Bénin. Il est bien connu que la qualité des données de précipitations
dépend de l’instrument utilisé, de l’installation, les caractéristiques du site et son
fonctionnement par un observateur qualifié. Les erreurs communes incluent les
lectures incorrectes, les points décimaux égarés, les erreurs de copie, les erreurs
d’arithmétiques, lectures corrigées saisies aux mauvais jours et erreurs systématiques.
La période 1971 à 2011 a été choisie comme période d’étude (bon compromis, compte
tenu de la longueur de toutes les données disponibles). Les précipitations journalières
moyennes régionales spatialisées ont été obtenues par krigeage avec un variogramme
exponentielle.(BIAO, 2015)

2.2.2 Évapotranspiration potentielle (ETP)

L’évapotranspiration potentielle est généralement mesurée indirectement, à partir

des facteurs climatiques, mais dépend aussi du type de surface, comme l’eau
libre (pour les lacs et les océans), le type de sol ( pour le sol nu) et la végétation.
Souvent, une valeur pour l’évapotranspiration potentielle est calculée à une station
voisine du climat, sur une surface de référence, en herbe classiquement courte.
Chapitre 2. Zone d’étude et données 29

L’évapotranspiration potentielle journalière, calculée par la formule de Penman,

pour la période 1971 à 2011 a été fournie par Météo-Bénin.(BIAO, 2015)

2.2.3 Données de débits journaliers

Le réseau d’observation dans le bassin de l’Ouémé est installé par la Direction

Générale de l’Eau (DG - Eau) depuis les années 50 et a été récemment (depuis
1998) densifié dans le haut bassin grâce à la coopération avec le Développement
français Research Institute (IRD), l’Agence danoise de développement international
(DANIDA) et le projet allemand IMPETUS. Les données de débits journaliers pour la
période 1971 à 2011 ont été fournies par la Direction Générale de l’Eau. La station
hydrométrique de Savè est caractérisée par la longitude 2.400° et la latitude 8.033°.
Au fond, plusieurs raisons justifient le choix du sous-bassins de l’Ouémé à Savè :
• Les jaugeages sont nombreux et de bonne qualité ;
• Les séries de débits contiennent peu de lacunes ;
• La longue série des données pluviométriques disponibles permet une meilleure
modélisation du fonctionnement de ce sous - bassin versant. (BIAO, 2015)
Néanmoins, nous notons entre 1971 et 2011 que les données de débits présentent de
lacunes pour 8 années.
Le logiciel utilisé pour le traitement des données est MATLAB 2018b. Les
caractéristiques du PC utilisé sont les suivantes : Marque LENOVO, Ram 8, intel core
5.

Conclusion

Les informations ci-dessus décrivent le matériel dont nous disposons pour

développer notre approche. Malgré les lacunes sur les données de quelques années,
le bassin de l’Ouémé à Savè présente les caractéristiques favorables pour la mise en
place d’un modèle.
 30

C HAPITRE 3
MÉTHODOLOGIE

Contenu
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1 Présentation du Modèle Hydrologique basé sur le Principe de Moindre
Action (ModHyPMA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Formulation du modèle stochastique . . . . . . . . . . . . . . . . . . . 35
3.2.1 Équation de Fokker-Planck associée à l’EDS . . . . . . . . . . . 38
3.3 Approximation numérique de la solution de l’équation différentielle
stochastique (EDS) : Schéma d’Euler . . . . . . . . . . . . . . . . . . . 39
3.3.1 Ordre des méthodes numériques . . . . . . . . . . . . . . . . . 40
3.3.2 Application du schéma numérique d’Euler à l’EDS . . . . . . 40
3.3.3 Algorithme de simulation des débits à partir du modèle
stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.4 Utilisation des données . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.5 Évaluation de la performance d’un modèle . . . . . . . . . . . 43
3.4 Résolution numérique de l’équation de Fokker-Planck : méthodes des
différences finies et des volumes finis . . . . . . . . . . . . . . . . . . . 45
3.4.1 Consistance, Convergence et Stabilité . . . . . . . . . . . . . . 45
3.4.2 La méthode des différences finies . . . . . . . . . . . . . . . . 46
3.4.3 Résolution numérique de l’équation de Fokker-Planck par la
méthode des différences finies d’ordre supérieur (ordre 4) . . 49
3.4.4 La méthode des Volumes Finis . . . . . . . . . . . . . . . . . . 53
Chapitre 3. Méthodologie 31

3.4.5 Résolution numérique de l’équation de Fokker-Planck par la

méthode des volumes . . . . . . . . . . . . . . . . . . . . . . . 55
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Figures
3.1 Schéma du ModHyPMA et les principales équations du modèle
(BIAO, 2015) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Schéma et les principales équations du modèle stochastique . . . . 40
3.3 Maillage du domaine ( Q, t) . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Maillage du domaine ( Q, t) en volumes finis . . . . . . . . . . . . . 56

Introduction

Bien qu’il soit performant par rapport à la plupart des modèles pluie-débit (O BADA
et al., 2016), le modèle déterministe ModHyPMA(Modèle Hydrologique basé sur
le Principe de Moindre Action) n’arrive pas à prendre en compte les différentes
incertitudes énumérées ci-haut (sous-section 1.1.3 ).
Dans ce chapitre, nous allons proposer un modèle stochastique qui se base sur le
principe du ModHyPMA et qui prend en compte les incertitudes. Cette formulation
stochastique conduit à une équation différentielle stochastique(EDS) et à cette
équation on peut associer une équation de Fokker-Planck (EFP). Nous allons résoudre
ces équations par des méthodes numériques, la méthode d’Euler pour l’EDS et
les méthodes de volumes finis et de différences finies d’ordre supérieur (ordre 4)
pour l’EFP. Ainsi, nous obtiendrons les distributions de probabilité des débits aux
différentes dates, ce qui traduit le manque de confiance (incertitude) dans le débit
réel.

3.1 Présentation du Modèle Hydrologique basé sur le

Principe de Moindre Action (ModHyPMA)

Le Modèle Hydrologique basé sur le Principe de Moindre Action (ModHyPMA) qui

est un modèle hydrologique basé sur le principe de moindre action (PMA) a été
récemment proposé par Afouda et Alamou (A FOUDA et al., 2010). Ce modèle qui
s’appuie sur le théorème de Noether, permet en principe, de décrire le passage de
la microphysique du milieu hétérogène à l’échelle locale, à la physique du milieu à
l’échelle globale du bassin versant. Il repose sur l’idée fondamentale selon laquelle les
lois de conservation sont liées aux propriétés d’invariance de la fonctionnelle d’action,
et sur le fait que les transformations infinitésimales qui laissent la fonctionnelle
d’action invariante, dépendent de la densité lagrangienne.
Dans toute forme de mouvement naturel, l’efficacité opérationnelle nécessite, pour
une dépense minimale d’énergie, la minimisation de l’action du système. En clair,
Chapitre 3. Méthodologie 32

parmi toutes les alternatives possibles, la nature suit toujours le chemin qui minimise
ses actions. Les chemins préférentiels de l’écoulement à la surface du sol et dans
les macropores sont des chemins qui minimisent l’action du bassin versant. Ce
principe, connu sous l’appellation de "principe de moindre action" a été formulé à
l’origine par Maupertuis (pour la mécanique) et Fermat (pour l’optique) au 18 ème
siècle. Il a été développé par la suite par Euler, Lagrange, Hamilton et généralisé
au 20ème siècle par le théorème de Noether. Il est maintenant très largement
appliqué en physique fondamentale. On considère que le principe d’optimalité
postulé par Rodriguez-Iturbe et al en 1992 pour les réseaux optimaux de rivières est
inhérent au comportement d’auto-ajustement des bassins versants et qu’il trouve
sa généralisation naturelle dans le principe de moindre action (A FOUDA et al., 2004
et A FOUDA et al., 2006). En effet le principe de moindre action est un principe
physique central, servant de cadre, aussi bien à la mécanique classique, à la physique
des particules élémentaires, qu’à la relativité générale. Il est guidé par une idée
extrêmement synthétique de la dynamique du milieu naturel : "La nature suit toujours
les voies les plus simples ... et les voies les plus simples sont celles qui minimisent
la dépense de la nature en énergie". Le principe de moindre action consiste donc à
trouver, parmi toutes les trajectoires possibles et imaginables, celle que suit réellement
une particule dans son transit entre deux points extrêmes fixés. (A LAMOU, 2011)
Le modèle ModHyPMA est donnée par les équations suivantes (A LAMOU, 2011) :

dZ (q, t)
= ψ(q, t) (3.1)
dt
d(λQ)
+ µQ2µ−1 = ψ(q, t) (3.2)
dt
où
• Z (q, t) est la fonction de production et décrit les variations de l’état initial du
bassin ;
• Q est le débit à l’exutoire du bassin versant ;
• ψ(q, t) décrit les observations à l’entrée ou forçage du modèle ;
ψ(q, t) = X (t)q(t), avec X (t) un coefficient de proportionnalité décrivant l’état
du sol au jour t ; on parlera aussi de TX une constante liée à l’état du sol.
- ψ(q, t) = 0 lorsque les événements pluvieux sur le bassin versant ne
peuvent donner lieu à aucun écoulement ; et
- ψ(q, t) > 0 lorsque ceux-ci sont susceptibles de provoquer un écoulement.
• q est l’apport des précipitations à l’écoulement (pluie effective) ;
- q = P − ETP si P ≥ ETP ; et
- q = 0 si P < ETP
avec P la précipitation et ETP l’évapotranspiration potentielle du jour considéré.
• µ et λ sont respectivement le paramètre de non-linéarité et le paramètre
macroscopique décrivant les propriétés émergentes liées à la géomorphologie
et à la pédologie du bassin versant ; ils sont obtenus par un calage du modèle.
Chapitre 3. Méthodologie 33

L’équation (3.1) est appelée équation de production et (3.2) l’équation de

transformation. Les deux constituent une représentation globale du processus de
transformation pluie-débit. Le schéma et les principales équations du ModHyPMA
sont illustrés dans la figure 3.1 ci-après.

F IGURE 3.1 – Schéma du ModHyPMA et les principales équations du

modèle (BIAO, 2015)

Algorithme du ModHyPMA

Entrée :
P : vecteur des précipitations observées ;
ETP : vecteur des Potentiels d’évapotranspiration ;
Debits : vecteur des débits observés ;
mu : paramètre µ ;
lambda : paramètre λ ;
P2 :paramètre ;
TX : paramètre TX.
Sortie :
Chapitre 3. Méthodologie 34

Q : vecteur des débits simulés ;

Variables :
P, ETP, q, X, Q, Debits : vecteur de Réels ;
i, N : Entier ;
mu, lambda,P2,TX : Réel.
Début :
1. P ←− LONGUEUR( N ) ;
2. Q ←− TABLEAU [ N ](déclaration de Q comme un tableau de longueur N) ;
3. X ←− TABLEAU [ N ] ;
4. X [0] ←− 0 ;
5. q ←− TABLEAU [ N ] ;
6. SI P[0]< ETP[0] ALORS
• q[0] ←− 0 ;
7. SINON
• q[0] ←− P[0] − ETP[0] ;
8. FINSI
9. Q[0] ←− Debits[0] ;
10. POUR i ALLANT DE 0 À N-1 FAIRE
SI P[i + 1]< ETP[i + 1] ALORS
• q[i + 1] ←− 0 ;
• X [i + 1] ←− X [i ] ∗ (1 − mu/lambda) ;
SINON
• q[i + 1] ←− P[i + 1] − ETP[i + 1] ;
• X [i + 1] ←− X [i ]
+ (mu/lambda) ∗ PU ISSANCE(q[i + 1], 2 ∗ mu − P2) ;
FINSI
SI X [i + 1]<TX ALORS
• X [i + 1] ←− 0 ;
FINSI
•Q[i + 1] ←− Q[i ] + X [i + 1] ∗ q[i ]
− (mu/lambda) ∗ PU ISSANCE( Q[i ], (1/lambda) ∗ 2 ∗ mu − 1) ;
SI Q[i + 1]<0 ALORS
• Q[i + 1] ←− 0 ;
FINSI
11. FINPOUR
NB : PUISSANCE(a, n) donne an à la sortie.
Chapitre 3. Méthodologie 35

