Cartographie des pluies extrêmes du département de l Isère

Transcription

1 Cartographie des pluies extrêmes du département de l Isère Par A. DJERBOUA, avec la collaboration de Ch. OBLED et Ph. BOIS Etude financée sur les crédits du MEDD à la demande de la MISE de l'isère et du Service Départemental RTM de l'isère 2005 INPG-LTHE BP Grenoble Cedex 9

2 2

3 Cartographie des pluies extrêmes du département de l Isère Ce document a été élaboré à la demande du Service RTM (Restauration des Terrains en Montagne) du département de l Isère et du Pôle Grenoblois Risques Naturels. Il s agit en quelque sorte d un «zoom», sur le département de l Isère, réalisé à partir de la cartographie proposée par Abdelatif DJERBOUA dans sa thèse (2001), à l échelle des Alpes franco-italiennes. Pour ce faire, on a collecté un certain nombre de données complémentaires évoquées ci après. Ce document est accompagné par un disque DVD qui contient les cartes du rapport, ainsi qu un certain nombre de cartes complémentaires donnant notamment les incertitudes associées. On y trouvera aussi les grilles de valeurs numériques qui ont servi à les tracer et qui peuvent être reprises au besoin par un autre système d information géographique. I. Données des pluies Pour toute étude sur les pluies extrêmes, on s appuie sur des données ponctuelles mesurées à des stations. On dispose pour cela de deux types de mesure de précipitations : - Pluviomètres : données de pluie au pas de temps 24 heures - Pluviographes : données de pluie «en continu», généralement au pas de temps horaire. Ces mesures de précipitations sont fournies principalement par - MétéoFrance - Electricité De France (EDF) - Direction Régionale de l Environnement (DIREN), anciennement Service Régional d Aménagement des Eaux Provence-Alpes-Côte d Azur (SRAE PACA) I.1 Réseau des pluviographes : Dans ce réseau, la majorité des stations sont des appareils munies d un système d augets basculeurs permettant, à chaque basculement, de déplacer un stylet sur un papier enregistreur. Par contre, seulement les trois dernières stations sont automatisées. Cependant, nous ne disposons pas des informations supplémentaires sur : - le changement éventuel de site de mesure pour la même station - la date d installation d un système chauffant s il en existe - le changement d appareils de mesure Les données de pluies non automatisées ont été dépouillées dans le cadre du X ème plan Etat-Région (EDF-DTG Cemagref, 1995). Elles sont fournies aux pas de temps de 1, 2, 3, 6, 12 et 24h. Cependant, elles ne sont disponibles qu en max. hebdomadaires non datés, donc on dispose (pour chaque station) de 52 valeurs par an pour toute la période d observation. Un 3

4 nouveau travail de critique de ces données était très délicat à faire, puisque on ne dispose pas des séries continues et qu il manque la date de cette pluie observée. Pour cela, on a seulement vérifié la cohérence des valeurs entre elles, en comparant plusieurs stations proches. Pour des raisons pratiques, ces données et celles que l on a ajoutées, ont été dépouillées à pas de temps fixe, c est à dire selon un découpage administratif, tel que : - la pluie de 24h, déduite de ces pluviographes, est le cumul sur la période 00-24h et pour la pluie de 12 heures , 06-12, et pour 6 heures , 03-06,, pour 3 heures , 02-04,, pour 2 heures - et les pluies d une heure ont été calculées sur une heure ronde. Par contre, pour les stations automatisées (les trois dernières du tableau ci-dessous), nous avons récupéré toutes les pluies horaires (données Météo France fournies à partir de la «Banque PLUVIO»). Code Dépt NOMS DES STATIONS Altitude (m) Période Durée (ans) X (km) Y (km) Provenance 05 Champoleon Les Borels EDF Le Chazelet EDF Molines EDF Pelvoux Les Claux EDF St Bonnet EDF Bouvante Forêt de Lente EDF La Chaup SRAE PACA 26 La Joue Du Loup SRAE PACA 26 Lus La Croix Haute EDF St Etienne En Devoluy EDF Allevard EDF Charavines Les Vannes EDF Eybens Meteo France 38 Fond de France EDF Pellafol Le Sautet EDF Pont Escoffier EDF St Etienne St Geoirs EDF St Martin D'Heres Meteo France 38 Valbonnais EDF Varces Rochefort EDF Villard De Lans EDF Aillon Le Jeune EDF Challes Les Eaux Meteo France 73 Le Chatelard EDF Le Glandon Ste Marie EDF Lyon-Bron Meteo France 73 Chambery-Aix Meteo France 26 Marsaz Meteo France 4

