COMPÉTITIVITÉ

ÉCONOMIQUE DU MAROC
CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET
HYDRAULIQUE
APPORTS ET PRINCIPES D’UTILISATION DES OUTILS HEC, HEC-HMS ET HEC-RAS,
PLATEFORME D’INTEGRATION WMS ET OUTIL RIBASIM

FASCICULE 1 : INTRODUCTION A LA MODELISATION EN HYDROLOGIE

DATE : JUIN 2013 MEC DOCUMENT 137fr

Ce document a été préparé par DAI pour évaluation par l'Agence des États-Unis
pour le développement international (USAID).
COMPÉTITIVITÉ
ÉCONOMIQUE DU MAROC

CONCEPTS DE BASE DE LA MODELISATION

HYDROLOGIQUE ET HYDRAULIQUE

APPORTS ET PRINCIPES D’UTILISATION DES OUTILS HEC, HEC-HMS

ET HEC-RAS, PLATEFORME D’INTEGRATION WMS ET OUTIL RIBASIM

FASCICULE 1 : INTRODUCTION A LA MODELISATION EN

HYDROLOGIE

Soumis à USAID/Maroc, Bureau de croissance économique ‐ Objectif d'aide n° 3 : Réduction des barrières au
commerce et à l'investissement

Par DAI

Numéro de contrat : EEM‐I‐00‐07‐00009‐00 : Ordre de mission : EEM‐I‐07‐07‐00009

L'opinion de l'auteur de ce document engage uniquement la responsabilité de ce

dernier et ne reflète pas nécessairement le point de vue de l'Agence des États‐
Unis pour le développement international (USAID) ni celui du Gouvernement des
États‐Unis
Programme Compétitivité Economique du Maroc

8, rue du Rif

Souissi

10 000 Rabat

Maroc

Tel: (212) 05 37 63 05 59

Fax: (212) 05 37 63 05 61

andrew_watson@[Link]

Http://[Link]
TABLE DES MATIERES
Préambule .................................................................................................................................... 1
1. Concepts de base de la Modélisation et la Simulation ...................................................... 3
1.1. Introduction ...........................................................................................................................................................................3
1.2. Notion de modélisation .......................................................................................................................................................3
1.3. Analyse des systèmes pour la Construction de Modèles ............................................................................................4
1.4. Terminologie ............................................................................................................................................................................4
1.5. Simulation .................................................................................................................................................................................5
1.6. Aspects statistiques utiles ..................................................................................................................................................5
1.6.2. Inférence statistique ...........................................................................................................................................................8
1.7. Calage/Calibrage d’un modèle ............................................................................................................................................9
1.8. Erreur moyenne / Mean Error (ME) .............................................................................................................................. 10
1.9. Erreur absolue moyenne / Mean Absolute Error (MAE) ......................................................................................... 11
1.10. Erreur quadratique moyenne Root Mean Square Error (RMSE) ......................................................................... 11
1.11. Différence percentile Percent Difference (% Diff) .................................................................................................. 11
1.12. Coefficient d’Efficacité Nash-Sutcliffe (NS ou E) ...................................................................................................... 11
1.13. Coefficient de Détermination (r2)................................................................................................................................ 13
1.14. La méthode des moindres carrés / Least-Squares Regression ............................................................................. 14
1.15. Indice d’ajustement/ Index of Agreement (d) ........................................................................................................... 16
1.16. Erreur systématique / Systematic Error (MSEs) et erreur non systématique Unsystematic Error
(MSEu) ........................................................................................................................................................................................... 16
1.17. Analyses de sensibilité et d'incertitude ....................................................................................................................... 16
1.18. Modèle de prédiction ...................................................................................................................................................... 17
1.19. Documentation ................................................................................................................................................................. 17
2. Modélisation en hydrologie ................................................................................................ 19
2.1. Introduction.......................................................................................................................................................................... 19
2.2. Processus hydrologiques de genèse des crues ............................................................................................................ 19
2.3. Facteurs de contrôle des processus de genèse des crues........................................................................................ 22
2.4. Les modèles hydrologiques............................................................................................................................................... 23
2.5. Classification des modèles hydrologiques ..................................................................................................................... 24
2.6. Conclusion ............................................................................................................................................................................ 27
3. Références bibliographiques ...............................................................................................29

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE i

TABLE DES ILLUSTRATIONS
Figure 2.1 : Schématisation de processus de genèse des crues............................................................. 20
Figure 2.2 : Classification des modèles hydrologiques............................................................................. 24

ii COMPETITIVITE ECONOMIQUE DU MAROC

PREAMBULE
Une approche de résolution de problèmes quasi universelle dans le domaine de l'ingénierie est de
considérer un problème important (système) et le subdiviser en composants (sous-systèmes). Cette
méthode d'analyse suppose que les composants sont plus gérables pour analyser et conduire à la
résolution du plus grand problème plus efficacement et peut-être avec plus de précision.

Cette méthode de déconstruction d'un problème est parfois utilisée dans le domaine
de l'hydrologie et de l'hydraulique. Dans une étude hydrologique, un bassin versant est délimité et
analysé afin de déterminer l'hydrogramme de sortie qui sera produit sous des conditions
météorologiques spécifiques.
i)La modélisation hydrologique
La modélisation hydrologique est l'utilisation des mathématiques pour représenter l'écoulement de
l'eau dans un bassin versant. Le bassin reçoit généralement de l'eau sous forme de précipitations. Une
bonne partie de l'eau se déplace à travers le bassin versant via un réseau de cours d'eau et sort à un
exutoire. L'eau peut également être accumulée dans les zones de stockage dans le bassin versant. La
modélisation d'un système hydrologique peut être utile pour simuler ces différents processus
précipitations-ruissellement (pluie-débit) dans un bassin versant. Les données peuvent être collectées
et utilisées comme des éléments importants pour un modèle, tels que les précipitations et les
données de jaugeage des cours d'eau. Ces données d'entrée sont combinées avec les processus
hydrologiques différents, y compris des méthodes de routage, de perte et de méthodes de
transformation. Ces modèles produisent une estimation du volume et du débit d'écoulement à
différents éléments du bassin versant.
ii) Le laminage hydrologique (Flood Routing)
Le laminage hydrologique (Flood Routing) est souvent utilisé pour étudier la propagation du débit
dans un cours d'eau.

Le laminage hydrologique est une méthode mathématique pour prédire le changement de la taille et
de la vitesse d'une onde de crue qui se propage le long des rivières ou à travers des réservoirs. C'est
utile pour comprendre l'ensemble du mouvement de l'eau à partir de la pluie pour créer le
ruissellement. Le laminage est essentiellement utilisé pour déterminer la vitesse d'écoulement
instationnaire, le long d'un cours d'eau. Dans la plupart des cas, Le laminage hydrologique est utilisé
pour les bassins et les réservoirs de stockage. Essentiellement, l'équation de continuité est appliquée
pour indiquer un stockage entre l'amont et les conditions en aval. Différentes méthodes ont été
développées. En fonction de la méthode de calcul utilisée soit pour le laminage réservoir ou canal, la
procédure de laminage peut être modifiée. La méthode de Muskingum est la plus couramment

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 1

utilisée ; mais d'autres variantes existent.

2 COMPETITIVITE ECONOMIQUE DU MAROC

1. CONCEPTS DE BASE DE
LA MODELISATION ET LA
SIMULATION
1.1. INTRODUCTION
L'analyse de processus physiques se fait via l'application de méthodes scientifiques pour la
reconnaissance et la définition des problèmes ainsi qu'au développement de procédures pour leur
solution. Autrement dit :

- Formulation mathématique du problème.

- Analyse détaillée pour l'obtention de modèles mathématiques.
- Synthèse et présentation de résultats.

Quand les erreurs sur le processus existent, la prise de décision devient plus délicate.

Dans ce chapitre, on introduit des notions de modélisation et de simulation de système ainsi que la
terminologie associée en mettant plus l'accent sur l'aspect analyse des données.

1.2. NOTION DE MODÉLISATION

Les modèles sont des imitations de la réalité, et sont utilisés pour représenter des situations réelles
de manière à pouvoir permettre l'étude de quelques aspects particuliers, sous des conditions de
contrôle impossibles à réaliser.

On distingue:
‐ Les modèles physiques ou iconiques qui représentent des modèles réduits de prototypes.
‐ Les modèles analogiques qui exploitent l'analogie entre des lois de divers phénomènes.
‐ Les modèles conceptuels ou symboliques basés sur les équations régissant les phénomènes
en jeu.

