Directeur de thèse: Thierry Lebel Soutenance de thèse Théo Vischel.

Directeur de thèse: Thierry LebelDirecteur de thèse: Thierry Lebel

Soutenance de thèseSoutenance de thèseThéo VischelThéo Vischel

1

INTRODUCTIONINTRODUCTION

Afrique de l’Ouest

Equateur

10°N

20°NUne sécheresse sans équivalent…

Forte variabilité pluviométrique

Années

Indi

ce d

e pl

uie

(Ali et al. - AGRHYMET, 2006)

Période Humide

Période Sèche

Forte variabilité

Une des plus vastes régions tropicales

2

Afrique de l’Ouest

Ressources en eau: un problème majeur

• Forte croissance démographique

• Agriculture dépendante de la pluviométrie


Forte vulnérabilité aux aléas climatiques

Sénégal- 60%

Niger Niamey- 40%

Lebel et al., 2003

Période HumidePériode Humide

Période SèchePériode Sèche

Années

Forte variabilité

PluviométriePluviométrie- 20%- 20%

3

Impact sur le débit des grands fleuves


Le SahelUne région semi-aride particulièrement vulnérable

1. Courte saison des pluies

400600

Sahel200

8001000

1200

2000


2. Forte évaporation

Niamey J F M A M J J A S O N D

250

200

150

100

50

0

Plu

ie (

mm

) ETPETP

4

1. Courte saison des pluies

3. Pluie par intermittence


systèmes convectifs de méso- échellesystèmes convectifs de méso- échelle

Essentiels pour caractériser la variabilité pluviométrique

Essentiels pour caractériser la variabilité hydrologique?

2. Forte évaporation

4

Le SahelUne région semi-aride particulièrement vulnérable

Les systèmes convectifs de méso-échelle SCM

Berry and Thorncroft ©Temps réel: 3 jours


5

Mathon et al., 2001

5

Les systèmes convectifs de méso-échelle SCM


Organisation en ligne de grain

Image Radar du 20/08/1991

Aéroport de Niamey

300

km

Systèmes convectifs organisés SCO:

• 12% du nombre des SCM

• 90% pluie au Sahel au coeur de la saison

0

20

40

60

80

100

120

0 50 100 150 200 250 300 350 400Temps (mn)

Inte

nsi

té p

luie

(mm

/h)

0

20

40

60

80

100

120

0 50 100 150 200 250 300 350 400Temps (mn)

Inte

nsi

té p

luie

(mm

/h)

Spatialement

Temporellement

Forte intermittence

Forts gradients locaux

Ali et al., 2003 6

ConvectiveStratiforme

Trace au sol d’un événement

Mesureponctuelle

Forte variabilité spatio-temporelle

110

km

160 km


Forte variabilité……jusqu’au pas de temps annuel

Une saison des pluies:

• 40 à 50 événements pluvieux

• ~20 événements expliquant 80% du cumul saisonnier

• 50% de la pluie tombe en moins de 4h

Forte variabilité spatiale des événements pluvieux

Forte variabilité spatiale des cumuls annuels

Cumul année 1992

Cumul année 1990

110

km

160 km


7

Echelles spatialesPlus fines

Grande échelle

Echelles temporellesPlus fines


8

Nécessité de connaître l’évolution locale du changement climatique global

Modificationglobale

Impact local

1m10m100m1km10km100km1000km10000km

Echelles spatialesPlus fines

Echelles temporellesPlus fines

1an

1mois

1 jour

1h

1mn

Echelles du ruissellement

Echelles de la circulation générale

Echellesdes SCM

Méso-échelle

ProblématiqueProblématique


9

Problème d’échelle…

Modèles Climatiques GlobauxMCG

Exemple sur le Sahel

Donnée moyenne spatiale

Résolutions minimum100*100 km²…


Une telle variabilité est-elle représentée en sortie des modèles climatiques

globaux?