5 Ce réseau de mesure couvre principalement le département de l Isère. Pour que les cartes restent valables même au frontières du département, on a bordé ce réseau par des stations des départements des Hautes Alpes, de la Drôme, de la Savoie et du Rhône. Au total, on a donc collecté 28 pluviographes. En ce qui concerne ces données infra-journalières, on prêtera une grande attention à l Avertissement donné en fin du rapport (p. 16 et 17) I.2 Réseau des pluviomètres : Dans cette partie, les données ont été fournies principalement par EDF et Météo France. On rappelle que, pour les pluviomètres, la pluie du jour J est mesurée entre 6h TU du jour J et 6h TU du jour J+1 (au lieu de 00-24h pour les pluviographes ). Les séries de données disponibles n étaient fournies qu en max. mensuels (12 valeurs par an). Pour la critique des données, nous n avions guère la possibilité d aller plus loin, mais néanmoins on a détecté un problème de redondance de station. On a remarqué que trois stations (tableau ci-dessous) appartenaient à EDF et en même temps à Météo France. Ces stations présentent des périodes communes, dont les séries sont quasiment identiques sur une première période, mais différentes sur le reste. On suppose que cette différence est due principalement aux méthodes de critique des données, et à la façon de les constituer par les différents services. Code Dépt Nom du pluviomètre Altitude (m) Période Durée (ans) X (km) Y (km) Numéro 38 ST-PIERRE-DE-CHARTREUSE Météo France 38 GRANDE CHARTREUSE EDF VAUJANY Météo France 38 LE VERNEY EDF ST-JEAN D'ARVES Météo France 73 ST JEAN D'ARVE EDF 1652 Le nombre total des pluviomètres utilisés dans la cartographie des pluies est de 100. Ce réseau peut être considéré comme suffisamment dense pour faire une bonne cartographie des pluies journalières. 5

6 II. Estimation des pluies extrêmes Pour l estimation des risques extrêmes, nous avons établi une méthode de travail divisée en deux étapes (cf. Thèse de A. Djerboua 2001): - identification/définition de la saison à plus fort risque - estimation robuste des paramètres statistiques caractérisant cette saison à risque. II.1 Calcul des risques : La première estimation des risques, à partir des données max. mensuels, nous a permis d obtenir les résultats suivants : - une saison constituée de juin à septembre pour les pas de temps 1, 2 et 3h - une de juillet à octobre pour le pas de temps 6h - et une autre de septembre à novembre pour 12 et 24h. A partir de ces premières explorations, nous avons défini deux saisons principales : - Eté : de juin à août, elle caractérise les plus forts risques pour les pas de temps de 1 à 6h - Automne : de septembre à novembre, elle définit les risques prédominants pour les pas de temps 12 et 24h. Le but de notre travail est de trouver la meilleure estimation possible des risques extrêmes. Pour cela, nous avons adapté notre méthode d estimation en fonction de type de données disponible. Pour les pluviomètres, nous disposons que des données journalières max. mensuels. Donc, pour le calcul de risque nous avons suivi la méthode suivante : - tout d abord, nous avons constitué la série des données, et cela en prenant les max. de septembre, octobre et novembre pour l automne (juin, juillet et août pour l été). On prend donc 3 valeurs par an, ce qui fait que pour une station de n années d observation, on obtient un échantillon de taille 3.n. - ensuite, on ajuste une loi de gumbel sur la série de la saison (automne et été). Cependant, les pluviographes présentent une information plus riche que les pluviomètres (max. hebdomadaire), mais une durée d observation plus courte (période d observation inférieure à 30 ans). Donc, pour l estimation des risques, on a suivi les mêmes étapes que présentées ci-dessus : - constituer la série des données à partir des max. hebdomadaires. On obtient un échantillon de taille 4*3*n (4 semaines par mois, 3 mois par saisons, et n pour le nombre d années d observation) - on a choisi dans ce cas une loi de «Gumbel seuillée», après un travail de validation. Le travail de validation sur la loi d ajustement a été fait : - sur 45 stations de pluies journalières (cf. Thèse A. Djerboua, sur les bassins de l Arc à Bramans, Stura di Lanzo, Orco, Dora Riparia, Sésia et Toce) - et sur 3 stations de pluies horaires : Lyon-Bron, Chambery-Aix et Marsaz. 6