Dans ce qui suit, on s'intéressera aux modèles symboliques essentiellement. Evidemment, même s'il
existe des lois de comportement du système, il se peut que certaines facettes ne soient pas du tout
comprises ou formulées, introduisant ainsi un certain degré d'incertitude

Un modèle mathématique est une expression ou une formulation quantitative d'un processus ou d'un
phénomène que l'on essaie d'observer, analyser ou prédire. Comme aucun processus ne peut
réellement être complètement observé, toute formulation va impliquer un certain degré de

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 3

stochastisme. Un modèle mathématique ne sera conceptuel qu'à un certain degré et sa validité et sa
fiabilité dépendront de sa vérification expérimentale.

La vérification du modèle dépend des données disponibles et de leur fiabilité ainsi que des ressources
disponibles pour la réalisation des essais.

Le processus de modélisation est heuristique et itératif: si le modèle initialement pris ne satisfait pas
les objectifs fixés, il est révisé, d'autres essais sont effectués jusqu'a la satisfaction des objectifs.

1.3. ANALYSE DES SYSTÈMES POUR LA CONSTRUCTION DE

MODÈLES
Un système est une structure, un appareil, un schéma ou une procédure reliant une entrée a une
sortie dans un référentiel de temps donné.

Les concepts clés d'un système sont:

‐ Un système est constitué d'bêlements connectés entre eux selon un certain arrangement.
‐ Un système a une référence de temps.
‐ Un système à une relation cause à effet.
‐ Un système a comme fonction principale de lier une entrée et une sortie.

L'analyse d'un système comprend les étapes suivantes:

1. Le diagnostic: Il faut identifier les objectifs avec toutes les contraintes.
2. La formulation mathématique.
3. La construction du modèle: Définir les données (les Entrées), les résultats exigés (les Sorties),
le domaine temporel E/S et la procédure qui le manipule.

1.4. TERMINOLOGIE
Une variable n'a pas de valeur fixe tandis qu'un paramètre a une valeur constante, fonction des
circonstances de son application.

Un système linéaire est régi par un système d'équations linéaires (des équations algébriques ou
différentielles, ou des équations aux dérivées partielles). C'est un cas très important, car le principe
de superposition des effets peut être utilisé. Un système est dit non-linéaire s'il n'est pas linéaire.

L'état d'un système est défini par les valeurs des variables du système à un certain temps.

Un système invariant du temps est un système pour lequel la relation Entrée-Sortie ne dépend pas du
temps auquel l'entrée est appliquée au système.

Une variable ou un système global est un système pour lequel les variations spatiales n'existent pas
ou peuvent être négligées.

4 COMPETITIVITE ECONOMIQUE DU MAROC

On parle de système distribué si les variations spatiales sont prises en compte. Sur le plan
mathématique, les modèles sont représentés par des équations différentielles ordinaires, et les
modèles distribués par des équations aux dérivées partielles.

Un système est dit stochastique si pour une entrée donnée, il existe une certaine probabilité associée
à l'entrée (on parle aussi de probabiliste). Par contre, un système déterministe n'est pas probabiliste;
pour une entrée donnée, on peut prédire complètement les résultats de sortie.

Un processus purement aléatoire n'a pas de composantes déterministes.

Un modèle boite noire relie l'entrée à la sortie par une fonction arbitraire et donc n'a pas de
signification physique. Un modèle conceptuel est par contre basé sur les équations régissant les
phénomènes en jeu.

Un processus peut être continu ou discret. Une variable discrète peut prendre des valeurs distinctes
dans un intervalle.

1.5. SIMULATION
La simulation est un moyen pour observer le comportement d'un système sous diverses conditions
de charge. Aucune solution dans le sens mathématique n'est cherchée. L'objectif est de comprendre
les relations entre les composantes du système et de trouver les moyens de la meilleure réalisation.
La simulation ne donne pas la solution optimale directement, il est nécessaire d'itérer le processus
pour atteindre l'optimum. Elle se résume en une analyse de scénarios, le modèle étant testé, calibré
et opérationnel.

Le schéma général de mise en équation d'un problème de modélisation et de simulation consiste

d'abord à définir les trois composantes suivantes:
‐ Système physique: il est considéré comme étant le milieu ou le domaine d’étude, caractérisé
par sa structure de forme, ses lois de comportement et ses concepts physiques.
‐ Système mathématique: il fait appel aux concepts mathématiques théoriques et aux axiomes
constitutifs.
‐ Modèle : c'est le modèle conceptuel qui est basé sur les équations constitutives et les
équations champs reliant les variables d'état aux paramètres du système.

1.6. ASPECTS STATISTIQUES UTILES

- Dans cette petite introduction, on rappelle quelques notions et connaissances de bases qu’il
est utile de connaître pour la bonne compréhension de certains concepts utilisés dans le
cadre de ces tutoriels regroupés en fascicules.

- Les outils mathématiques et statistiques sont utiles pour :

- la modélisation:

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 5

  ajustement statistique de paramètres pour le calage (moindres carrés, étude des
résidus, tests de sensibilité,..)
 comparaison et mesure de l’adéquation entre les résultats numériques et les
observations en réalité

- la conception des aspects lies à l’acquisition de l’information:

 loi des grands nombres (nombre suffisant pour effectuer des statistiques ou pour
 avoir des données représentatives)
 échantillonnage : technique d’échantillonnage, représentativité
 étude de la structure de la variance pour les analyses expérimentales
 étude de la structure temporelle: fréquence minimale de l’échantillonnage (exemple:
suivi de la qualité de l’eau des rivières).
 étude de la structure spatiale: densité minimale de l’échantillonnage sur le terrain
 (cas de données destinées à l’établissement de cartes)
 ….

- l’interprétation des données:

 test d’hypothèses
 étude de relations simples entre les paramètres
 étude de relations complexes entre les paramètres
 représentation simple d’une information apparemment complexe du fait du nombre
 de paramètres par les études factorielles telles que ACP, AFC ou autres.
 distinction ou ressemblance entre groupes (Analyse discriminante, classification
automatique)

1.6.1. Rappels statistiques

Il y a une grande diversité d’approches statistiques, un résumé succinct est donné ici et le lecteur doit
se rapporter à la littérature spécialisée pour plus de détails.

Statistiques uni-variées :

- moyenne, écart type, coefficient de variation, histogramme (minimum, maximum, médiane,

quartiles, déciles), modalité, distance simple entre deux groupes, distance multiple entre deux
groupes.
- Classification automatique
- Test de comparaisons de données (Xhi2,…) et test d’hypothèses

Statistique descriptive classique :

- croisement des données,
- croisement de deux données quantitatives,
- croisement d’une donnée quantitative avec une indicatrice

6 COMPETITIVITE ECONOMIQUE DU MAROC

Analyse de données : données multi-variées.
- Analyse en Composantes Principales (ACP) : groupes et sources de variabilité
- Analyse Factorielle des Correspondances (AFC) : caractérisation de groupe
- Analyse Factorielle Discriminante (AFD): frontière

Données spatiales ou temporelles:

Géostatistiques et chrono- statistiques
Statistiques à une variable
Pour une série de données, plusieurs descriptifs sont utilisés :

La moyenne
Pour n individus et une variable x

Moyenne  x 
x i

n
d’où

 x   n  x
i (qui sera utilisé pour le calcul de V(x))

et donc

 x  x  0
i

Il est possible de centrer la variable x en la remplaçant par la variable (x)

La médiane:

La médiane sépare un histogramme en deux parties de même surface. Il y autant de mesures

présentant des valeurs inférieures à la médiane, que de valeurs supérieures à cette dernière. La
médiane est facilement déterminée à partir de l’histogramme des fréquences cumulées. Elle
correspond alors à la valeur donnant une fréquence cumulée de 0.5 (ou 50% du cumul des individus)

La classe modale

C’est la valeur la plus fréquente.