3.2 Formulation du modèle stochastique

Le but de cette partie est de proposer une formulation stochastique du Modèle

Hydrologique basé sur le Principe de Moindre Action (ModHyPMA) permettant
de prendre en compte le mieux possible les différentes incertitudes citées dans la
sous-section 1.1.3.
La méthodologie pour une approche stochastique, dans le but de prendre en compte
les incertitudes doit inclure les points suivants :
• l’identification de la source et la quantification des incertitudes ;
• la méthode de réduction des incertitudes ;
• l’étude de la propagation des incertitudes à travers le modèle ;
• la méthode appropriée pour la quantification des incertitudes à la sortie du
modèle ; et
• la démarche de prise en compte des incertitudes dans le processus de prise de
décision.(A LAMOU, 2011)
Nous allons partir de la première hypothèse selon laquelle :
Hypothèse 1 : la dynamique du système hydrologique du bassin versant est basée
sur le Principe de Moindre Action(PMA).
Il nous a paru donc utile, de partir de la structure du ModHyPMA, telle que donnée
par les équations (3.1) et (3.2) :
dZ (q, t)
= ψ(q, t) (3.3)
dt

d(λQ)
+ µQ2µ−1 = ψ(q, t) (3.4)
dt
Soit :
dZ (q, t)
= ψ(q, t) (3.5)
dt

dQ µ 1
= − Q2µ−1 + ψ(q, t) (3.6)
dt λ λ
Nous écrivons pour plus de généralité :
dZ (q, t)
= ψ(q, t) (3.7)
dt

dQ
= Y ( Q, ψ, λ) (3.8)
dt
µ 1
avec Y ( Q, ψ, λ) = − Q2µ−1 + ψ(q, t) la structure du ModHyPMA.
λ λ
Nous nous intéressons ici à l’équation de transformation, l’équation (3.8) :
dQ
dt = Y ( Q, ψ, λ ).
Chapitre 3. Méthodologie 36

dQ
dt est la variation du débit Q par rapport au temps.
Dans le cas des débits journaliers, cette variation dQ
dt peut être notée ∆Q qui est la
variation du débit du jour t au jour t + ∆t avec ∆t = 1 jour.
En réalité, dans l’équation de transformation du modèle déterministe ModHyPMA,
le second membre Y est une approximation de la variation dQ
dt déduite de l’équation
d’Euler-Lagrange (A LAMOU, 2011).
Or une fonction déterministe qui représente dQdt ne pourra être trouvée avec exactitude
à cause des différentes incertitudes qui interviennent.
Afin de les prendre en compte, nous modélisons les incertitudes par un terme
aléatoire rt à ajouter à Y (la structure du modèle déterministe ).
Ainsi le processus Yt = Y + rt remplaçant la structure du modèle Y est un processus
stochastique.
dQ
La variation dt devient :
dQ
= Yt (3.9)
dt
avec Yt un processus stochastique qui tient compte de la dynamique donnée par la
structure du modèle déterministe ModHyPMA grâce au terme Y et des incertitudes
grâce au terme rt .
Nous posons désormais :

bt = Y = − µ Q2µ−1 + 1 ψ(q, t)
Y (3.10)
λ λ
la structure du modèle déterministe ModHyPMA.
dQ
Le processus stochastique représentant les variations dt est donc donné par :

Yt = Y
bt + rt (3.11)

soit :
dQ b
= Yt + rt (3.12)
dt
Nous introduisons maintenant l’hypothèse selon laquelle :
Hypothèse 2 : les incertitudes peuvent être modélisées par un processus gaussien
(processus stochastique dirigé par un bruit blanc gaussien).
Alors nous pouvons considérer le terme rt qui représente les incertitudes comme un
processus gaussien.
rt − r̄
rt est un processus gaussien alors le processus centré réduit est un bruit blanc
σr
gaussien.
Soit :
rt − r̄
ε(t) = (3.13)
σr
avec
Chapitre 3. Méthodologie 37

• ε(t) le bruit blanc gaussien ;

• r̄ l’espérance de rt : r̄ = E[rt ] ;
• σr l’écart-type de rt , qui représente aussi l’intensité du bruit.
Posons : R = r̄ = E[rt ] et G = σr = Var (rt ) pour plus de simplicité dans les
p

expressions. R et G sont considérées constantes dans cette étude.

L’équation (3.13) devient alors :

rt = R + G.ε(t) (3.14)

Les expressions (3.10) et (3.14) dans (3.11) donnent :

µ 1
Yt = − Q2µ−1 + ψ(q, t) + R + G.ε(t) (3.15)
λ λ

La question qui se pose est de trouver les valeurs des constantes R et G. Pour cela
nous remontons vers l’équation (3.12) : dQ
dt = Yt + rt dans laquelle nous déduisons :
b
dQ
rt = dt −Y
bt

dQ µ 2µ−1 1
Ou encore rt = dt +Q − ψ(q, t)
λ λ
µ 2µ−1 1
En réalité, la série dQ
dt + λ Qt − ψ(q, t) peut être obtenue pour le passé. Elle
λ
revient aux résidus issus de l’approximation de dQdt par le modèle déterministe
ModHyPMA.
dQ
dt est obtenue à partir des données ∆Q = Qt − Qt−1 du passé.
On en déduit les estimations de R et G données par :

d( Q) µ 2µ−1 1
R = E[ + Q − ψ(q, t)] (3.16)
dt λ λ
dQ µ 2µ−1 1
G2 = Var [ + Q − ψ(q, t)] (3.17)
dt λ λ
Posons :
µ 1
f ( Q, t) = − Q2µ−1 + ψ(q, t) + R (3.18)
λ λ
L’expression (3.15) devient :

Yt = f ( Q, t) + G.ε(t) (3.19)

Et l’équation (3.9) donne :

dQ
= f ( Q, t) + G.ε(t) (3.20)
dt
Ou encore :
dQ = f ( Q, t)dt + G.ε(t)dt (3.21)
Chapitre 3. Méthodologie 38

Rappelons que le bruit blanc gaussien ε(t) est défini, du point de vue mathématique,
comme la dérivée formelle de processus du mouvement brownien standard W (t).
On a : ε(t)dt = dW (t).
Pour une résolution de notre équation, nous avons besoin d’un débit initial Q0 à une
date connue t0 .
D’où l’équation différentielle stochastique de notre modèle stochastique :

dQ = f ( Q, t)dt + G.dW (t), Q(t0 ) = Q0 (3.22)

avec
µ 1
• f ( Q, t) = − Q2µ−1 + ψ(q, t) + R ;
λ λ
d( Q) µ 1
• R = E[ dt + Q2µ−1 − ψ(q, t)] ;
λ λ
µ 2µ−1 1
• G2 = Var [ dQ dt + λ Q − ψ(q, t)] ; et
λ
• W (t) le processus du mouvement Brownien standard.

3.2.1 Équation de Fokker-Planck associée à l’EDS

L’objectif principal de cette approche stochastique est d’obtenir les distributions de

probabilité des débits pour les jours dont on ne connait pas le débit en partant d’un
débit Q0 connu à une date antérieure t0 . Ces distributions expriment le manque
de confiance(incertitude) dans le débit réel de ces jours. Rappelons l’équation
différentielle stochastique qui régit la dynamique du système hydrologique (3.20) :
dQ = f ( Q, t)dt + G.dW (t), Q(t0 ) = Q0 .
avec W (t) un processus de mouvement Brownien standard.
Nous avons vu dans la sous-section 1.2.6 du chapitre 1 que l’équation de Fokker-
Planck associée à une telle équation (3.20) est la suivante :

∂P( Q, t) ∂ 1 ∂2
= − [ f ( Q, t) P( Q, t)] + [ G2 P( Q, t)] (3.23)
∂t ∂Q 2 ∂Q2
avec la condition initiale :

P( Q, t)|t=t0 = δ( Q − Q0 ) (3.24)

On rappelle que δ( Q − Q0 ) = 1, si Q = Q0 et δ( Q − Q0 ) = 0, sinon ;

le débit étant connu à la date t0 (évènement certain).
Et les conditions aux limites absorbantes :

P( Qmin , t) = P( Qmax , t) = 0 (3.25)

Généralement le débit minimale Qmin est égal à 0 et on prend comme débit maximal
Qmax la valeur maximale des débits de la série ou plus.
Chapitre 3. Méthodologie 39

3.3 Approximation numérique de la solution de

l’équation différentielle stochastique (EDS) :
Schéma d’Euler

Considérons l’équation différentielle stochastique de la forme :

dXt = f ( Xt , t)dt + g( Xt , t)dWt , X0 = x0 (3.26)

Nous avons vu que si f et g sont continues en ( X, t) et lipschitziennes en X et t, cette

équation possède une unique solution forte Xt . Cependant, cette solution n’est pas
souvent facile à obtenir analytiquement. Des méthodes numériques ont été proposées
pour contourner cette difficulté et aboutissent à des approximations de la solution
exacte. Les schémas numériques utilisés pour les équations différentielles ordinaires
peuvent, en général, être adaptés au cas aléatoire. En fonction des possibilités
qu’offrent notre équation différentielle stochastique (3.20), nous avons choisi ici
le schéma d’Euler. En fait d’autres schémas demandent la dérivé partielle de g par
rapport à X, ce qui n’est pas possible dans notre cas, puisque la fonction g obtenue
est une constante.
En considérant l’équation (3.23) et en respectant les conditions d’intégrabilité
énumérées dans la sous-section 1.2.4, la solution de l’équation(3.23) peut s’écrire :

Z t Z t
X t = X0 + f ( X (s), s)ds + g( X (s), s)dWs (3.27)
0 0

On a, pour tout t,
Z t+∆t Z t+∆t
Xt+∆t = Xt + f ( Xs , s)ds + g( Xs , s)dWs (3.28)
t t

Lorsque ∆t est petit, nous approchons Xt+∆ − Xt en figeant les valeurs de f ( Xs , s) et

de g( Xs , s) sur l’intervalle [t, t + ∆t].
R t+∆t
Ainsi, le terme t f ( Xs , s)ds est approché par f ( Xt , t)∆t.
L’intégrale précédente étant interprétée comme une intégrale au sens de Lebesgue,
cette approximation est classique. L’erreur commise est de l’ordre de O(∆t) sous de
bonnes hypothèses.
R t+∆t
Le terme t g( Xs , s)dWs est quant à lui approchée par :
R t+∆t
g ( Xt , t ) t dWs = g( Xt , t)(Wt+∆t − Wt )
On obtient le schéma d’Euler ci-dessous : pour tout t,

Xt+∆t = Xt + f ( Xt , t)∆t + g( Xt , t)(Wt+∆t − Wt ), Xt0 = x0 (3.29)

avec Wt+∆t − Wt ∼ N (0, ∆t)

Chapitre 3. Méthodologie 40

3.3.1 Ordre des méthodes numériques

On note l’erreur moyenne absolue : ET,∆t = E[| XT − X̂T |]

Si lim∆t→0 ET,∆t = 0 on dira que le schéma de discrétisation converge fortement.
Cette convergence forte sera dite d’ordre γ si ET,∆t ≤ C (∆t)γ pour un certain C >0 et
tout ∆t d’un certain intervalle ]0, h].
La méthode d’Euler est d’ordre ½.

3.3.2 Application du schéma numérique d’Euler à l’EDS

En appliquant le schéma numérique d’Euler (3.29) à l’équation (3.20) :

dQ = f ( Q, t)dt + G.dW (t) avec Q(t0 ) = Q0 ,
nous obtenons :
Qt+∆t = Qt + f ( Qt , t)∆t + G.(Wt+∆t − Wt ), Qt0 = Q0 (3.30)
avec Wt+∆t − Wt = ∆Wt ∼ N (0, ∆t) et ∆t = 1 jour.
Ou plus simplement :
Qt+1 = Qt + f ( Qt , t) + G.∆Wt , Qt0 = Q0 (3.31)
avec ∆Wt ∼ N (0, 1).
Le schéma et les principales équations de notre approche stochastique sont illustrés
dans la figure 3.2 ci-après.

F IGURE 3.2 – Schéma et les principales équations du modèle

stochastique
Chapitre 3. Méthodologie 41

3.3.3 Algorithme de simulation des débits à partir du modèle

stochastique

Entrée : P ; ETP ; mu ; lambda ; P2 ; TX ; Debits ;

R (moyenne des incertitudes ) ;
G (intensité du bruit blanc).
Sortie :
Qsim : vecteur des débits simulés avec le modèle stochastique ;
Variables :
P, ETP, q, X, Qsim, Debits : vecteur de Réels ;
i, N : Entier ;
mu, lambda, P2,TX, f , dW : Réel.
Début :
1. P ←− LONGUEUR( N ) ;
2. Qsim ←− TABLEAU [ N ](déclaration de Qsim comme un tableau de longueur
N) ;
3. X ←− TABLEAU [ N ] ;
4. X [0] ←− 0 ;
5. q ←− TABLEAU [ N ] ;
6. SI P[0]< ETP[0] ALORS
• q[0] ←− 0 ;
7. SINON
• q[0] ←− P[0] − ETP[0] ;
8. FINSI
9. Qsim[0] ←− Debits[0] ;
10. POUR i ALLANT DE 0 À N-1 FAIRE
SI P[i + 1]< ETP[i + 1] ALORS
• q[i + 1] ←− 0 ;
• X [i + 1] ←− X [i ] ∗ (1 − mu/lambda) ;
SINON
• q[i + 1] ←− P[i + 1] − ETP[i + 1] ;
• X [i + 1] ←− X [i ]
+ (mu/lambda) ∗ PU ISSANCE(q[i + 1], 2 ∗ mu − P2) ;
FINSI
SI X [i + 1]<TX ALORS
• X [i + 1] ←− 0 ;
FINSI
Chapitre 3. Méthodologie 42

• f = −(mu/lambda) ∗ PU ISSANCE( Qsim[i ], (1/lambda) ∗ 2 ∗ mu − 1)

+ X [ i + 1] ∗ q [ i ] + R ;
•dW = randn(1) ; (simulation d’une variable aléatoire suivant la loi normale
standard)
•Qsim[i + 1] ←− Qsim[i ] + f + G ∗ dW ;
SI Qsim[i + 1]<0 ALORS
• Qsim[i + 1] ←− 0 ;
FINSI
11. FINPOUR
NB : PUISSANCE(a, n) donne an à la sortie.