Trace événement

110

km

160 km

Résolution spatiale trop grossièrepour rendre compte de

la variabilité de la pluie à méso-échelle

10

Impact de la variabilité de la pluiesur le ruissellement

des bassins versants sahéliens?

Restituer la variabilité pluviométrique

de méso-échelle?

Impact modification du climat sur la variabilité hydro-climatique

?


Questions posées…

Modèles Climatiques GlobauxMCG

Exemple sur le Sahel

Donnée moyenne spatiale

Modélisation hydrologique

Modélisation pluviométrique

Tester des scénarios pluviométriques à l’échelle

des bassins sahéliens 11

Résolutions minimum100*100 km²…

PLAN DE L’EXPOSEPLAN DE L’EXPOSE

II.II. IMPACT DE LA VARIABILITE PLUVIOMETRIQUE DE IMPACT DE LA VARIABILITE PLUVIOMETRIQUE DE MESO-ECHELLE DANS LES MODELES HYDROLOGIQUESMESO-ECHELLE DANS LES MODELES HYDROLOGIQUES

IIIIII. . APPORTS DE LA SIMULATION DE CHAMPS DE PLUIEAPPORTS DE LA SIMULATION DE CHAMPS DE PLUIE

IV.IV. ELABORATION DE SCENARIOS HYDRO-CLIMATIQUES

V.V. CONCLUSIONS ET PERSPECTIVESCONCLUSIONS ET PERSPECTIVES

I.I. SYSTEMES HYDROLOGIQUES ETUDIES

12

I.SYSTEMES HYDROLOGIQUES ETUDIESSYSTEMES HYDROLOGIQUES ETUDIES

2. Bassins étudiés et données disponibles

1. Deux grands types de systèmes hydrologiques

13

3. Un point sur la modélisation hydrologique

SYSTEMES HYDROLOGIQUES ETUDIESSYSTEMES HYDROLOGIQUES ETUDIES

Deux grands types de systèmes hydrologiquesDeux grands types de systèmes hydrologiques

14

IV.

V.

II.

III.

I.I. 1.1.2.3.

Exoréique

Endoréique

Exoréique

Bassins Exoréiques

Les écoulements sont drainés vers le fleuve



15

Q (m3/s)

t

Variabilité hydrologique

IV.

V.

II.

III.

I.I. 1.1.2.3.

Endoréique

Aquifère

Bassins Endoréiques

Peugeot et al., 1997; Favreau, 2001

Evaluer le ruissellement sur la multitude

de petits bassins versantsde quelques hectares à ~10km²


H (m)

t

Variabilité hydrologique


16

IV.

V.

II.

III.

I.I. 1.1.2.3.

Niger

Burkina Faso

Bassin de la Sirba

Bassins endoréiques au sein de L’Observatoire AMMA-CATCH Niger


Bassins endoréiques au sein de L’Observatoire AMMA-CATCH Niger

Bassins étudiés et données disponiblesBassins étudiés et données disponibles

17

IV.

V.

II.

III.

I.I. 1.2.2.3.

Niger

Site 2

Bassins duKori de Dantiandou

Réseau de 30 pluviographes (depuis 1990)

2 domaines d’étude

Site 1

• 10 000 km²

• Pluviométrie Finement documentée

• Hydrologie Non documentée

Bassins étudiés et données disponiblesBassins étudiés et données disponibles

Observatoire AMMA-CATCH Niger


18

Site 1

Niamey

Site 2

• 1500 km²

• Pluviométrie Faible extension

• Hydrologie 227 bassins3 ha à 50 km²(Massuel, 2005)

160 x 110 km²

548 événements pluvieux de 1990 à 2002

IV.

V.

II.

III.

I.I. 1.2.2.3.

