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 INRAE 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 logiciels BaRatinAGE et BaM!

BaRatin et son environnement graphique BaRatinAGE sont open-source et diffusés en plus de 25 langues (dont le français et l’anglais). La dernière version 2.2.1 est disponible sur https://github.com/BaRatin-tools/BaRatinAGE/releases/tag/v2.2.1. En bas de la page, choisissez le fichier BaRatinAGE_2.2.1_XXX.zip adaptée à votre système d’exploitation (Windows ou Linux), dézippez le dans le répertoire de votre choix, et double-cliquez sur BaRatinAGE.exe (sous Linux: bin/BaRatinAGE).

Pour toute question ou remarque, n’hésitez pas à nous contacter à baratin.dev@inrae.fr. Des supports de formation sont disponibles ici en français, anglais et espagnol.

NOUVEAU : un tutoriel vidéo est disponible ici !

Si vous utilisez ou envisagez d’utiliser le logiciel, faites-le nous savoir afin d’être inscrit(e) sur la liste de diffusion (si ce n’est pas déjà le cas) et de recevoir les mises à jour et les informations.

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, Felipe Méndez-Rios) 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 ».

Les outils logiciels open-source 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 (voir liste de références ci-dessous).

Références bibliographiques sur BaRatin

Darienzo, M., Detection and estimation of stage-discharge rating shifts for retrospective and real-time streamflow quantification, PhD thesis, 2021.

Darienzo, M., Le Coz, J., Renard, B., Lang, M., Detection of stage-discharge rating shifts using gaugings: a recursive segmentation procedure accounting for observational and model uncertainties, Water Resources Research, 57, e2020WR028607, 2021.

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.

Horner, I., Le Coz, J., Renard, B., Branger, F., Lagouy, M., Streamflow uncertainty due to the limited sensitivity of controls at hydrometric stations, Hydrological Processes, 36(2), e14497, 2022.

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.

Le Coz, J., Moukandi N’kaya, G. D., Bricquet, J.-P., Laraque, A., Renard, B., Estimation bayésienne des courbes de tarage et des incertitudes associées : application de la méthode BaRatin au Congo à Brazzaville, Proc. IAHS, 384, 25-29, 2021.

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, 55, 2876-2899, 2019.

Perret, E., Le Coz, J., Renard, B., A rating curve model accounting for cyclic stage-discharge shifts due to seasonal aquatic vegetation, Water Resources Research, 57, e2020WR027745, 2021.

Références bibliographiques utilisant BaRatin

Ahrendt, S., Horner-Devine, A. R., Collins, B. D., Morgan, J. A., Istanbulluoglu, E., Channel conveyance variability can influence flood risk as much as streamflow variability in western Washington State. Water Resources Research, 58, e2021WR031890, 2022.

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.

Garcia, R., Costa, V., Silva, F., Bayesian rating curve modeling: alternative error model to improve low-flow uncertainty estimation, Journal of Hydrological Engineering, 25(5): 04020012, 2020.

Gouy, V., Liger, L., Ahrouch, S., Bonnineau, C., Carluer, N., Chaumot, A., Coquery, M., Dabrin, A., Margoum, C., Pesce, S., Ardières-Morcille in the Beaujolais, France: A research catchment dedicated to study of the transport and impacts of diffuse agricultural pollution in rivers, Hydrological Processes, 35(10), e14384, 2021.

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.

Kastali, A., Zeroual, A., Remaoun, M., Serrano-Notivoli, R., Moramarco, T. Design Flood and Flood-Prone Areas under Rating Curve Uncertainty: Area of Vieux-Ténès, Algeria, Journal of Hydrologic Engineering, 26(3), 05020054, 2021.

Kastali, A., Zeroual, A., Zeroual, S., Hamitouche, Y., Auto-calibration of HEC-HMS Model for Historic Flood Event under Rating Curve Uncertainty. Case Study: Allala Watershed, Algeria, KSCE Journal of Civil Engineering, 26(1), 482-493, 2022.

Kazimierski, L.D., García, P.E., Ortiz, N., Morale, M., Re, M., Aforos de ríos y arroyos en la Cuenca Matanza-Riachuelo. Elaboración de relaciones altura – caudal (curvas HQ). Informe LHA 05-397-21, Instituto Nacional del Agua (INA) – ACUMAR, Ezeiza, Argentina, 2021.

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, 54(10), 7149-7176, 2018.

Lang, M., Darienzo, M., Le Coz, J., Renard, B., Evaluation des incertitudes et de l’homogénéité de longues séries de débits de crue sur le Rhin à Bâle (1225-2017) et Maxau (1815-2018), LHB-Hydroscience, 2022.

Laraque, A., Le Coz, J., Moukandi N’kaya, G.D., Bissemo, G., Ayissou, L., Rouché, N., Bricquet, J.-P., Gulemvuga, G., Courbes de tarage du fleuve Congo à Brazzaville-Kinshasa, LHB-Hydroscience, 2022.

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.

Maldonado, L.H., Firmo Kazay, D., Romero Lopez, E.E., The estimation of the uncertainty associated with rating curves of the river Ivinhema in the state of Paraná/Brazil, IAHR RiverFlow 2018 conference, E3S Web of Conferences, 40, 06029, 2018.

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.

Perret, E., Le Coz, J., Renard, B., Courbes de tarage dynamiques pour la végétation aquatique saisonnière, LHB-Hydroscience, 2022.

Qiu, J., Liu, B., Yang, Z., Peng, W., Uncertainty analysis of estimated discharge based on stage-discharge rating curves [in Chinese], Shuikexue Jinzhan/Advances in Water Science, 31(2), 214-223, 2020.

Qiu, J., Liu, B., Yu, X., Yang, Z., Combining a segmentation procedure and the BaRatin stationary model to estimate nonstationary rating curves and the associated uncertainties, Journal of Hydrology, 597, 126168, 2021.

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.

Vieira, L.M.D.S., Sampaio, J.C.L., Costa, V.A.F., Eleutério, J.C., Assessing the effects of rating curve uncertainty in flood frequency analysis, Revista Brasileira de Recursos Hidricos, 27, e11, 2022.

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.