3.3.4 Utilisation des données

Les données sont généralement les chroniques d’entrée et sortie utilisées dans un
modèle mathématique. Celles-ci sont employées pour l’estimation des paramètres
dans la phase de calage ainsi que pour l’évaluation de la performance du modèle
avec les paramètres estimés dans la phase de validation. Normalement, une partie
des données est destinée à déterminer les paramètres du modèle (phase de calage) et
une autre pour la validation. Un critère courant de division de données est 70% dans
le calage et 30% dans la validation.(S ANDOVAL et al., 2019)

Traitement des données

Les données doivent être traitées afin de mettre en œuvre le calage et la validation
d’un modèle mathématique. Nous retenons les étapes suivantes de validation de
données :
- Détecter et éventuellement remplacer les valeurs aberrantes (entrée et sortie)
qui ne correspondent pas au comportement attendu d’un point de vu physique
ou statistique ;
- Sélectionner les données correspondantes à une période représentative de
modélisation. (S ANDOVAL et al., 2019)

Calage

La procédure de calage s’agit de l’estimation des valeurs optimales des paramètres

d’un modèle mathématique sélectionné, permettant de satisfaire au mieux les
objectifs du modélisateur. Ce sont ces derniers qui conditionnent la définition du
critère d’optimisation, qualifié de fonction objectif.
En général, les paramètres sont ajustés lors du calage, par rapport aux données et
simulations du modèle. La mise en œuvre du calage nécessite donc le choix de la
fonction objectif de calage et de l’algorithme mathématique d’optimisation pour
la recherche des paramètres. Ces paramètres constituent le jeu de valeurs, parmi
Chapitre 3. Méthodologie 43

toutes les valeurs possibles, qui rend la simulation de sortie du modèle la plus proche
possible des données observées de la variable de sortie. Lorsque les paramètres du
modèle sont directement établis par l’expérience du modélisateur ou par des mesures
physiques, on dira que le modèle est paramétré. (S ANDOVAL et al., 2019)
Dans notre étude, les paramètres du modèle sont : µ, λ, P2 et TX ; et la méthode
de calage consiste à affecter de façon aléatoire et automatique au modèle un jeu de
paramètres et à évaluer la performance. On choisit après plusieurs itérations le jeu de
paramètres qui optimise le critère de performance. Le critère choisi est le critère de
Nash (c’est l’un des critères les plus importants en hydrologie, selon les personnes
ressources en hydrologie).

Validation

L’acceptation d’un modèle mathématique ainsi que les valeurs de ses paramètres
est absolument dépendant de la phase validation. Un modèle sans validation est un
outil inutile qui ne permet pas de tirer des conclusions valides pour supporter l’aide
à la décision.
La validation s’agit donc de la comparaison entre les résultats obtenus de la
simulation avec un modèle mathématique et ceux qui ont été observés dans la réalité
mais ne jamais connus par le modèle dans la phase de calage. Le contrôle visuel des
résultats est toujours conseillé en tant qu’une première approche de validation.
Néanmoins, il existe d’autres critères plus objectifs pour évaluer la justesse des
données de validation simulées à partir des entrées connues par rapport aux données
observées. (S ANDOVAL et al., 2019)

3.3.5 Évaluation de la performance d’un modèle

Dans notre contexte, en hydrologie, le principe général de l’analyse de la performance

est de comparer les débits simulés ou calculés Qi,calc aux débits observés Qi,obs ;
i = 1 : n, n le nombre total de jours d’observations ; n ∈ N. De nombreux critères sont
utilisés ; nous retenons en plus des critères visuels les 4 ci-dessous :
1. Le critère de Nash-Sutcliffe (ou critère de Nash) :
∑n 1 ( Qi,obs − Qi,calc )2
(c1 ) : NSE = 1 − i=
∑in=1 ( Qi,obs − Qobs )2
Qobs est la moyenne des débits observés.
Le critère de Nash-Sutcliffe est un indicateur de performance dont les valeurs
sont comprises dans l’intervalle ] − ∞; 1].
Plus la valeur obtenue pour ce critère est proche de 1, meilleure est l’adéquation
du modèle aux valeurs observées. Il est généralement admis que le critère de
Nash-Sutcliffe doit être supérieur à 0, 7 pour pouvoir affirmer qu’un modèle est
satisfaisant, c’est à dire que le modèle et les valeurs observées sont cohérents.
On peut nuancer cette valeur qui dépend aussi du domaine dans lequel on
travaille et de la qualité des modèles utilisés.
Chapitre 3. Méthodologie 44

Une valeur de NSE de 0.5 pour une comparaison des débits journaliers est
considéré comme une valeur acceptable dans certaines études hydrologiques
(Z HANG et al., 2013 ; M ORIASI et al., 2007).
Un critère de Nash-Sutcliffe égal à 0 indique que le modèle ne fait pas mieux
que simuler la sortie du modèle avec la moyenne Qobs des valeurs observées.
Lorsque que le critère devient négatif, cela témoigne d’un modèle plus mauvais
encore.
Une autre interprétation du Nash-Sutcliffe est : combien de pourcentage de
2 ) de la sortie l’on explique avec le modèle mathématique. Un
la variance (σobs
Nash-Sutcliffe de 0.8 voudrait dire que notre modèle explique au moins 80% de
la variance de Qobs .
2. Le coefficient de détermination R2 :
2 [(∑in=1 ( Qi,obs − Qobs )( Qi,calc − Qcalc ))]2
(c2 ) : R = n
[∑i=1 ( Qi,obs − Qobs )2 ].[∑in=1 ( Qi,calc − Qcalc )2 ]
Ce critère décrit la proportion des débits simulés qui expliquent par une
relation linéaire les débits observés correspondants. Il mesure l’adéquation
entre les débits simulés et les débits observés. Ce critère s’inspire du fait
que la distribution des débits simulés doit être la même que celle des débits
observés pour un modèle parfait. Il existerait donc une droite de régression
y = ax + b pour décrire les données observées à partir des données simulées
(Qobs = aQcalc + b). Ce critère peut encore s’écrire :
2 ∑in=1 ( Qi,obs − aQi,calc − b)2
(c2 ) : R = 1 −
∑in=1 ( Qi,obs − Qobs )2
avec a et b les coefficient de la droite de régression qui explique le mieux la
relation Qobs = aQcalc + b. a et b sont obtenus par la méthode des moindres
carrés ordinaires.
Le coefficient de détermination n’est rien d’autre que le critère de Nash dans le
cas particulier d’un modèle de régression linéaire. Il est compris entre 0 et 1.
Si R2 = 0, cela signifie que l’équation de la droite de régression détermine 0%
de la distribution des débits réels observés à partir des débits simulés. Si R2 = 1,
cela signifie que l’équation de la droite de régression détermine 100% de la
distribution des débits réels observés à partir des débits simulés.
Certains auteurs, comme M ORIASI et al., 2007 suggèrent que toute valeur de
R2 supérieure à 0.5 pour des comparaisons de débits journaliers est un seuil
acceptable en simulation hydrologique.
3. Écart quadratique moyen (RMSE) :
Le critère RMSE (Root Mean Square Error) ou l’écart quadratique moyen
représente la distance moyenne entre les données simulées et les données
observées. On ra:
1 n
(c3 ) : RMSE = ∑ (Q − Qi,calc )2
n i=1 i,obs
Le RMSE est d’autant plus proche de zéro que les deux séries considérées sont
similaires.
La racine carrée utilisée dans le calcul du RMSE a pour objectif de revenir à une
unité de valeur identique à celle de la variable comparée. (S ANDOVAL et al.,
2019)
Chapitre 3. Méthodologie 45

4. Écart moyen absolu ou Mean Absolute Error(MAE) :

1
(c4 ) : MAE = ∑in=1 | Qi,obs − Qi,calc |
n
L’écart moyen absolu est la moyenne des écarts en valeur absolue entre
les données des deux séries prises deux à deux. Tout comme la RMSE,
elle est d’autant plus proche de zéro que les deux séries considérées sont
similaires.(S ANDOVAL et al., 2019)
Les critères visuels :
Les critères visuels restent très utilisés pour vérifier les conclusions envisagées à partir
des indicateurs de performances numériques et pouvoir diagnostiquer plus en détail
les points faibles d’un modèle mathématique. Ils sont des indicateurs intéressants
pour l’aide à la décision sur la performance du modèle.
• Fonction des résiduels : Une première manière de pouvoir diagnostiquer notre
modèle peut consister à illustrer la chronologie de la fonction des résiduels ;
cette représentation permet d’analyser l’évolution temporelle de l’erreur de
modélisation de manière graphique et identifier les fenêtres temporelles où le
modèle a représenté les valeurs d’une manière moins performante (par exemple
en début ou fin de l’hydrographe).
• Graphique des débits observés en fonction des débits simulés : Cette
représentation permet d’analyser s’il y a une tendance à mieux représenter
les observations en fonction de la taille des données d’observation (par exemple
le modèle représente moins bien les débits forts).(S ANDOVAL et al., 2019)

3.4 Résolution numérique de l’équation de Fokker-

Planck : méthodes des différences finies et des
volumes finis

Dans l’incapacité de résoudre analytiquement d’équation de Fokker-Planck obtenue

(3.23), nous avons résolu à trouver des méthodes numériques pour approcher la
solution exacte. Nous proposons à cet effet deux méthodes numériques : celles des
différences finies et des volumes finis.

3.4.1 Consistance, Convergence et Stabilité

Certaines notions sont nécessaires lors de la résolution des équations aux dérivées
partielles (EDP) au moyen de leurs équivalents discrétisés. Les trois principales
sont la convergence, la stabilité et la consistance. Ces trois propriétés permettent de
relier la solution exacte des équations continues à la solution exacte des équations
discrétisées et à la solution numérique obtenue. Ces différents liens, sont :

• la stabilité, c’est la propriété qui assure que la différence entre la solution

numérique obtenue et la solution exacte des équations discrétisées est bornée ;
Chapitre 3. Méthodologie 46

• la consistance, c’est la propriété qui assure que la solution exacte des équations
discrétisées tend vers la solution exacte des équations continues lorsque les pas
de discrétisation tendent vers zéro ;
• la convergence, c’est la propriété qui assure que la solution numérique tend
vers la (ou une) solution exacte des équations continues. C’est évidemment la
propriété la plus recherchée.

Ces propriétés sont liées les unes aux autres par des théorèmes :

Le théorème de Lax

Dans un problème bien posé, et avec un schéma numérique consistant, la stabilité

est une condition nécessaire et suffisante pour la convergence.

Le théorème de Lax-Wendroff

Si un schéma numérique consistant converge lorsqu’on raffine les pas de temps et

d’espace, c’est-à-dire lorsque ∆t −→ 0 et ∆x −→ 0, alors il converge vers une solution
faible des équations.

Condition de stabilité CFL

Pour des problèmes d’évolution temporelle, certains schémas sont stables à condition
que le pas de temps soit inférieur à une certaine valeur critique fonction du pas
d’espace. Cette inégalité constitue la condition de Courant-Friedrichs-Lewy (1928) ou
condition CFL. Elle est nécessaire et suffisante pour assurer la stabilité. La condition
CFL varie d’une équation à une autre.
NB : Pour la plupart des problèmes d’évolution temporelle, les schémas implicites
sont toujours stables sans condition sur le pas de temps.

3.4.2 La méthode des différences finies

Raisons du choix de cette méthode :

• grande simplicité d’écriture et faible coût de calcul ;
• Nous sommes en face d’un problème à une géométrie simple : problème
unidimensionnel ;
• Les conditions aux limites sont de type Dirichlet.
La méthode des différences finies consiste à approximer les dérivées des équations
de la physique au moyen des développements de Taylor et se déduit directement de
la définition de la dérivée. Elle est due aux travaux de plusieurs mathématiciens du
18ème siècle (Euler, Taylor, Leibniz...).
Chapitre 3. Méthodologie 47

Notre domaine est spatio-temporel, nous prenons donc directement l’exemple d’une
fonction à deux variables.
Soit u( x, t) une fonction de l’espace et du temps. Par définition de la dérivée, on a :
∂u u( x + ∆x, t) − u( x, t)
= lim∆x→0 (3.32)
∂x ∆x
Si ∆x est petit, un développement de Taylor de u( x + ∆x, t) au voisinage de x donne :
∂u (∆x )2 ∂2 u (∆x )3 ∂3 u
u( x + ∆x, t) = u( x, t) + ∆x ( x, t) + 2
( x, t) + 3
( x, t) + ... + O((∆x )n )
∂x 2 ∂x 6 ∂x
(3.33)
En tronquant la série au premier ordre en ∆x, on obtient :
u( x + ∆x, t) − u( x, t) ∂u
= ( x, t) + O(∆x ) (3.34)
∆x ∂x
∂u
L’approximation de la dérivée ( x, t) est alors d’ordre 1 indiquant que l’erreur de
∂x
troncature O(∆x ) tend vers zéro comme la puissance première de ∆x.
Définition : la puissance de ∆x avec laquelle l’erreur de troncature tend vers zéro est
appelée l’ordre de la méthode.

Notation indicielle-cas 1D

Considérons le cas monodimensionnel où l’on souhaite déterminer une grandeur

u( x ) . La recherche d’une solution discrète de la grandeur u amène à constituer un
maillage de l’intervalle de définition. On considère un maillage (ou grille de calcul)
composé de m + 1 points xi pour i = 0, ..., N régulièrement espacés avec un pas ∆x.
Les points xi = i∆x sont appelés les noeuds du maillage.
Le problème continu de départ de détermination d’une grandeur sur un ensemble
de dimension infinie se ramène ainsi à la recherche de m valeurs discrètes de cette
grandeur aux différents noeuds du maillage.
Notation : on note ui la valeur discrète de u( x ) au point xi , soit ui = u( xi ). De même
du
pour la dérivée de u( x ) au noeud xi , on note | = ui0 . Cette notation s’utilise de
dx x=xi
façon équivalente pour toutes les dérivées d’ordre successif de la grandeur u.
Le schéma aux différences finies d’ordre 1 pour la dérivée première s’écrit, en notation
u − u i −1
indicielle : ui0 = i + O(∆x ) (schéma "arrière" )
∆x
Pour les schémas d’ordre supérieur ou les dérivées d’ordre supérieur, on part toujours
des développements de Taylor.