Remarque :
Dans le cas de distribution symétriques, médiane et moyenne sont identiques. Dans le cas de
distribution dissymétriques, elles sont fréquemment différentes (mais pas obligatoirement).
- Ecart à la moyenne ou dispersion : étendue, quantiles, variance, écart type:
Comme pour le comportement type, plusieurs notions de même nature mais différentes sont
utilisées.
 Etendue
 Quantiles : déciles et quartiles
Elimination des valeurs extrêmes (non représentativité, présomption d’aberration, autre raison) :
premier/dernier décile ou premier/dernier quartile. Plus représentatif que l’étendue.
- Variance et Ecart type
Sigma carré x = Var(x) = cov (x,x) = E(x- x )

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 7

 x2  var  x 

Remarques:
 Moyenne et écart type ont les mêmes unités que les variables: il est difficile de comparer
lorsque l’on a plusieurs types de paramètres avec des unités différentes.
 Coefficient de variation (normalisation des variables pour faciliter la comparaison)

C.V  x / x exprimé en pourcent

1.6.2. Inférence statistique

En analyse de données provenant soit de l'expérimentation au laboratoire ou in-situ, ou directement
de mesures recueillies (cas de l'hydrologie), l'objectif principal est de tirer des conclusions sur un
ensemble donné à partir d’un échantillon seulement.
Les techniques utilisées sont :
 L'estimation paramétrique.
 L'estimation par intervalles.
 Le test d’hypothèses.
Quand on souhaite faire la meilleure estimation d'un ou plusieurs paramètres d'une distribution de
probabilité ou d'un modèle mathématique suggéré par des analyses préliminaires, on parle
d’estimation paramétrique.
Les paramètres désignent les coefficients caractéristiques d'une loi de probabilité d'une variable
aléatoire (Moyenne et écart type pour le cas d'une loi normale de probabilité), ou les coefficients
intervenant dans un modèle de type empirique.
A titre d'exemple, on peut prendre celui d'une densité de probabilité de forme connue f (x, ), x
étant la variable en question et un paramètre inconnu.

Une estimation de est faite à partir de données mesurées. Si (x1, x2, ..., xn) est un échantillon, θ est

calculé à partir de statistiques sur les xi θ désigne l'estimation de .
Exemple :
L'estimation µ de la moyenne d’une population x peut être calculé à partir d’un échantillon de taille n
par :
n

x i
X i 1

n

La moyenne µ est approximée alors par son estimation µ  X de même, l'estimation de la variance
2 = Var (x) peut être déduite à partir de S2 :

1 n
S2   x i  x 2
n - 1 i 1

σ 2  S2
L'estimation par intervalle procède par l'estimation d'un intervalle qui va contenir le paramètre avec
un certain niveau de probabilité (ou de confiance).

8 COMPETITIVITE ECONOMIQUE DU MAROC

Dans le test d’hypothèses, un ou plusieurs modèles mathématiques sont suggérés, qui peuvent différer
aussi bien dans leurs formes que par les valeurs des paramètres en jeu.
 Des hypothèses sont faites.
 Un critère est sélectionné.
 L’analyse est faite sur la base de données.
 Une décision est atteinte.

1.7. CALAGE/CALIBRAGE D’UN MODÈLE

L’objectif attendu dans le calage d’un modèle est qu’il soit le plus robuste et le plus fiable
possible. Apprécier la validité du modèle consiste donc à juger de la proximité des deux
séries chronologiques observées et calculées. Pour ce faire, deux approches sont possibles :

- L’approche qualitative (adéquation visuelle) consiste à simplement représenter

graphiquement les valeurs observées et les valeurs simulées, et, à partir d’une évaluation
visuelle, à émettre un jugement sur la qualité de la simulation. Il est évident qu’un tel
jugement manque d’objectivité, surtout quand on traite de des séries chronologiques
relativement longues et lorsqu’il faut comparer des performances de modèles sur de
nombreux bassins /sous-bassins versants.

- L’approche quantitative plus rigoureuse permet une évaluation et une comparaison

raisonnablement objective des performances des modèles. Le critère doit donc être
relatif, car il est très subjectif de dire qu’un modèle est bon ou mauvais de manière
absolue. Par ailleurs, dans des objectifs de comparaison, il est beaucoup plus objectif de
dire qu’un modèle est meilleur ou moins bon qu’un autre modèle.

Cependant, ces questions de qualité sont délicates à quantifier avec un critère mathématique,
et diverses méthodes sont utilisées.

Le calibrage à des événements connus ou d’ensembles connus de mesures est une partie
essentielle d'un modèle crédible. La calibration du modèle peut être considérée comme un
processus d'ajustement des paramètres d'entrée pour obtenir des valeurs simulées
suffisamment proches des valeurs observées. Un modèle devrait toujours être calibré si
possible, surtout si le modèle est destine à l’aide à la prise de décision opérationnelle et de
gestion.

Un élément clé d'un plan de modélisation est l'identification des critères de performance
pour permettre une quantification de la certitude du modèle. Un autre élément essentiel du
processus de calibrage du modèle est la sélection des périodes de calibrage et des objectifs

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 9

cibles, qui finalement permettra de déterminer le niveau de calibrage et aura un impact sur le
calendrier du projet et sur le budget. Le succès d'un calibrage du modèle dépend en grande
partie de l'utilisation d’ensembles de données suffisamment précises dans le modèle.

Par conséquent, les données extraites de différentes sources devraient subir un processus de
QR qui permettrait d'identifier et de signaler tout enregistrement indésirable ou douteux de
données. Il est impératif que le plan de la modélisation doit être préparé et inclure un
consensus de développement de ces éléments pour que le projet puisse être achevé dans les
délais et avec le coût estimatif.

Le calibrage d’un modèle est un art et une science qui dépendent dans une large mesure des
modélisateurs eux-mêmes. Un niveau d'acceptabilité doit être basé sur un ou une
combinaison des facteurs globaux suivants:
 Bonnes pratiques
 Mandats juridiques
 Exigences des clients / sponsors
 Ressources disponibles
Le processus de calibrage peut être classé comme étant soit «dur» ou «mou». Pour
le calibrage soit dur ou mou, il est essentiel d'établir les objectifs cibles de calibrage ou des
critères utilisant des méthodes statistiques ou des métriques (indicateurs) pour évaluer le
succès de calibrage. Une partie des métriques (indicateurs) couramment utilisées sont
donnés ci-dessous.

1.8. ERREUR MOYENNE / MEAN ERROR (ME)

L'erreur moyenne (ME), appelée parfois l'erreur de biais moyen, la différence moyenne entre
les valeurs (hauteurs, débits) mesurées (hm) et les valeurs simulées (hs) de chacun des échantillons n
i. la formule est donnée par:

ME = 1/n Σin (hm – hs)i

La ME est utilisée pour décrire le biais dans le modèle, mais généralement ne fournit pas
suffisamment de valeur diagnostique pour justifier l'inclusion en tant que mesure de performance
pour le modèle

La ME peut donner une indication pour savoir si un emplacement a tendance à être plus ou
sous estimation des valeurs. Cependant, il existe un potentiel pour une différence positive et négative
pour annuler l'une ou l’autre.

10 COMPETITIVITE ECONOMIQUE DU MAROC

1.9. ERREUR ABSOLUE MOYENNE / MEAN ABSOLUTE ERROR
(MAE)
L'erreur absolue moyenne (MAE) est la moyenne de la valeur absolue de la différence entre
les valeurs mesurées et simulées. La formule est donnée par:

MAE = 1/n Σin|(hm – hs) i|

Certains hydrologues considèrent que la MAE peut être la statistique la plus utile car elle
fournit une mesure exacte de la différence moyenne entre les valeurs observées et simulées. MAE est
un indicateur de la façon dont un modèle simule étroitement les données mesurées. Une petite
valeur de la MAE indique que le modèle simule bien les données mesurées. La MAE fournit de
meilleures mesures de la performance du modèle. Le MAE est moins sensible aux valeurs extrêmes.
La MAE donne une estimation de l'erreur du modèle, mais ne fournit pas d'informations sur la nature
ou le type de différences entre les modèles).

1.10. ERREUR QUADRATIQUE MOYENNE ROOT MEAN SQUARE

ERROR (RMSE)
L'erreur quadratique moyenne ou racine carrée de l'écart-type est la racine carrée de la
moyenne de l'écart quadratique dans les hauteurs mesurées et simulées. La formule suivante:

RMSE = √[1/n Σin(hm – hs)i2]

Une RMSE proche de zéro indique une correspondance étroite entre les valeurs observées
et simulées.

La RMSE et MAE sont des mesures similaires et permettent de fournir de meilleures mesures
de la performance du modèle. La RMSE, comme la MAE, donne une estimation de l'erreur du
modèle, mais ne fournit pas d'informations sur la nature ou le type des différences entre les modèles.

1.11. DIFFÉRENCE PERCENTILE PERCENT DIFFERENCE (% DIFF)

Une statistique différence percentile est utilisée pour montrer la différence entre deux
valeurs en tant que pourcentage de la valeur de base. La différence percentile du total des débits
cumulés sert à évaluer dans quelle mesure un modèle hydrologique simule la quantité totale
d'écoulement (débit) par rapport aux débits observés sur une période de temps.

