10. Previsions hydrologiques en periode de crue
473
10.5.3 Filtrage et assimilation de donnees
Completer la procedure de prevision par un traitement d'erreur en temps
reel, c'est une sorte de judo qui consiste a utiliser les incertitudes elles-memes
pour ameliorer les prochaines previsions... La tentation est d'utiliser cette information pour ameliorer Ie modele par une correction :
• des etats du modele ou de ses entrees a l'initialisation d'un modele evenementiel qui permet de recalculer avec les premiers pas de temps des etats
initiaux du systeme plus realistes que les etats moyens ;
• ou des parametres du modele (surtout si Ie calage est incertain). Le filtrage
de Kalman permet dans les systemes lineaires d'optimiser ce type de
correction et il existe des generalisations pour les systemes non lineaires ;
• ou des etats, des parametres ou de la structure du modele par assimilation des donnees.
Le plus simple semble d'apporter un terme correctif ajoute a la prevision:
Qcorrig(t) = Qprvu(t) + ¢(t)
(10.1)
ou ¢(t) peut suivre un processus autoregressif (par exemple de type Markov).
On ne destructure pas Ie modele, donc on sait toujours ce qu'il fait, tout en
evitant de reproduire des ecarts recurrents. Bien entendu les memes ecueils que
pour Ie filtrage menacent : un processus de correction trop reactif peut faire
osciller et destructurer la prevision.
Les essais d'application de l'assimilation des donnees dans des simulations
en temps reel, en « bouclant » les reajustements sur les observations lors des
premiers pas de temps de la « montee» de la crue, donnent des resultats tres
encourageants (d. annexe 10.8), aussi bien pour des modeles «pluies-debits »
globaux [49], que pour des modeles «pluies-debits » distribues [79, 360] ou Ie
modele hydraulique MAS CARET (annexe 10.6). Utilisees avec des precautions
suffisantes, de telles procedures sont susceptibles de reduire sensiblement les
ecarts entre previsions et observations et donc l'amplitude des incertitudes de
prevision.
On insistera toutefois sur la necessite de la conservation de maitrise de l'utilisation en temps reel d'un modele dont les parametres sont reajustes, comme
Ie souligne Berthet [49] : il obtient dans une tres grande majorite des cas des
ameliorations tres significatives par une assimilation des donnees ciblee sur un
etat (dont la signification est assez «physique», donc assez clairement identifiable) du modele GRP, mais il reste des cas ou, de fac;on encore inexpliquee,
473
10.5.3 Filtrage et assimilation de donnees
Completer la procedure de prevision par un traitement d'erreur en temps
reel, c'est une sorte de judo qui consiste a utiliser les incertitudes elles-memes
pour ameliorer les prochaines previsions... La tentation est d'utiliser cette information pour ameliorer Ie modele par une correction :
• des etats du modele ou de ses entrees a l'initialisation d'un modele evenementiel qui permet de recalculer avec les premiers pas de temps des etats
initiaux du systeme plus realistes que les etats moyens ;
• ou des parametres du modele (surtout si Ie calage est incertain). Le filtrage
de Kalman permet dans les systemes lineaires d'optimiser ce type de
correction et il existe des generalisations pour les systemes non lineaires ;
• ou des etats, des parametres ou de la structure du modele par assimilation des donnees.
Le plus simple semble d'apporter un terme correctif ajoute a la prevision:
Qcorrig(t) = Qprvu(t) + ¢(t)
(10.1)
ou ¢(t) peut suivre un processus autoregressif (par exemple de type Markov).
On ne destructure pas Ie modele, donc on sait toujours ce qu'il fait, tout en
evitant de reproduire des ecarts recurrents. Bien entendu les memes ecueils que
pour Ie filtrage menacent : un processus de correction trop reactif peut faire
osciller et destructurer la prevision.
Les essais d'application de l'assimilation des donnees dans des simulations
en temps reel, en « bouclant » les reajustements sur les observations lors des
premiers pas de temps de la « montee» de la crue, donnent des resultats tres
encourageants (d. annexe 10.8), aussi bien pour des modeles «pluies-debits »
globaux [49], que pour des modeles «pluies-debits » distribues [79, 360] ou Ie
modele hydraulique MAS CARET (annexe 10.6). Utilisees avec des precautions
suffisantes, de telles procedures sont susceptibles de reduire sensiblement les
ecarts entre previsions et observations et donc l'amplitude des incertitudes de
prevision.
On insistera toutefois sur la necessite de la conservation de maitrise de l'utilisation en temps reel d'un modele dont les parametres sont reajustes, comme
Ie souligne Berthet [49] : il obtient dans une tres grande majorite des cas des
ameliorations tres significatives par une assimilation des donnees ciblee sur un
etat (dont la signification est assez «physique», donc assez clairement identifiable) du modele GRP, mais il reste des cas ou, de fac;on encore inexpliquee,