Schémas d’ordre supérieur (ordre 4)

Des schémas aux différences finies d’ordre supérieur peuvent être construits en
manipulant les développement de Taylor au voisinage de xi . Pour le schéma d’ordre
Chapitre 3. Méthodologie 48

4, on écrit :

(∆x )2 00 (∆x )3 000

ui+1 = u( xi + ∆x ) = ui + ∆x.ui0 + ui + ui + O((∆x )4 ) (3.35)
2 6
(∆x )2 00 (∆x )3 000
ui−1 = u( xi − ∆x ) = ui − ∆x.ui0+ ui − ui + O((∆x )4 ) (3.36)
2 6
4(∆x )3 000
ui+2 = u( xi + 2∆x ) = ui + 2∆x.ui0 + 2(∆x )2 .ui00 + ui + O((∆x )4 ) (3.37)
3
4(∆x )3 000
ui−2 = u( xi − 2∆x ) = ui − 2∆x.ui0 + 2(∆x )2 .ui00 − ui + O((∆x )4 ) (3.38)
3

À partir des équations 3.35, 3.36, 3.37 et 3.38 on peut calculer :

ui−2 − 8ui−1 + 8ui+1 − ui+2 = 12∆x.ui0 + O((∆x )4 ) (3.39)

D’où le schéma de différences finies d’ordre 4 pour la dérivée première :

ui−2 − 8ui−1 + 8ui+1 − ui+2

ui0 = + O((∆x )4 ) (3.40)
12∆x

En partant toujours des équations 3.35, 3.36, 3.37 et 3.38 on peut calculer :

− ui−2 + 16ui−1 − 30ui + 16ui+1 − ui+2 = 12∆x2 ui0 + O((∆x )4 ) (3.41)

D’où le schéma de différences finies d’ordre 4 pour la dérivée seconde :

−ui−2 + 16ui−1 − 30ui + 16ui+1 − ui+2

ui00 = + O((∆x )4 ) (3.42)
12(∆x ) 2

En fait, plus l’ordre de la méthode de différences finies est élevé, plus la solution
numérique est précise ; ce qui justifie le choix des différences finies d’ordre 4 pour la
résolution de notre équation.
La procédure de résolution des problèmes aux limites par la méthode des différences
finies est la suivante :
1. Construire le maillage du domaine ;
2. Transformer l’EDP sous forme de schéma numérique de différences finies ;
3. Écrire l’équation de différences finies aux points de maillage ;
4. Obtenir le système d’équations algébriques discrètes ;
5. Trouver la solution en résolvant le système d’équations ;
Les informations ci-dessus s’inspirent de G ONCALVÈS, 2005.
Chapitre 3. Méthodologie 49

3.4.3 Résolution numérique de l’équation de Fokker-Planck par la

méthode des différences finies d’ordre supérieur (ordre 4)

Rappelons que l’équation de Fokker-Planck à résoudre numériquement est l’équation

(3.23) :
∂P( Q, t) ∂ 1 ∂2
= − [ f (t) P( Q, t)] + [ G2 P( Q, t)] (3.43)
∂t ∂Q 2 ∂Q2
dans laquelle nous gardons f ( Q, t) comme une fonction ne dépendant que de t :
f ( Q, t) = f (t).
avec la condition initiale :

P( Q, t)|t=t0 = δ( Q − Q0 ) (3.44)

Et les conditions aux limites absorbantes :

P( Qmin , t) = P( Qmax , t) = 0 (3.45)

avec Qmin = 0 et Qmax à déterminer à partir des données.

Étape 1 : Maillage du domaine (spatio-temporel) : décomposition du domaine en

mailles élémentaires

Le domaine spatio-temporel Ω est construit suivant les relations suivantes :

Qmax − Qmin
•m subdivisions suivant l’axe de Q ; soit ∆Q = m avec ∆Q le pas.
Qi = Qmin + i∆Q avec i = 1 : m ; Qmax = Qmin + m∆Q.
•Suivant l’axe du temps, nous utilisons le pas ∆t et on a :
t j = t0 + j∆t avec j ∈ N, ∆t = 1 jour ;
t j = t0 + j avec j ∈ N.
•On a : P( Qi , t j ) = P( Qmin + i∆Q, t0 + j∆t) = Pi,j
f (t j ) = f j
•Les conditions aux limites donnent : P0,j = Pm,j = 0, ∀ j ∈ N.
•La condition initiale donne : Pi,0 = δ( Qi − Q0 ) Nous prenons alors :
• ∀i = 1 : m − 1, Pi,0 = 1 si Qi−1 < Q0 ≤ Qi et Pi,0 = 0 sinon.
• Dans le cas particulier où Q0 = Qmin , on a : P1,0 = 1 et Pi,0 = 0 pour i = 2 : m − 1
Qmax est toujours choisi en sorte que Q0 n’appartienne par à l’intervalle ] Qm−1 , Qm ] ;
on lui affecte une valeur que les débits ne peuvent jamais atteindre.
Chapitre 3. Méthodologie 50

t 6

6
∆t
?

• -• • • • • • -
Qmin Qi Qmax Q
∆Q
F IGURE 3.3 – Maillage du domaine ( Q, t)

Étape 2 : Schéma numérique de différences finies de l’EDP

Nous allons utiliser les schémas de différences finies d’ordre 4 pour les dérivées
première et seconde de P( Q, t) par rapport à Q et le schéma "arrière" d’ordre 1 pour
la dérivée première de P( Q, t) par rapport à t.
Le choix du schéma arrière pour la dérivée première de P( Q, t) par rapport à t est
sans doute dû au fait qu’il conduit à un schéma numérique implicite de l’EDP qui
est toujours stable.
En partant des résultats obtenus dans la sous-section 3.4.2, nous pouvons écrire :
Dérivée de P( Q, t) par rapport à t :

∂P Pi,j − Pi,j−1
|i,j = + O(∆t) (3.46)
∂t ∆t
(schéma implicite)
Dérivées de P( Q, t) par rapport à Q :
•Dérivée première :

∂P Pi−2,j − 8Pi−1,j + 8Pi+1,j − Pi+2,j

|i,j = + O((∆Q)4 ) (3.47)
∂Q 12∆Q

•Dérivée seconde :
Chapitre 3. Méthodologie 51

∂2 P − Pi−2,j + 16Pi−1,j − 30Pi,j + 16Pi+1,j − Pi+2,j

|i,j = + O((∆Q)4 ) (3.48)
∂Q 2 12(∆Q)2

L’équation (3.43) donne au point (i, j) :

Pi,j − Pi,j−1 Pi−2,j − 8Pi−1,j + 8Pi+1,j − Pi+2,j − Pi−2,j + 16Pi−1,j − 30Pi,j + 16Pi+1,j − Pi+2
= − fj + G2
∆t 12∆Q 12(∆Q)2
(3.49)
avec ∆t = 1.
En posant r = 12(∆Q)2 et en multipliant l’équation (3.49) par 12(∆Q)2 , on obtient :

(∆Q. f j + G2 ) Pi−2,j − 8(∆Q. f j + 2G2 ) Pi−1,j + (r + 30G2 ) Pi,j + 8(∆Q. f j − 2G2 ) Pi+1,j
−(∆Q. f j − G2 ) Pi+2,j = rPi,j−1
(3.50)
Posons : A j = ∆Q. f j + G2 ; Bj = −8(∆Q. f j + 2G2 ) ; Cj = r + 30G2 ;
D j = 8(∆Q. f j − 2G2 ) ; Ej = −(∆Q. f j − G2 ).
L’équation (3.50) devient :

A j Pi−2,j + Bj Pi−1,j + Cj Pi,j + D j Pi+1,j + Ej Pi+2,j = rPi,j−1 (3.51)

avec i = 1 : m − 1 et j ≥ 1

Étape 3 : Équation de différences finies aux points de maillage

À chaque date j ≥ 1 fixée, il faut varier l’indice i entre 1 et m − 1 afin d’écrire les
schémas de différences finies aux points m − 1 du maillage.
On aura donc à résoudre, pour chaque j donné, un système à m − 1 équations et
m − 1 inconnues.

La prise en compte des conditions :

Condition initiale : Pi,0 = δ( Qi − Q0 )

Pour j = 1, on a :

A1 Pi−2,1 + B1 Pi−1,1 + C1 Pi,1 + D1 Pi+1,1 + E1 Pi+2,1 = rPi,0 (3.52)

avec i = 1 : m − 1
Le second membre rPi,0 prend en compte la condition initiale.
En variant i entre 1 et m − 1, on arrive à prendre en compte les conditions aux limites
avec l’équation (3.52).
Conditions aux limites : P0,j = Pm,j = 0
Chapitre 3. Méthodologie 52

Cette condition qui est absorbante veut aussi dire que Pi,j = 0 pour tout point (i, j)
sortant du domaine ; i ≤ 0 et i ≥ m.
•Au point (1,1), l’équation (3.52) donne :
A1 P−1,1 + B1 P0,1 + C1 P1,1 + D1 P2,1 + E1 P3,1 = rP1,0 (3.53)
Le point (-1, 1) n’est pas dans le domaine et le point (0, 1) est sur la frontière ;
Alors P−1,1 = P0,1 = 0 ;
Et l’équation (3.53) devient :
C1 P1,1 + D1 P2,1 + E1 P3,1 = rP1,0 (3.54)

De même, on a :
•Au point (2, 1) :
B1 P1,1 + C1 P2,1 + D1 P3,1 + E1 P4,1 = rP2,0 (3.55)

•Au point (i, 1), 3 ≤ i ≤ m − 3 :

A1 Pi−2,1 + B1 Pi−1,1 + C1 Pi,1 + D1 Pi+1,1 + E1 Pi+2,1 = rPi,0 (3.56)

•Au point (m-2, 1) :

A1 Pm−4,1 + B1 Pm−3,1 + C1 Pm−2,1 + D1 Pm−1,1 = rPm−2,0 (3.57)
car Pm,1 = 0
•Au point (m-1, 1) :
A1 Pm−3,1 + B1 Pm−2,1 + C1 Pm−1,1 = rPm−1,0 (3.58)
car Pm,1 = Pm+1,1 = 0

Étape 4 : Système d’équations algébriques discrètes

Avant de trouver les solutions discrètes de l’équation à n’importe quelle date j, nous
devons d’abord trouver toutes les solutions de j = 1 jusqu’à j − 1 puisque nous avons
besoin des informations à l’ordre j − 1. Par conséquent la résolution numérique de
notre problème doit commencer par la résolution du système obtenu à j = 1.
Les équations (3.54), (3.55), (3.56), (3.57) et (3.58) conduisent au système ci-dessous :
    
C1 D1 E1 0 0 ... 0 P1,1 P1,0
 ..   P2,1   P2,0 
 B1 C1 D1 E1 0 . :    

...
 :   : 
 A1 B1 C1 D1 E1 0 
    
:   : 
 . . . .
( S1 ) :  : . . . . . . . . . . .  
P

= r

P

 0 
  i,1



 i,0


 . .
 :   : 
 0 . A1 B1 C1 D1 E1     
  :   : 
. . .
     
 : 0 A1 B1 C1 D1   Pm−2,1   Pm−2,0 
0 ··· 0 0 A1 B1 C1 Pm−1,1 Pm−1,0
| {z }| {z } | {z }
[ M1 ] {Y1 } r {Y0 }
Chapitre 3. Méthodologie 53

•Le système à résoudre pour j = 1 est donc (S1 ) : M1 Y1 = rY0 .

On pourra utiliser ces résultats pour déterminer les solutions jusqu’à une date j.
•Le système à résoudre à la date j est donc le suivant :
 
P1,j
 
P1,j−1

Cj D j Ej 0 0 ... 0
. P2,j P2,j−1
Cj D j Ej 0 . .
    
 Bj :    

..
 :   : 
 Aj

Bj Cj D j Ej . 0 
 :



 :



(S j ) :  ... ... ... ... ... 
Pi,j
 
 = r Pi,j−1

 : 0  
   
 ..  :   : 
 0 . A j Bj Cj D j Ej    
  :   : 
 ...    
 : 0 A j Bj Cj D j   Pm−2,j   Pm−2,j−1 
0 · · · 0 0 A j Bj Cj P −1,j Pm−1,j−1
| {z } | m{z } | {z }
[ Mj ] {Yj } {rYj−1 }

Étape 5 : Résolution du système d’équations

À chaque date j, il y a un système d’équation (S j ) à résoudre. Nous notons plusieurs

méthodes de résolution des systèmes d’équations que nous n’allons par présenter
dans ce document. On peut citer entre autres : les méthodes directes des Gauss, les
méthodes indirectes (itératives) de Gauss-Seidel ou de Relaxation.