Différence percentile, Débits cumulés =

1.12. COEFFICIENT D’EFFICACITÉ NASH-SUTCLIFFE (NS OU E)

Lorsqu’on traite des modèles transitoires, le calage de l'historique est important. Les
hydrogrammes des valeurs observées et simulées devraient montrer des tendances similaires.
Certaines métriques utilisent pour quantifier la relation entre les valeurs observées par rapport aux
valeurs simulées dans le temps comprennent le coefficient de détermination, le coefficient de

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 11

corrélation, l’erreur cumulative et l'efficacité de Nash-Sutcliffe. L'erreur cumulée est définie comme
une erreur dont l'amplitude n'est pas proche de zéro tant que le nombre observations augmente.

De nombreux critères d’évaluation, indépendants du jugement de l’observateur, sont cités

dans la littérature. Le plus connu et le plus communément utilisé est le critère de Nash et Sutcliffe
(1970). Le critère de Nash (NS), permet de quantifier objectivement la qualité d’une simulation sur
une période donnée, et par ailleurs être utilisé comme critère dans l’algorithme d’optimisation du
calage automatique des paramètres du modèle.

Le calage se fait « pas à pas », et consiste à faire varier les paramètres l’un après l’autre, de
sorte que chaque modification de paramètre permette d’augmenter la valeur du Nash sur la période
de calage. Lorsqu’on ne peut plus accroître le critère de Nash, on dit que le modèle est calé. Le jeu
de paramètres correspondant à cette valeur du Nash correspond aux paramètres caractéristiques du
bassin versant ; ils sont censés intégrer, de façon généralement implicite, les caractéristiques
physiques et les singularités du bassin versant lui conférant le type de comportement hydrologique
représenté par la série de données dont on dispose.

Une fois le modèle calé sur une période donnée, dite période de calage, on peut procéder à
une étape de contrôle (ou validation), qui consiste à évaluer les performances du modèle (avec les
paramètres trouvés lors du calage) sur une autre période. On obtient alors le critère de Nash en
contrôle.

Ce critère appelé aussi coefficient d'efficacité de Nash-Sutcliffe peut être utilisé pour évaluer
la puissance prédictive d'un modèle. La formule est:

Soit N le nombre de valeurs que l'on veut comparer, on notera :

1

t N
la moyenne, égale t 1
Q (t)
N

l'écart type, σQ égale à

1
 Q(t)  Q 2
N 1

Pour estimer les performances de cette modélisation, nous nous appuierons sur les critères
suivants :

Biais ou erreur moyenne (BIAIS), en pourcentage :

Biais permet de déterminer si le modèle tend à sur ou sous-estimer les débits.

1
 Q ( t )  Q obs ( t ) 
tN
t 1 sim
BIAIS  100  N
Q obs

La valeur optimale est 0. Une valeur positive (négative) indique que les débits ont tendance à être sur

12 COMPETITIVITE ECONOMIQUE DU MAROC

(sous) estimés.

Critère de Nash (NS) :

NS permet de calculer la part de la variance expliquée grâce au modèle.

1
 Q ( t )  Q obs ( t ) 
tN 2
t 1 sim
NS  1  N
 Q 
tN 2
t 1 obs ( t )  Q obs ( t )

E ou NS est une mesure de l'efficacité du modèle et peut varier de -∞ à 1. La valeur maximale

(optimale) est de 1 pour NS, et les valeurs peuvent être négatives. Une valeur NS de 1 indique que le
modèle simule à la perfection. NS proche de 0 indique que le modèle n'est pas meilleur que si, l’on
avait remplacé la valeur simulée par le débit moyen. Une valeur supérieure à 0.7 est habituellement
considérée comme satisfaisante. Quand les valeurs observées s'approchent de la valeur moyenne, le
dénominateur aura tendance à devenir plus petit, le rapport aura tendance à devenir plus grand, ce
qui entraîne souvent une NS valeur négative.

Le coefficient de corrélation entre valeurs observées et valeurs simulées ( ρ ou rho) :

Ce critère mesure la co-fluctuation des séries simulées et observées.

ρ=

1  Qobs (t)  Qobs Qsim (t)  Qsim

 
N σQ  σQ
obs sim

Le calage est d’autant plus satisfaisant que ce coefficient est proche de 1.

1.13. COEFFICIENT DE DÉTERMINATION (R2)

On définit le coefficient de détermination (r2) comme le rapport expliquant la variation de la
variation totale. La formule est donnée par:

r2 = Σ (y '- ya) 2 / Σ (y - ya) 2

Où y’ est la valeur prédite, ya est la valeur moyenne et y est la valeur observée.

Le coefficient de corrélation, r, quantifie la relation linéaire entre deux variables. La signification du

coefficient de corrélation est déterminée par la comparaison de la statistique de test, r, de la valeur
critique. Par conséquent, en utilisant le coefficient de corrélation en conjonction avec un
hydrogramme, le modélisateur peut quantifier la relation entre les valeurs observées et simulées dans
le temps

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 13

1.14. LA MÉTHODE DES MOINDRES CARRÉS / LEAST-SQUARES
REGRESSION
La méthode consiste en la minimisation du carré des écarts entre les valeurs y mesurées et
les valeurs calculées y (suivant une certaine forme).

Si on suppose que la relation qui lie Y à X de type linéaire.

La valeur estimée de y, Y = a*X+b

a et b constantes, Ŷ est la valeur prédite de Y, et X une valeur spécifique de la variable indépendante.

Des valeurs de la pente de la droite proches de 1 indiquent un meilleur ajustement entre les valeurs
observées et calculées.

De manière générale, la forme générale d’un modèle linéaire est :

y = ai fi (x1, x2, …, xn)
ou y : variable dépendante
ai : paramètres à déterminer
fi : fonctions de forme connue
xi : jeu de variables indépendantes.
 Modèle linéaire simple : fi (x1, x2, …, xn) = xi
 Modèle linéaire polynomial : fi (x1, x2, …, xn) = xi en substituant xi par xi.
 Modèle sinusoïdal : fi (x1, x2, …, xn) = sin i.

L’estimation des paramètres n’est pas suffisante et il impératif de faire des références sur l’adéquation
du modèle et l’étude de fiabilité des paramètres estimés et leur interaction.
Pour simplifier l’illustration ; soit un jeu de données comprenant une variable indépendante x et une
variable dépendante y. Comment identifier un type de relation entre elles ?
Si on aboutit à une forme linéaire après l’application d’une transformation appropriée, on peut
estimer les paramètres du modèle non-linéaire à partir du modèle linaire transformé.
Il est à noter toutefois que si les erreurs sur la variable dépendante sont importantes, les estimations
obtenues peuvent être fausses.
Exemple :
Y=y+
Soit le modèle : Y =  (non linéaire)
En passant aux logarithmes, on obtient un modèle linéarisé :
Log y = Log a + B Log x
Il est clair que :
Y=  +
est différent de :
Log Y = Log + Log x +
Il n’existe pas de méthode standard pour résoudre le problème. Néanmoins, on peut tirer pas mal
d’informations par le tracé de y en fonction de x.

14 COMPETITIVITE ECONOMIQUE DU MAROC

  si la courbe tend vers un droite, alors y = ax + b devrait approximer la relation ;
 si les points décrivent un courbe, il est conseillé de procéder à des transformations de
coordonnées de manière à ramener la courbe à une droite y’ = a’x +b’ (cf. tableau 1).

Coordonnées pour la droite

Equation Equation de la droite
X y

1 X 1 1
 α βx  α βx
y y y
β 1 x β
yα yα
x x x
x 1 1 1 α
 αβx  β
y x y y x
ou x - x1
x x - x1  α  βx 1 
y y - y1
αβx y - y1
β
ou  α  βx 1 2
α
1 α
 β X (x1, y1) est un point de la
y x courbe expérimentale
x
y γ
αβx
y  α  xβ
ou
X Log y Log y = Log + x Log
y  α  γ β2x
y  10 α1  β1 x
y  α 10 β1 x
Notion de résidu

L’écart entre la valeur estimée et la valeur mesurée est le résidu. Pour éviter que les écarts
positifs et négatifs ne se compensent, on utilise le carré de l’écart.

Pour l’ensemble des points,

Résidu = somme des |y mesuré – y estimé |**2

C’est la variance non expliquée par l’estimation. Cette notion de résidu et assez générale et touche à
de nombreux domaines. Elle permet d’étudier l’origine d’un écart entre les résultats d’un modèle (ou
prédiction) et les données mesurées.

En d’autres termes, la méthode des moindres carrés consiste en la minimisation du résidu. La

méthode de minimisation du carré des écarts vise à déterminer l’équation de la droite qui minimisera
la somme des longueurs de écarts (Observés, Estimés).