Systèmes hydrologiques sahéliens:

Etats de surface production de ruissellementSols arides à faible capacité d’infiltration

Casenave et Valentin, 1989

Un point sur la modélisation hydrologiqueUn point sur la modélisation hydrologique

19

Ruissellement très majoritairement hortonien:

Intensités de pluies > capacité d’infiltration du sol Ruissellement


IV.

V.

II.

III.

I.I. 1.2.3.3.

I (mm/h)

t

I (mm/h)

t

1 bassin endoréique = une relation pluie-ruissellement

Lr = (Pu - Ia)²

(Pu – Ia + S)Lr =

P (Ph - Sr)²

Ph (Ph – B)

Peugeot et al., 1997 Massuel, 2005Hyétogrammeévénementiel

Ruissellementévénementiel

Relation à 2 paramètres

Pu (mm)

Ph (mm)ou

Un point sur la modélisation hydrologiqueUn point sur la modélisation hydrologique

Lr (mm)

Site 1 Site 2

Deux modèles événementiels

Pluie seuillée potentiellement ruisselante

Pu

Is Is

Ph

20

SCS:Soil Conservation Service


SCS modifié

IV.

V.

II.

III.

I.I. 1.2.3.3.

II.IMPACTS DE LA VARIABILITE PLUVIOMETRIQUE DE IMPACTS DE LA VARIABILITE PLUVIOMETRIQUE DE MESO-ECHELLE DANS LES MODELES HYDROLOGIQUESMESO-ECHELLE DANS LES MODELES HYDROLOGIQUES

1. Impact de la variabilité temporelle

21

2. Impact de la variabilité spatiale

Impact Impact variabilité temporellevariabilité temporelle

• 30 stations de l’observatoire CATCH-Niger

• 548 événements pluvieux de 1990 à 2002

• Pas de temps 5 mn

Données

• Chaque station est au centre d’un bassin

endoréique

• Tous les bassins sont identiques

• Relation pluie-ruissellement de type SCS

On considère que

30 bassins endoréiques identiques

…

Hydrologie idéalisée

Is

Pu

Lr = (Pu - Ia)²

(Pu – Ia + S)

0

10

20

30

40

50

60

70

80

0 20 40 60 80 100 120

Pluie événementielle (mm)

Ru

iss

elle

me

nt

év

én

em

en

tie

l (m

m)

Jeu #1 Kr=25.1%Jeu #2 Kr=9.3%

Jeu #3 Kr=4.1%

3 jeux de paramètres

22

+

Peugeot et al., 1997

IMPACT DE LA VARIABILITE PLUVIOMETRIQUE DE MESO-ECHELLE IMPACT DE LA VARIABILITE PLUVIOMETRIQUE DE MESO-ECHELLE DANS LES MODELES HYDROLOGIQUESDANS LES MODELES HYDROLOGIQUES

IV.

V.

III.

I.

1.1.2.

1.2.3.

II.II.

Impact variabilité temporelleImpact variabilité temporelle

548 événements x 30 bassins6 résolutions temporelles:

Modèlehydrologique

Evolution du ruissellement

moyen annuel

Is=12 mm/h

Ruissellement moyen annuelsur les 30 bassins

Comportement similaire avec des modèles plus continus

Représentatif des processus hortoniens

23


IV.

V.

III.

I.

1.1.2.

1.2.3.

II.II.

Impact variabilité temporelleImpact variabilité temporelle

Cumul événementiel en un point

HyétogrammeObservé

Désagrégation

Modèle hydrologiqu

e

Ruissellement

Modèle créneau Modèle Ligne de grain

Guillot and Lebel, 1999

RuissellementJeu #1 Jeu #2 Jeu #3 Jeu #1 Jeu #2 Jeu #3

9% 11% 15%19% 45% 65%

Ruissellement Référence


Conséquences pour la désagrégation temporelle

24

IV.

V.

III.

I.

1.1.2.

1.2.3.

II.II.