7 On présente ci-contre un exemple d ajustement sur des pluies journalières d automne à Grand Scala. A partir de ce calcul sur les 45 stations disponibles, nous avons conclu (Thèse Djerboua 2001) d ajuster la loi de Gumbel seuillée sur les données hebdomadaires, avec un choix judicieux du seuil. Ce dernier ajustement nous permettra dans la suite de déterminer la loi de distribution des max. saisonniers. Pour déterminer la distribution de ces max., on suppose que l on a un échantillon complet (hebdomadaire) de valeurs indépendantes : F(x) est la loi de distribution de cet échantillon. On écrit ensuite la probabilité du max. de l échantillon sur n tirages (ici sur 3 mois donc 12 semaines) soit F ( x) n. Cette formulation est valable pour les distributions à décroissance exponentielle (elle est une approximation pour les autres types de distribution). Pour obtenir la distribution des max. saisonnier sur le même papier de Gumbel ( ln( ln( F ))) que la distribution de l échantillon complet, on applique donc une translation de ln( n) sur la distribution de l échantillon total, avec dans notre cas n =12, c est à dire un maximum toutes les 12 semaines de la saison d été (juin, juillet et août) ou d automne (septembre, octobre et novembre). Figure 1 : Distribution des pluies d automne (Sept., Oct. et Nov.) à Grand Scala Comparaison des différents modes d échantillonnage 7

8 Avant de généraliser le résultat présenté ci-dessus, nous avons calculé l autocorrélation des pluies. L autocorrélation la plus forte obtenue est présentée sur la figure suivante : - autocorrélation des valeurs horaires pour toute les heures successives. - autocorrélation entre la valeur horaire maximale sur une période de 6 h et la valeur horaire maximale sur la période de 6 h suivante (dans ce cas, il arrive que le premier max. corresponde à la fin de la première période et que le second max. corresponde au début de la seconde période : ces deux max. ne sont pas séparés de 6h!) - autocorrélation entre la valeur horaire maximale sur une période de 24 h et la valeur horaire maximale sur la période de 24 h suivante - autocorrélation entre la valeur horaire maximale hebdomadaire et la valeur horaire maximale sur la période hebdomadaire suivante - autocorrélation entre la valeur horaire maximale sur un mois et la valeur horaire maximale sur le mois suivant On remarque que l autocorrélation des pluies max. hebdomadaires est déjà très faible. Cela peut permettre d utiliser la loi de Gumbel seuillée sur des séries peu corrélées. 0.7 Evolution de l'autocorrélation des pluies d'une heure échantillonnées sur différentes périodes Chambery Autocorrélation h 6h 1 Jour 7 Jours 1 Mois Temps Figure 2 : Autocorrélation des pluies d une heure max. sur différentes périodes : 1h, 6h, 1 jour, 7 jours et 1 Mois. 8

