Modèles spatialisés, incertitudes et analyse de sensibilité

[Departement_IRSTEA]Eaux [TR1_IRSTEA]GEUSI [TR2_IRSTEA]SYNERGIE [Encadrant_IRSTEA]Grelot, F.Complex spatial models are developped to support decision making processes in various field of environmental management. These models use environmental data that is spatially distributed and is always partly uncertain. Sensitivity and uncertainty analysis techniques should be used to assess the impact of the propagation of uncertainties in these models. Sensitivity analysis techniques aim at examining the extent of output variation of a model when parameters are systematically varied over a range of interest. Here, spatial Sobol sensitivity analysis has been applied to CBA AD (Cost Benefit Analysis Avoided Damages), a tool for flood risk assesment. Based on spatially distributed models, this tool is used to assess the economic efficiency of projects for flood risk mitigation. All sources of uncertainty in the models have been described through probabilistic distributions or through geostatistical simulations. These uncertainties were then propagated through the model with a stochastic Monte-Carlo process. Finally, Sobol' sensitivity indices were computed for each uncertain model inputs. They allowed the robustness of model predictions to be checked, and the most influential model inputs to be identifed.L'analyse des incertitudes qui pèsent sur les entrées et les sorties d'un modèle environnemental est une étape incontournable dans la construction d'outils utiles aux décideurs, notamment dans le domaine de la gestion des risques naturels. L'objet de cette thèse professionnelle SILAT, commanditée par le CEMAGREF (UMR G-EAU), est de contribuer à une meilleure prise en compte des incertitudes dans le modèle « Analyse Coût Bénéfice Dommages Evités » (ACBDE), outil spatialisé qui permet d'évaluer économiquement des projets de protection contre le risque d'inondation. Une analyse de sensibilité globale (méthode de Sobol), prenant en compte les incertitudes pesant sur les variables d'entrée spatialisées (Modèle Numérique de Terrain et carte des enjeux), a été appliquée à l'outil ACBDE. Le caractère incertain de chaque facteur d'entrée a été décrit par une distribution de probabilité ou par des simulations géostatistiques. Ces incertitudes ont ensuite été propagées à travers le modèle par une procédure stochastique de type Monte-Carlo. Enfin, des indices de sensibilité (indices de Sobol) ont été calculés pour chaque facteur d'entée du modèle. Cette démarche a permis d'évaluer la robustesse des résultats fournis par l'outil ACBDE, ainsi que d'identifier les variables d'entrée dont le caractère incertain influence le plus la variabilité des sorties du modèle