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 15

1.15. INDICE D’AJUSTEMENT/ INDEX OF AGREEMENT (D)
L'indice de l’ajustement (d) est destiné à être une mesure descriptive, et il est à la fois une
mesure relative et bornée qui peut être utilisé pour faire des comparaisons croisées entre les
modèles. L'équation de d est :
O variante observée
P variante prédite par le modèle.

1.16. ERREUR SYSTÉMATIQUE / SYSTEMATIC ERROR (MSES) ET

ERREUR NON SYSTÉMATIQUE UNSYSTEMATIC ERROR
(MSEU)
Parce qu'un modèle doit «expliquer» la plupart des grandes tendances ou de comportements
présentés dans O, il est également important de savoir combien de RMSE est «systématique» dans la
nature et la portion «non systématique». C'est, par rapport à un «bon» modèle, la différence
systématique doit tendre vers zéro tandis que la différence non systématique doit s'approcher de
RMSE.

Ainsi, l'erreur systématique est :

Le système est conservatif, MSE = MPE + MSEu. MSE est égal à (RMSE)2.

Les équations ci-dessus sont utiles en ce que la proportion de MSE qui provient des erreurs
systématiques, probablement contenues dans le modèle, est décrit par (MPE / MSE) et la proportion
non systématique par(MSEu / MSE) ou [1 -(MPE / MSE)]. En outre, ces différences peuvent être
interprétées, dans les unités de P et O, en prenant la racine carrée de MPE et MSEu, c'est-RMSE et
RMSEu, respectivement.

Le calibrage et la vérification permettent de donner la confiance nécessaire pour que le produit final
réponde aux besoins de modélisation.. Une composante essentielle du calibrage et de la vérification
est la documentation. La documentation est essentielle et doit être ajoutée aux rapports finaux.

1.17. ANALYSES DE SENSIBILITÉ ET D'INCERTITUDE

Une fois qu'un modèle est calibré à un niveau satisfaisant, il est important d’effectuer des analyses de
sensibilité et d'incertitude pour les paramètres calibrés critiques. Une analyse de sensibilité indique le
niveau de confiance et le degré de fiabilité des prédictions du modèle pour les prises de décisions de
planification et de gestion.

L'analyse de sensibilité constitue le test/vérification systématique du comportement du modèle vis à

vis des divers changements à l'entrée du système, les conditions initiales et les valeurs des
paramètres. Cela peut être fait manuellement ou en utilisant

des programmes écrits spécialement à cet effet. Les résultats de cette étape fournissent des
informations sur la précision requise pour l'entrée, conditions initiales et paramètres. En outre, ceci

16 COMPETITIVITE ECONOMIQUE DU MAROC

indique les paramètres bénéficiant de l'estimation paramétrique. L’analyse de l’incertitude ressemble à
l'analyse de sensibilité, sauf que cette fois, on s’intéresse à l'effet total des facteurs d'incertitude sur
les résultats du modèle, plutôt que de la sensibilité relative des valeurs des paramètres.

Invariablement, lorsque qu’il s’agit de systèmes naturels, les résultats d’un modèle ne sont
qu’estimations inexactes de comportement réel. Une bonne compréhension des l'incertitude dans les
résultats peuvent être tirées à partir d'une compréhension de l'incertitude dans les valeurs estimées
des paramètres du modèle. Souvent, une analyse de sensibilité permet de déterminer si l'incertitude
du modèle est importante dans l'atteinte des objectifs du projet. Dans certains cas, une analyse
d'incertitude plus détaillée peut être justifiée (à l'aide des simulations de Monte-Carlo, surface de
réponse, ou méthodes de sensibilité régionalisées pour définir des intervalles de confiance
statistiques pour les résultats du modèle). En outre, la précision d'un modèle peut être limitée en
raison de la méthode de modélisation utilisée (par exemple, erreur de discrétisation, erreur
numérique). Encore une fois, c'est l'expérience personnelle du modélisateur qui est essentielle pour
comprendre les erreurs du modèle et les effets potentiels sur les résultats du modèle.

1.18. MODÈLE DE PRÉDICTION

Un aspect important de l'interprétation du modèle est la compréhension des hypothèses du modèle,
les limites et les incertitudes. Des simplifications doivent toujours être effectuées lors de la
construction d'un modèle permettant de simuler un véritable système. Comprendre l'importance de
ces simplifications est essentielle pour tirer des conclusions significatives à partir d'une analyse de
modélisation.

En fin de compte, l'interprétation des résultats du modèle dépend peu du logiciel, mais surtout de
l'expertise, la créativité, l'imagination, l'éducation et l'expérience des modélisateurs.

La mise en œuvre du modèle ou l'exécution du modèle pour des alternatives de gestion doit alors
être effectué dans la plage des résultats de l'analyse d'incertitude. Le plan de la modélisation doit
fournir la conception détaillée des scénarios prédictifs, y compris les systèmes futurs (naturels le cas
échéant).

1.19. DOCUMENTATION
Par ailleurs, toutes les activités de modélisations doivent être bien documentées et adaptées pour
l’utilisateur approprié, tenir compte du niveau de détail, et inclure un guide de l'utilisateur.

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 17

18 COMPETITIVITE ECONOMIQUE DU MAROC
2. MODELISATION EN
HYDROLOGIE
2.1. INTRODUCTION
On entend généralement par modélisation des systèmes hydrologiques l'application d'expressions
mathématiques et logiques qui définissent les relations quantitatives entre les caractéristiques de
l'écoulement (sorties) et les facteurs influant ces valeurs (entrées). Il s'agit là d'une définition très
générale qui englobe un large éventail de méthodes. À un extrême se trouvent les techniques
purement empiriques, dites de la «boîte noire», dont le but n'est pas de modéliser la structure interne
et la réponse physique du bassin versant mais uniquement de mettre en relation les entrées et les
sorties du système que constitue un bassin versant. À l'autre extrême, des techniques font intervenir
des ensembles complexes d'équations, fondées sur les lois physiques et les concepts théoriques
régissant les processus hydrologiques: ce sont les modèles hydrodynamiques. Entre les deux extrêmes
se situent divers modèles conceptuels, représentations logiques d'éléments conceptuels simples, par
exemple des réservoirs et des chenaux linéaires ou non linéaires, qui simulent les processus en jeu
dans le bassin versant. Qu'ils soient purement empiriques, conceptuels ou hydrodynamiques, ces
modèles donnent des résultats qui ne sont pas assortis d'indices de probabilité. C'est pourquoi on les
qualifie souvent de déterministes.

2.2. PROCESSUS HYDROLOGIQUES DE GENÈSE DES CRUES

Le volume d’une crue peut être décomposé en trois principales parties : le ruissellement de surface,
l’écoulement hypodermique et l’écoulement de base. L’importance de chacune de ces grandeurs dépend
du milieu étudié, des conditions initiales de l’écoulement, et des caractéristiques de l’événement pluvieux
(distribution spatiotemporelle, intensité et volume).

Durant ces dernières décennies, on a assisté à une avancée considérable dans le domaine hydrologique.
Plusieurs études ont été menées et consacrées à l’identification des processus hydrologiques au niveau des
bassins versants. De nombreuses expérimentations ont été réalisées sur une grande variété de bassins.
Parmi les outils importants qui ont favorisé cette évolution et qui ont aidé dans le processus
d’identification des facteurs principaux contrôlant la réponse hydrologique à l’exutoire d’un bassin versant
on peut citer l’instrumentation des bassins et leur échantillonnage en plusieurs stations associés à des
traceurs géochimiques et/ou isotopiques.

Au niveau de la littérature, plusieurs travaux retracent la logique de progression et de compréhension des

processus hydrologiques et des outils qui ont permis l’identification de ces processus. Dans cette partie on

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 19

abordera les grands axes de cette évolution.

Le premier pas et la première théorie importante concernant ce sujet, est apparue au début du siècle
dernier avec les travaux d’Horton (1933). Cette théorie est basée sur le concept de capacité d’infiltration
des sols et la notion de dépassement de capacité. La logique du concept est simple, tant que la capacité
maximale d’infiltration du sol concernant le bassin en question n’est pas dépassée, la totalité de l’eau de
pluie se trouve dans le sol par infiltration ; et dès que les intensités pluviométriques dépassent ce seuil
maximal, le surplus d’apport d’eau se trouve en surface et présente un volume d’eau ruisselée, c’est ce
ruissellement qui va former l’écoulement rapide de crue, quand à l’eau infiltrée elle se trouve dans les
couches inférieures du sol et contribue très lentement à la recharge des nappes et au soutien du débit de
base. Ce processus est conditionné par les états de surface du sol qui décident de la fraction d’eau de
pluie qui peut être infiltrée ou pas.