9 On donne un exemple de différents modes d échantillonnage des pluies au pas de temps d une heure de la station «Bron» dans la figure ci-dessous. Les distributions et leurs ajustements présentés sont, de droite à gauche : - distribution de toutes les pluies horaires successives, avec la loi somme de deux exponentielles et la loi gamma - pluie d une heure, maximale sur une période de 6 heures, et la loi somme de deux exponentielles et la loi gamma - pluie d une heure maximale sur une période de 24 heures - pluie de 1h max. hebdomadaires, et la loi Gumbel seuillée - pluies de 1h max. mensuels, et la loi de Gumbel (trait tireté rouge) et l extrapolation de l ajustement des max. hebdomadaires aux max. mensuels(trait tireté bleu). - extrapolation de l ajustement des max. hebdomadaires aux max. saisonniers. Figure 3 : Distribution des pluies d été de 1h à Bron. Comparaison des différents modes d échantillonnage On remarque bien ici que le gradex en 1h (la pente de la droite ajoutée) est biaisé pour les 2 premières périodes (toutes les valeurs en 1h et une par période de 6h), parce que l autocorrélation est forte. Cependant, à partir des max. journaliers, on obtient des gradients stables et comparables pour les autres modes d échantillonnage. 9

10 Afin de montrer l utilité de tout ce travail, nous avons appliqué la même procédure de calcul sur les 28 pluviographes disponibles. On donne un exemple d ajustement des pluies de la station de «Saint Martin d Hères», et cela pour les différents pas de temps 1h, 2h, 3h, 6h, 12 et 24h pour la saison d automne. On présente les distributions suivantes, de droite à gauche : - distribution des max. hebdomadaires - distribution des max. de 15 jours - distribution des max. mensuels - distributions des max. annuels On distingue bien le biais introduit par l utilisation de l échantillonnage annuel, qui mélange toutes les saisons. Pour cela, on conseille d étudier les risques par saison à risque. Sur les différents graphes présentés dans cette partie de l étude, nous retrouvons le parallélisme des distributions de différents modes d échantillonnage qu on a l habitude d utiliser pour déduire la distribution du plus fort risque. Ce qui conforte nos hypothèses de départ. Figure 4 : Distribution des pluies d automne à Saint Martin d Hères pour les différents pas de temps 1h, 2h, 3h, 6h, 12h et 24h II.2 Intervalles de confiance : Pour le calcul des intervalles de confiance, on a utilisé la formulation mathématique de Colin (1977), qui est une approximation des abaques de Bernier (Bernier et Veron 1964). 10

11 Notons que ces intervalles de confiance sont dissymétriques. On donne l équation suivante (cf. Thèses de M. Lang 1995, A. Djerboua 2001) : T 1,2 = ± u 2 α 2 2 ( H γ + 2δH ) + u N( H + H H γ + δh ) α N δ u 2 α 1 2 u 2 α H 2 1 γ δ / 2 T 1 : intervalle de confiance supérieur T 2 : intervalle de confiance inférieur Tel que : ( µ,σ p) x p = H, : un quantile en fonction de sa probabilité et ses premiers moments. H = H 1 ; µ µ i γ i 2 = µ 1/ H 2 = H σ 1 = γ 2 4 ; δ ( 1) ( ) 2 α 2 u : est la variable de «Gauss» qui correspond à une probabilité de α Une fois que tous les paramètres sont définis, on peut écrire les intervalles de confiance suivants : P ( x T σ < x < x + σ ) = α p 2 p T1 Pour l estimation de ces intervalles, on remplace les moments par leurs estimateurs. II.3 Correction de Weiss : Comme on l a indiqué au chapitre I, les données collectées ont été dépouillées à pas de temps fixe, pour simplifier la tache de dépouillement. Normalement, pour maximiser le risque, on devrait travailler avec un pas de temps mobile, ou une fenêtre glissante. Afin de prendre en considération cette différence, on applique donc la correction proposée par Weiss (L. L. Weiss, 1964) : t K w = t est en heure t 1/ 8 Cette correction n est qu une approximation. En réalité, ce coefficient varie selon la saison. J.P. Laborde (1984) donne des résultats de calcul différent en hiver (K w =1.14) et en été (K w =1.07) sur des pluies journalières (Région Alsace Loraine). La différence des résultats vient de ce que les pluies d été sont des orages qui ne durent pas une journée, mais quelques heures seulement, et sont donc compris aussi bien (ou presque aussi bien!) dans une pluie journalière prise de 00 à 24 h ou de 06h à 06 h 11

