Partie III. Seconde phase du diagnostic
5.2. Recherche d’explications du côté de la modélisation
5.2.1. Sensibilité des résultats au choix du modèle hydrologique
Face à l’existence possible d’erreurs de modélisation, la stratégie adoptée a été celle du recours à une approche multi-modèles. En réalisant les mêmes tests sur des modèles de structures et de niveaux de complexité différents, nous pouvons ainsi discerner dans nos résultats si le choix du modèle modifie sensiblement les conclusions et, si oui, quelles structures permettent une meilleure robustesse temporelle face à un climat changeant.
Les résultats présentés tout au long de ce rapport montrent des différences relativement faibles entre modèles vis-à-vis des comportements étudiés. Une analyse plus détaillée des chroniques mettrait, bien entendu, en avant des différences dans les variables simulées. Néanmoins, nos travaux portaient initialement sur l’étude des baisses de performances liées au transfert des paramètres, que nous avons pu relier à des erreurs sur le bilan hydrologique annuel dans une majorité de cas. Nous nous sommes ensuite concentrés sur la compréhension des mécanismes conduisant à ces biais, et n’avons, par conséquent, pas affiné l’étude des différences entre modèles sur d’autres aspects que ces erreurs sur le volume moyen. Si ce choix peut paraître
relativement fort, précisions toutefois que la capacité d’un modèle à reproduire le bilan hydro- logique annuel semble un critère minimal que nous sommes en droit d’attendre d’un modèle hydrologique. Face aux amplitudes des erreurs constatées sur les volumes moyens lors de nos tests, l’étude d’autres critères plus raffinés nous paraît secondaire (dans un premier temps tout du moins). Rappelons enfin que les travaux de cette thèse visent aussi à alimenter les réflexions concernant les erreurs de modélisation dans les études d’impact du changement climatique, dans lesquelles les estimations du module à différents horizons constituent l’un des objectifs majeurs.
Plus spécifiquement, la similitude des comportements entre les différents modèles testés a été (et sera) étudiée à plusieurs occasions durant nos travaux. Les comparaisons suivantes peuvent notamment être citées :
• mise en avant des similitudes de comportement à travers le tableau 3.2 (page 74) qui montre le recouvrement des sous-groupes de bassins concernés par des corrélations entre △erreurs en validation et △conditions entre les périodes de calage et de validation
• étude des similitudes de comportement via les analyses de nuages de points (cf.figures 3.2 et 3.8, pages 77 et 86) et dans les visualisations associées sur quelques exemples illustratifs (cf. figures pages 82-83 et pages 91-92)
• étude des similitudes de comportement (présentée plus loin) à travers les analyses des courbes de biais glissants (cf.figure 5.19)
5.2.2. Impact de la longueur de la période de calage du modèle
Introduction
Lorsque les travaux présentés dans cette thèse ont été initiés, nous nous sommes largement in- terrogés sur la longueur des sous-périodes à choisir dans la procédureGSST (cf.section 2.4.2).
Cette longueur de calage devait être suffisamment longue pour permettre une identification adéquate des paramètres du modèle et suffisamment courte pour permettre un nombre impor- tant de tests entre des périodes indépendantes et contrastées (notamment climatiquement).
Afin d’apprécier l’impact qu’aurait ce changement de longueur de sous-périodes de calage, nous avons souhaité reproduire les mêmes tests de transfert pour une sélection de bassins, en considérant des sous-périodes de 20 ans (contre 10 ans précédemment). Pour que le nombre de tests de transfert demeure suffisant, nous avons identifié les bassins de notre échantillon disposant de plus de 50 années d’observations, sur lesquels nous avons reproduit la procédure de tests multiples. Pour faciliter les analyses, nous avons choisi de nous concentrer sur les bassins qui faisaient partie du sous-groupe où nous avions identifié des liens entre robustesse et △températures lors des transferts des paramètres de GR4J (cf. section 3.3). Cette double
sélection conduit à la formation d’un groupe de 31 bassins sur lesquels nous avons observé des corrélations entre △εR et △TD→R lors du GSST sur 10 ans de calage et où la longueur des séries permet un nombre élevé de tests pour un nouveau découpage en sous-périodes de 20 ans. Une simple comparaison des nuages de points M R CD→R =f(△TD→R) ouQbR[θD]/QR= f(△TD→R) obtenus pour chaque configuration (calages-validations sur 10 ou 20 ans) permet rapidement de statuer sur l’impact d’une plus grande longueur de calage sur nos résultats.