Impact Impact variabilité spatialevariabilité spatiale

• 30 stations de l’observatoire CATCH Niger

• 548 événements pluvieux de 1990 à 2002

• Pas de temps événementiel

Données

• Chaque pixel 1 km² = 1 BV endoréique

• Tous les bassins sont identiques

• Relation pluie-ruissellement de type SCS

On considère que

Hydrologie idéalisée

Is

Pu

Lr = (Pu - Ia)²

(Pu – Ia + S)

Site 1

10 000 bassins endoréiques identiques

Bassin 1 km²

0

10

20

30

40

50

60

70

80

0 20 40 60 80 100 120

Pluie événementielle (mm)

Ru

iss

elle

me

nt

év

én

em

en

tie

l (m

m)

Jeu #1 Kr=25.1%Jeu #2 Kr=9.3%

Jeu #3 Kr=4.1%


25

+

Peugeot et al., 1997


IV.

V.

III.

I.

1.2.2.

1.2.3.

II.II.

Agrégation spatiale7 résolutions:

1, 5, 10, 20, 25, 50 et 100 km

∆ t = évènement∆ x = variable

Impact variabilité spatialeImpact variabilité spatiale

∆ t = 5 min

…

Désagrégation temporelleà 5 mn

pour chaque bassin.Modèle « ligne de grain »


3 valeurs de ruissellement pour chaque bassin (1 km²)

Lr

Lr

Lr

…

∆ t = évènement

Modèle SCS

26

∆ t = évènement∆ x = 1km

Champ de pluie

Champ de ruissellement

∆ t = évènement∆ x = 1km


IV.

V.

III.

I.

1.2.2.

1.2.3.

II.II.


P spatiale cumulée sur l’événement

Lr spatial

14.4 mm 14.4 mm14.4 mm 14.4 mm

0.5 mm 0.4 mm 0.2 mm 0.0 mm

Plu

ieR

uiss

elle

men

t

Exemple pour un événement

27


IV.

V.

III.

I.

1.2.2.

1.2.3.

II.II.

0

10

20

30

40

50

60

70

80

90

100

1 10 100

Spatial resolution (km)

% o

f to

tal r

un

off

Set #1

Set #2

Set #3

(b)


Ruissellement moyen annuel issu des 548 événements

• Diminution du ruissellement simulé lorsque la résolution se dégrade

• D’autant plus marquée que le coefficient de ruissellement est faible

Echelle critique Erreur<10% ~20 km

-16%

-51%

28

% d

u r

uis

selle

men

t d

e ré

fére

nce


Référence Résolution spatialeIV.

V.

III.

I.

1.2.2.

1.2.3.

II.II.

29


Risque de sous estimationdu ruissellement

Modèles hydrologiques

Forte sensibilité des systèmes hydrologiques endoréiques régionaux à la variabilité pluviométrique de méso-échelle

Conséquence: il faut restituer la variabilité de méso-échelle

Simulation de champs de pluie

Maille MCG


Bilan

Pluie moyenne spatiale

IV.

V.

III.

I.

1.2.2.

1.2.3.

II.II.

III.APPORTS DE LA SIMULATION DE CHAMPS DE PLUIEAPPORTS DE LA SIMULATION DE CHAMPS DE PLUIE

1. De la pluie…

30

2. …au ruissellement

Technique géostatistique utilisée

Onibon et al., 2004Guillot and Lebel, 1999

Simulationsstochastiques

Non conditionnéesConditionnées Conditionnées

Nécessité de restituer la variabilité spatiale des intensités événementielles

Loi de proba. pluie ponctuelle Fonction de structure spatiale

F0

1Fréquence

0 10050P (mm) V

ario

gram

me

(m

m²)

d (km)

Moyennes spatialesValeurs ponctuelles

Modèle gaussienanamorphosé

31

PluviomètresModèle Climat

Imagerie Satellite

Simulation de champs de pluie événementiels

Apports de la simulation de champs de pluieApports de la simulation de champs de pluie

De la pluie …De la pluie …

IV.

