Analyses multifractales et spatio-temporelles des précipitations du modèle Méso-NH et des données radar     

A. Gires  I. Tchiguirinskaia  D. Schertzer  S. Lovejoy 《水文科学杂志》2013,58(3):380-396

Résumé

Dans le cadre des multifractals universels, il est possible de caractériser la variabilité spatio-temporelle de la pluie sur une grande gamme d’échelle à l'aide de trois paramètres invariants d’échelles. Dans cette étude, nous avons estimé ces paramètres multifractals sur des simulations numériques effectuées avec le modèle méso-échelle Méso-NH, développé par Météo-France et le Laboratoire d'Aérologie (Univ. P. Sabatier, Toulouse, France), et des images radar composites, couvrant le même événement pluvieux, à savoir un orage particulièrement violent, dit de type Cévenol, ayant eu lieu sur la partie sud de la France du 5 au 9 Septembre 2005. La comparaison des résultats montre que les deux types de données présentent des domaines d'invariance d’échelle relativement similaires, et dont les propriétés sont en accord avec les modèles de précipitation spatio-temporels unifiés et scalants les plus simples. Néanmoins l’évaluation de leurs exposants conduit à des valeurs parfois fortement différentes.

Citation Gires, A., Tchiguirinskaia, I., Schertzer, D. & Lovejoy, S. (2011) Analyses multifractales et spatio-temporelles des précipitations du modèle Méso-NH et des données radar. Hydrol. Sci. J. 56(3), 380–396.  相似文献   

Application du réseau des neurones artificiels à la prévision des débits horaires: Cas du bassin versant de l’Eure,France     

Ouissem Kharroubi  Olivier Blanpain  Eric Masson  Sami Lallahem 《水文科学杂志》2013,58(3):541-550

RÉSUMÉ

Les modèles pluie–débit sont fortement utilisés dans la gestion des risques hydrologiques et la prévision des crues. Dans cette étude, nous présentons un modèle pluie–débit pour la prévision des débits horaires basé sur la technique des réseaux de neurones artificiels (RNA). Ce modèle a été développé et appliqué sur le bassin versant de l’Eure au Nord-Ouest de la France afin de dépasser les problèmes dus à la non-linéarité de la relation pluie–débit et à l’imprécision des données collectées. La création de ce modèle a nécessité plusieurs étapes pendant lesquelles nous avons pu déterminer les paramètres du modèle permettant la compréhension de la complexité hydrologique et la production des informations nécessaires à la prévision. Elles ont abouti à un modèle de réseau de neurones artificiels capable d’effectuer, en quelques secondes, des prévisions des crues efficaces jusqu’à un horizon de prévision de 48 h. Ces résultats confirment que les modèles RNA peuvent jouer un rôle important dans le domaine de la prévision car capables de modéliser la non-linéarité des relations pluie–débit rencontrées sur certains bassins hydrologiques.