12 III. Cartographie des pluies extrêmes Pour construire les cartes de pluies extrêmes au pas de temps journalier, nous avons appliqué la technique du krigeage (cf. Ch. Obled - cours ENSHMG). Cela est suffisant pour les pluies de journalières, puisque la densité du réseau est importante. Par contre, pour les pas de temps inférieurs à la journée, notre réseau présente certaines faiblesses. Afin de remédier à ce problème, il faut injecter des informations complémentaires. Des essais nombreux mais assez peu fructueux ont cherché à utiliser des paramètres caractéristiques du relief et de sa morphologie. Ici, nous utiliserons plutôt l information journalière pour compléter et renforcer les zones de faible densité. Donc, la procédure retenue est la suivante : Calcul de corrélation entre chacun des paramètres au pas de 24h et les paramètres homologues au pas de temps inférieurs à la journée : par exemple, on présente sur la figure ci-dessous la comparaison entre les gradex de 24h et les pas de temps horaires, et cela en été et automne. On remarque que les pluies de 12h sont mieux corrélées avec les pluies de 24h en automne par rapport à celles de l été. Par contre, les pluies inférieures à 6h donnent des meilleures corrélation en été (ou la valeur journalière est souvent un orage de quelques heures) qu en automne. Cela s explique par le type de processus dominant dans chaque saison. En été, les pluies sont majoritairement des orages, qui durent que quelques heures. Cependant, en automne, les pluies extrêmes horaires et journalières ne représentent pas les mêmes processus (on donne le détail des résultats de calcul en Annexes). 1.0 Comparaison de la corrélation, été et automne, entre les Gradex de 24h et les pas de temps inférieur à la journée 0.9 Corrélation (R) Automne Eté Temps (heures) Figure 5 : Evolution de la corrélation entre pas de 24 h et les autres pas du temps selon la saison de risque (été et automne)

13 A partir des corrélations obtenues dans l étape précédente, on calcule, pour chaque poste pluviographique, les résidus entre la valeur obtenue directement par ajustement Y et celle, Y, déduite de la valeur journalière grâce à la corrélation par la formule suivante : Y = A X + B + ε = Y ' +ε on en déduit : ε = Y Y ' = Y ( A X + B) Y : représente le paramètre à pas de temps inférieur à 24 heures X : est le paramètre à pas de temps journalier Y : représente l estimation du paramètre à pas de temps inférieur à 24 heures à partir de la valeur X en 24h. Ensuite, on calcule le variogramme de ces résidus. Celui-ci permet alors de cartographier ces résidus. Figure 6 : Variogramme du résidu de la corrélation de la pluie décennale de 1h et la pluie décennale journalière 13