3.4.4 La méthode des Volumes Finis

Raisons du choix de cette méthode : L’équation de Fokker-Planck est donnée par

une loi de conservation. La méthode intègre, sur des volumes élémentaires de forme
simple, les équations écrites sous forme de loi de conservation.
La méthode des Volumes Finis consiste à intégrer, sur des volumes élémentaires, les
équations écrites sous forme intégrale. C’est une méthode particulièrement bien
adaptée à la discrétisation spatiale des lois de conservation, contrairement aux
Éléments Finis, et est ainsi très utilisée en mécanique des fluides.
Sa mise en oeuvre est simple si les volumes élémentaires ou "volumes de contrôle"
sont des rectangles en 2D ou des parallélépipèdes en 3D. Cependant, la méthode des
Volumes Finis permet d’utiliser des volumes de forme quelconque et donc de traiter
des géométries complexes, contrairement aux Différences Finies. De nombreux codes
de simulation numérique en mécanique des fluides reposent sur cette méthode :
Fluent, StarCD, CFX, FineTurbo, elsA..

Volumes Finis pour une loi de conservation

Considérons une loi de conservation d’une grandeur physique w dans une maille de
volume Ω, faisant intervenir un flux F (w) et un terme source S(w). Son expression
Chapitre 3. Méthodologie 54

sous forme intégrale est :

Z Z Z
∂
wdΩ + divF (w)dΩ = S(w)dΩ (3.59)
∂t Ω Ω Ω

Appelons Σ la surface de la maille, de normale extérieure n. Le théorème

d’Ostrogradski conduit à :
Z I Z
∂
wdΩ + F.ndΣ = S(w)dΩ (3.60)
∂t Ω Ω Ω

H
L’intégrale Ω F.ndΣ représente la somme des flux à travers chaque face de la maille.
Le flux est supposé constant sur chaque face, l’intégrale se ramène à une somme
discrète sur chaque face de la maille. Il vient :
I

Ω
F.ndΣ = ∑ Ff ace .n f ace Σ f ace (3.61)
f aces de la maille

La quantité Ff ace = F (w f ace ) est une approximation du flux F sur une face de la maille,
c’est le flux numérique sur la face considérée.
La discrétisation spatiale revient à calculer le bilan des flux sur une maille élémentaire.
Ce bilan comprend la somme des contributions évaluées sur chaque face de la maille.
La manière dont on approche les flux numériques en fonction de l’inconnue discrète
détermine le schéma numérique. L’écriture du schéma numérique peut également
utiliser des inconnues auxiliaires, par exemple le gradient de l’inconnue par maille.
Explicitons maintenant le terme de dérivée temporelle. Un élément fondamental de
la discrétisation en Volumes Finis est de supposer que la grandeur w est constante
dans chaque maille et égale à une valeur approchée de sa moyenne sur la maille ou
bien à sa valeur au centre de la maille.
D’autre part, le terme de dérivation en temps est évalué au moyen d’une méthode
numérique d’intégration d’équation différentielle (Runge-Kutta, Euler explicite ou
implicite...) et fait intervenir un pas de temps d’intégration ∆t. Ce dernier peut être
constant ou variable. Pour fixer les idées, on écrira la formulation avec une méthode
d’Euler explicite. Notons ∆w l’incrément de la grandeur w entre deux itérations
temporelles successives. On peut ainsi écrire :

dw ∆w
Z
∂
wdΩ = Ω( )maille = Ω (3.62)
∂t Ω dt ∆t
Finalement la loi de conservation discrétisée avec la méthode des Volumes Finis peut
s’écrire :
∆w
Ω + ∑ Ff ace .n f ace Σ f ace = ΩS (3.63)
∆t f aces

La méthode des Volumes Finis consiste donc à :

1. Décomposer la géométrie en mailles élémentaires (élaborer un maillage) ;
2. Initialiser la grandeur w sur le domaine de calcul ;
Chapitre 3. Méthodologie 55

3. Lancer le processus d’intégration temporelle jusqu’à convergence avec :

• Calcul du bilan de flux par maille par un schéma numérique ;
• Calcul du bilan de flux par maille par un schéma numérique ;
• Calcul du terme source ;
• Calcul de l’incrément temporel par une méthode numérique d’intégration ;
• Application des conditions aux limites.
Les informations ci-dessus s’inspirent de G ONCALVÈS, 2005.

3.4.5 Résolution numérique de l’équation de Fokker-Planck par la

méthode des volumes

Rappelons encore l’équation de Fokker-Planck à résoudre :

∂P( Q, t) ∂ 1 ∂2
= − [ f (t) P( Q, t)] + [ G2 P( Q, t)] (3.64)
∂t ∂Q 2 ∂Q2
avec la condition initiale :

P( Q, t)|t=t0 = δ( Q − Q0 ) (3.65)

Et les conditions aux limites absorbantes :

P( Qmin , t) = P( Qmax , t) = 0 (3.66)

avec Qmin = 0 et Qmax à déterminer à partir des données.

L’équation (3.64) sous forme de loi de conservation peut s’écrire :

∂P( Q, t) 1 ∂2
Z Z Z
∂
dQ = − [ f (t) P( Q, t)]dQ + 2
[ G2 P( Q, t)]dQ (3.67)
∂t ∂Q 2 ∂Q

Maillage du domaine :décomposition du domaine en mailles élémentaires

Le domaine est subdivisé en de petits rectangles comme le montre la figure 3.3.

L’intervalle [ Qmin , Qmax ] est discrétisé en m petits intervalles ( mailles) de mêmes
longueurs ∆Q tels que chaque intervalle soit de centre xi , (i variant de 1 à m).
On a : ∆Q = Qi+ 1 − Qi− 1 .
2 2

Le temps est discrétisé avec un pas constant ∆t = 1 jour.

À un instant n donné, P est supposée constante dans chaque maille (intervalle de Q)
et égale à une valeur approchée de la moyenne sur la maille considérée.
On notera Pin cette valeur de P dans la i-ème maille de centre Qi à l’instant t = n∆t =
n ; n ∈ N.
On note aussi f (tn ) = f n
Chapitre 3. Méthodologie 56

•Suivant l’axe du temps nous avons :

tn = t0 + n avec n ∈ N.

m+1/2 = 0, ∀ n ∈ N.
n = Pn
•Les conditions aux limites donnent : P1/2
•La condition initiale donne : Pi0 = δ( Qi − Q0 ).
Nous prenons alors : ∀i = 1 : m, Pi0 = 1 si Q0 ∈ [ Qi−1/2 , Qi+1/2 [ et Pi0 = 0 sinon
Qmax est toujours choisi en sorte que Q0 ne peut jamais prendre la valeur Qmax .

t 6

6
∆t
?

Qi
Qmin • • - • • • • • •Q -
Q
 Qi − 1 Qi + 1 max
∆Q 2 2

F IGURE 3.4 – Maillage du domaine ( Q, t) en volumes finis

La discrétisation spatiale par les volumes finis consiste à intégrer maille par maille
l’équation (3.66).
Soit pour la i-ème maille :
Z Q 1 Z Q 1 Z Q 1 2
i + 2 ∂P ( Q, t ) i+ 2 ∂ 1 i+ 2 ∂
dQ = − [ f (t) P( Q, t)]dQ + [ G2 P( Q, t)]dQ
Q
i − 21
∂t Q
i − 21
∂Q 2 Q
i − 12
∂Q2
(3.68)
Utilisons le schéma implicite (pour assurer la stabilité) pour évaluer la dérivée
temporelle.
On obtient à t = n :

Pin − Pin−1 1 ∂P ∂P
∆Q = − f n [ Pin+1/2 − Pin−1/2 ] + G2 [ |nQ 1 − |nQ 1 ] (3.69)
∆t 2 ∂Q i+ 2 ∂Q i− 2

avec ∆t = 1 jour.
Chapitre 3. Méthodologie 57

Les termes de dérivée première aux interfaces Qi+ 1 sont évalués en considérant la
2
∂P
valeur moyenne de ∂Q sur le segment [ Qi , Qi+1 ].
Soit
∂P n 1
Z Q i +1
∂P Pin+1 − Pin
|Q 1 = dQ = (3.70)
∂Q i+ 2 ∆Q Qi ∂Q ∆Q
Cette formulation n’est pas valable dans la maille m à l’extrémité droite du domaine.
Dans cette maille, on considère la valeur moyenne calculée sur l’intervalle [ Qm ; Qmax ].
d’où
−2Pmn
Z Qmax
∂P n 2 ∂P
|Q 1 = dQ = (3.71)
∂Q m+ 2 ∆Q Qm ∂Q ∆Q
car Pn ( Qmax ) = 0 (conditions aux limites)
De même les termes de dérivée première aux interfaces Qi− 1 sont évalués en
2
∂P
considérant la valeur moyenne de de ∂Q sur le segment [ Qi−1 , Qi ].
Soit
∂P n 1
Z Qi
∂P Pin − Pin−1
|Q 1 = dQ = (3.72)
∂Q i− 2 ∆Q Q i −1 ∂Q ∆Q

Dans la première maille à l’extrémité gauche du domaine de Q, on considère la valeur

moyenne calculée sur l’intervalle [ Qmin ; Q1 ].
d’où
2P1n
Z Q1
∂P n 2 ∂P
|Q 1 = dQ = (3.73)
∂Q 2 ∆Q Qmin ∂Q ∆Q
car Pn ( Qmin ) = 0 (conditions aux limites).
On obtient alors :
• Pour i variant de 2 à m − 1

Pin − Pin−1 1 Pn − Pin Pn − Pin−1

∆Q = − f n [ Pin+1/2 − Pin−1/2 ] + G2 [ i+1 − i ] (3.74)
∆t 2 ∆Q ∆Q

Les valeurs internodales Pin+1/2 et Pin−1/2 sont obtenues par interpolation.

Pn + Pin+1 Pn + Pin−1
Soit Pin+1/2 = i et Pin−1/2 = i
2 2
1 1
et Pin+1/2 − Pin−1/2 = Pin+1 − Pin−1
2 2
En remplaçant les résultats précédents et en plus multipliant par ∆Q l’équation
(3.74), on a :
1 1 1
(∆Q)2 ( Pin − Pin−1 ) = −∆Q f n [ Pin+1 − Pin−1 ] + G2 [ Pin+1 − 2Pin + Pin−1 ] (3.75)
2 2 2
d’où
1 1 1 1
[− ∆Q f n − G2 ] Pin−1 + [(∆Q)2 + G2 ] Pin + [ ∆Q f n − G2 ] Pin+1 = (∆Q)2 Pin−1
2 2 2 2
(3.76)
Chapitre 3. Méthodologie 58

Posons : An = − 12 [∆Q. f n + G2 ] ; Bn = [(∆Q)2 + G2 ] et Cn = 21 [∆Q. f n − G2 ].

On a :
An Pin−1 + Bn Pin + Cn Pin+1 = (∆Q)2 Pin−1 (3.77)
• Dans la première maille (i = 1) :

P1n − P1n−1 1 Pn − P1n Pn

∆Q = − f n [ P3/2
n n
− P1/2 ] + G2 [ 2 −2 1 ] (3.78)
∆t 2 ∆Q ∆Q

n = 0 (conditions aux limites) et après interpolation, on a : Pn = P1n + P2n

or P1/2 3/2 2
L’équation (3.78) devient :

P1n − P1n−1 Pn + P2n 1 Pn − P1n Pn

∆Q = − f n[ 1 ] + G2 [ 2 −2 1 ] (3.79)
∆t 2 2 ∆Q ∆Q

d’où

1 3 1 1
[(∆Q)2 + ∆Q f n + G2 ] P1n + [ ∆Q f n − G2 ] P2n = (∆Q)2 P1n−1 (3.80)
2 2 2 2
Posons : Dn = [(∆Q)2 + 2 ∆Q. f n + 2 G2 ]
1 3

On a :
Dn P1n + Cn P2n = (∆Q)2 P1n−1 (3.81)
• Dans la m-ième maille (i = m) :

Pmn − Pmn−1 n n n 1 2 Pmn Pmn − Pmn −1

∆Q = − f [ Pm+1/2 − Pm−1/2 ] + G [−2 − ] (3.82)
∆t 2 ∆Q ∆Q

or Pmn +1/2 = 0 (conditions aux limites) et après interpolation, on a :

Pn + Pn
Pmn −1/2 = m 2 m+1
L’équation (3.83) devient :

n −1 Pmn + Pmn −1 1 2 Pmn Pmn − Pmn −1

∆Q[ Pmn − n
Pm ] = − f [− ] + G [−2 − ] (3.83)
2 2 ∆Q ∆Q

d’où

1 1 3
− [∆Q. f n + G2 ] Pmn −1 + [(∆Q)2 − ∆Q. f n + G2 ] Pmn = (∆Q)2 Pmn−1 (3.84)
2 2 2

Posons :En = [(∆Q)2 − 12 ∆Q. f n + 23 G2 ]

On a :
An Pmn −1 + En Pmn = (∆Q)2 Pmn−1 (3.85)
Chapitre 3. Méthodologie 59

À une date t = n, la solution numérique du problème est obtenue en résolvant le

système suivant, donné par les équations (3.77), (3.81) et (3.85) :
n −1
 
n P
  
Dn Cn 0 0 0 ... 0 P
.
1
  Pn   P1n−1 

 An Bn Cn 0 0 . . :   2   2
 :

 :  
..
  
 0 An Bn Cn 0 . 0  : 
   
 : 

. . . . . 2  n −1 
0   Pi  = (∆Q) 
n
   
( Sn ) :  :
 . . . . . . . . . .    P
 i

.  :  :

 0 ..

