Impact of imperfect knowledge on the efficiency and the parameters of watershed models
Impact d'une connaissance imparfaite de la pluie sur les performances et les paramètres des modèles pluie-débit
Résumé
It is crucial to analyze the sensitivity of watershed (rainfall-runoff) models to imperfect knowledge of rainfall input, in order to judge whether or not they are reliable and robust, especially if they are to be used for operational purposes. In this paper, a new approach to sensitivity analysis is proposed, based on a comparison between the efficiency ratings and parameter values of the models and the quality of rainfall input estimate (GORE and BALANCE indexes, assessing the quality of rainfall time distribution and the total depth respectively). Data from three watersheds of increasing size (71, 1120, and 10700 km(2)), are used to test three watershed models of varying complexity (three-parameter GR3J model and six-parameter modified versions of TOPMODEL and IHACRES). These models are able to cope with imperfect rainfall input estimates, and react to improvements in rainfall input accuracy by better performance and reduced variability of efficiency. Two different types of model behavior were identified: the models either benefit from improved rainfall data by producing more consistent parameter values, or they are unable to take advantage of the improvements. Although the watershed size seems to be immaterial, the smaller watersheds appear to need more precise areal rainfall estimates (a higher concentration of raingages) to ensure good modeling results.
Il est important d'analyser la sensibilité des modèles pluie-débit à une connaissance imparfaite de la pluie d'entrée, afin de pouvoir juger de leur robustesse, surtout s'ils sont utilisés dans un contexte opérationnel. Dans cet article, une nouvelle approche d'étude de sensibilité est proposée, fondée sur une comparaison entre les notes d'efficacité et les paramètres des modèles, et la qualité de l'estimation de l'entrée de pluie (indices GORE et BALANCE). Des données de trois bassins versants de taille croissante (71, 1120, et 10700 km²), sont utilisées pour tester trois modèles pluie-débit de complexité variable (GR3J, un modèle à trois paramètres, et des versions modifiées à six paramètres de TOPMODEL et IHACRES). Ces modèles sont capables de faire face à une estimation imparfaite de la pluie, et de réagir à une amélioration de la connaissance de la pluie par de meilleures performances et une variabilité réduite de ces performances. Deux différents types de comportements de modèles sont identifiés : les modèles peuvent bénéficier d'une connaissance améliorée de la pluie en identifiant des valeurs de paramètres plus stables ou ils peuvent être incapables de faire usage de ces améliorations. Quoique la taille des bassins versants ne semble pas influer sur ces résultats, les petits bassins versants semblent avoir besoin d'estimations de la pluie de bassin plus précises (c'est à dire, une plus grande concentration relative de pluviomètres) pour assurer de bonnes performances de modélisation.