V.

III.III.

I.

1.2.

1.2.3.

II.

1.1.2.

F0

1Fréquence

0 10050P (mm)

Var

iogr

amm

e (m

m²)

d (km)

Loi GammaE0 et Var0

+atome en 0

F0

Double structureexponentielle

anisotrope

Ali et al., 2003

1990

1991

2002

200360

km

60 km

545 événements

Pour un événement donné

100 réalisations

Non conditionnées Toutes les stations 1 station Valeur moyenne

100 réalisations

100 réalisations

100 réalisations

32

Zone de simulation




IV.

V.

III.III.

I.

1.2.

1.2.3.

II.

1.1.2.

1990

1991

2002

2003

Pluie moyenneinterannuelle







100Pluie moyenneinterannuelle





















545 événements

545 événements

545 événements

545 événements


100 réalisations


100 réalisations

100 réalisations

100 réalisations




32

IV.

V.

III.III.

I.

1.2.

1.2.3.

II.

1.1.2.

Résultats de simulations

Pluie moyenne annuelle (mm)

Krigeage: référence

• Moyenne conservée • Large dispersion

Toutes les stations• Moyenne conservée • Faible dispersion

1 station• Moyenne non conservée • Dispersion moyenne• Forte influence station

Valeur moyenne

• Moyenne conservée • Faible dispersion 33

Simulations

Non conditionnées

Conditionnées

476



IV.

V.

III.III.

I.

1.2.

1.2.3.

II.

1.1.2.

1990

1991

2002

2003


Impact des simulations sur le ruissellement100

Site 2

60 k

m

60 km

Modèle hydrologique

Ruissellementévénementiel

moyen sur le Site 2

Désagrégation temporelle

……au ruissellementau ruissellement


34

IV.

V.

I.

1.2.

1.2.3.

II.

1.2.2.

III.III.







Ruisselt moyeninterannuel

100

Non conditionnées

545 événements








Toutes les stations

545 événements









1 station

545 événements









Valeur moyenne

545 événements



1990

1991

2002

2003

Impact des simulations sur le ruissellement


100



34

IV.

V.

I.

1.2.

1.2.3.

II.

1.2.2.

III.III.

Ruissellement moyen annuel (mm)

Krigeage

Restitution des intensités spatiales par simulation influence le ruissellement modélisé

35

1 station

Forte influence station

Problème de convergence algorithmique

Valeur moyenne

Non conditionnes

Conditionnées

Toutes les stations

Simulations

-25%

Krigeage Simulation

Résultats de simulations



IV.

V.

I.

1.2.

1.2.3.

II.

1.2.2.

III.III.

Bilan

1. Bonne capacité à reproduire

la variabilité spatiale des champs de pluie

2.Apports bénéfiques pour le forçage pluviométrique

des modèles hydrologiques

Utilisation des simulations pour l’élaboration de scénarios pluviométriquesà l’échelle des systèmes hydrologiques sahéliens


36

IV.

V.

I.

1.2.

1.2.3.

II.

1.2.2.

III.III.

IV.ELABORATION DE SCENARIOS HYDRO-CLIMATIQUESELABORATION DE SCENARIOS HYDRO-CLIMATIQUES

1. Modifications passées de la pluviométrie à méso-échelle

2. Scénarios pluviométriques de sensibilité

37

ELABORATION DE SCENARIOS HYDRO-CLIMATIQUESELABORATION DE SCENARIOS HYDRO-CLIMATIQUES

Modifications passées de la pluviométrie à méso-échelleModifications passées de la pluviométrie à méso-échelle

Nombre d’événements Hauteur moyenne

Le Barbé et al., 2002

Station de Niamey

Période humide1950-1969

Période sèche1970-1989

SCM = Signature de la variabilité climatique

• Diminution du nombre d’événements pluvieux

• Intensité plus stable

Approche ponctuelle

Nécessité d’affiner cette étude par une approche spatiale:

Utile pour l’étude des systèmes hydrologique à l’échelle régionale

Période HumidePériode Humide

Période SèchePériode Sèche

Années

Forte variabilité

II.

