Propagation d’incertitudes
Pour être pertinente, la réponse d’un modèle doit nécessairement être accompagnée d’une estimation de son incertitude. Dans la modélisation hydrologique, les sources d’incertitudes sont nombreuses (Incertitudes sur les observations, les conditions initiales, la valeur des paramètres, la structure du modèle). Les analyses de sensibilité (locales/globales, spatiales, temporelles, Generalized Likelihood Uncertainty Estimation) et les prévisions d’ensemble sont les outils numériques généralement utilisés pour les quantifier (Barthélémy et al., Journal of Hydrology, 2017). Ces prévisions d’ensemble sont en fait plusieurs prévisions numériques réalisées avec des conditions initiales et/ou des paramétrisations distinctes, également plausibles. Différentes stratégies de prévisions d’ensemble hydrométéorologiques ont été testées avec des collaborateurs chercheurs en météorologie (projets financés par le Réseau Thématique de Recherche Avancé : Sciences et Technologies pour l’Aéronautique et l’Espace et l’Eurorégion Pyrénées Méditerranée notamment). Ces études menées sur l’évaluation des différentes sources d’incertitude et leur impact sur la réponse du modèle montrent que, sur les petits bassins versants méditerranéens étudiés, obtenir une prévision satisfaisante de la forme de l’hydrogramme avec une anticipation de 48h reste un défi. Néanmoins, les prévisions d’ensemble permettent d’améliorer la pertinence des résultats par rapport à une prévision hydrométéorologique déterministe. Ces prévisions se montrent de plus profitables pour l’émission d’une alerte en cas de risque de crue, c’est-à-dire dans la prévision du dépassement d’un seuil de débit à une station donnée. Parallèlement à cette stratégie de propagation de l’incertitude liée au forçage, une méthode a également été mise au point afin de prendre explicitement en compte l’intervalle de confiance des séries hydrométriques, issu de l’obtention de la courbe de tarage ou bien estimé, en cohérence avec l’objectif de modélisation. Cette méthodologie a fait l’objet d’une étude détaillée pour la calibration/validation du modèle MARINE, en comparaison avec plusieurs autres méthodologies issues de la littérature (Douinot et al., Environmental Modelling and Software, 2017) : elle offre des performances sensiblement plus satisfaisantes de façon générale, en permettant notamment de corriger les erreurs principalement lors des périodes à enjeux majeurs, c’est-à-dire lors de la montée de crue et aux forts débits en ce qui concerne la prévision des crues.