0 A B C 0
 
n n n
  
  :   :
 
.
 : ..

0 An Bn Cn   Pmn −1 
     n −1 
0  Pm−1 
0 ··· 0 0 0 An En Pmn Pmn−1
| {z } | {z } | {z }
[ Mn ] {Yn } {Yn−1 }

Il faut donc partir de la résolution numérique du système obtenu à n = 1 afin de

trouver les solutions discrètes de l’équation à n’importe quelle date n.

Conclusion

Pour aboutir à un modèle qui prend en compte les incertitudes, nous sommes partis
de deux hypothèses selon lesquelles la dynamique du processus hydrologique
est celle donnée par le ModHyPMA et le terme modélisant les incertitudes est
un processus gaussien. Ces deux hypothèses nous on permit d’établir l’équation
différentielle stochastique du modèle stochastique et son équation de Fokker-Planck
associée. Nous avons proposé des méthodes pour résoudre numériquement ces deux
équations afin d’appliquer notre formulation aux données de notre zone d’étude, le
bassin de l’Ouémé à Savè.
 60

C HAPITRE 4
RÉSULTATS ET DISCUSSIONS

Contenu
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1 Modèle déterministe ModHyPMA . . . . . . . . . . . . . . . . . . . . 62
4.1.1 Calage du ModHyPMA . . . . . . . . . . . . . . . . . . . . . . 62
4.1.2 Validation du modèle déterministe ModHyPMA . . . . . . . . 65
4.2 Modèle Stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.1 Validation du modèle Stochastique . . . . . . . . . . . . . . . 68
4.2.2 Vers une nouvelle approche . . . . . . . . . . . . . . . . . . . . 70
4.3 Modèle de prévision : Équation de Fokker-Planck . . . . . . . . . . . . 71
4.3.1 Comparaison des deux méthodes numériques pour la
résolution de l’EFP . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3.2 Interprétations de la solution numérique de l’équation de
Fokker-Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Figures
4.1 Les débits observés et les précipitations journalières de 01/01/2003
à 01/01/2007 sur le Bassin de l’Ouémé à Savè . . . . . . . . . . . . 62
4.2 La droite de régression entre le débit observé d’un jour et celui du
jour précédent sur le Bassin de l’Ouémé à Savè . . . . . . . . . . . 63
4.3 Les débits simulés et observés du 01/01/2003 au 31/12/2007 sur le
Bassin de l’Ouémé à Savè. . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4 Les débits simulés avec le ModHyPMA et les débits observés du
01/07/2009 au 30/06/2011 . . . . . . . . . . . . . . . . . . . . . . . 65
Chapitre 4. Résultats et Discussions 61

4.5 La droite de régression entre les débits simulés avec le ModHyPMA

et les débits observés . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6 évolution des résidus entre la variation ∆Q et son approximation
donnée par le ModHyPMA sur la période du 01/07/2009 au
30/06/2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.7 Les débits simulés avec le modèle stochastique et les débits observés
du 01/07/2009 au 30/06/2011 sur le Bassin de l’Ouémé à Savè. . . 69
4.8 Les débits simulés avec le modèle X et les débits observés du
01/07/2009 au 06/30/2011 . . . . . . . . . . . . . . . . . . . . . . . 70
4.9 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.10 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.11 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.12 Comparaison des solutions numériques des méthodes DF et VF à
t0 + 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.13 Comparaison des solutions numériques des méthodes DF et VF
pour m = 1000. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.14 Comparaison des solutions numériques des méthodes DF et VF
pour m = 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.15 Allures des densités probabilité P(Q,t) à t0 + 2, t0 + 20, t0 + 50 et
t0 + 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.16 Évolution des densités de probabilité P(Q,t) en fonction du temps
(solution de l’équation de Fokker-Planck). . . . . . . . . . . . . . . 77
4.17 Intervalle de Confiance et le débit moyen à la date t0 + 10 . . . . . 78

Tableaux
4.1 Résultats du calage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2 Résultats de la validation du ModHyPMA . . . . . . . . . . . . . . 66
4.3 Constantes du modèle Stochastique . . . . . . . . . . . . . . . . . . 67
4.4 Résultats de la validation du modèle stochastique . . . . . . . . . . 69
4.5 Résultats du modèle X . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Introduction

Nous avons présenté dans les deux chapitres précédents les données utilisées, notre
approche stochastique et les différents outils dont nous avons besoin pour mettre en
application cette approche. Le but de ce chapitre est de présenter les résultats obtenus
après l’utilisation des données et de les commenter. Malgré les contraintes sur la
disponibilité des données de certaines périodes nous avons fait de notre mieux pour
utiliser les données les plus récentes de notre base pour pouvoir mieux approcher
les réalités de nos jours. Nous disposons au total des données de précipitation,
d’évapotranspiration potentielle et de débit sur le Bassin de l’Ouémé à Savè couvrant
Chapitre 4. Résultats et Discussions 62

la période de 1971 à 2011 ; les données utilisées pour les applications de nos méthodes
couvrent la période de 2003 à 2011.

4.1 Modèle déterministe ModHyPMA

Notre modèle stochastique utilise les paramètres µ, λ, P2 et TX du modèle

déterministe ModHyPMA. Ces paramètres sont obtenus par calage.

4.1.1 Calage du ModHyPMA

Les données utilisées sur le Bassin de l’Ouémé à Savè pour le calage couvrent la
période du 01/01/2003 au 31/12/2007, soit 5 ans ou 1826 jours. Commençons par
représenter le graphe d’évolution des débits observés et des précipitations sur cette
période. La figure 4.1 montre l’évolution des débits observés du 01/01/2003 au
31/12/2007.

F IGURE 4.1 – Les débits observés et les précipitations journalières de

01/01/2003 à 01/01/2007 sur le Bassin de l’Ouémé à Savè

Nous notons sur cette période des pics de débits très élevés mais aussi des pics de
débits très moyens. Le pic le plus élevé est de l’ordre de 1400 m3 /s et le plus moyens
est de l’ordre de 500 m3 /s. Cette période prend donc en compte les différents cas que
l’on pourrait rencontrer.
Nous présentons sur le graphe de la figure 4.2 ci-dessous la corrélation linéaire entre
le débit observé d’un jour t et le débit observé du jour précédent t − 1.
Chapitre 4. Résultats et Discussions 63

F IGURE 4.2 – La droite de régression entre le débit observé d’un jour et

celui du jour précédent sur le Bassin de l’Ouémé à Savè

En observant le graphe de la figure 4.2, on remarque que le nuage de points a

tendance à suivre la droite de régression et on pourrait avant tout calcul, dire que le
débit d’un jour est lié à celui du jour précédent.
Le coefficient de corrélation qui est de r = 0.98 confirme une forte corrélation entre
le débit observé d’un jour et celui du jour précédent. Nous remarquons aussi sur le
graphe que le nuage de points devient un peu plus dispersé par rapport à la droite
de régression lorsque les débits sont élevés ; la corrélation est alors un peu plus faible
pour les débits élevés. Cela se confirme avec la figure 4.1 sur laquelle on remarque
une forte variabilité des débits au niveau des pics. Il y a donc plus d’incertitudes
au niveau des débits les plus élevés et on peut prévoir une difficulté du modèle
ModHyPMA à approcher ces pics.
En plus des contraintes liées à la disponibilité des données, le choix de cette période
pour le calage se justifie par le fait qu’il prend en compte la plupart des particularités
que l’on pourrait rencontrer. Un bon calage sur cette période pourrait nous conduit à
une bonne validation.
Le calage a été fait en se basant sur les quatre critères énumérés plus haut dans la
sous-section 3.3.5 du chapitre 3 : NSE, R2 , RMSE et MAE. Le critère le plus visé est le
NSE et ensuite le coefficient de détermination R2 . Les résultats obtenus sont présentés
dans le tableau 4.1 ci-dessous.
Chapitre 4. Résultats et Discussions 64

TABLE 4.1 – Résultats du calage

Critère Paramètre
NSE 0.78 µ 0.8433
R 2 0.78 λ 2.422
RMSE 123.13 P2 0.9163
MAE 51.99 TX 5.0992

La figure 4.3 représente sur le même graphique les débits simulés en bleu et les débits
observés en rouge pour le calage.

F IGURE 4.3 – Les débits simulés et observés du 01/01/2003 au

31/12/2007 sur le Bassin de l’Ouémé à Savè.

Au vu des valeurs obtenues pour le critère de Nash (NSE = 0.78) et le coefficient de

détermination (R2 = 0.78), nous pouvons avancer que le calage est bien satisfaisant
puisque les critères de performances NSE et R2 obtenus sont du même ordre de
grandeur que ceux obtenus par A LAMOU, 2011 dans ses applications réalisées sur
le Bassin versant de l’Ouémé à Bétérou de 2002 à 2002 avec le modèle ModHyPMA
(NSE = 0.79 et R2 = 0.81 ).
Cependant, les résultats du calage de Z OHOU et al., 2021 sur le bassin versant de
l’Ouémé à Bétérou avec les données de 1964 à 1974 nous révèlent que le calage avec
le modèle ModHyPMA pourrait donner des critères de performances encore plus
meilleurs avec NSE = 0.90 et R2 = 0.90.
Le RMSE = 123.13 et le MAE = 51.99 qui sont des estimations de l’erreur moyenne
indiquent que l’erreur moyenne est de l’ordre de 100 m3 /s. Ces valeurs sont un peu
élevées à cause des pics qui sont mal estimés par le modèle.
Nous associons ces performances moyennes de notre calage aux grandes variations
que nous avons notées sur les débits de la période de 2003 à 2007 sur le Bassin de
l’Ouémé à Savè. Nous notons tout de même un calage satisfaisant.
Chapitre 4. Résultats et Discussions 65

4.1.2 Validation du modèle déterministe ModHyPMA

Les données du 01/07/2009 au 30/06/2011 sur le Bassin de l’Ouémé à Savè sont

utilisées par la validation du modèle. La figure 4.4 représente sur le même graphique
les débits simulés en bleu et débits observés en rouge.

F IGURE 4.4 – Les débits simulés avec le ModHyPMA et les débits

observés du 01/07/2009 au 30/06/2011
sur le Bassin de l’Ouémé à Savè.
Nous notons sur cette période un pic de débits observés très élevé, de l’ordre de
2200 m3 /s, ce qui n’a jamais été obtenu sur les débits observés dans le passé. Ce pic
n’est visiblement pas très bien approché par le modèle qui propose un pic d’une
valeur de l’ordre de 950 m3 /s. Ce résultat montre la difficulté du modèle à prendre
en compte les pics de débits ; c’est-à-dire que lorsque les incertitudes interviennent le
modèle se trompe dans l’estimation des valeurs. Ce constat selon lequel le modèle
déterministe ModHyPMA n’approche pas bien les pics de débits a été déjà fait
par BIAO, 2015 dans ses applications sur les débits journaliers du bassin versant
de Bonou avec le ModHyPMA. Quant aux faibles débits le modèle les approche
visiblement très bien. Nous présentons sur le graphe de la figure 4.4 ci-dessous la
corrélation linéaire entre les débits simulés et les débits observés correspondants.
Chapitre 4. Résultats et Discussions 66

F IGURE 4.5 – La droite de régression entre les débits simulés avec le

ModHyPMA et les débits observés

En observant le graphe de la figure 4.5, on remarque que le nuage de points a tendance

à suivre la droite de régression et on peut dire que dans l’ensemble les débits simulés
ne s’écartent pas trop des valeurs observées.
Le coefficient de corrélation qui est de r = 0.94 confirme une forte corrélation entre le
débit observé et le débit simulé. Nous remarquons une forte accumulation du nuage
de points autour de la droite de régression pour les faibles débits. Cela confirme
encore le constat selon lequel le modèle approche très bien les faibles débits.
Malgré la difficulté du modèle à estimer les valeurs extrêmes (en parlant des pics),
il présente dans l’ensemble une performance satisfaisante au vu des graphiques
précédents et des critères de performance que nous présentons dans le tableau 4.2
ci-dessous.

TABLE 4.2 – Résultats de la validation du ModHyPMA

Critère Calage Validation

NSE 0.78 0.72
R2 0.78 0.88
RMSE 123.13 184.94
MAE 51.99 90.97
Chapitre 4. Résultats et Discussions 67

Le modèle donne à la validation, R2 = 0.88 et NSE = 0.72. Les critères de

performances NSE et R2 obtenus pour la validation ne sont pas loin de ceux obtenus
par BIAO, 2015 pour sa validation sur le Bassin versant de l’Ouémé à Bonou de 2007
à 2008 avec le modèle ModHyPMA (NSE = 0.76 et R2 = 0.78 ).
Même si les validations dans d’autres travaux ont donné des critères de performances
meilleurs que ceux-ci (NSE = 0.81 et R2 = 0.83 avec BIAO, 2015 sur notre Bassin
d’étude de 2007 à 2009), nous pouvons conclure que le modèle déterministe
ModHyPMA obtenu modélise bien la dynamique d’évolution des débits sur le
Bassin de l’Ouémé à Savè.
Le RMSE = 184.94 et le MAE = 90.97 qui sont des estimations de l’erreur moyenne
indiquent que l’erreur moyenne est de l’ordre de 100 m3 /s ou 200 m3 /s. Ces valeurs
sont élevées à cause des pics qui sont mal estimés par le modèle.

