La connaissance du fonctionnement hydrodynamique des karsts représente un enjeu planétaire pour la ressource en eau car ils alimentent en eau potable près de 25% de la population mondiale. Néanmoins, la complexité, l'anisotropie, l'hétérogénéité, la non-linéarité et l'éventuelle non-stationnarité de ces aquifères en font des objets encore largement sous-exploités du fait de la difficulté de caractériser leur morphologie et leur fonctionnement hydrodynamique. Dans ce contexte, le paradigme systémique permet d'apporter de nouvelles méthodes en étudiant ces hydrosystèmes au travers de la relation entre leurs signaux d'entrée (pluie) et de sortie (débit). Ainsi ce travail porte sur l'utilisation : i) d'analyses corrélatoires et spectrales pour caractériser la réponse des hydrosystèmes karstiques, ii) des réseaux de neurones pour étudier les relations linéaires et non-linéaires de ces hydrosystèmes. Pour ce faire, différents types de configuration de modèles par réseau de neurones sont explorés afin de comparer le comportement et les performances de ces modèles. On cherche à contraindre ces modèles pour les rendre interprétables en terme de processus hydrodynamiques en rapprochant le fonctionnement du modèle à celui du système naturel afin d'obtenir une bonne représentation et d'extraire des connaissances à partir des paramètres du modèle.Les résultats obtenus par les analyses corrélatoires et spectrales permettent d'orienter la configuration des modèles de réseaux de neurones. Appliqués à l'hydrosystème du Lez sur la période 1950-1967, les résultats montrent que les réseaux de neurones sont à même de modéliser les hydrosystèmes au fonctionnement non-linéaires. L'utilisation de deux hydrosystèmes variant dans le temps (la Durance en France et Fernow aux USA) tend à souligner la capacité des réseaux de neurones à modéliser efficacement les systèmes non stationnaires. Des méthodes d'ajustement en temps réel (adaptativité et assimilation de données) permettent d'accroître les performances des modèles par apprentissage statistique face à des modifications des entrées ou du système lui-même.Finalement, ces différentes méthodes d'analyse et de modélisation permettent d'améliorer la connaissance de la relation pluie-débit. Les outils méthodologiques réalisés dans cette thèse ont pu être développés à partir de l'application à l'hydrosystème du Lez dont le fonctionnement est étudié depuis des décennies. Cette méthodologie d'étude et de modélisation présente l'avantage d'être transposable à d'autres systèmes. / Improving knowledge of karst hydrodynamics represents a global challenge for water resource because karst aquifers provide approximately 25% of the world population in fresh water. Nevertheless, complexity, anisotropy, heterogeneity, non-linearity and possible non-stationarity of these aquifers makes them underexploited objects due to the difficulty to characterize their morphology and hydrodynamics. In this context, the systemic paradigm proposes others methods by studying these hydrosystems through input-output (rainfall-runoff) relations.This work covers the use of: i) correlation and spectral analysis to characterize response of karst aquifers, ii) neural networks to study and model linear and non-linear relations of these hydrosystems. In order to achieve this, different types of neural networks model configurations are explored to compare behavior and performances of these models. We are looking to constrain these models to make them interpretable in terms of hydrodynamic processes by making the operation of the model closer to the natural system in order to obtain a good representation and extract knowledge from the model parameters.The results obtained by correlation and spectral analysis are used to manage the configuration of neural networks models. Applied on the Lez hydrosystem over the period 1950-1967, results show that neural networks models are capable to model non-linear operation of the karst.Application of neural modelling on two non stationary hydrosystems (Durance in France and Fernow in the the USA) proved the ability of neural networks to model satisfactorily non-stationary conditions. Moreover, two real-time adjustment methods (adaptativity and data assimilation) enhanced the performance of neural network models face to changing conditions of the inputs or of the system itself.Finally, these various methods to analyze and model allow improving knowledge of the rainfall-runoff relationship. Methodological tools developed in this thesis were developed thanks to the application on Lez hydrosystem which has been studied for decades. This study and modeling methodology have the advantage of being applicable to other systems provided the availability of a sufficient database.
| Identifer | oai:union.ndltd.org:theses.fr/2014MON20169 |
| Date | 16 December 2014 |
| Creators | Taver, Virgile |
| Contributors | Montpellier 2, Pistre, Séverin, Johannet, Anne |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0174 seconds