Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Accueil du site → Doctorat → Suisse → High resolution stochastic modelling of local rain fields

Université de Lausanne (2020)

High resolution stochastic modelling of local rain fields

Benoit Lionel

Titre : High resolution stochastic modelling of local rain fields

Auteur : Benoit Lionel

Etablissement de soutenance : Université de Lausanne

Grade : Doctorat 2020

Résumé
Les modèles stochastiques de pluie sont des outils statistiques visant à simuler des pluies synthétiques qui reproduisent, d’un point de vue probabiliste, certaines caractéristiques typiques de la pluie réelle. L’approche probabiliste suivie par ces modèles en fait un outil privilégié pour étudier la variabilité de la pluie et pour améliorer les données de précipitation préalablement à la conduite d’études d’impact. En particulier, on peut avoir recours à la modélisation stochastique pour (1) générer des pluies synthétiques qui suivent certaines propriétés statistiques, (2) réaliser des cartes de pluie en interpolant des mesures ponctuelles,(3) fusionner des observations provenant de différents capteurs et (4) augmenter la résolution de mesures agrégées. De nombreuses applications peuvent bénéficier de ces modèles, en particulier dans le domaine de l’hydrologie ou la gestion des risques liés à la pluie. Des avancées récentes en terme de puissance de calcul et de statistiques spatiales permettent l’élaboration de modèles stochastiques de haute dimension. Ainsi, les modèles actuels sont capables de simuler des champs de pluie spatialement denses. Dans ce contexte, le but de cette thèse est de développer un modèle stochastique de pluie qui soit capable de générer des simulations spatio-temporelles à très haute résolution (100 m dans l’espace et 1 min dans le temps). Une attention particulière est portée à la reproduction des motifs spatiaux observés dans les champs de pluie ainsi qu’à leur évolution temporelle. Les zones d’études envisagées sont volontairement de faible étendue (environ 100 km2) afin d’assurer l’homogénéité spatiale des statistiques considérées et de permettre des temps de calcul acceptables lors des simulations. La seconde moitié de cette thèse est dédiée à l’étude de la non-stationnarité des paramètres du modèle stochastique au cours du temps, ce qui revient à s’intéresser à la variabilité temporelle de la signature statistique des précipitations. L’intérêt d’étudier la non-stationnarité de la pluie est double : tout d’abord cela permet d’identifier les domaines sur lesquels ses statistiques sont constantes (Chap. 4), ce qui garantit que la modélisation stochastique à un sens. Ensuite cela permet d’établir des liens entre les processus physiques responsables de la génération de la pluie et la signature statistique des observations associées (Chap. 5), ce qui apporte une touche d’interprétation physique dans le monde plutôt mathématique de la modélisation stochastique. Pour atteindre ces objectifs, la première moitié de cette thèse est dédiée au développement d’un modèle stochastique de pluie à haute résolution. Elle commence par une revue des modèles qui ont inspiré ce travail (Chap. 1) puis étend le principe de la modélisation stochastique de pluie à une résolution infra-kilométrique (Chap. 2) et enfin démontre le potentiel du modèle proposé au travers d’une application consistant à combiner des observations réalisées par un radar météo et un réseau de pluviomètres (Chap. 3). Il en ressort que le modèle proposé a deux grands avantages : premièrement, il inclut une étape d’inférence des paramètres à partir des observations d’un réseau de pluviomètres, ce qui permet d’établir la signature statistique spatio-temporelle des champs de pluie. Deuxièmement, le modèle proposé est capable d’imiter fidèlement le comportement de la pluie à très fine échelle, ce qui rend possible sa simulation stochastique à une résolution infra-kilométrique. Pour récapituler, cette thèse décrit un modèle stochastique complet pour la simulation de champs de pluie locaux qui comprend l’observation de la pluie, l’inférence des paramètres du modèle et la simulation stochastique de pluies synthétiques à très haute résolutio

Présentation

Page publiée le 8 mars 2022