328
Hydrologie quantitative
des horizons de prevision, courts devant Ie temps de concentration des bassins
versants, peuvent etre comparables, voire parfois superieures dans Ie cas des
reseaux de neurones, it celles des modeles conceptuels, l'ecart se creuse lorsque
l'horizon de prevision augmente et avec lui Ie poids des pluies dans la determination de la valeur du debit futur (figure 6.30).
co
ci
CD
.r: ci
U>
'"
Z ....
ci
N
ci
o
o
Clll/mboll
'f_
. -. .. . .,*:-.- --.-.
~"'~ I ""':"""~ .
-
ooncep4UeI s.ans lT1iIM aput (ptuJe Mure connue)
1__ conceptue4 a... rndoe i JOUr CplUle fulur. COMYe)
-. ~"a~.,...,.jput lplu,,'utu... nullt)
- - r6M.1UX de neurONS (pIulrt fu~ con.......
1- rQe.1\lX de neurones (~fu .... non prISe en "","pte)
-f- nwJde.. "alte (pIuI& Ju4ln conn....)
.... mod6le 1in4I3I1te (pll.-tuttn non prIM en comptle)
rnod6.. de petSd~
2 3 4 5 6 7 8
Echeance de prevision (h)
co
ci
CD
.r: ci
U>
' "
Z ....
ci
N
0
0
ci
8", ell BtrlUI
~uelwns".. i JOU' (,,"e MUfe connue)
c:onoepwtol :avec: moe i JOUf (plute MUfe COfW'llJe,
eonc:eptuel ~ mcM t JOUt (pIute Mute nul..)
~ ~.au. eM ~f'OnH (plule ~ conn....)
~x de nelJf'CIf* (pIu,. fuUe non pose en <:ompllt)
-+- mod6te 1iM._(plule luiIure COMUft)
+- ~ lint.,.,. (piLlIelull.ft non pnse en compflt)
_o.2 3 4
5 6 7
8
Echeance de prevision (h)
FIGURE 6.30 - Comparaison des performances de differents modeles de prevision
des crues (critere de Nash) en fonction de l'horizon de prevision pour deux
bassins versants de Haute Loire (source Moulin [288]).
Les modeles lineaires et les reseaux de neurones, exploitant peu l'information pluviometrique, prevoient mal les changements brutaux de tendances
notamment les montees de crues associees it l'intensification des pluies, qui est
l'un des enjeux majeur de la prevision. Par ailleurs, ils corrigent les erreurs de
prevision passees, ce qui conduit it des oscillations autour des observations. Si
la valeur absolue des debits futurs peut-etre relativement bien estimee par ces
modeles, en revanche les tendances d'evolution des debits qu'ils prevoient n'ont
pas reellement de sens lorsqu'ils sont cales sur un critere de Nash 49. C'est ce
qu'illustre la figure 6.31. On constate qu'alors que les criteres de Nash des trois
types de modeles sont voisins aux courtes echeances (figure 6.30), plus de la
moitie des previsions de tendances d'evolution des debits du modele lineaire
sont incorrectes, les reseaux de neurones etant it peine meilleurs. Or c'est souvent l'evolution des debits it partir d'une situation constatee que l'hydrologue
cherche reellement it prevoir. Les criteres se deteriorent lorsque l'horizon de
prevision augmente, alors que les previsions du modele hydrologique global GR
(version horaire du modele GR4J) sont satisfaisantes suivant ce critere.
49. II serait certainement possible de developper des reseaux de neurones pour la prevision
des evolutions de debits en choisissant un criU~re de calage adapte (critere de Nash sur les
fluctuations de debits). Ceci n'a pas ete teste a notre connaissance jusqu'a present.
Hydrologie quantitative
des horizons de prevision, courts devant Ie temps de concentration des bassins
versants, peuvent etre comparables, voire parfois superieures dans Ie cas des
reseaux de neurones, it celles des modeles conceptuels, l'ecart se creuse lorsque
l'horizon de prevision augmente et avec lui Ie poids des pluies dans la determination de la valeur du debit futur (figure 6.30).
co
ci
CD
.r: ci
U>
'"
Z ....
ci
N
ci
o
o
Clll/mboll
'f_
. -. .. . .,*:-.- --.-.
~"'~ I ""':"""~ .
-
ooncep4UeI s.ans lT1iIM aput (ptuJe Mure connue)
1__ conceptue4 a... rndoe i JOUr CplUle fulur. COMYe)
-. ~"a~.,...,.jput lplu,,'utu... nullt)
- - r6M.1UX de neurONS (pIulrt fu~ con.......
1- rQe.1\lX de neurones (~fu .... non prISe en "","pte)
-f- nwJde.. "alte (pIuI& Ju4ln conn....)
.... mod6le 1in4I3I1te (pll.-tuttn non prIM en comptle)
rnod6.. de petSd~
2 3 4 5 6 7 8
Echeance de prevision (h)
co
ci
CD
.r: ci
U>
' "
Z ....
ci
N
0
0
ci
8", ell BtrlUI
~uelwns".. i JOU' (,,"e MUfe connue)
c:onoepwtol :avec: moe i JOUf (plute MUfe COfW'llJe,
eonc:eptuel ~ mcM t JOUt (pIute Mute nul..)
~ ~.au. eM ~f'OnH (plule ~ conn....)
~x de nelJf'CIf* (pIu,. fuUe non pose en <:ompllt)
-+- mod6te 1iM._(plule luiIure COMUft)
+- ~ lint.,.,. (piLlIelull.ft non pnse en compflt)
_o.2 3 4
5 6 7
8
Echeance de prevision (h)
FIGURE 6.30 - Comparaison des performances de differents modeles de prevision
des crues (critere de Nash) en fonction de l'horizon de prevision pour deux
bassins versants de Haute Loire (source Moulin [288]).
Les modeles lineaires et les reseaux de neurones, exploitant peu l'information pluviometrique, prevoient mal les changements brutaux de tendances
notamment les montees de crues associees it l'intensification des pluies, qui est
l'un des enjeux majeur de la prevision. Par ailleurs, ils corrigent les erreurs de
prevision passees, ce qui conduit it des oscillations autour des observations. Si
la valeur absolue des debits futurs peut-etre relativement bien estimee par ces
modeles, en revanche les tendances d'evolution des debits qu'ils prevoient n'ont
pas reellement de sens lorsqu'ils sont cales sur un critere de Nash 49. C'est ce
qu'illustre la figure 6.31. On constate qu'alors que les criteres de Nash des trois
types de modeles sont voisins aux courtes echeances (figure 6.30), plus de la
moitie des previsions de tendances d'evolution des debits du modele lineaire
sont incorrectes, les reseaux de neurones etant it peine meilleurs. Or c'est souvent l'evolution des debits it partir d'une situation constatee que l'hydrologue
cherche reellement it prevoir. Les criteres se deteriorent lorsque l'horizon de
prevision augmente, alors que les previsions du modele hydrologique global GR
(version horaire du modele GR4J) sont satisfaisantes suivant ce critere.
49. II serait certainement possible de developper des reseaux de neurones pour la prevision
des evolutions de debits en choisissant un criU~re de calage adapte (critere de Nash sur les
fluctuations de debits). Ceci n'a pas ete teste a notre connaissance jusqu'a present.