14 Figure 7 : exemple de cartographie du résidu de la corrélation de la pluie décennale de 1h à partir de la carte krigée du paramètre journalier X, et de la relation de corrélation, on peut calculer une première estimation du paramètres à pas de temps inférieurs Y. on somme alors la carte krigée des résidus avec cette carte calculée à partir de la corrélation, pour obtenir une estimation qui utilise à la fois : les valeurs estimées à ce pas de temps (sur les postes pluviographiques), mais aussi la relation plus ou moins forte existant avec les valeurs journalières là où il y a un pluviomètre ainsi que la liaison spatiale au sein de ces deux champs (là où il n y a ni pluviographe ni pluviomètre) la relation de la corrélation : à partir de la carte de 24h, on déduit la carte à un pas de temps par la relation étant le paramètre de 24h). la carte des résidus A X + B correspondante à ce pas de temps (X La carte finale, pour chaque paramètre, est la somme de ces deux cartes (correspondant au même paramètre). Cependant, l écart d estimation de chaque paramètre (lié à l échantillonnage, c est à dire la densité du réseau) est estimé, toujours, à partir de la corrélation. Pour cela, on applique les principes de la probabilité. On a A et B sont des constantes pour chaque relation, X et ε sont par définition indépendants. Donc, on estime la variance de Y par la relation suivante : 14

15 ( Y ) = Var( A X ) + Var( B) Var( ε ) Var + B est une constante, donc Var(B) est égale à 0. Avec A constante, on obtient : ( Y ) = A 2 Var( X ) Var( ε ) Var + C est cette relation qui est utilisée pour déterminer l écart-type d estimation de chaque paramètre au pas de temps infra-journaliers. On en donne un exemple ci après. Ces cartes d incertitudes (écart-type d estimation) sont fournies pour tous les pas de temps (1, 2, 3, 6, 12 et 24h) et pour tous les paramètres (P5 ans, P10 ans, P20 ans, P50 ans, P100 ans et gradex), dans le disque DVD joint à ce rapport. Figure 8 : Ecart-type d estimation de la pluie décennale de 1h d automne 15

16 P(t= 6h, T= 10 ans) Figure 9 : Cartographie des P10 de 6 heures à l'aide de la carte krigée de P10 de 24 heures 16

17 AVERTISSEMENT IMPORTANT : On met en garde l utilisateur qui serait tenté d accorder une trop grande confiance à ces cartes, et notamment celles correspondant à un pas de temps inférieur à la journée. On rappelle que celles ci s appuient d abord sur des pluviographes, et que nous disposions initialement de 90 séries pluviographiques dépouillées sur les Alpes françaises. Parmi cellesci 25 ont été utilisées pour la cartographie du département de l Isère, et nous en avons ajouté 3 pour réaliser les cartes ci- jointes. Or nous donnons ci-contre, à titre d exemple, une carte plus globale (Figure 9) tirée de la thèse de A. Djerboua (2001) et tracée à l échelle de tout le massif des Alpes francoitaliennes. On constate, sur la partie italienne, une texture des isohyètes beaucoup plus fine et une organisation plus cohérente, par exemple sur la périphérie du bassin du Pô. Par contre, l organisation est un peu moins convaincante sur la partie française. En fait, cela ne vient pas de la climatologie mais bien de la différence de densité des réseaux respectifs entre les parties françaises et italiennes : là où nous disposons de 90 pluviographes, les italiens en totalisent 254 sur le Piémont et la Ligurie Certes, l utilisation complémentaire des pluviomètres a permis, (de part et d autres : 463 côté français et 318 côté italien) d affiner la cartographie et de compenser un peu, surtout côté français, le manque d informations horaires. Toutefois, l apport de cette information journalière est surtout significatif pour les pas de temps 6 ou 12h, mais moindre pour les pas plus petits. De même ces pluies journalières se révèlent plus informatives pour la saison d été (car le cumul journalier correspond souvent à une pluie localisée et de courte durée). En automne, les pluies durent généralement plus longtemps et le cumul journalier correspond alors à une succession de systèmes convectifs dont les caractéristiques, à pas de temps fins (1 à 6h) se perdent dans le cumul en 24h. Donc, on gardera à l esprit cette différence de texture pour : d une part relativiser la qualité et la précision des cartes de 1 à 3h, notamment en été, que nous proposons sur l Isère, et qui sont affectées de ce manque de données typique des Alpes françaises. d autre part, rappeler l intérêt qu il y aurait à hisser notre réseau à un niveau de densité comparable à celui que maintienne nos voisins, et ce depuis des décennies C est sur ce vœu que nous terminerons ce rapport 17

