Méthode BaRatin

Pour apporter des solutions opérationnelles aux problèmes délicats que posent la construction, le calage, la critique et l’estimation des incertitudes des courbes de tarage simples et complexes, la méthode bayésienne BaRatin (Bayesian Rating curve, Le Coz et al., 2014 ; Horner et al., 2018) a été développée par Irstea depuis 2010. Le développement de méthodes pour la quantification des incertitudes des données hydrométriques est un des thèmes de recherche de l’équipe, présenté ici.

La méthode BaRatin permet la construction des courbes de tarage hauteur-débit avec estimation de l’incertitude, en combinant la connaissance a priori sur les contrôles hydrauliques et le contenu d’information des jaugeages incertains (Le Coz et al., 2014). L’équation de la courbe de tarage est dérivée de la combinaison de fonctions puissance pour chacun des contrôles supposés sur le site. L’utilisateur définit également les distributions de probabilité a priori des paramètres physiques de cette équation hauteur-débit, « a priori » signifiant sans regarder les jaugeages utilisés dans l’estimation bayésienne. Une telle estimation bayésienne est basée sur l’échantillonnage par méthode Monte Carlo par Chaîne de Markov (MCMC) de la distribution a posteriori des paramètres de la courbe de tarage, inférée à partir du théorème de Bayes. Les conflits physiques entre les résultats et les aprioris supposés doivent être vérifiés et peuvent conduire à remettre en question le modèle de courbe de tarage ainsi que l’estimation des incertitudes des jaugeages.

Les outils logiciels BaRatinAGE et BaM! ont été adoptés par les services hydrologiques français du Ministère en charge de l’Environnement (sous le pilotage national du SCHAPI) et la Compagnie nationale du Rhône (CNR) pour la gestion opérationnelle de leurs courbes de tarage, ainsi que par le réseau d’observatoires écologiques de long-terme NEON aux Etats-Unis (Harrison et al., 2018). Ils ont également été testés par d’autres organismes dans le monde entier, par exemple l’USGS aux Etats-Unis (Mason et al., 2016), et utilisés par d’autres groupes de recherche (Lundquist et al., 2016; Osorio et Reis, 2016; Storz, 2016 ; Zeroual et al. 2016).

Le logiciel BaRatinAGE

BaRatin et son environnement graphique BaRatinAGE sont diffusés en français et en anglais avec une licence individuelle gratuite. Pour obtenir le logiciel et être abonné à la liste de diffusion utilisateurs, il suffit d’écrire à : baratin.dev@lists.irstea.fr.

Le logiciel BaM!

La version opérationnelle de BaRatinAGE ne traite pas encore les courbes de tarage variables dans le temps, mais des versions de recherche ont été développées par Mansanarez (2016) pour les courbes de tarage complexes : modèles hauteur-dénivelée-débit pour les stations à double échelle soumises à influence aval variable (Le Coz et al 2016; Mansanarez et al., 2016), modèles hauteur-gradient-débit pour traiter l’hystérésis due aux écoulements transitoires et modèles hauteur-période-débit pour traiter les détarages successifs dus à l’évolution du lit. Les recherches en cours (thèse de Matteo Darienzo, post-doc d’Emeline Perret) portent sur la détection des temps et amplitudes  des détarages, la gestion des détarages progressifs dus à la végétation aquatique, et l’application en temps réel.

Ces modèles de courbes de tarage complexes, de même  que le modèle de courbes de tarage simple BaRatin, sont déjà ou seront disponibles dans le logiciel BaM! (Bayesian Models, Renard, 2017). Une interface R est en développement. A terme, BaM! et son futur environnement de travail sont appelés à remplacer le logiciel BaRatinAGE, y compris pour l’application de la méthode BaRatin « classique ».

References on BaRatin

Horner I., Renard B., Le Coz J., Branger F., McMillan H.K., Pierrefeu G. Impact of stage measurement errors on streamflow uncertainty, Water Resources Research, 54, 1952-1976, 2018.

Le Coz, J., Renard, B., Bonnifait, L., Branger, F., Le Boursicaud, R. Combining hydraulic knowledge and uncertain gaugings in the estimation of hydrometric rating curves: a Bayesian approach, Journal of Hydrology, 509, 573-587, 2014.