Vers les débuts des années 60, on a commencé à mettre en cause cette théorie suite à des observations
directes sur le terrain, et qui ont montré sous certaines conditions et restrictions, que l’écoulement
souterrain pouvait participer directement ou indirectement à la formation des crues. Plusieurs autres
mécanismes ont été proposés par la suite pour expliquer la formation des écoulements dans un bassin
versant.

Figure 2.1 : Schématisation de processus de genèse des crues

20 COMPETITIVITE ECONOMIQUE DU MAROC

L’écoulement de surface se produit quand l’eau de la nouvelle pluie tombe sur des zones saturées. Le
mélange entre la nouvelle eau et l’eau ancienne, forme l’écoulement sur des surfaces saturées. Une fois
que l’apport de l’écoulement de subsurface dépasse la capacité du sol à transmettre un flux d’eau
transversal, le processus d’exfiltration de l’eau souterraine s’active et l’eau subsurfacique se trouve
émergée à la surface du sol, la logique de ce concept est illustrée dans la Figure 2.1.

La prise en considération de l’effet de l’écoulement de subsurface (appelé aussi écoulement hypodermique

ou retardé) dans la genèse des crues a été évoquée par plusieurs auteurs mais sans le même succès que la
théorie de Horton. Il a fallu plusieurs années pour que les hydrologues reconnaissent la contribution de
l’écoulement hypodermique à l’écoulement rapide des crues.

Ce type d’écoulement tend à ralentir le cheminement de l’eau et à allonger la durée de l’hydrogramme.

On distingue souvent entre les deux types d’écoulement, celui de proche subsurface et celui en
profondeur.

Un peu partout dans la littérature, on trouve plusieurs autres mécanismes expliquant le phénomène en
supposant que les écoulements latéraux de subsurface résultent de processus diffus impliquant des flux
d’eau matricielle. Certains auteurs ont expliqué le phénomène par un concept dit effet piston ; l’eau se
trouvant en surface s’infiltre dans le sol non saturé et percole verticalement en poussant l’eau contenue
dans le sol vers les profondeurs du sol, d’où l’appellation effet de piston. Quand à Ambroise (1967), la
formation du front d’infiltration est d’autant moins régulière et l’effet piston est d’autant moins efficace
que l’apport en surface et la distribution de la porosité sont localement plus hétérogènes.

Sklash et Farvolden (1979) ont proposé un nouveau mécanisme expliquant la contribution de l’écoulement
de base à la génération des crues nommée « intumescence de la nappe ». Ce mécanisme considère que le
déficit de saturation dans les régions proches de la rivière est inférieur à celui des versants, ce qui
provoque des gradients hydrauliques très élevés au niveau de la rivière et donc libération facile de
l’écoulement souterrain vers la rivière. Les mêmes auteurs montrent dans une étude menée sur deux
petits bassins versants (Ruisseau des eaux Volées et Hillman Creek) à l’aide de l’approche isotopique, que
pour des intensités pluviométriques modérées sur un bassin ayant des sols gorgés d’eau, l’écoulement de
surface et celui de la rivière sont dominés par l’écoulement souterrain. Par contre, pour un événement
pluvieux intense sur un bassin dont les sols sont très secs, l’écoulement de surface et celui de la rivière
sont dominés par l’eau de pluie.

Le concept qui a été considéré comme une révolution importante dans le domaine de l’hydrologie est
celui du développement de la notion des surfaces contributives variables. Ce concept a été évoqué par
Hewlett et Hibbert (1967), n’ayant pas observé d’écoulement sur l’ensemble du bassin de Coweeta aux
USA, ils ont proposé le concept de zones contributives variables pour expliquer l’hydrogramme observé.
Le concept suppose que la contribution du bassin à l’écoulement total varie dans l’espace durant
l’événement pluvieux. En fait l’eau de pluie parvient à s’infiltrer et alimente une nappe qui remonte dans le

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 21

sol sous-jacent. Là où cette nappe finit par affleurer, c’est la totalité de la pluie qui est rejetée et qui génère
le ruissellement. Le contrôle se fait dans ce cas, du sol vers la surface, par la capacité locale de transit dans
la couche superficielle du sol qui contrôle la remontée de la nappe et son affleurement.

2.3. FACTEURS DE CONTRÔLE DES PROCESSUS DE GENÈSE DES CRUES

D’après ce qu’on a vu dans la partie précédente concernant les processus hydrologique et de par leur
diversité, on peut se faire une idée globale sur le débit que l’on mesure à l’exutoire d’un bassin versant, ce
débit est le résultat d’une succession de processus simultanés avec la prise en compte de la variabilité
spatio-temporelle. L’activation des processus hydrologiques qui régissent le phénomène d’écoulement
dépend en grande partie des propriétés physiques du bassin, des paramètres météorologiques, de
l’occupation des sols et des conditions hydriques initiales.

2.3.1. Topographie et pédologie

Des travaux récents ont montré que la topographie et parfois la géologie des couches profondes du sol
jouent un rôle important dans le contrôle des processus hydrologiques au niveau des bassins versants et
que la topographie est un facteur déterminant qui entre directement dans le comportement du système
hydrique du sol. Ces études ont été d’une grande utilité dans le domaine d’hydrologie vu que les
informations sur la topographie du bassin et la connaissance géomorphologique des sols sont
indispensables à la compréhension des écoulements et par la suite à une modélisation plus réaliste.

La mise en évidence du rôle de la morphologie dans le processus des écoulements a permis d’avoir une
autre logique et une autre vision du phénomène. De nos jours cette variabilité topographique est souvent
prise en compte par exemple dans les entrées des modèles telles que les MNT (Modèles Numériques du
Terrain).

2.3.2. Occupation du sol

Quand à l’occupation du sol, elle a une influence directe sur le processus hydrologique. Dans les zones
urbanisées ayant des sols imperméables ou en zones de cultures avec des sols tassés, les écoulements se
concentrent en surface. Par contre, pour les zones forestières où la porosité du sol est beaucoup plus
importante, on assiste à une prépondérance de l’écoulement de subsurface par rapport aux autres types
d’écoulements.

Les zones forestières jouent un rôle important dans les processus de contrôle du cycle de l’eau.
L’influence de la forêt sur le cycle de l’eau ou sur le fonctionnement et la contribution des arbres dans le
conditionnement des données climatiques de la zone, est largement démontrée.

2.3.3. Conditions météorologiques

Les facteurs météorologiques jouent aussi un rôle dans le phénomène de génération des crues. L’intensité
et le volume des précipitations influencent fortement la réponse hydrologique. Le rayonnement solaire
ainsi que la température du bassin nous aide à avoir une bonne estimation du phénomène de

22 COMPETITIVITE ECONOMIQUE DU MAROC

l’évapotranspiration.

[Link]é spatiale des paramètres

Cette variabilité est un facteur important dans le processus d’infiltration et de l’écoulement de surface.
Les paramètres régissant le phénomène d’écoulement peuvent avoir une variabilité spatiale et temporelle
avec l’état hydrique du bassin versant.

Il convient de signaler que ces facteurs, à savoir topographiques, morphologiques, pédologiques et des
caractéristiques d’occupation du sol et de la végétation avec la prise en compte de leurs variabilités
spatio-temporelle sont étroitement liés. Ces facteurs constituent l’entrée principale pour tout modèle
hydrologique, ils constituent des paramètres d’entrée importants pour la modélisation des bassins
versants

2.4. LES MODÈLES HYDROLOGIQUES

Un modèle est une représentation d’un phénomène physique, dans le but de comprendre les processus
qui le régissent. Cette représentation peut être physique, analogique ou mathématique. Dans le premier
cas, le modèle est une maquette qui reproduit d'une manière plus au moins adéquate la réalité. Les
modèles analogiques se basent sur les similitudes entre le phénomène à étudier et un autre phénomène
physique. La modélisation mathématique est un outil essentiel pour la connaissance des phénomènes
naturels, elle essaye d’établir un lien entre les variables d’entrée et de sortie par des relations
mathématiques.
Au cours de ces dernières années, les efforts de la recherche pour la compréhension du cycle de l’eau
dans les milieux naturels (bassins versants, rivières, nappes, etc.), associés aux développements de
l’informatique, se sont concrétisés par l’apparition d’une multitude de modèles mathématiques. On peut
distinguer trois types d'utilisation des modèles mathématiques en hydrologie:
‐ La modélisation comme outil de recherche : La modélisation peut être utilisée pour interpréter
des données mesurées. Différents scénarios de fonctionnement hydrologique des bassins versants
peuvent être confrontés aux mesures.
‐ La modélisation comme outil de prévision : elle nous donne une anticipation des évolutions
futures du débit d'un cours d'eau. Il s'agit de l'utilisation opérationnelle la plus courante des
modèles hydrologiques.
Dans la plupart des cas cependant, les modèles développés sont basés sur des régressions linéaires entre
les variables indépendantes (pluie, débits amont) et les variables dépendantes (débits aval), et font peu
appel aux connaissances sur les processus hydrologiques.
‐ La modélisation comme outil d'extrapolation : reconstitution de séries de débits plausibles. Dans
certains cas, comme par exemple le dimensionnement de déversoirs de sécurité de barrages
hydroélectriques ou encore la délimitation de zones inondables.
‐ La modélisation du comportement hydrologique des bassins versants est incontournable chaque

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 23

 fois qu’on s’intéresse à des problèmes liés à la gestion des ressources en eau, à l’aménagement
du territoire et aux différents risques hydrologiques (sécheresse, inondation. …). Cette
modélisation doit décrire de manière fidèle et réaliste les différentes étapes liées à la
transformation de la pluie en débit. On l’utilise aussi pour obtenir des informations intéressantes
pour le dimensionnement des ouvrages hydrauliques.

