Assistance au calage de modèles numériques en hydraulique ... - TEL

CONCLUSION GÉNÉRALE– les données de référence sont enfin concernées par le même type d’incertitudesque les données hydrométriques d’entrée, mais leur prise en compte lors duprocessus de calage est nettement plus aisée, puisqu’elles conditionnent leniveau de correspondance attendu. Peut-on en effet raisonnablement demanderun écart maximal de 1 cm entre ligne d’eau enveloppe et laisses decrue lorsque la précision de mesure de celles-ci est de 10 cm?La propagation des incertitudes sur les données du système et les données d’entréejusqu’aux résultats de la modélisation hydraulique sont loin d’être négligeables etcommencent à faire l’objet d’études approfondies (voir par exemple Burnham et Davis,1990; Aronica et al., 1998a; Faure et al., 2002; Werner et al., 2004). Hall (2003) arécemment proposé la mise au point d’un langage formel pour représenter l’incertitudedans le domaine de l’hydroinformatique. On suivra ainsi avec attention les recherchesrécemment engagées sur les incertitudes liées au calage en hydraulique fluviale unidimensionnelle(Pappenberger et al., 2005; Hall et al., 2005).De données qualitatives en données quantitativesDans ces travaux, et notamment lors des cas d’étude présentés dans les chapitres 6et 7, nous avons seulement utilisé comme données de référence des données hydrométriques✭ classiques ✮ : niveaux mesurés, débits enregistrés, etc. Pourtant, comme lerappellent Bates et Anderson (2001, p. 342), ces données ponctuelles ne peuvent à ellesseules assurer totalement la crédibilité d’un modèle hydraulique :Clearly, discrete bulk flow data, while being an important component of hydraulicmodel validation, has only limited strength as a stand-alone piece of evidence.On constate ainsi depuis quelques années l’émergence de données véritablement distribuéesdans les processus de calage et de validation des modèles hydrauliques : lesphotographies. Aériennes ou satellitaires, ces images prises durant un événement et denature éminemment qualitative, sont transformées en données quantitatives afin de lescomparer aux prédictions d’un modèle hydraulique : hauteurs d’eau (Raclot, 2003),largeurs au miroir (Romanowicz et Beven, 2003) ou cartes d’inondation (Bates, 2004).L’utilisation de telles données devrait pouvoir être automatisée afin de les prendreen compte de manière systématique – lorsqu’elles sont disponibles – lors du processusde calage. En effet, ce type de données, de par sa nature distribuée, est porteur d’unequantité considérable d’informations qui ne peuvent qu’apporter un supplément decrédibilité aux modèles. Le grand challenge des prochaines années consiste à transférerles techniques et algorithmes d’interprétation de ces données – actuellement encore dudomaine de la recherche – vers les services opérationnels. L’expérience acquise dans lepilotage d’algorithmes de traitement d’images à l’aide de techniques de systèmes à basede connaissances – et notamment les techniques utilisées dans ces travaux (van denElst, 1996; Thonnat et al., 1999) – permet d’envisager des solutions dans ce sens, enintégrant ces algorithmes au sein d’un système d’assistance au calage que l’on pourraitpeut-être appeler CARMA-3.Vers de nouveaux horizons...Le calage de modèles numériques s’appuie, comme nous l’avons vu au chapitre 3(section 3.2, p. 68), sur un processus itératif d’ajustement de paramètres basé sur unecomparaison avec des données de référence. Ces données de références, qu’elles soient195