Dépôt numérique
RECHERCHER

Développement du modèle log-normal non-stationnaire et comparaison avec le modèle GEV non-stationnaire.

Aissaoui Fqayeh, Ilham; El Adlouni, Salah-Eddine; Ouarda, Taha B. M. J. et St-Hilaire, André (2009). Développement du modèle log-normal non-stationnaire et comparaison avec le modèle GEV non-stationnaire. Hydrological Sciences Journal , vol. 54 , nº 6. pp. 1141-1156. DOI: 10.1623/hysj.54.6.1141.

Ce document n'est pas hébergé sur EspaceINRS.

Résumé

Dans le présent travail on présente le modèle log-normal (LN) non-stationnaire pour l'ajustement des séries dont les paramètres sont fonctions de covariables. Les modèles non-stationnaires, d'une manière générale, permettent de tenir compte des tendances ou de la variabilité temporelle observée dans un échantillon. Ils permettent également de considérer l'effet d'une covariable sur une variable donnée. Le modèle LN non-stationnaire est comparé au modèle GEV non-stationnaire par simulation de Monte Carlo. Les résultats montrent que même dans le cas de séries générées à partir d'un modèle GEV non-stationnaire, le modèle LN non-stationnaire conduit à une estimation des quantiles plus adéquate que celle qui est obtenue par le modèle GEV non-stationnaire. L'utilité de ces modèles est illustrée par l'étude de l'effet d'un indice climatique (Indice d'Oscillation Australe, SOI) sur des données hydro-climatiques de la Californie, USA. L'effet de l'indice SOI sur les précipitations maximales annuelles, enregistrées à la station Tehachapi de la Californie, est étudié.

Abstract

Classical flood frequency analysis (FFA) requires stationarity of the observed data set. This hypothesis is not always verified for observed data. This restriction can be lifted if classical distributions used in FFA integrate non-stationarity by considering time dependent parameters. It is also possible to consider other covariates instead of the time. The conditional distribution can then be obtained with respect to given values of the covariates. In the present study the non-stationary lognormal (LN) model with linear and quadratic dependence is presented, and corresponding maximum likelihood equations are developed. These models are compared to the non-stationary generalized extreme value (GEV) models by Monte Carlo simulation. The non-stationary LN model is also applied to a case study to illustrate its potential. The case study deals with the analysis of the annual maximum precipitation at the Tehachapi Station in California, USA, with the Southern Oscillation Index (SOI) as a covariate.

Type de document: Article
Mots-clés libres: distribution log-normale; estimateur du maximum de vraisemblance; modèles non-stationnaires; quantiles; précipitations maximales annuelles; lognormal model; maximum likelihood estimator; non-stationary model; quantiles; annual maximum precipitation
Centre: Centre Eau Terre Environnement
Date de dépôt: 11 janv. 2021 15:04
Dernière modification: 11 janv. 2021 15:04
URI: https://espace.inrs.ca/id/eprint/10820

Gestion Actions (Identification requise)

Modifier la notice Modifier la notice