III.

V.

I.

1.2.

1.2.

1.2.3.

1.1.2.

IV.IV.

38

Approche spatiale

Données journalières Badoplu sans lacune 1950-1989

Niger

Burkina Faso6 fenêtres de Méso-échelle

•Détecter la trace des systèmes organisés:

• Evolution de leurs caractéristiques entre: 1950-1969 et 1970-1989

Moyenne des stations > seuil

IV.IV.

39V.

1.1.2.



II.

III.

I.

1.2.

1.2.

1.2.3.


Résultats


• Diminution du nombre d’événements notamment les plus intenses

• Intensité moyenne: sans tendance marquée

40

IV.IV.

V.

1.1.2.

On retrouve…

0

20

40

60

80

100

0 5 10 15 20 25

-20-1001020304050607080

(%)

• Intermittence: augmentation forte pour les événements intenses

Inte

rmitt

ence

F0

(%)

Pluie journalière (mm)

Plus…

Impact hydrologique…?

II.

III.

I.

1.2.

1.2.

1.2.3.

1950-19691970-1989Changement (%)


Scénarios pluviométriques de sensibilitéScénarios pluviométriques de sensibilité

1. Diminution de l’occurrence des événements pluvieux

2. Modification de caractéristiques internes

Evolution du ruissellementmoyen annuel ?

Bassins Kori de Dantiandou

Impact sur la réponse hydrologique des systèmes sahéliens?

Site 2

41

IV.IV.

V.

1.

2.2.

II.

III.

I.

1.2.

1.2.

1.2.3.

Mai Juin Juillet Août Septembre



Les événementsde juillet et aoûtsont supprimésdans un ordre aléatoire

Les événementssont supprimésdansl’ordre croissant de leur intensité

Les événementssont supprimésdansl’ordre décroissantde leur intensité

Octobre

Octobre

Octobre

Critère de position temporelledes

événements

Critère d’intensitédes événements


Les premiers et derniers événementsde la saisonsont progressivementsupprimés

Octobre



Effet d’une diminution du nombre d’événements

42

1.

2.

3.

4.

Vieux et al., 1998

IV.IV.

V.

1.

2.2.

II.

III.

I.

1.2.

1.2.

1.2.3.



Seu

il d’

inte

nsité

P (

mm

)S

euil

d’in

tens

ité P

(m

m)

Nb

évén

emen

ts s

uppr

imés

Effet d’une diminution du nombre d’événements



Mai Juin Juillet Août Septembre Octobre

Octobre

Octobre





Octobre

Octobre


Série des 545 événements 1990-2002Simulations conditionnées par toutes les stations

43

Toutes les stationsToutes les stations

IV.IV.

V.

1.

2.2.

1

1.

2.

3.

4.

2

3

4II.

III.

I.

1.2.

1.2.

1.2.3.

Effet d’une modification des caractéristiques internes

Simulations non conditionnéesModification des paramètres de simulation

Fréquence des valeurs nullesF0

Intensité moyenneE0

44



IV.IV.

V.

1.

2.2.

II.

III.

I.

1.2.

1.2.

1.2.3.

V.CONCLUSIONS ET PERSPECTIVESCONCLUSIONS ET PERSPECTIVES

45

1. Impact de la variabilité de méso-échelle sur les écoulements des bassins?

Forte sensibilité des modèles hydrologiques

• Résolution temporelle

IV.

V.V.

1.2.

46

II.

III.

I.

1.2.

1.2.

1.2.3.