2.5. CLASSIFICATION DES MODÈLES HYDROLOGIQUES

Depuis l'apparition de la modélisation hydrologique, de nombreux modèles ont été développés en
fonction des objectifs recherchés, sur la base de différents choix d'élaboration, menant à une multitude
de modèles exploitables, chacun étant doté de champs d'application et de validité restreinte. Les
différences portent notamment sur les options de simulation en termes de discrétisation spatiale : les
modèles sont globaux ou distribués. Et enfin, ils diffèrent au point de vue de l'expression des
phénomènes hydrologiques, liés soit à des équations empiriques, soit à des équations physiques, soit à
une simplification plus ou moins poussée de ces équations physiques (approche conceptuelle). Bref, les
critères de classification des modèles reposent principalement sur la représentation de l'espace, du
temps et des processus décrits (Singh, 1995). La figure I.1 donne une classification des modèles
hydrologiques basée sur ces critères.

Modèles Modèles
déterministes stochastiques

Paramétriques A base
physique

Modèles Modèles Modèles

conceptuels analytiques empiriques

Modèles Modèles globaux

distribués

Figure 2.2 : Classification des modèles hydrologiques

24 COMPETITIVITE ECONOMIQUE DU MAROC

 2.5.1. Modèles stochastiques
La modélisation stochastique peut être envisagée toutes les fois qu’il y a des incertitudes sur les
données ou parfois même sur les processus mis en jeu. On considère que l’approche stochastique est
un moyen rationnel de traiter la caractérisation spatiale de la variabilité, et d’établir un lien entre les
incertitudes des paramètres et celles des prédictions. Toutefois cette approche, bien qu’elle soit le
meilleur moyen de caractériser la variabilité des grandeurs, nécessite la connaissance des lois de
probabilité les plus courantes pour la variabilité considérée ou au moins de leurs premiers moments.

2.5.2. Modèles déterministes

Un modèle est dit déterministe (par opposition à stochastique) si aucune de ses grandeurs n’est
considérée comme aléatoire, c’est à dire résultant soit de l’observation soit de grandeurs reconstituées.
La plupart des modèles hydrologiques sont déterministes. Ces modèles sont associés à chaque jeu de
variables de forçage, de variables d’état et de paramètres, une valeur de réalisation unique des variables
de sortie (il s’agit essentiellement des débits simulés à l’exutoire d’un bassin versant).

2.5.3. Modèles à base physique

Le modèle à base physique est basé uniquement sur des équations de la physique, et ne comportant
idéalement aucun paramètre. Il n'existe pas de modèle à base physique au sens strict en hydrologie.
L'importance de l'hétérogénéité spatiale dans la réponse hydrologique des bassins versants rend
cependant difficile voire impossible l'utilisation de tels modèles. La précision spatiale des données
disponibles en particulier concernant les types de sols et leurs profondeurs n'est pas suffisante. Dans la
pratique, les profondeurs et les conductivités moyennes des sols représentatifs de sous parties du bassin
versant, doivent être évaluées par calage.
Modèles paramétriques

2.5.4. Modèles empiriques

Les modèles paramétriques sont les modèles incluant des paramètres dont la valeur doit être estimée
par calage.

2.5.5. Modèles empiriques

Les modèles empiriques reposent sur les relations observées entre les entrées et les sorties de
l’hydrosystème considéré. Ils expriment la relation entre variables d’entrée et de sortie du système
(relation pluie débit) à l’aide d’un ensemble d’équations développées et ajustées sur la base des données
obtenues sur le système. Un modèle empirique ne cherche pas à décrire les causes du phénomène
hydrologique considéré ni à expliquer le fonctionnement du système, le système est considéré comme
une boite noire.

2.5.6. Modèles analytiques

Ce sont des modèles pour lesquels les relations entre les variables de sortie et les variables d’entrée ont

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 25

été établies par analyse de séries de données mesurées. L'exemple type est celui des modèles linéaires :
les paramètres de ces modèles sont liés aux coefficients de corrélation entre les variables. Notons que
l'analyse des données peut conduire au choix de relations non linéaires entre les variables.

2.5.7. Modèles conceptuels

Les modèles conceptuels considèrent en général le bassin versant, après quelques simplifications du cycle
de l’eau, comme un ensemble de réservoirs interconnectés.

Ce type de modèle reproduit donc au mieux le comportement d’un système, plutôt qu’il n’avance
d’explications causales sur son comportement. Le modèle CEQUEAU est un parfait exemple de modèle
conceptuel que nous présenterons dans la section suivante.

2.5.8. Modèles globaux

Dans un modèle global le bassin est considéré comme une entité unique. Des relations empiriques
(issues de l’expérience) relient les entrées et les sorties sans chercher à se rapprocher d’une loi
physique.

Les modèles globaux offrent à l’utilisateur un choix très attractif, car il présente une structure très
simplifiée, il ne demande pas trop de données, faciles à utiliser et à calibrer. La représentation du
processus hydrologique est très simplifiée. Il peut souvent mener à des résultats satisfaisants, et
spécialement si l’objectif majeur est la prévision d’une crue.

2.5.9. Modèles spatialisés

Actuellement plusieurs modèles spatialisés correspondant aux différentes écoles hydrologiques sont en
phase avancée de développement. En principe, les modèles spatialisés sont des modèles qui utilisent des
entrées et des sorties où les caractéristiques des bassins versants sont distribuées dans l'espace. La
spatialisation peut être arbitraire ou basée sur des divisions morphologiques naturelles (découpage en
sous bassins) ou hydrologiques (aires contributives)

Nous pouvons classer les modèles spatialisés en trois grands types :

 Modèles conceptuels spatialisés ou semi-spatialisés ;
 Modèles physiques spatialisés ;
 Modèles physiques conceptuels semi-spatialisés.

a. Modèles conceptuels spatialisés ou semi-spatialisés

Les modèles conceptuels spatialisés ou semi-spatialisés représentent un grand progrès sur les modèles
globaux quand il s'agit d'analyser le fonctionnement interne d'un bassin. Le bassin versant est discrétisé
en unités spatiales (mailles ou sous-bassins) considérées comme homogènes, qui se vident les unes dans
les autres de l'amont en aval. Ainsi, on a la possibilité de tenir compte de la répartition spatiale des
facteurs et de suivre la genèse et la propagation des débits à l'intérieur du bassin. C'est le cas du modèle

26 COMPETITIVITE ECONOMIQUE DU MAROC

CEQUEAU et du modèle HEC-HMS.

b. Modèles physiques spatialisés

Les modèles à base physique spatialisés sont des modèles qui décrivent les mécanismes internes d'un
système (bassin versant) ayant comme base les lois de la mécanique, de la physique, de la
thermodynamique, etc. Du point de vue théorique, ces modèles sont indépendants de tout calage parce
que leurs paramètres sont mesurables. Ils permettent une description théorique unifiée de la plupart des
flux observés dans un bassin versant et servent à modéliser les principaux processus hydrologiques
comme :
 L'écoulement de surface à partir des équations de Saint-Venant ;
 L'écoulement en milieu saturé à partir des équations de Darcy ;
 L'écoulement en milieu non saturé à partir des équations de Richards ;
 L'évapotranspiration à partir des équations de conservation ou de relations entre flux.