4.2 Modèle Stochastique

Nous avons vu que le modèle déterministe ModHyPMA, bien qu’il prenne bien
en compte la dynamique du système hydrologique, n’arrive pas à bien approcher
les pics. Cela est dû au fait que le modèle déterministe ModHyPMA ne tient pas
compte des incertitudes. Nous avons proposé dans le chapitre 3 un modèle qui tient
non seulement compte de la dynamique du système hydrologique donnée par le
ModHyPMA mais aussi des incertitudes grâce au bruit blanc gaussien introduit.
En plus des paramètres du modèle ModHyPMA, deux constantes s’ajoutent ; il s’agit
de la constante R donnée par l’équation 3.16 et de l’intensité G du bruit blanc donnée
par l’équation 3.17.
Les données du 01/01/2003 au 31/12/2007 et du 01/07/2009 au 30/06/2011 sur le
Bassin de l’Ouémé à Savè sont utilisées pour estimer ces constantes. Nous présentons
les résultats dans le tableau 4.3 ci-dessous.

TABLE 4.3 – Constantes du modèle Stochastique

Constante
R −0.0636
G 45.1748

La constante G représente l’intensité du bruit. La valeur G = 45.1748m3 /s est une

estimation de l’intensité du bruit gaussien qui modélise les incertitudes ; elle est
obtenue à partir des résidus ou erreurs donnés par l’approximation de ∆Q = Qt −
Qt−1 par le ModHyPMA et est égale à l’écart-type des résidus. Cette valeur est
élevée surtout à cause des pics au niveau desquels les variations sont généralement
sous-estimées par le ModHyPMA et cela se remarque clairement sur la figure 4.6
ci-dessous montrant l’évolution de ces résidus. Les résidus sont en couleur noire, les
débits observés en rouge et les débits simulés par le ModHyPMA en bleu.
Chapitre 4. Résultats et Discussions 68

F IGURE 4.6 – évolution des résidus entre la variation ∆Q et son

approximation donnée par le ModHyPMA sur la période du 01/07/2009
au 30/06/2011
.
L’équation différentielle stochastique (EDS) du modèle stochastique, même résolue
numériquement ne peut pas servir à une prévision puisque les débits simulés pour
une même date t donnée, diffèrent à chaque simulation. Néanmoins, en partant
de la solution numérique de l’EDS obtenue, nous avons puis simuler les débits du
01/07/2009 au 30/06/2011 sur le Bassin de l’Ouémé à Savè. Parmi les simulations,
nous en avons obtenu avec des performances meilleures que le modèle déterministe.
Ces résultats nous conduisent à une validation du modèle stochastique.

4.2.1 Validation du modèle Stochastique

Les simulations sont faites avec le modèle stochastique sur la période du 01/07/2009
au 30/06/2011 sur le Bassin de l’Ouémé à Savè. La figure 4.7 représente sur le même
graphique les débits simulés par le modèle stochastique Qstoch en noir, les débits
simulés par le modèle déterministe Qdeterministe en bleu et les débits observés Qobs
des jours correspondants en rouge.
Chapitre 4. Résultats et Discussions 69

F IGURE 4.7 – Les débits simulés avec le modèle stochastique et les débits
observés du 01/07/2009 au 30/06/2011 sur le Bassin de l’Ouémé à Savè.

Nous remarquons d’abord sur le graphique que les débits simulés avec le modèle
stochastique approche bien les pics et cela se vérifie avec les performances obtenues
qui sont présentées dans le tableau 4.4 ci-dessous.

TABLE 4.4 – Résultats de la validation du modèle stochastique

Critère ModHyPMA Modèle Stochastique

NSE 0.72 0.90
R2 0.88 0.90
RMSE 184.94 113.02
MAE 90.97 76.29

La corrélation est de 0.95 entre les valeurs simulées et les valeurs observées.
En observant surtout le critère de Nash NSE = 0.90, on peut déduire de ces résultats
que la performance du modèle stochastique est nettement meilleure que celle
obtenue avec le modèle déterministe ModHyPMA. Nous retenons surtout que le
modèle stochastique approche bien les pics comparativement au modèle déterministe.
Cependant il faut aussi remarquer que les faibles débits sont souvent surestimés par
le modèle. Cela est tout à faire normal à cause de l’intensité du bruit blanc qui est
constante et apporte les mêmes variations au niveau des débits faibles comme au
niveau des débits élevés.
Le RMSE = 113.02 et le MAE = 76.29 montrent que les erreurs sont réduites par
rapport à celles données par le ModHyPMA.
Chapitre 4. Résultats et Discussions 70

4.2.2 Vers une nouvelle approche

Puisque le modèle stochastique approche mieux les débits élevés et le modèle

déterministe ModHyPMA approche mieux les faibles débits, l’idée qui nous est
venue est de combiner les algorithmes des deux modèles pour voir le résultat. Nous
avons déduit des deux algorithmes un algorithme qui simule les débits élevés avec
le modèle stochastique et les faibles débits avec le modèle déterministe. La question
qui s’est posée est de savoir la valeur de débit à ne pas dépasser pour que le débit
soit considéré comme faible. La valeur la mieux placée qu’on a trouvée est l’intensité
du bruit G. Ce choix part de l’analyse selon laquelle le bruit doit surtout intervenir
lorsque les incertitudes deviennent grandes, mais pour les faibles débits proches de
0, l’intensité du bruit devrait se réduire voire s’annuler. Lorsque le débit proposé par
le ModHyPMA pour un jour est inférieur à l’intensité du bruit, le débit réel de ce jour
serait probablement proche de 0 et sa valeur peut être bien approchées par le modèle
déterministe ModHyPMA. Bien que nous n’ayons pas trop travaillé sur cette idée,
nous souhaitons présenter les résultats très satisfaisants pour lancer d’autres études.
La figure 4.8 montre sur le même graphique les débits Qx simulés par le modèle X
proposé en bleu et les débits observés Qobs des jours correspondants en rouge.

F IGURE 4.8 – Les débits simulés avec le modèle X et les débits observés
du 01/07/2009 au 06/30/2011
sur le Bassin de l’Ouémé à Savè.
Les performances obtenues sont présentées dans le tableau 4.5 ci-dessous.

TABLE 4.5 – Résultats du modèle X

Critère Modèle Stochastique Modèle X

NSE 0.90 0.92
R2 0.90 0.92
RMSE 113.02 99.24
MAE 76.29 55.93
Chapitre 4. Résultats et Discussions 71

La corrélation est de 0.96 entre les valeurs simulées et les valeurs observées. On en
déduit qu’une approche qui proposera une intensité de bruit G ( Q, t) qui varie en
fonction de Q ou de t et telle que l’intensité G ( Q, t) diminue lorsque les débits sont
faibles et augmente pour les débits élevés pourrait être encore meilleure.
Pour ne pas nous éloigner de notre objectif, revenons au modèle stochastique proposé.
Même si nous sommes arrivés à valider les simulations du modèle stochastique avec
de bonnes performances, nous ne pourrons utiliser ces simulations pour faire des
prévisions puisque les résultats obtenus varient à chaque simulation à cause du bruit
blanc. Notre objectif est d’obtenir les distributions de probabilité des débits des jours
dont on ne connait pas le débit, en partant d’un débit Q0 connu à une date antérieure
t0 . Elles sont obtenues grâce à l’équation de Fokker-Planck issue de l’EDS. Avant
d’obtenir ces distributions pour les débits inconnus, il faudra résoudre cette équation.
Nous avons proposé deux méthodes numériques pour la résoudre : la méthode des
différences finies d’ordre 4 et celle des volumes finis. Nous présentons ci-dessous les
résultats.

4.3 Modèle de prévision : Équation de Fokker-Planck

La solution de l’équation de Fokker-Planck permet d’avoir des densités de probabilité.

Ces distributions expriment le manque de confiance (incertitude) dans le débit réel
des jours pour lesquels on veut estimer le débit. Des intervalles de confiance peuvent
être obtenus à partir des solutions numériques pour la prévision.
Nous ne pouvons essayer, pour le moment, les prévisions que pour un jour t pour
lequel nous connaissons la précipitation et l’ETP à la veille t-1, puisque ces données
font partir des entrées du modèle.
Nous avons choisi de résoudre cette équation pour 0 ≤ t ≤ 100 jours à partir du débit
connu à la date 22/09/2011 ; t0 : 22/09/11 et le débit initial nous donne :
Q0 = 553.70 m3 /s.
Nous utilisons à chaque fois pour les deux méthodes le même nombre de maillage m.
Nous avons pris 0 m3 /s comme valeur minimale de Q et Qmax = 5000 m3 /s comme
la valeur maximale que le débit ne peut dépasser. L’intervalle [0; 5000]m3 /s est donc
subdivisé en m mailles de même longueur.

4.3.1 Comparaison des deux méthodes numériques pour la

résolution de l’EFP

Nous utilisons à chaque fois le même nombre de maillage pour une comparaison des
deux méthodes numériques à savoir : la méthode des différences finies d’ordre
4 et celle des volumes finis. Pour une subdivision en m mailles, nous notons
exactement m + 1 points pour la méthodes des différences finies (DF) et m + 2 points
pour la méthodes des volumes finis (VF). La méthode des volumes finis fait une
approximation de la fonction de densité sur tout un segment(volume) tandis que la
méthode des différences finies font une approximation de la fonction aux noeuds
Chapitre 4. Résultats et Discussions 72

(points) issus du maillage. Un calcul de l’écart entre les deux solutions numériques
ne paraît donc pas si évident. Toutefois l’analyse des graphiques des deux solutions
montre des résultats très satisfaisants.
Nous allons d’abord prendre un maillage m = 10000 mailles pour comparer les deux
graphiques sur 100 jours. Les figures 4.9, 4.10 et 4.11 montrent respectivement les
solutions numériques des deux méthodes aux jours t0 + 2, t0 + 20 et t0 + 100. La
solution avec la méthode des différences finies (DF) est en rouge et celle avec la
méthodes volumes finis (VF) est en bleu, pour tous les graphiques ci-dessous.

F IGURE 4.9 – Comparaison des solutions numériques des méthodes DF

et VF à t0 + 2.

Bien que les deux courbes soient présentes sur la figure 4.9, on ne s’en aperçoit
pas ; on ne voit qu’une seule courbe de couleur le mélange du bleu et du rouge, les
deux courbes sont confondues. La même remarque est faite pour les dates t0 + 20 et
t0 + 100.
Chapitre 4. Résultats et Discussions 73

F IGURE 4.10 – Comparaison des solutions numériques des méthodes

DF et VF à t0 + 10.

F IGURE 4.11 – Comparaison des solutions numériques des méthodes

DF et VF à t0 + 100.
Chapitre 4. Résultats et Discussions 74

Il a fallu que nous allions à l’ordre de 10−7 avant de remarquer la différence entre les
deux solutions numériques DF et VF. La figure 4.12 ci-dessous l’illustre.

F IGURE 4.12 – Comparaison des solutions numériques des méthodes

DF et VF à t0 + 100.

On note sur ce graphique (figure 4.12) une différence d’au plus

2.595 × 10−4 − 2.593 × 10−4 = 2 × 10−7 entre les deux pics.
Les résultats ci-dessus sur les figures 4.9, 4.10, 4.11 et 4.12 nous amènent à conclure
que les deux solutions convergent pour un maillage de 10000 mailles.
Nous avons réduit, à la date t0 + 100, le nombre de mailles à 1000 puis à 100 afin de
comparer les graphiques. Les résultats obtenus sont présentés sur les figures 4.13 et
4.14 ci-dessous.
Chapitre 4. Résultats et Discussions 75

F IGURE 4.13 – Comparaison des solutions numériques des méthodes

DF et VF pour m = 1000.

F IGURE 4.14 – Comparaison des solutions numériques des méthodes

DF et VF pour m = 100.
Chapitre 4. Résultats et Discussions 76

Sur les deux figures 4.13 et 4.14, une légère différence entre les deux solutions ne se
voit que pour le maillage m=100 mailles.
Les résultats ci-dessous sont très satisfaisants et nous amènent à conclure facilement
que les deux solutions numériques convergents. Ces deux méthodes utilisent toutes
un schéma implicite pour la différentiation par rapport au temps, cela confirme
une fois encore la force de ce schéma (schéma implicite), même s’il demande plus
de calculs. Nous sommes donc assez sûrs d’avoir des densités de probabilité très
proches de la solution exacte de l’équation de Fokker-Planck.

4.3.2 Interprétations de la solution numérique de l’équation de

Fokker-Planck

Pour ne pas continuer à trainer les deux méthodes, nous choisissons de faire le reste
de nos analyses avec la méthode des différences finies sans vouloir déclarer une
méthode meilleure que l’autre. Nous prenons pour la suite un maillage de 5000
mailles.
En s’intéressant à l’évolution dans le temps de la densité de probabilité P( Q, t)
solution de l’équation de Fokker-Planck, nous représentons les graphiques sur les
deux figures ci-dessous. La figure 4.15 montre sur le même graphique les allures des
densités de probabilité des débits pour quelques dates.

F IGURE 4.15 – Allures des densités probabilité P(Q,t) à t0 + 2, t0 + 20,

t0 + 50 et t0 + 100.
Chapitre 4. Résultats et Discussions 77

F IGURE 4.16 – Évolution des densités de probabilité P(Q,t) en fonction

du temps (solution de l’équation de Fokker-Planck).