Δx = 100 km Sous estimation du ruissellement 50%

CONCLUSIONS ET PERSPECTIVESCONCLUSIONS ET PERSPECTIVES

Questions … éléments de réponse

Spatialement Δx <20km

• Résolution spatiale

Nécessité de la reproduire

Temporellement

Intensités événementielles constantes Erreur sur le ruissellement jusqu’à 60%

2. Capacité à modéliser la variabilité de la pluie à méso-échelle ?

Utilité pour le forçage des modèles hydrologiques des bassins hortoniens

• Restitution de la variabilité spatiale des intensités

• Conditionnement possible:

- Valeur ponctuelles (fonctionnel)

- Valeurs spatiales (à affiner)IV.

V.V.

1.2.

47

II.

III.

I.

1.2.

1.2.

1.2.3.



Utilisation et développement d’un modèle géostatistique pour la simulation stochastique de champs de pluie

3. Lien entre modifications du climat et variabilité hydro-climatique?

Déficit pluviométrique entre 1950-1969 et 1970-1989

• Diminution du nombre d’événements

notamment les plus intenses

• Relative stabilité de leur intensité moyenne

• Amoindrissement de l’extension moyenne des systèmes

Impact de scénarios pluviométriques

• Fort préjudice d’une diminution potentielle

des événements les plus intenses à échelle régionale

• Sensibilité forte à des modifications des caractéristiques

internes des événements (Intermittence, Intensité)

IV.

V.V.

1.2.

48

II.

III.

I.

1.2.

1.2.

1.2.3.



• Utilisation des simulations conditionnées pour la modélisation des fluctuations de la nappe du Kori de Dantiandou

Plus globalement:

Intégration des simulations et désagrégation de champs de pluie à une chaîne complète d’élaboration de scénarios climatiques

Forçage du modèle intégré issu de la thèse de Massuel (2005)

Modélisation de l’occurence

Modèles Climatiques

Globaux

Réduction d’échelle

ImpactEvénementPluvieux

SimulationDésagrégation

IV.

V.V.

1.2.

49

Aspects hydrologiques

Etats de surface

II.

III.

I.

1.2.

1.2.

1.2.3.


A suivre…

Merci !Merci !

SCO

Tirage aléatoire

seuil

Jours

P (mm)

Loi de Poisson Nb Jours E0 F01950-1969 1531 12.6 34%1970-1989 1270 11.9 37%chge (%) -17% -5.70% 8.80%

Seuil 1 mm

Nb Jours E0 F01950-1969 1398 13.5 34%1970-1989 1163 12.6 38%chge (%) -17% -6.20% 10.70%

Méthode spatiale

EvolutionGaz à effet de serre?

Capacité à modéliser le climat

Capacité à retranscrire à petite échelle

les modifications de grande échelle

Capacité à modéliser l’hydrologie

• Plusieurs MCG Dispersion

• Plusieurs méthodes• Stochastiques Dispersion

• Formulation modèle• Paramètres constantsDispersion

01-mars 31-mars 30-avr 30-mai 29-juin 29-juil 28-août 27-sept 27-oct 26-nov 26-déc 25-janv 24-févr

0

50

100

150

200

250

300

350

400

Deb

it (

m3/

s)

.

Année 1967

0

1

2

3

4

5

6

7

0 10 20

-ln

(1-F

)

1963

1967

0

2

4

6

8

10

12

01-mars 31-mars 30-avr 30-mai 29-juin 29-juil 28-août 27-sept 27-oct 26-nov 26-déc 25-janv 24-févr

Plu

ie (

mm

)

.

0

50

100

150

200

250

300

350

400

De

bit

(m

3/s

)

.

0

10

20

30

40

50

60

70

80

90

100

1 10 100

Spatial resolution (km)

% o

f to

tal r

un

off

Set #1

Set #2

Set #3

(b)

7mm/h<Is<18mm/h

Directeur de thèse: Thierry Lebel Soutenance de thèse Théo Vischel.

Documents

Transcript of Directeur de thèse: Thierry Lebel Soutenance de thèse Théo Vischel.