18 18

19 Références Bibliographiques : BERNIER J. & VERON R., 1964 : Sur quelques difficultés rencontrées dans l estimation d un débit de crue de probabilité donnée. Revue de Statistique Appliquée, Vol XII - N 1, pp25-46 COLLIN, 1977 : Quelques applications sur la distribution d'échantillonnage - Etude N 21 Cemagref Antony, nov., 21p. DJERBOUA A., 2001 : Prédétermination des Pluies et Crues Extrêmes dans les Alpes francoitaliennes. Prévision Quantitative des Pluies Journalières par la Méthode des Analogues. Thèse Docteur de l INPG, LTHE INPG, Grenoble, 11 Mai 2001, 214p KIEFFER WEISSE A., 1998 : Etude des précipitations exceptionnelles de pas de temps court en relief accidenté (Alpes françaises), Méthode de cartographie des précipitations extrêmes, Relations avec le contexte topographique. Utilisation de l information au pas de temps de la journée. Thèse Docteur de l INPG, LTHE INPG, Grenoble, 3 Juillet 1998, 314p KIEFFER A. & BOIS PH., 1997 : Variabilité des caractéristiques statistiques des pluies extrêmes dans les Alpes françaises. Revue des Sciences de l'eau, 1997, pp LABORDE J. P., 1984 : Analyse des données et cartographie automatique en Hydrologie : Eléments d'hydrologie lorraine. Thèse Docteur - Es-Sciences, Institut National Polytechnique de Lorraine, Ecole Nationale Supérieure de Géologie Appliquée et de Prospection Minière de Nancy, 22 Octobre 1984 LANG M., 1995 : Les chroniques en hydrologie: Modélisation comparée par un système de gestion de bases de données relationnel et orienté-objet. Traitements de base et intervalles de confiances des quantiles de crues. Techniques d'échantillonnage par la méthode du renouvellement. Thèse Docteur de l UJF, Université Joseph Fourier de Grenoble, 2 mai 1995, pp OBLED CH., 2001 : Cours de géostatistique appliquée à l hydrologie. Notes ronéotées ENSHMG. WEISS L. L., 1964 : Ratio of true to fixed-interval maximum rainfall. Journal of the Hydraulics Division Proceedings of the American Society of Civil Engineers, January 1964, pp

20 BOIS PH., OBLED CH., & DE SAINTIGNON M.F., 1997 : Atlas expérimental des risques de pluies intenses en Cévennes Vivarais. Publication du Pôle Grenoblois d Etudes et de Recherche pour la Prévention des Risques Naturels, Février

21 Annexes 21

22 22

23 Code Dépt Liste des pluviomètres utilisés dans la cartographie des pluies extrêmes du département de l Isère Nom du pluviomètre Altitude (m) Période Durée (ans) X (km) Y (km) Provenance 01 BALAN BELLEY LHUIS MONTAGNIEU MONTLUEL VIRIEU-LE-GRAND VILLAR-LOUBIERE LA CHAPELLE 05 VALGAUDEMAR EDF LE MONETIER LES BS EDF ST FIRMIN EDF ST JULIEN EN BEAUCHENE EDF CHATILLON-EN-DIOIS DIE GLANDAGE MARSAZ MONTRIGAUD ST-JEAN-EN-ROYANS ST-JULIEN-EN-QUINT ST-SORLIN-EN-VALLOIRE CHATUZANGE PIZANCON EDF STE EULALIE-PT EN ROYANS EDF AUTRANS BEAUREPAIRE BOURGOIN-JALLIEU CHANTELOUVE CHAPAREILLAN CHATEAU-BERNARD CHATELUS CHICHILIANNE CHIRENS CLELLES CORENC CORPS (LA)COTE-ST-ANDRE FAVERGES-DE-LA-TOUR (LA)FERRIERE FONTANIL-CORNILLON (LA)GARDE GRESSE-EN-VERCORS