Le Coz, J., Renard, B., Bonnifait, L., Branger, F., Le Boursicaud, R. Uncertainty Analysis of Stage-Discharge Relations using the BaRatin Bayesian Framework. 35th IAHR World Congress 08/09/2013-13/09/2013, Chengdu, China, 9 p, 2013.

Mansanarez, V. Non unique stage-discharge relations: Bayesian analysis of complex rating curves and their uncertainties, PhD thesis, 2016.

Mansanarez, V., Le Coz, J., Renard, B., Vauchel, P., Pierrefeu, G., Lang, M. Bayesian analysis of stage-fall-discharge rating curves and their uncertainties, Water Resources Research, 52, 7424-7443, 2016.

Mansanarez, V., Renard, B., Le Coz, J. Lang, M., Darienzo, M., Shift happens! Adjusting stage-discharge rating curves to riverbed morphological changes at known times, Water Resources Research, submitted.

References using BaRatin

Francke, T., Foerster, S., Brosinsky, A., Sommerer, E., Lopez-Tarazon, J.A., Güntner, A., Batalla, R.J., Bronstert, A. Water and sediment fluxes in Mediterranean mountainous regions: Comprehensive dataset for hydro-sedimentological analyses and modelling in a mesoscale catchment (River Isábena, NE Spain), Earth System Science Data, 10(2), 1063-1075, 2018.

Henn, B., Painter, T.H., Bormann, K.J., McGurk, B., Flint, A.L., Flint, L.E., White, V., Lundquist, J.D., High-Elevation Evapotranspiration Estimates During Drought: Using Streamflow and NASA Airborne Snow Observatory SWE Observations to Close the Upper Tuolumne River Basin Water Balance, Water Resources Research, 54(2), 746-766, 2018.

Kiang, J.E., Gazoorian, C., McMillan, H., Coxon, G., Le Coz, J., Westerberg, I., Belleville, A., Sevrez, D., Sikorska, A.E., Petersen-Øverleir, A., Reitan, T., Freer, J., Renard, B., Mansanarez, V., Mason, R. A comparison of methods for streamflow uncertainty estimation, Water Resources Research, 2018 (in press).

Lundquist, J.D., Roche, J.W., Forrester, H., Moore, C., Keenan, E., Perry, G., Cristea, N., Henn, B., Lapo, K., McGurk, B., Cayan, D.R., Dettinger, M.D. Yosemite Hydroclimate Network: Distributed Stream and Atmospheric Data for the Tuolumne River Watershed and Surroundings, Water Resources Research, 52, 7478-7489, 2016.

Mason, R.R. Jr., Kiang, J.E., Cohn, T.A. Rating curve uncertainty: An illustration of two estimation methods, IAHR River Flow conference, St. Louis, Missouri, USA, 12-15 July, 729-734, 2016.

Ocio, D., Le Vine, N., Westerberg, I., Pappenberger, F., Buytaert, W. The role of rating curve uncertainty in real-time flood forecasting, Water Resources Research, 53, 4197-4213, 2017.

Osorio, A.L.N.A., Reis, D.S. A Bayesian Approach for the Evaluation of Rating Curve Uncertainties in Flood Frequency Analyses, World Environmental and Water Resources Congress, West Palm Beach, Florida, USA, May 22-26, 482-491, 2016.

Osorio, A.L.N.A. Modelo bayesiano completo para análise de frequência de cheias com incorporação do conhecimento hidráulico na modelagem das incertezas na curva-chave [Full Bayesian model for flood frequency analysis with incorporation of hydraulic knowledge in the modeling of uncertainties in the rating curve], Master thesis, Universidade de Brasília, Brazil, 161 p, 2017.

Sikorska, A.E., Renard, R. Calibrating a hydrological model in stage space to account for rating curve uncertainties: general framework and key challenges, Advances in Water Resources, 105, 51-66, 2017.

Storz, S.M. Stage-discharge relationships for two nested research catchments of the high-mountain observatory in the Simen Mountains National Park in Ethiopia, Master thesis, Bern University, Switzerland, 87 p, 2016.

Zeroual, A., Meddi, M., Assani, A.A. Artificial Neural Network Rainfall-Discharge Model Assessment Under Rating Curve Uncertainty and Monthly Discharge Volume Predictions, Water Resources Management, 30, 3191-3205, 2016.