Comparaisons des résultats
Les nuages de points issus du GSST sur notre sélection de 31 bassins sont présentés sur les figures 5.1 et 5.2 pourGR4J etMordor6. Le processus de construction des boîtes à moustaches est inchangé, le nuage étant découpé en 10 bandes verticales d’un nombre égal de points (cf. section 2.1.3). Le fait d’augmenter la durée des sous-périodes de calage et validation réduit nécessairement les contrastes entre celles-ci, mais ne perturbe pas réellement le travail de comparaison.
Ces nouveaux tests montrent qu’une augmentation de la longueur de la période de calage ne réduit pas les problèmes de transférabilité temporelle des paramètres sur les 31 bassins étudiés ici, qu’ils soient mesurés par le critèreMRC ou à travers le biais (cf.figures 5.1 et 5.2).
La responsabilité des problèmes mis en avant par la procédure GSST ne peut donc pas être simplement rejetée sur le fait de caler le modèle sur une période trop courte pour pouvoir capter certaines dynamiques lentes du bassin. Il est vrai que la structure parcimonieuse de GR4J ne semble pas permettre, à première vue, la représentation de telles dynamiques lentes. Les tests menés avec Mordor6 donnent cependant les mêmes résultats, tandis que ce dernier dispose de plusieurs réservoirs qui devraient lui permettre de mieux s’en sortir si ces dynamiques lentes étaient en causes (cf.schéma de structure, figure 2.10, page 50). À première vue, cet argument ne semble donc pas valide même si des tests avec d’autres structures de modèles pourraient être menés pour conforter ce résultat.
MRC = 1 − KGE [θ] RD − 1 1 − KGE [θ] RR
−2°C 0°C +2°C
0%
100%
200%
300%
400%
500%
GR4J - GSSTsur 10 ans
Q [θ] / Q RDR
−2°C 0°C +2°C
0.8 1 1.2
GR4J - GSSTsur 10 ans
σ QR [θD] / µ QR [θD] σ QR / µ QR
−2°C 0°C +2°C
0.8 1 1.2
GR4J - GSSTsur 10 ans
T D − T R
MRC =
1 − KGE [θ] RD − 1 1 − KGE [θ] RR
−2°C 0°C +2°C
0%
100%
200%
300%
400%
500%
GR4J - GSSTsur 20 ans
T D − T R
Q [θ] / Q RDR
−2°C 0°C +2°C
0.8 1 1.2
GR4J - GSSTsur 20 ans
T D − T R
σ QR [θD] / µ QR [θD] σ QR / µ QR
−2°C 0°C +2°C
0.8 1 1.2
GR4J - GSSTsur 20 ans
Figure 5.1.: Comparaison des erreurs observées lors des transferts deGR4J avec des périodes de 10 ans (en haut) et 20 ans (en bas)
MRC =
1 − KGE [θ] RD − 1 1 − KGE [θ] RR
−2°C 0°C +2°C
0%
100%
200%
300%
400%
500%
Mordor6 - GSSTsur 10 ans
Q [θ] / Q RDR
−2°C 0°C +2°C
0.8 1 1.2
Mordor6 - GSSTsur 10 ans
σ QR [θD] / µ QR [θD] σ QR / µ QR
−2°C 0°C +2°C
0.8 1 1.2
Mordor6 - GSSTsur 10 ans
T D − T R
MRC =
1 − KGE [θ] RD − 1 1 − KGE [θ] RR
−2°C 0°C +2°C
0%
100%
200%
300%
400%
500%
Mordor6 - GSSTsur 20 ans
T D − T R
Q [θ] / Q RDR
−2°C 0°C +2°C
0.8 1 1.2
Mordor6 - GSSTsur 20 ans
T D − T R
σ QR [θD] / µ QR [θD] σ QR / µ QR
−2°C 0°C +2°C
0.8 1 1.2
Mordor6 - GSSTsur 20 ans
Figure 5.2.: Comparaison des erreurs observées lors des transferts de Mordor6 avec des pé- riodes de 10 ans (en haut) et 20 ans (en bas)
Rq. sur les bassins français, GR4J et Mordor6 sont alimentés par des données SPAZM et une ETP d’Oudin et couplés à CemaNeige (θneige fixés).
Les boîtes à moustaches indiquent les quantiles 5, 25, 50, 75 et 95% sur chaque bande veticale.