Nous remarquons surtout avec la figure 4.15 que la densité de probabilité ou

distribution des débits s’aplatit et couvre plus de débits (intervalle de débits) au
fur et à mesure que le temps augmente. Cela se justifie par le fait qu’il y a plus
d’incertitudes en passant de t0 à t0 + 10, par exemple, qu’en passant de t0 à t0 + 2.
Plus on s’éloigne de t0 , plus il y aura d’incertitudes sur le débit par rapport à Q0 ;
nous rappelons que la solution de l’équation de Fokker-Planck est en réalité la densité
de probabilité de Q à la date t sachant Q(t0 ) = Q0 : c’est une densité de probabilité
de transition.
On lit également sur le graphe que la densité de probabilité est symétrique comme
celle d’une loi normale (gaussienne) lorsqu’elle couvre un intervalle qui ne contient
pas les frontières(comme dans le cas t0 + 2 ) ; cela est dû à l’hypothèse de bruit blanc
gaussien. Par contre les densités de probabilité deviennent asymétriques lorsqu’elles
couvrent un intervalle contenant l’une des limites ; cela est dû aux conditions aux
limites.
La figure 4.16, montrant la distribution de probabilité des débits en fonction du temps
par rapport au débit initial Q0 , permet aussi de mettre en évidence que les pics des
distributions de Q diminuent et les étendues des valeurs possibles de Q augmentent
lorsqu’on s’éloigne de t0 . Cela est dû au fait qu’il y a plus d’incertitudes sur la valeur
de Q (par rapport à Q0 ) lorsqu’on s’éloigne de t0 .
Chapitre 4. Résultats et Discussions 78

Déduit de l’EDS, ce modèle qui prend bien en compte les incertitudes, en traduisant
par une distribution le manque de confiance sur le débit réel, peut servir à
des prévisions puisqu’on pourra tirer de la solution obtenue de l’EFP toutes les
caractéristiques de la densité de probabilité du jour visé. Cela est possible grâce aux
méthodes d’intégration numérique (méthode des trapèzes, méthode de simpson 1/3
et autres.) Il faudra quand même avoir certaines informations de la veille de ce jour
(comme la pluie effective q qui est une entrée du ModHyPMA ) avant de pouvoir
fonctionner le modèle. Nous ne disposons pas de ces données d’entrée pour le futur
pour pouvoir faire une prévision mais pour des jours connus nous pouvons tourner
le modèle pour avoir les distributions et leurs caractéristiques (sachant le débit Q0
connu à une date antérieure).
Toujours en partant du débit Q0 = 553.70m3 /s du 22/07/2011(t0 ) nous pouvons
obtenir, comme montré sur la figure 4.17, l’Espérance (Moyenne) et un intervalle de
confiance (IC) à 90% autour du débit moyen du jour t0 + 10 .

F IGURE 4.17 – Intervalle de Confiance et le débit moyen à la date t0 + 10

On a : IC = [160 m3 /s ; 652m3 /s] et Moyenne = 410 m3 /s. Il y a donc 90% de chance

que le débit réel du jour t0 + 10 soit entre 160 m3 /s et 652 m3 /s.
Le débit observé de jour t0 + 10 se trouve bel et bien dans l’intervalle de confiance,
proche du débit moyen ;
on a : Qobs = 438.2 m3 /s.
A partir de cette distribution, on peut aussi affirmer qu’il est presque certain que le
débit ne dépassera pas 850 m3 /s ce jour.
Chapitre 4. Résultats et Discussions 79

On peut aussi calculer la probabilité que le débit Q appartienne à un intervalle donné.

Nous notons, par exemple :
P(300 < Q < 550) = 0.602.
Il y a donc 60.2% de chance que le débit du jour soit dans l’intervalle
[300 m3 /s ; 550 m3 /s].
Nous rappelons que :
Rb
Probabilité : P( a < Q < b) = a P( Q)dQ ;
RQ
Espérance : E( Q) = Q max QP( Q)dQ.
min

Conclusion

Nous avons obtenu dans l’ensemble des résultats qui répondent à nos attentes et
apportent un plus à la modélisation pluie-débit, singulièrement à la modélisation
avec le ModHyPMA. Toutefois, une prévision pour le futur n’est pas encore possible,
faute d’information sur l’ETP et les précipitations du futur. Nous avons aussi noté
qu’on pourrait aussi agir sur l’intensité du bruit blanc gaussien afin d’obtenir un
modèle encore meilleur.
 80

CONCLUSION GÉNÉRALE ET
PERSPECTIVES

Dans le but de résoudre les problématiques et de contribuer à l’avancée de la

modélisation pluie-débit, nous avons proposé dans nos travaux une approche
stochastique qui prend en compte, à la fois la dynamique du phénomène
hydrologique grâce au modèle déterministe de base physique utilisé (le ModHyPMA)
et les incertitudes grâce au bruit blanc gaussien. En fait, le ModHyPMA, est un
modèle à base physique (utilisant le Principe de Moindre Action ou PMA) qui s’est
fait très tôt connaître grâce à ses performances. Il a été récemment proposé par
A FOUDA et al., 2004. Ces deux éléments (le ModHyPMA et le bruit blanc gaussien)
ont constitué les hypothèses de base de notre modélisation. Notre formulation
stochastique conduit à une équation différentielle stochastique et à une équation
de Fokker-Planck qui lui est associée. La résolution de l’équation différentielle
stochastique avec la méthode numérique d’Euler nous a permis de faire une
simulation avec le modèle stochastique qui nous a permis de tirer une conclusion
favorable à la validation du modèle stochastique. La résolution de l’équation de
Fokker-Planck a été faite avec les méthodes numériques de différences finies (DF) et
de volumes finis (VF). La convergence des deux solutions numériques nous permet
de donner avec certitudes une solution numérique très proche de la solution exacte
de cette équation. De cette solution numérique nous avons la possibilité de tirer
beaucoup d’informations sur la distribution des débits et ses différents paramètres.
Les incertitudes sur les débits se traduisent donc par une densité de probabilité qui
est la solution numérique obtenue.
Tous les résultats ont répondu favorablement à nos attentes. Cependant, nous notons
encore d’autres pistes à explorer afin de toujours améliorer le modèle proposé.
• La première piste ou perspective part de l’analyse et des résultats obtenus
lorsqu’on annule l’intensité du bruit blanc gaussien pour les faibles débits ; il
faudra proposer une intensité variable (en fonction de Q ou t) qui pourra encore
mieux modéliser les incertitudes.
• La deuxième perspective est de corriger l’hypothèse restrictive qui exige un
bruit blanc gaussien car ce ne serait pas si évident de tomber sur un tel cas
particulier de bruit blanc pour la modélisation des incertitudes. Un bruit plus
généralisé, comme le bruit de Lévy pourrait faire l’objet des prochains travaux.
• La troisième perspective sera de pouvoir contourner cette incapacité (soulignée
dans le chapitre 4) de faire une prévision dans le futur avec le modèle de
prévision, faute de connaissance des données d’ETP et de précipitation pour le
futur.
 81

RÉFÉRENCES BIBLIOGRAPHIQUES

A BDELKADER, Messak (2009). « MODELISATION PLUIE-DEBIT DES

BASSINS VERSANTS DE L’OUED MINA : APPLICATION DU MODELE
HYDROLOGIQUE HEC-HMS ». Thèse de doct. Université des Sciences et de la
Technologies d’Oran Mohamed BOUDIAF.
A FOUDA, A. et al. (2006). « Modèle de transformation pluie–débit basé sur le Principe
de Moindre Action ». In : IAHS, p. 129-137.
A FOUDA, A. et al. (2010). « Modèle hydrologique basé sur le principe de moindre
action (MODHYPMA) ». In : p. 23-45.
A FOUDA, Abel et al. (déc. 2004). « A STOCHASTIC STREAMFLOW MODEL
BASED ON A MINIMUM ENERGY EXPENDITURE CONCEPT ». en. In :
Contemporary Problems in Mathematical Physics. Cotonou, Republic of Benin :
WORLD SCIENTIFIC, p. 153-169. ISBN : 978-981-256-030-8 978-981-270-248-7.
DOI : 10.1142/9789812702487_0003. URL : http://www.worldscientific.com/
doi/abs/10.1142/9789812702487_0003 (visité le 07/12/2021).
A LAMOU, Eric Adéchina (2011). « Application du Principe de Moindre Action à la
Modélisation Pluie-débit ». Thèse de doct. Cotonou : Université d’Abomey-Calavi
(UAC).
B ENSALMA, Fatima (mar. 2015). « CONTRIBUTIONS À LA MODÉLISATION
DES PROCESSUS HYDROLOGIQUES ». Thèse de doct. UNIVERSITÉ DE
MONTRÉAL.
BIAO, Eliezer Iboukoun (nov. 2015). « IMPROVING RAINFALL - RUNOFF
MODELLING THROUGH UNCERTAINTIES’ CONTROL UNDER INCREASING
CLIMATE VARIABILITY IN THE OUEME ». Thèse de doct. University of Abomey
- Calavi (UAC).
B ODO, B. A. et al. (avr. 2005). « Modèles linéaires stochastiques théoriques pour la
réponse des petits bassins ». In : Revue des sciences de l’eau 3.2, p. 151-182. ISSN :
1718-8598, 0992-7158. DOI : 10.7202/705069ar. URL : http://id.erudit.org/
iderudit/705069ar (visité le 07/12/2021).
D EACONU, Madalina (2020). Equations différentielles stochastiques : Résolution numérique
et applications.
E VORA, Noel Dacruz (juin 1997). « MODÉLISATIONSTOCHASTIQUEDES
DÉBITs JOURNALIERS : UNE NOUVELLE APPROCHE ADAPTÉE AUX
ÉCOULEMENTS SAHELIENS ». Thèse de doct. UNIVERSITÉ DE MONTRÉAL.
G ABA, O. U. C. et al. (2015). « An Ensemble Approach Modelling to Assess Water
Resources in the Mékrou Basin, Benin ». Thèse de doct. Abomey-Calavi University.
Références bibliographiques 82

G ONCALVÈS, Eric (sept. 2005). RESOLUTION NUMERIQUE, DISCRETISATION DES

EDP ET EDO.
K ODJA, Domiho Japhet (mai 2018). « Indicateurs des évènements hydroclimatiques
extrêmes dans le bassin versant de l’Ouémé à l’exutoire de Bonou en Afrique de
l’Ouest ». Thèse de doct. UNIVERSITÉ DE MONTPELLIER.
M ORIASI et al. (2007). « Model Evaluation Guidelines for Systematic Quantification
of Accuracy in Watershed Simulations ». en. In : Transactions of the ASABE 50.3,
p. 885-900. ISSN : 2151-0040. DOI : 10.13031/2013.23153. URL : http://elibrary.
asabe.org/abstract.asp??JID=3&AID=23153&CID=t2007&v=50&i=3&T=1 (visité
le 07/12/2021).
N DONGO, Cheikh Bécaye (2012). « PROCESSUS ALÉATOIRES ET APPLICATIONS
EN FINANCE ». Thèse de doct. UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES.
O BADA, Ezéchiel et al. (2016). « Evaluation des Performances de Neuf (09) Modèles
Hydrologiques Pluie-débit Globaux sur le Bassin de la Mékrou à L’exutoire de
Kompongou (Bénin) ». In : European Journal of Scientific Research 140.4 July, p. 411-
424. URL : https://www.researchgate.net/publication/318468022.
P ENDER, Douglas et al. (2016). « Stochastic simulation of daily streamflow sequences
using a hidden Markov model ». In :
P ERRIN, Charles (oct. 2000). « Vers une amélioration d’un modèle global pluie-débit
au travers d’une approche comparative ». Thèse de doct. INSTITUT NATIONAL
POLYTECHNIQUE DE GRENOBLE.
S ANDOVAL, Santiago et al. (mar. 2019). Critères & indicateurs d’auto-évaluation des
modèles.
S INTONDJI, L. et al. (2019). Etude de Vulnérabilité Sectorielle face aux changements
climatiques au Bénin.
S INTONDJI, Luc Olivier et al. (jan. 2014). « Modelling the water balance of Ouémé
catchment at the Savè outlet in Benin : contribution to the sustainable water
resource management ». In : International Journal of AgriScience 4.1, p. 74-88.
S UCHET A MIOTTE, Philippe (2014). Le débit du cours d’eau et sa réponse à la pluie (Cours
vidéo-youtube).
U NAMI, Koichi et al. (juil. 2010). « A stochastic differential equation model for
assessing drought and flood risks ». en. In : Stochastic Environmental Research and
Risk Assessment 24.5, p. 725-733. ISSN : 1436-3240, 1436-3259. DOI : 10.1007/s00477-
009-0359-2. URL : http://link.springer.com/10.1007/s00477-009-0359-2
(visité le 07/12/2021).
Z HANG, X et al. (2013). « Evaluation of Simhyd, Sacramento and GR4J Rainfall
Runoff Models in Two Contrasting Great Barrier Reef Catchments. » In : 20th
International Congress on Modelling and Simulation, Adelaide, Australia, 1-6 December
2013, p. 3260-3266.
Z OHOU, Pierre et al. (2021). « An Automatic Optimization Technique for the
Calibration of a Physically Based Hydrological Rainfall-Runoff Model ». In :
Journal of Geoscience and Environment Protection 09.03, p. 1-20. ISSN : 2327-4336,
2327-4344. DOI : 10 . 4236 / gep . 2021 . 93001. URL : https : / / www . scirp . org /
journal/doi.aspx?doi=10.4236/gep.2021.93001 (visité le 07/12/2021).