Quantification et réduction de l'incertitude dans un modèle de transfert de pesticides à l'échelle du bassin versant
Auteur / Autrice : | Émilie Rouzies |
Direction : | Arthur Vidard, Claire Lauvernet |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques appliquées |
Date : | Soutenance le 23/02/2023 |
Etablissement(s) : | Université Grenoble Alpes |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Jean Kuntzmann (Grenoble ; 2007-....) - Laboratoire Jean Kuntzmann (Grenoble) |
Jury : | Président / Présidente : Robert Faivre |
Examinateurs / Examinatrices : Emmanuel Cosme, Céline Helbert, Florence Habets, Claudio Paniconi, Elise Arnaud | |
Rapporteur / Rapporteuse : Roger Moussa, Sophie Ricci |
Mots clés
Mots clés contrôlés
Résumé
L'utilisation intensive de pesticides est associée à des risques importants pour la qualité des masses d'eau souterraines et de surface. L'utilisation de modèles numériques peut être une approche pertinente pour identifier de tels risques et participer à la mise en place de stratégies de protection adaptées. Le modèle PESHMELBA a récemment été développé dans cette optique en mettant l'accent sur la représentation des différentes structures paysagères (bandes enherbées, fossés, haies, etc.) et de leur impact sur les transferts de pesticides. L'objectif à terme est, entre autre, de faire de PESHMELBA un outil opérationnel à destination des gestionnaires de bassins versants permettant d'identifier une configuration de paysage optimale vis-à-vis de l'atténuation des transferts de pesticides. Ce travail de thèse vise à préparer une telle utilisation opérationnelle de PESHMELBA en quantifiant puis réduisant les incertitudes associées aux variables simulées par le modèle.Pour cela, une analyse d'incertitude et une analyse de sensibilité sont réalisées dans un premier temps sur plusieurs variables intégrées et plusieurs séries temporelles produites par PESHMELBA. Compte tenu de la complexité du modèle, plusieurs méthodes d'analyse de sensibilité sont explorées afin d'identifer l'approche la plus adaptée à la grande dimension de l'espace des paramètres d'entrée, au coût de calcul très élevé d'une simulation et au caractère spatialisé des variables. On compare ainsi les indices de Sobol calculés par décomposition en polynômes du chaos, les indices HSIC et les mesures d'importance provenant d'un métamodèle par forêt aléatoire. Les résultats permettent d'une part de gagner en connaissance sur le fonctionnement du modèle en faisant le lien entre paramètres influents et processus physiques impliqués. D'autre part, ces résultats permettent d'identifer les paramètres d'entrée dont il sera le plus pertinent de réduire l'incertitude.Dans un second temps, un méthodologie de réduction de l'incertitude ciblant les paramètres d'entrée identifiés comme les plus influents ainsi que plusieurs variables de sortie (humidité de surface et de subsurface, concentration à l'exutoire) est développée. Pour cela, plusieurs méthodes ensemblistes d'assimilation de données issues du filtre de Kalman (EnKF, iEnKS et ES-MDA) sont appliquées au modèle PESHMELBA. Dans un premier temps, des images satellites d'humiditié de surface sont assimilées. Les résultats montrent que dans le scénario considéré, de telles données permettent de corriger efficacement l'humidité et les teneurs en eau à saturation de surface mais que cette correction ne se propage pas aux variables et paramètres de subsurface. Dans cette configuration, l'influence de la taille de l'ensemble, de la fréquence et de l'erreur associée aux observations est également explorée pour évaluer au mieux les performances des différentes approches. Ensuite, l'assimilation conjointe de plusieurs types d'observation aux résolutions spatiales et temporelles contrastée (images de surface d'humidité, profils d'humidité ponctuels et concentration moyenne hebdomadaire à l'exutoire) est explorée et les résultats obtenus permettent d'établir une stratégie d'assimilation adaptée aux variables et paramètres ciblés.