A partir d'un découpage de l'espace en mailles de taille adaptée au problème à traiter, ils simulent les
diverses composantes du cycle de l'eau sur chaque maille (ruissellement, infiltration, évapotranspiration)
et convolent les transferts de maille à maille, jusqu'au réseau hydrographique constitué. Ces modèles
sont complexes à mettre en œuvre et exigent d'importantes quantités de données. Ils sont bien adaptés
à la simulation de la diversité d'un bassin.

Cependant, ces modèles ne peuvent traiter les grands bassins en raison de leur grande hétérogénéité
morphologique et météorologique. Parmi ces modèles on peut citer le modèle Mike SHE.

c. Modèles physiques-conceptuels semi-spatialisés

Pour dépasser les limites de chacune des approches précédentes (modèles conceptuels trop peu
réalistes, modèles à base physique trop complexes), il est intéressant d'essayer une modélisation
hydrologique qui peut être :
 A base physique, fondée sur les processus réels mais simplifiés ;
 Semi-spatialisée, fondée sur une discrétisation en unités relativement homogènes, qui permettent
de tenir compte de la variabilité spatiale de la structure du bassin versant.

La méthode de discrétisation spatiale varie d'un modèle à l’autre : mailles carrées, sous- bassins versants,
éléments de versant, plans versant et canal, unités hydrologiques ou aires contributives (modèle
TOPMODEL).

2.6. CONCLUSION
La description des processus qui entrent en jeu dans la réponse hydrologique d’un bassin versant n’est
pas évidente et requiert la connaissance et la maîtrise d’une variété de facteurs et de paramètres. Des
informations suffisantes sur ces données ne sont pas toujours disponibles pour tous les bassins versants,

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 27

d’où la nécessité de s’investir davantage dans l’étude de détermination de ces données pour développer
des modèles qui représentent le mieux la réponse hydrologique du bassin versant.

28 COMPETITIVITE ECONOMIQUE DU MAROC

3. REFERENCES
BIBLIOGRAPHIQUES
Aspects Hydrologiques, hydrauliques, logiciels

Vieux, B.E., 2004. Distributed Hydrologic Modeling using GIS. Kluwer Academic Publishers, Dordrecht,
The Netherlands.

Davie, T., 2008. Fundamentals of Hydrology, Second edition, Routledge, Taylor & Francis Group, 200p.

Ambroise, B., 1991. Hydrologie des petits bassins versants ruraux en milieu tempéré, processus et
modèles. Séminaire du Conseil Scientifique du département « Science du Sol » de l’Institut National
de Recherches Agronomiques de Dijon, 26-27 mars 1991.

Ambroise, B., 1999. La dynamique du cycle de l’eau dans un bassin versant. Processus, Facteurs,
Modèles. Editions H.G.A., Bucarest.

Hydrologic Engineering Center. 2003. Geospatial Hydrologic Modeling Extension HEC- GeoHMS
User’s Manual Version 1.1. Davis, CA: U.S. Army Corps of Engineers.

Hydrologic Engineering Center. 2006. GageInterp A Program for Creating a Sequence of

HEC-DSS Grids from Time-Series Measurements Version 1.4. Davis, CA: U.S. Army Corps of
Engineers.

Hydrologic Engineering Center. 2006. HEC Data Storage System Visual Utility Engine (DSSVue) User’s
Manual Version 1.2. Davis, CA: U.S. Army Corps of Engineers.

Hydrologic Engineering Center. 2008. Hydrologic Modeling System HEC-HMS User’s Manual Version
3.2. Davis, CA: U.S. Army Corps of Engineers.

Panigrahi, B.K., Harris, D.J., and C.S. Pathak, 2012. Hydrology and Hydraulics: Watershed Management
and Flood Assessment, Short Course offered during 5th International Perspective on Water
Resources & the Environment January 4-7, 2012, Marrakech, Morocco

Beven, K.J., 2002. Rainfall-Runoff Modelling The Primer, John Wiley & Sons Ltd, 359 p.

Singh V.P., 1995. Watershed modeling. In: Singh V.P., ed. Computer models of watershed
Davie, T. (2008) : FUNDAMENTALS OF HYDROLOGY, Second edition

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 29

Routledge Fundamentals of Physical Geography, Routledge Taylor and francis Group

Vieux, B.E., 2004. Distributed Hydrologic Modeling using GIS. Kluwer Academic Publishers, Dordrecht,
The Netherlands.

Singh, V.P. and Frevert, D.K., editors, 2002a. Mathematical Models of Large Watershed Hydrology.
Water Resources Publications, Highlands Ranch, CO.

William A. Scharffenberg and Matthew J. Fleming (2010) : Hydrologic Modeling System HEC-HMS,
User's Manual, Version 3.5 August 2010, US Army Corps of Engineers, Hydrologic Engineering Center

Ancey, C. (2012) : Notes de cours Hydraulique à surface libre, version 4.2 du 2 mai 2012,
Laboratoire hydraulique environnementale (LHE), École Polytechnique Fédérale de Lausanne

Chow, V. T., 1959, Open-Channel Hydraulics , McGraw-Hill Book Company, New York, N. Y.

French, R. H., 1985, Open-Channel Hydraulics , McGraw-Hill Book Co., New York, NY.

Henderson, F.M., 1966, Open-Channel Flow , Macmillan Co., London, UK.

Abbott, M. B., 1979, Computational Hydraulics: Elements of the Theory of Free Surface Flows, Pitman,
London.

Abbott, M. B., and Basco, D. R., 1990, Computational Fluid Dynamics, John Wiley, New York, NY.

Basco, D. R., 1983, Computation of Rapidly Varied, Unsteady Free-Surface Flow, U. S. Geological Survey
Report WRI 83-4284.

Bell, S. W., Elliot, R. C., and Chaudhry, M. H., 1992, “Experimental results of two-dimensional dam-break
flows,” Jour. Hyd. Research, vol. 30, no. 2, pp.225-252.

Boussinesq, J., 1877, “Essais sur la theorie des eaux courantes,” Memoires pre- sertes par divers
Savants a l’Academie des Sciences de l’Institut de France, vol. 23, pp. 1-680; vol. 24, 1-64.

Chow, V. T., 1959, Open-Channel Hydraulics, McGraw-Hill, New York, NY. Cunge, J. A., Holly, F. M., and
Verwey, A., 1980, Practical Aspects of Computational River Hydraulics, Pitman, London.

DHI. MIKE 21 Flow Model: Hydrodynamic Module Scientific Documentation. MIKE by DHI, 2009.

Guide de laboratoire HEC-RAS (2009): Exemple pour la rivière du Loup, HEC-RAS Version 3.1.3,
CTN-762 Ressources hydriques, Ecole supérieure de Technologie, Montréal,

30 COMPETITIVITE ECONOMIQUE DU MAROC

Gary W. Brunner (2010) ; HEC-RAS River Analysis System, Hydraulic Reference Manual, Version 4.1,
January 2010 Approved for Public Release. US Army Corps of Engineers, Hydrologic Engineering
Center

Ouazar, D. (2006) : Ecoulements en régime permanent et transitoire, Notes de cours, Ecole Mohammadia
d’Ingénieurs, Rabat.
Ouazar, D. (2010) : Modèles numériques pour l’ingénieur, Notes de cours, Ecole Mohammadia
d’Ingénieurs, Rabat
Ouazar, D. (2001) : Modélisation des problèmes d’hydrologie et d’hydraulique, Notes de cours, Ecole
Mohammadia d’Ingénieurs, Rabat
Manuel d’utilisation du logiciel WMS, Aquaveo

Projets de fin d’études :

Bennajah, A., et E. Messka, 2011. Modélisation de Prévision des crues par utilisation de la Plateforme
WMS, Cas d’étude Bassin de l’Ouergha, Mémoire de Projet de Fin d’Etudes, Ecole Mohammadia
d’Ingénieurs, Université Mohamed V Agdal, Rabat

AIT ZEOUAY, H. 2011. Modélisation de prévision des crues par utilisation de la plateforme ATHYS,
Cas d’étude Bassin de l’Ouergha, Mémoire de Projet de Fin d‟Etudes, Ecole Mohammadia
d’Ingénieurs, Université Mohamed V Agdal, Rabat
ESSADAOUI, M., 2012). Modélisation de Prévision des crues par utilisation de la Plateforme WMS,
Cas d’étude Bassin de l’Ouergha, Mémoire de Projet de Fin d‟Etudes, Ecole Mohammadia
d’Ingénieurs, Université Mohamed V Agdal, Rabat
Sites internet
[Link]
[Link]
[Link]
[Link]

CONCEPTS DE BASE DE LA MODELISATION HYDROLOGIQUE ET HYDRAULIQUE 31