24 Code Dépt Nom du pluviomètre Altitude (m) Période Durée (ans) X (km) Y (km) Provenance 38 LALLEY LAVALDENS LEYRIEU MENS MOIRANS (LA)MOTTE-D'AVEILLANS (LE)PIN POMMIER-DE-BEAUREPAIRE (LE)PONT-DE-BEAUVOISIN PROVEYSIEUX ROISSARD ROYBON ST-GERVAIS ST-LAURENT-DU-PONT ST-MARCELLIN ST-PIERRE-D'ENTREMONT (LA)SALETTE-FALLAVAUX TENCIN (LA)TERRASSE THEYS (LA)TOUR-DU-PIN TREMINIS TULLINS VALJOUFFREY (LE)VERSOUD ALLEMOND LE RIVIER EDF BESSE EDF BOURG D'OISANS EDF BOURNE EDF ENGINS EDF ENTRAIGUES EDF GRANDE CHARTREUSE EDF LE VERNEY EDF MONESTIER DE CLERMONT EDF 1870 MONT DE LANS LE 38 CHAMBON EDF MONTAUD VIF DE LA CLE EDF ORNON LA PALUD EDF REVEL EDF ST CHRISTOPHE EN OISANS EDF ST HILLAIRE DU TOUVET EDF ST JEAN DE BOURNAY EDF VILLEURBANNE EDF

25 Code Dépt Nom du pluviomètre Altitude (m) Période Durée (ans) X (km) Y (km) Provenance 69 LYON BRON EDF ST GENIS LAVAL EDF AIGUEBELETTE-LE-LAC AIX-LES-BS ARGENTINE CHAVANNE(LA) DESERTS(LES) MONTGELLAFREY MOTTE-SERVOLEX(LA) NOVALAISE ROCHETTE(LA) ST-JEAN-D ARVES STE-MARIE-DE-CUINES VOGLANS YENNE MONTPASCAL EDF ST ALBAN D'HURTIERES EDF ST ALBAN DES VILLARDS EDF ST SORLIN D'ARVE EDF

26 Corrélation des paramètres statistiques horaires et 24h de la saison d automne : Corrélation entre les paramètres de 24h et 1h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Corrélation entre les paramètres de 24h et 2h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

27 Corrélation entre les paramètres de 24h et 3h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Corrélation entre les paramètres de 24h et 6h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

28 Corrélation entre les paramètres de 24h et 12h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Corrélation des paramètres statistiques horaires et 24h de la saison d été : Corrélation entre les paramètres de 24h et 1h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

29 Corrélation entre les paramètres de 24h et 2h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Corrélation entre les paramètres de 24h et 3h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

30 Corrélation entre les paramètres de 24h et 6h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Corrélation entre les paramètres de 24h et 12h Période de retout (ans) A B R Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

31 Variogrammes des paramètres statistiques de la saison d automne : Variogramme des paramètres de 24h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 1h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

32 Variogramme des résidus de corrélation des paramètres de 2h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 3h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

33 Variogramme des résidus de corrélation des paramètres de 6h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 12h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme de coefficient de Montana Période de retour (ans) Pépite Palier Portée Montana

34 Variogrammes des paramètres statistiques de la saison d été : Variogramme des paramètres de 24h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 1h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

35 Variogramme des résidus de corrélation des paramètres de 2h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 3h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur

36 Variogramme des résidus de corrélation des paramètres de 6h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme des résidus de corrélation des paramètres de 12h Période de retour (ans) Pépite Palier Portée Gradex Mode Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Intervalle de Confiance Inférieur Quantile Intervalle de Confiance Supérieur Variogramme de coefficient de Montana Période de retour (ans) Pépite Palier Portée Montana